Классическая защита почты ищет вредоносную нагрузку: ссылку на фишинговый домен, заражённое вложение, поддельный логотип. Но всё больше атак типа BEC (Business Email Compromise) обходятся без единого технического индикатора — просто текст, который убеждает получателя перевести деньги или сменить платёжные реквизиты. Если в письме нет ни ссылки, ни файла, сигнатурный анализ и песочница ничего не находят: письмо доходит до сотрудника, потому что формально оно «чистое». Типичный сценарий — просьба от «директора» срочно оплатить счёт новому поставщику или письмо от скомпрометированного ящика бухгалтера с изменёнными платёжными реквизитами: технически придраться не к чему, всё решает контекст и тон.
Что произошло
По данным Microsoft, объявленным на конференции Ignite 2024, компания перевела анализ электронной почты на специально обученные большие языковые модели (LLM), которые читают текст письма и оценивают намерение отправителя, а не только технические артефакты. По заявлению Microsoft, точность обнаружения вредоносного намерения достигла 99,995%, а модель ежедневно блокирует около 140 000 писем категории BEC исключительно на основе языкового анализа, без единого совпадения по индикаторам компрометации.
Похожий подход развивает Abnormal AI: платформа строит поведенческий профиль каждого сотрудника и партнёра по 5000+ сигналам и ищет отклонения от привычной переписки — тон, время отправки, характер запроса — даже если письмо пришло с легитимного или скомпрометированного домена. По данным вендора, такие «пустые» по индикаторам угрозы система относит к классу, который периметровые gateway-фильтры архитектурно не способны увидеть.
Как это работает
Механика строится на двух уровнях анализа.
Языковой (семантический) анализ намерения. Модель разбирает не ключевые слова, а смысл просьбы: срочность («переведите сейчас, иначе потеряем контракт»), давление авторитетом («я директор, вопросов быть не должно»), финансовый триггер (запрос на перевод, смену реквизитов, покупку подарочных карт). Эта проверка происходит до попадания письма в почтовый ящик — на этапе pre-delivery фильтрации, а не постфактум по жалобе пользователя.
Поведенческий (идентити) анализ. Вместо статичных правил система сравнивает письмо с историей общения конкретной пары «отправитель — получатель»: тональность, привычные темы, время, устройство. Отклонение само по себе не значит атаку, но в сочетании с финансовым запросом резко повышает риск-скор. У Abnormal AI такая связка приводит к автоматическому удалению письма и блокировке скомпрометированной учётной записи — по данным вендора, в среднем за менее чем 6 секунд. Отдельно вендор использует федеративную аналитику по сети из 5000 организаций, чтобы замечать компрометацию учётной записи у поставщика раньше, чем от его имени придёт запрос на смену реквизитов вашему бухгалтеру.
Отдельно эту логику использует агент триажа Microsoft Security Copilot: он не работает по жёстким правилам, а рассуждает контекстно — читает содержание, при необходимости детонирует ссылки и файлы (если они есть), сверяется с threat intelligence и выносит вердикт с объяснением на естественном языке, который аналитик может принять или скорректировать обратной связью.
Что внедрить у себя
- Включите языковой/NLP-слой анализа писем на этапе pre-delivery в вашем почтовом шлюзе или Defender for Office 365 (профиль Standard или Strict) — не ограничивайтесь проверкой ссылок и вложений.
- Добавьте поведенческий слой: систему, которая строит профиль переписки по парам «отправитель — получатель» и по VIP-аккаунтам, а не только фильтрует по репутации домена.
- Пересмотрите SOC-плейбуки под инциденты без индикаторов компрометации: аналитик должен уметь эскалировать «письмо без IOC», опираясь на семантику запроса, а не ждать совпадения по URL или хэшу.
- Настройте отдельный контроль для запросов на смену банковских реквизитов и платежей поставщикам — подтверждение по второму каналу связи, а не из самого письма.
- Обучите финансовую и HR-команды маркерам давления: срочность, апелляция к авторитету, запрет «переспрашивать» — эти признаки надёжнее, чем поиск опечаток в домене.
- Ведите обратную связь по вердиктам AI-агента триажа: размеченные аналитиками случаи наращивают точность классификации именно для вашей организации.
BEC без вложений — логичное продолжение тренда, о котором мы писали в материале о том, почему AI сделал социальную инженерию опаснее. Смежная механика семантической фильтрации разобрана в статье про AI-фишинг без одинаковых шаблонов, а про границы автономии агентов при разборе писем — в тексте о доле фишинговых расследований без участия человека. Базовые понятия удобно освежить в статье «Фишинг: что это простыми словами».
Источники: Microsoft Tech Community — Ignite 2024, Abnormal AI — Prevent BEC, Microsoft Learn — Phishing Triage Agent.
