Дайджест AI Intelligence — 05.06.2026

Кризис доверия: как AI-агенты Meta открыли двери для хакеров

Безопасность аккаунтов в экосистеме Meta оказалась под ударом из-за архитектурного просчета в работе AI-агентов поддержки. Злоумышленники обнаружили способ обходить системы мониторинга SOC, используя чат-бота для смены восстановительных адресов электронной почты и сброса паролей. Поскольку действия агента регистрировались как легитимные транзакции авторизованного субъекта, системы обнаружения (EDR, DLP, SIEM) не зафиксировали никаких аномалий.

Схема атаки отличалась пугающей простотой: используя VPN для имитации местоположения жертвы, хакеры просили помощника добавить новый email и отправить код подтверждения. Бот беспрекословно выполнял запрос, отправляя код напрямую атакующему. В результате были скомпрометированы аккаунты Sephora, высокопоставленного лидера космических сил США Джона Бентивегны, исследователя Джейн Манчун Вонг и даже неактивного аккаунта Белого дома времен Обамы.

Критическим фактором выживания стала многофакторная аутентификация (MFA): атака провалилась на всех аккаунтах, где она была включена. Однако брешь осталась в «двери восстановления». В случаях, когда требовалось видеоселфи для подтверждения личности, хакеры использовали AI-генераторы видео на основе публичных фото жертв, которые Meta принимала за подлинные.

Этот инцидент иллюстрирует классический паттерн «запутанного заместителя» (confused deputy), когда доверенная система обманом заставляется использовать свои привилегии в интересах атакующего. Эксперты подчеркивают: авторизация не может жить внутри модели, так как разговорную систему всегда можно убедить пропустить проверку. Контроль должен находиться вне модели, в шлюзе, который агент не может обойти с помощью логики.

Агентный AI: между хайпом и реальностью

Индустрия переживает период «агентного хайпа», при котором темпы внедрения технологий опережают реальные результаты. Несмотря на то что 75% организаций заявляют об активном переходе на агентные системы, большинство из них застряли на стадии пилотных проектов и эффектных демо-версий. Разрыв в продуктивности очевиден: по данным Asana, лишь 5% компаний зафиксировали реальный прирост эффективности.

Главным препятствием стал вопрос «общей памяти». В текущих реалиях улучшения, внесенные одним сотрудником в работу агента (лучшие промпты или контекст), исчезают для его коллег. Каждый пользователь фактически обучает свою версию одного и того же агента. В многоагентных рабочих процессах это ведет к противоречиям, дублированию задач и распространению ошибок.

В ответ на этот вызов Asana разрабатывает платформу Agentic Work Management, где контекстный граф становится общим для всей команды. Аналогичный подход применяет Microsoft Copilot, который стремится к созданию персональной памяти пользователя. Для современных компаний наличие слоя общей памяти в агентных платформах становится ключевым критерием при закупке ПО, так как это позволяет автоматически накапливать институциональные знания.

Эксперименты по «омоложению» LLM: возвращение в 1995-й

В области локальных LLM набирает обороты интерес к специализированному дообучению. В рамках одного из экспериментов была предпринята попытка заставить модели Llama 3.1 8B и Qwen 2.5 7B писать в стиле технических писателей 80-х и 90-х годов. В качестве базы данных использовался архив Bitsavers, содержащий миллионы слов из старых руководств Microsoft.

Для обучения применялся метод QLoRA (квантованная адаптация низкого ранга), который позволяет менять поведение модели с помощью небольшого адаптера, не затрагивая основные веса. Результаты показали, что дообученные модели успешно осваивают структуру документации той эпохи (блоки Synopsis, Return Value и т.д.). Особенно сильной оказалась модель Qwen 192k, которая смогла воспроизвести стиль справочника Windows 2000 Resource Kit даже при описании современных концепций, таких как REST API.

Турбулентность в криптомире и регуляторные сдвиги

Рынок криптовалют столкнулся с серьезным давлением: цена биткоина упала ниже 60 000 долларов, что стало самым низким показателем с октября 2024 года. Среди причин — продажа активов крупнейшим держателем (компанией Strategy Майкла Сэйлора), отток средств из ETF и переток капитала в акции компаний, связанных с AI.

Параллельно с этим AI-технологии продолжают обнажать уязвимости протоколов. Так, модель Opus 4.8 от Anthropic помогла обнаружить критическую ошибку в приватной монете Zcash, что привело к обвалу ее курса более чем на 40% за одну ночь.

На законодательном уровне в США наблюдается движение к уточнению налогового режима. Комитет Палаты представителей по налогам рассматривает семь законопроектов, которые могут облегчить налоговое бремя для мелких транзакций (de minimis), майнинга и стейкинга, чтобы избежать двойного налогообложения.

Краткие сводки из мира технологий и науки