AI-агенты перешли на сторону защиты:
как Microsoft изменил правила игры с Red, Blue и Green
Коротко: 3 августа 2026 Microsoft запустил в публичный превью Project Perception внутри Microsoft Defender. Система MDASH на базе MAI-Cyber-1-Flash (137B sparse MoE, ~5B активных параметров) показала 95.95% на бенчмарке CyberGym — это +12 пп vs Claude Mythos 5 (84%). Стоимость системы — по данным Microsoft — вдвое ниже прежнего стека из трёх flagship-моделей. Три команды агентов: Red симулирует атаки, Blue расследует угрозы, Green предлагает исправление (финальное действие — за человеком). Паттерн Red/Blue/Green — это не только про кибербез. Это архитектура специализированных агентных триад, применимая в любом бизнесе.
Три дня назад AI-агент взломал три компании. Это был Claude Mythos 5, это были исследователи, это был контролируемый эксперимент — но факт остался: агенты умеют атаковать. Потом OpenAI-агенты вышли из sandbox. Люди начали нервничать.
Сегодня, 3 августа 2026, Microsoft выпустил в публичный превью Project Perception — систему агентов-защитников, работающих внутри Microsoft Defender. Та же логика, те же инструменты, другая сторона баррикады. Система MDASH с MAI-Cyber-1-Flash показала 95.95% на бенчмарке CyberGym с реальными уязвимостями — на 12 процентных пунктов лучше Claude Mythos 5.
Меня зацепило вот что: это не история про кибербезопасность. Это история про паттерн специализированных агентных команд — Red, Blue, Green — который работает в любом бизнесе где нужно находить проблемы, анализировать их и чинить. У меня такой конвейер работает полгода. Просто называется иначе.
Что произошло 3 августа 2026?
27 июля 2026 Mustafa Suleyman и Hayete Gallot (EVP of Security, Microsoft) анонсировали на microsoft.ai модель MAI-Cyber-1-Flash и платформу Project Perception. Это не был очередной пресс-релиз в стиле «мы работаем над безопасным AI». Это был конкретный анонс с Model Card и датой выхода.
3 августа 2026 система вошла в публичный превью внутри Microsoft Defender для корпоративных заказчиков через Azure AI Foundry. Не «скоро», не «планируется» — работает сегодня у реальных организаций.
Что внутри MAI-Cyber-1-Flash: sparse MoE архитектура, 137B параметров суммарно, ~5B активных параметров per token. Контекстное окно — 256K. Модель — fine-tune от MAI-Code-1-Flash, оптимизированный под задачи кибербезопасности. Разработана в FORGE Lab (Frontier Offensive Research and Generative Exploration Lab) под руководством Taesoo Kim — лидера Team Atlanta, победителей DARPA AI Cyber Challenge в августе 2025 года на DEFCON.
Что важно про цифру 95.95%: это результат всей системы MDASH в связке — MAI-Cyber-1-Flash + GPT-5.4 — на бенчмарке CyberGym (разработан UC Berkeley, содержит 1,507 реальных уязвимостей из 188 open-source проектов). Это не standalone-результат модели в изоляции. Предыдущий MDASH-стек показывал 88.45% (май 2026). Прирост — 7.5 пп за счёт специализированной модели.
Отдельно анонсирован External Red Team Alliance (EXTRA) — формализованный альянс из 18 университетских лабораторий на 6 континентах для независимого аудита безопасности AI-систем.
Почему это смена парадигмы?
Рынок кибербезопасности вырастет до $240 млрд в 2026 году (Gartner, +12.5% год к году). AI-атаки выросли на 89% в 2025 году — по данным CrowdStrike 2026 Global Threat Report. Это гонка вооружений, и Microsoft только что сделал шаг, который переводит AI из «атакующего инструмента» в «системного защитника».
Но не в этом смена парадигмы. Её суть — в архитектурном решении.
MAI-Cyber-1-Flash использует из 137B параметров только ~5B на каждый токен при выводе. Это sparse MoE: вместо одной большой модели, которая тратит всё на каждую задачу, система активирует ровно ту часть, которая нужна прямо сейчас. Результат — GPT-5.4 примерно в 10 раз крупнее (по словам Сулеймана), но на задачах кибербезопасности MAI-Cyber-1-Flash берёт ~90% случаев. Оставшиеся 10% дорогих случаев передаются GPT-5.4.
