Proofpoint: ИИ ослабляет поведенческое выявление почтовых атак
Proofpoint на конференции Protect 2026 заявила, что генеративный ИИ делает фишинговые письма грамотными, персонализированными и непохожими друг на друга, из-за чего привычные поведенческие признаки атак теряют надёжность. ФБР за 2025 год получило более 22 тыс. жалоб, связанных с ИИ, с почти $900 млн заявленного ущерба; отдельно IC3 зарегистрировал 24 768 обращений о компрометации деловой почты с потерями около $3,05 млрд.
Уникальные письма вместо повторяющихся шаблонов
Почтовые фильтры долго опирались на повторяемость: новые домены и инфраструктуру, неестественный язык, необычное время отправки, одинаковые формулировки и запросы, не соответствующие переписке. Подготовка убедительных текстов и множества вариантов раньше требовала времени, поэтому злоумышленники оставляли заметные шаблоны.
Генеративные модели снимают часть этих ограничений. Они позволяют быстро подготовить текст на нужном языке, учесть роль адресата и контекст беседы, имитировать подпись и стиль общения, а также создать отдельный вариант сообщения для каждого получателя. По оценке Proofpoint, анализу нужно всё чаще отвечать не на вопрос, выглядит ли письмо необычно, а на вопрос о том, чего добивается отправитель.
Компания привела пример кампании против агентства недвижимости: один злоумышленник связался более чем с 30 риелторами одной организации. Для каждого контакта использовались другой почтовый ящик, иной объект и отдельная формулировка запроса. Все цепочки в итоге приводили к одной цели — приглашению на видеовстречу.
Репутация ссылки не всегда раскрывает угрозу
В одной из переписок вопрос об осмотре недвижимости, отправленный в 2:58 ночи, через 13 минут сменился приглашением на встречу с требованием немедленного внимания. Ссылка вела через настоящий редирект google.com, поэтому проверка репутации не обнаруживала проблемы. Параметр URL затем перенаправлял пользователя на посторонний ресурс.
Каждый отправитель впервые обращался к конкретному агенту, поэтому у фильтра не было истории для сравнения. При этом содержание сообщений не повторялось. Proofpoint также описала вариант против страховых агентов: запросы котировок, рекомендации соседей и вопросы о покрытии формировали доверие перед поддельным приглашением на конференцию с полезной нагрузкой.
Анализ намерения как дополнительный слой
Proofpoint называет свой подход Nexus Intent-Based Detection Model и позиционирует его как дополнение, а не замену традиционных средств. Правила, сигнатуры, репутация инфраструктуры и индикаторы компрометации по-прежнему помогают быстро блокировать известные угрозы. Поведенческие базовые линии и сведения о группировках также остаются полезными для известных отправителей и отклонений от нормы.
Для писем, которые проходят эти уровни, предлагается оценивать цель действия, её правдоподобие в рамках отношений и переписки, а также используемую технику. В примере со сменой банковских реквизитов письмо пришло из реального ящика поставщика и внутри настоящей цепочки, но запрос был первым за много лет, не соответствовал теме обсуждения, был привязан к платёжному циклу и предлагал перейти в личный канал связи.
Глубину анализа компания распределяет по трём уровням. Первый обрабатывает весь поток менее чем за 500 миллисекунд с использованием машинного обучения, разведданных, компьютерного зрения и языковых моделей. Второй разбирает менее 1% писем за секунды или минуты, а третий — менее 0,01% сообщений, подключая многоэтапный анализ, голос, видео и профили привилегированных сотрудников.
Практический вывод для организаций
Для бизнеса ключевой контроль остаётся процессным: запросы на смену реквизитов, перевод денег, ввод учётных данных и переход на встречу стоит сверять по независимому каналу, даже если письмо выглядит естественно и пришло из знакомой цепочки. Автоматизация фильтрации важна, но проверка цели запроса и контекста операции становится необходимой частью защиты почты.