12 AI-пентестеров против 116 уязвимостей: итоги теста 2026

Собрали и сравнили варианты по критериям, чтобы вы не тратили время. Методология — ниже.

Автономные AI-агенты для пентеста пока проигрывают классическим DAST-сканерам и гибриду «LLM + Burp» — закладывать бюджет в них рано, дешевле усилить человека готовым сканером и LLM-надстройкой.

Связанные услуги: каталог, AI Boost Team, стать клиентом.

Что сравнивали и по каким критериям

Двенадцать инструментов, одно приложение, 116 заложенных уязвимостей. Итог короткий: ни один автономный AI-агент не обошёл гибрид Claude + Burp Suite MCP (9/10) и Acunetix (8/10). Бюджет в «AI-пентестер» на 2026 год закладывать рано. Деньги сейчас лучше уходят в готовый сканер плюс LLM-надстройку поверх него, а не в агента, который сам себе ставит задачи.

Стенд: OWASP Juice Shop v20.3.0 по публичному адресу, 116 челленджей в 16 категориях и шести уровнях сложности, от отсутствующих заголовков безопасности до десериализации и XXE. Режим чёрного ящика, сентябрь 2026, рабочие станции на Windows 11 и Kali Linux. Название приложения агентам не сообщали: LLM, узнав Juice Shop, просто вытащила бы готовые ответы из обучающих материалов, и тест превратился бы в проверку памяти модели.

Я собрал 12 инструментов — популярные AI-агенты для пентеста, проверенные классические DAST-сканеры и гибридную связку AI + DAST — и натравил их на одно и то же приложение со 116 известными уязвимостями.

Критерии отбора и оценки: результативность (сколько нашёл и насколько критичное), время до отчёта, читаемость отчёта, удобство установки, поддержка локальных моделей без облачных API, работоспособность из РФ без VPN и с возможностью оплаты, стоимость одного прогона. Оговорка, без которой рейтинг превращается в гадание: один стенд, один прогон на инструмент. Цифры показывают порядок величин, а не гарантию на вашем периметре.

Топ-6: кто реально нашёл уязвимости

1. Claude + Burp Suite MCP, 9/10

   Кому подходит: команде, у которой уже стоит Burp Pro и есть человек, готовый читать вывод модели и спорить с ним. Цена: около $20 в месяц сверх лицензии Burp. Плюс: 10 находок за 30 минут, из них 2 critical, 3 high и 5 medium. Минус: самостоятельным это не назовёшь, нужен прокси и аналитик рядом.

   Вывод: лучший результат на потраченный доллар. Классический инструмент даёт сырьё, LLM разбирает его и формулирует гипотезы. Работает та связка, которую вы собираете сами, а не та, что продаётся коробкой.

2. Acunetix, 8/10

   Кому подходит: если нужен предсказуемый отчёт для заказчика, аудитора или страховой, без участия инженера в процессе. Цена: коммерческая лицензия, в тесте конкретная ставка не приводилась. Плюс: 13 находок за 1 час 20 минут, отчёт читается без перевода. Минус: медленнее конкурентов и дороже самодельной связки.

   Вывод: рабочая лошадка для регулярного сканирования по расписанию. Скучно, зато результат воспроизводим.

3. Burp Suite Professional, 6/10

   Кому подходит: пентестеру, который большую часть работы делает руками. Цена: около $449 в год. Плюс: 28 минут и 15 находок, больше всех в тесте среди инструментов с внятным результатом. Минус: оценка ниже при большем числе находок, потому что это среда для человека. Автоматический сканер здесь второй инструмент, а не первый.

   Вывод: не покупайте ради кнопки «найти всё». Покупайте ради Repeater и нормального разбора запросов.

4. Strix, 6/10

   Кому подходит: энтузиасту с Docker и свободным вечером, без обязательств перед бизнесом. Цена: около $15 за скан на облачных моделях, лицензия Apache 2.0. Плюс: 5 находок за 58 минут, среди них 1 critical и 3 high. Минус: первый прогон упал после трёх часов работы, и это лучший из агентов.

   Вывод: единственный AI-агент, который дал критичную находку, но стабильность пока лотерея. В продовый контур такое не ставят.

5. PentAGI, 5/10

   Кому подходит: тем, кто хочет потрогать агентную архитектуру за минимальные деньги. Цена: около $2 за скан. Плюс: 6 находок, одна critical, изолированная песочница и веб-интерфейс. Минус: 1 час 32 минуты, дольше всех в верхней части списка.

   Вывод: цена смешная, отдача соответствующая. Как учебный стенд годится, как замена подрядчику нет.

6. CAI, 5/10

   Кому подходит: исследователю, который читает код фреймворка. Цена: около $1 за скан. Плюс: 10 минут и 4 находки, три medium и одна low. Минус: проект на момент теста архивирован, у него есть преемник, то есть поддержки ждать неоткуда.

   Вывод: быстрая разведка и ничего больше. Вендорские 3600x ускорения на практике не проявились.

Сводка: цифры без интерпретации

• Claude + Burp Suite MCP: 30 минут, 10 находок (2 critical, 3 high, 5 medium), 9/10, ~$20 в месяц.
• Acunetix: 1 час 20 минут, 13 находок, 8/10.
• Burp Suite Pro: 28 минут, 15 находок, 6/10, ~$449 в год.
• Strix: 58 минут, 5 находок (1 critical, 3 high, 1 medium), 6/10, ~$15 за скан.
• PentAGI: 1 час 32 минуты, 6 находок, 5/10, ~$2 за скан.
• CAI: 10 минут, 4 находки, 5/10, ~$1 за скан.
• T3MP3ST: 12 минут, 27 находок, 2/10.
• Nuclei: 11 минут, 24 находки, 2/10.