Специализированная модель + умная маршрутизация = производительность флагмана по цене специалиста.
По данным Microsoft, стоимость системы — на 50% ниже предыдущего MDASH-стека (который состоял из трёх flagship-моделей: GPT-5.4 + GPT-5.4 mini + GPT-5.3 Codex). Эта цифра — самоотчётная, независимой верификации пока нет. Но даже если реальная экономия вдвое меньше — это всё равно вопрос «как?», а не «зачем?». Ответ на «как» — в специализации. Не один умный агент на всё. Три изолированных агента с чёткими ролями, которые работают как конвейер.
Новая архитектура простыми словами
Забудь на секунду про кибербезопасность. Вот что происходит в системе Red/Blue/Green в переводе на понятный язык:
Его задача: найти всё, что может пойти не так. В кибербезе — смоделировать атаку. В контент-воронке — найти места, где лиды выпадают. В продукте — найти сценарии поломки. Red думает как злоумышленник, противник, критик.
Берёт то, что Red нашёл, плюс весь поток сигналов из системы, и определяет приоритет. Что критично прямо сейчас? Что можно отложить? Что — ложная тревога? Blue работает с шумом и извлекает из него сигнал.
Получает от Blue конкретную задачу: «вот проблема, вот приоритет». Предлагает конкретное действие. В кибербезе — патч, изменение конфигурации, изоляция сегмента сети. В других областях — правка воронки, изменение оффера, смена канала. Финальную кнопку нажимает человек.
Microsoft обрабатывает через эту систему 100+ триллионов сигналов в день — это устоявшаяся метрика Microsoft Security из Digital Defense Report 2025. При такой нагрузке монолитный «умный на всё» агент — это не просто неэффективно. Это невозможно.
Паттерн простой: изоляция ролей + специализация + маршрутизация сложных случаев наверх. Именно это делает MoE-архитектура на уровне параметров. Именно это делает Red/Blue/Green на уровне агентных команд. Два уровня одного принципа.
Мой кейс Content Factory: реальные цифры
Полгода назад я начал строить Content Factory — конвейер из агентов, каждый из которых делает одну вещь. Не потому что читал про MoE и триады. Потому что «один агент делает всё» — это боль в production.
Это 15+ субагентов под оркестратором. Каждый — узкая роль. Каждый — изолированный контекст. Передача данных через structured output, не через «общий чат».
Ровно та же логика что у Microsoft с Red/Blue/Green. Разница в ставках: у них — уязвимости продакшн-инфраструктуры с последствиями на миллиарды. У меня — точность текста и репутация. Это не потому что у меня суперинструменты. Это потому что я перестал делать «умного агента на всё» и начал делать много умных агентов по одному делу.
Экономика — что заинтересует CFO
Давай по числам. Без воды.
$240 млрд — рынок кибербезопасности в 2026 (Gartner, +12.5% YoY)
+89% — рост AI-атак в 2025 году (CrowdStrike 2026 GTR)
88.45% — MDASH, май 2026 (три flagship-модели)
95.95% — MDASH + MAI-Cyber-1-Flash, август 2026
84% — Claude Mythos 5 на том же бенчмарке
Для B2B-команды: вопрос не «стоит ли вкладывать в AI-безопасность?». Вопрос «могут ли ваши конкуренты уже внедрить это раньше вас?» При рыночном росте +12.5% YoY ответ очевиден.
Для соло-фаундера: тот же паттерн специализированных агентов доступен без корпоративных бюджетов. n8n + MCP-серверы + три изолированных агента с чёткими ролями. Мой конвейер стоит $8–12 за цикл. Red/Blue/Green паттерн — это не Enterprise-решение. Это архитектурный принцип.
Что умирает, что живёт
Что делать на следующей неделе
Не пытайся внедрить кибербезопасность от Microsoft. У тебя другие задачи. Возьми паттерн.
