Агенты Cogent на GPT-6.1 Sol сокращают время исправления уязвимостей на 75%

Любой, кто работал с безопасностью, знает: найти уязвимость — полдела. Сканеры каждый день выдают сотни находок, а потом начинается самое муторное: выяснить, кому принадлежит сервис, что от него зависит, можно ли обновить библиотеку без простоя и кто это согласует. Именно на этом этапе, по словам Cogent, всё и застревает. Стартап строит для крупных компаний «фабрики киберзащиты» — набор ИИ-агентов, которые проходят путь от расследования до проверенного исправления.

Сначала контекст, потом агенты

Основа системы — Context Engine. Для каждого клиента он поддерживает граф знаний: активы, уязвимости, учётные записи, владельцы, зависимости. Фоновые агенты постоянно сверяют данные между security-инструментами, чтобы расследующие и исправляющие агенты работали с одной картиной мира. CTO Geng Sng называет это «memory harness для предприятия»: не нужно заново выяснять, как устроена инфраструктура, при каждой новой задаче. Побочный эффект — меньше задержек, меньше расходов на инференс и меньше разнобоя в ответах.

Простой пример. Раскрыли критические дыры PHP2Shell в PHP. Вместо ручного поиска, где у компании крутится PHP, агенты идут по графу: находят затронутые системы, оценивают, насколько они доступны атакующему, строят план с учётом зависимостей приложений и операционных ограничений. Затем они выполняют исправления по согласованному с клиентом процессу и проверяют, что дыра действительно закрыта. Для расследования и планирования Cogent использует GPT-6.1 Sol и GPT-6 Astra.

Право действовать — отдельным слоем

Самое интересное для инженеров — как Cogent решает вопрос «а вдруг агент всё сломает». Допустимые изменения и требования к согласованию описаны в Agent Policies. Движок TRACE проверяет каждый вызов инструмента по этим правилам до выполнения, причём проверки детерминированные и не требуют отдельного вызова модели. Поверх стоит Agent Gateway, который независимо проверяет авторизацию, а рискованные задачи запускаются в изолированных песочницах. Клиент сам выбирает режим: только расследование, изменения с одобрением человека или ограниченная автономная починка.

Принцип стоит запомнить: безопасность агента не должна зависеть от того, правильно ли модель поняла инструкцию. Правила живут в коде, а не в промпте.

Экономика: разные модели для разных задач

Cogent делит работу по сложности. GPT-6.1 Sol идёт на общее исполнение и тяжёлые расследования, а GPT-5.6 — на рутинные задачи управления уязвимостями, где глубокое рассуждение не нужно. Когда запускаешь «рои» агентов, цена токенов быстро становится главной статьёй расходов, и такая маршрутизация превращается из оптимизации в необходимость.

Ещё Cogent говорит, что с API OpenAI ей пришлось писать меньше обвязки: маршрутизацию запросов и оркестрацию агентов во многом берёт на себя платформа. Большая часть инженеров пишет код в Codex, потому что там уже есть готовые инструменты. Для собственных исследований команда использует программы Trusted Access for Cyber и Daybreak, включая уровень Daybreak Red со специализированными моделями для авторизованного наступательного анализа. Цель — понять, как уязвимости можно сцепить через учётные записи, ресурсы и сетевые ограничения.

Что здесь стоит делить на два

Это клиентский кейс на блоге OpenAI, а не независимое исследование. Цифры — сокращение среднего времени устранения критических уязвимостей на 75% у автопроизводителя из Fortune 1000 и 5-кратный рост пропускной способности триажа у ИТ-интегратора из Fortune 500 — сообщает сама Cogent, без методики и базовых показателей. Клиенты безымянные, кроме MarketAxess, а он говорит о приоритизации рисков, а не о метриках. Заявления про меньшее число галлюцинаций и лучшую стоимость относительно других провайдеров тоже без бенчмарков. Полностью автономное исправление пока в планах: от простых конфигурационных правок к многошаговым сценариям, затрагивающим разные системы.

Что взять на практике

Если вы делаете агентов для инфраструктуры, DevOps или безопасности, из кейса стоит вынести три вещи. Первое: вложитесь в контекстный слой — граф активов, владельцев и зависимостей даёт агентам больше, чем смена модели. Второе: политики и авторизацию делайте детерминированным кодом вне модели, а рискованные действия изолируйте. Третье: закладывайте маршрутизацию по моделям с самого начала, иначе счёт за агентов неприятно удивит. А цифры эффективности без независимой проверки лучше пока считать маркетингом.