Где отвалились остальные

Два инструмента дали больше всего находок и ноль пользы. T3MP3ST выдал 27 срабатываний за 12 минут, Nuclei 24 за 11 минут, и почти всё это low и info. Оценка 2/10 у обоих. Вы покупаете файл со списком, а не решение: инженер потом неделю разгребает шум и объясняет заказчику, почему в отчёте нет ни одной критичной дыры. Для массовой проверки шаблонов Nuclei полезен, но это другой сценарий, не пентест.

Отдельная история про экономию на API. Strix на локальной модели через LM Studio искал больше 24 часов и нашёл 4 низких уязвимости. На облачной модели тот же инструмент дал critical за час. Локальный контур снимает вопросы оплаты и передачи данных наружу, но в этом тесте он превратил час работы в сутки.

Shannon в зачёт не пошёл: он работает только в режиме white-box и требует исходный код. Заявленные вендорами метрики (90,1% на XBOW-бенчмарке, 3600-кратное ускорение) на едином чёрном ящике не подтвердились ни у кого.

Как выбрать под свою задачу

• Нужен отчёт для внешнего заказчика: Acunetix, вопросы по цене лицензии решать сразу.
• Есть свой инженер по ИБ: Burp Suite Pro плюс LLM-надстройка через MCP, это лучший баланс.
• Нужно быстро прощупать новый сервис: Nuclei по шаблонам, но результат сразу отдавать человеку.
• Хочется посмотреть на агентов без риска: Strix на тестовом стенде, прогон ограничить часом.
• Нельзя выпускать данные наружу: считайте не только деньги, но и время, локальные модели пока медленные.

Вердикт: если X — бери Y

Если нужен максимум находок за разумные деньги — бери связку Claude и Burp Suite MCP.
Если нужен воспроизводимый отчёт без вашего участия — бери Acunetix.
Если бюджет только на эксперимент — бери Strix и не жди стабильности.

Что сделать на этой неделе

1. Прогнать Burp Pro или Acunetix по своему контуру в чёрном ящике и записать время и число находок как baseline.
2. Посчитать стоимость одного скана честно: лицензия плюс часы инженера на триаж ложных срабатываний.
3. Подключить LLM к уже собранным данным из прокси, прежде чем покупать ещё один сканер.
4. Взять один агент (Strix или PentAGI) на тестовый стенд и ограничить прогон 60 минутами.
5. Проверить оплату и доступ без VPN до того, как обещать результат клиенту или руководству.

Вопросы, которые остались

AI-агенты заменят пентестера? По этому тесту нет. Лучший агент нашёл 5 уязвимостей из 116, гибрид с классическим сканером 10, и то с человеком рядом.

Почему у T3MP3ST 27 находок и оценка 2/10? Потому что считали не количество строк в отчёте, а количество подтверждённых проблем. Двадцать семь низких и информационных срабатываний не стоят одного critical.

Можно ли сэкономить на локальной модели? Можно, но в этом тесте Strix на локальной модели искал больше суток и нашёл 4 низких уязвимости. Считайте часы, а не только счёт за API.

Насколько цифры переносимы на реальный сайт? Juice Shop собран специально для проверки сканеров, и 116 уязвимостей там разложены по полочкам. На живом приложении разброс будет больше, а вывод про порядок сил сохранится.

Хотите разобрать, где в вашем контуре теряются находки? Напишите, какой сканер и какая модель уже используются, и мы соберём схему проверки под ваш стек.

Риски и как их снять заранее

• Запуск без baseline и недельной аналитики — самый дорогой вариант, потому что непонятно, что лечить.
• Смешивание многих задач одновременно — обычно увеличивает календарные сроки и бюджет сверх суммы задач по отдельности.
• Слабая интеграция с точками истины данных (CRM, биллинг, тикет-системы) даёт красивый интерфейс и плохой бизнес-эффект.

Что сделать дальше

Короткая диагностика под ваш процесс: обычно 3 дня для малого бизнеса и до 5 дней для проектов со сложной воронкой и несколькими стейджами.

Быстрый расчет эффекта: (количество заявок × текущая стоимость обработки заявки) − (то же после внедрения целевой модели) + (дополнительные продажи × средняя маржа). Число получится грубым и полезным: оно задаёт экономику решения даже без идеальных данных.

По запросу высылаем чеклист диагностики и шаблон weekly-отчёта по экспериментам: там видно, когда пора усиливать сценарий, а когда — остановиться.

• Обсудить применение под вашу задачу: Открыть форму контактов PrimeCoder
• Получить план внедрения на 30 дней: Подключить AI Boost Team как внешний AI-офис с KPI

FAQ по теме статьи

Как понять, что тема «12 AI-пентестеров против 116 уязвимостей: итоги теста 2026» подходит для AI, а не для обычной автоматизации?

AI нужен там, где есть вариативный текст, классификация, приоритизация или помощь оператору. Если процесс строго регламентирован, часто дешевле обычная интеграция.

Что нельзя обещать до замеров?

Нельзя обещать точный ROI, рост конверсии и экономию часов без baseline, доступа к данным и понимания, кто будет владельцем процесса.

Какой первый шаг сделать после статьи?

Выпишите один процесс, текущую метрику, цену ошибки и ограничение по данным. После этого уже можно выбирать инструмент или подрядчика.

Дальше по теме платформы: смежные материалы (ROI / деньги)

Статью лучше читать в связке — так быстрее собирается картина, как ответ складывается в работающую воронку, а не в изолированный совет.

• Сколько стоит AI Boost Team в 2026
• ROI AI Boost Team: как считать
• AI-отдел на аутсорсе vs штат