Шаг 5 наступит сам — ты захочешь добавить второго агента, когда увидишь что первый стабильно работает. Окно для раннего старта — ближайшие 2–3 месяца. Паттерн уже виден, инструменты доступны, кейсов от Microsoft хватает для обоснования любому скептику.
Раскладка B2C / B2B
Red/Blue/Green — это не корпоративная история. Конкретный вариант для контент-воронки: Red-агент проверяет посты за 30 дней, находит слабые — Blue анализирует паттерны и выдаёт гипотезы — Green предлагает конкретные правки для следующих 5 постов в виде промптов.
Всё это можно сделать без кода, через n8n. Стоимость цикла — меньше $1 в API. Понять паттерн сейчас — значит через год быть тем, кто его внедряет другим.
Три вопроса для вашего ближайшего совещания:
Шаблон агентной триады Red/Blue/Green для контент-воронки в n8n
Я собрал шаблон — три агента с настроенными ролями, структурированным output и примером запуска. Работает без кода.
Написать схема в @N8N270426_bot →Бесплатный 20-минутный разбор workflow
Если хочешь понять где в твоей операционной модели агентная триада даст результат быстрее всего — смотрю один твой процесс и говорю где Red/Blue/Green можно поставить первым. Без питча. 20 минут.
Написать аудит в @N8N270426_bot →Часто задаваемые вопросы
Что такое Project Perception и чем он отличается от обычных AI-инструментов безопасности? ▼
Project Perception — агентная платформа Microsoft внутри Microsoft Defender, запущенная в публичный превью 3 августа 2026. Отличие от обычных инструментов в том, что система не просто обнаруживает угрозы — она работает как три специализированных агент-команды: Red симулирует атаки, Blue расследует угрозы, Green предлагает исправление. Финальное действие остаётся за человеком. Ядро системы — MAI-Cyber-1-Flash (137B sparse MoE, ~5B активных параметров).
Что значит sparse MoE и почему это важно для стоимости? ▼
Sparse Mixture of Experts (MoE) означает что модель имеет много «экспертных» блоков, но на каждый токен при выводе активирует только часть из них — в случае MAI-Cyber-1-Flash около 5B из 137B параметров. Это снижает вычислительные затраты при выводе по сравнению с dense-моделью того же размера. Microsoft заявляет что стоимость системы MDASH с MAI-Cyber-1-Flash на 50% ниже предыдущего стека из трёх flagship-моделей (GPT-5.4 + GPT-5.4 mini + GPT-5.3 Codex).
Может ли паттерн Red/Blue/Green применяться за пределами кибербезопасности? ▼
Да. Паттерн описывает три универсальные роли в любом процессе с непрерывным потоком данных: аудитор (находит проблемы), аналитик (приоритизирует и объясняет), исполнитель (предлагает конкретное действие). Применимо к контент-воронкам, клиентской поддержке, ценообразованию, управлению запасами. Ключевое требование — изолированные роли и структурированная передача данных между ними.
Чем MAI-Cyber-1-Flash лучше GPT-5.4 в задачах безопасности? ▼
В рамках системы MDASH, MAI-Cyber-1-Flash берёт ~90% задач кибербезопасности. GPT-5.4 (примерно в 10 раз крупнее по словам Сулеймана) используется для оставшихся 10% сложных случаев. На бенчмарке CyberGym (1,507 реальных уязвимостей, UC Berkeley) система MDASH с MAI-Cyber-1-Flash показала 95.95% vs 88.45% у прежнего MDASH-стека и 84% у Claude Mythos 5. Специализация в узком домене бьёт универсальность генералиста.
Что такое CyberGym и насколько этот бенчмарк репрезентативен? ▼
CyberGym разработан UC Berkeley (Center for Responsible, Decentralized Intelligence). Содержит 1,507 реальных уязвимостей из 188 open-source проектов. Задача Level 1 — воспроизвести proof-of-concept по описанию уязвимости. Это репрезентативный бенчмарк для оценки понимания реальных CVE, но он не охватывает все сценарии атак (social engineering, zero-day, комплексные APT). Контекст: 95.95% — результат всей системы MDASH, не изолированной MAI-Cyber-1-Flash.