Материал

AI Coding Policy для engineering-команды: шаблон политики для Cursor, Copilot и Claude Code

Обновлено: 15 мая 2026 Время чтения: 26 мин

Как выстроить реальный governance для AI-assisted разработки — без запретов, без хаоса

Почему стандартного policy-документа недостаточно

Большинство engineering-команд, внедривших AI-инструменты в 2023–2024 годах, прошли по одному сценарию: инструмент появился снизу (разработчики принесли сами), потом пришёл сверху стандарт, потом начались инциденты.

Сейчас, в 2025–2026 году, ситуация другая. AI-assisted разработка — это не эксперимент, а производственная реальность. По данным GitHub, 97% разработчиков уже использовали AI-инструменты. По данным Stack Overflow Developer Survey 2024 года, 63% делают это регулярно [1]. И если вы не управляете этим процессом сознательно, он управляется сам — через shadow AI, через личные аккаунты, через несогласованные конфигурации.

Проблема не в инструментах. Проблема в том, что governance не вырос с той же скоростью, что и adoption. Veracode в своём 2025 GenAI Code Security Report проверил более 100 LLM на реальных задачах и зафиксировал: 45% случаев AI-assisted разработки вводят критические security-флоу [2]. Apiiro в независимом исследовании Fortune 50-компаний нашёл, что CVSS 7.0+ уязвимости встречаются в AI-generated коде в 2.5 раза чаще, чем в написанном вручную [3].

Цель этой статьи — дать практический шаблон AI coding policy для engineering-команды, разобранный по конкретным инструментам: Cursor, GitHub Copilot, Claude Code. Не теорию, а операционные решения: что настраивать, что запрещать, что review-ить, и где нужен жёсткий gate.

Часть 1. Почему единого шаблона нет — и это нормально

Cursor, GitHub Copilot и Claude Code — не взаимозаменяемые инструменты. У каждого своя архитектура, свои точки управления, свои векторы риска.

GitHub Copilot — это IDE-расширение с выраженной enterprise-моделью управления. Политики выставляются на уровне enterprise или organization через GitHub Admin Console и наследуются вниз. Feature policy, privacy policy, models policy — три отдельных слоя. Enterprise owner может заблокировать конкретные функции или делегировать решение organization owners [4]. Организации с Copilot Business или Enterprise получают возможность отключить телеметрию, настроить content exclusion (какие файлы не передаются в Copilot), управлять suggestions matching public code. Для Business и Enterprise клиентов GitHub заявляет, что не использует приватный код репозиториев для обучения моделей — но для free tier действуют другие условия [5].

Cursor — это VS Code-based IDE с глубокой AI-интеграцией. По данным компании, его используют 64% Fortune 500 [6]. Архитектура агентная: инструмент не просто дополняет код, он читает репозитории, выполняет команды в терминале, подключается к внешним сервисам через MCP. Именно эта автономность создаёт новый класс угроз — в 2025 году исследователи назначили семь CVE именно для Cursor, включая RCE через MCP-конфигурации [7]. Для enterprise-сегмента Cursor предлагает SCIM, MDM-политики, audit logs, CMEK, SOC 2 Type II [6]. Но без MDM-enforcement настройки могут быть переопределены локально разработчиком.

Claude Code — это terminal-based coding agent от Anthropic, работающий в аутентифицированном CLI-режиме. Принципиальное отличие от IDE-плагинов: Claude Code выполняет реальные bash-команды, создаёт и изменяет файлы, управляет процессами. Enterprise и Team планы дают zero data retention, SSO, audit logging и управление MCP-серверами через managed-settings.json, который разработчики не могут переопределить локально [8]. CVE-2025-59536 (CVSS 8.7) показал, что клонирование репозитория с малициозным .claude/settings.json может выполнять произвольные команды до появления диалога подтверждения [9].

Из разных архитектур следует один вывод: policy должна учитывать специфику каждого инструмента. Единый generic-документ не закроет уязвимости, специфичные для MCP в Cursor, и не настроит content exclusion в Copilot.

Часть 2. Что на самом деле происходит с кодом

Прежде чем переходить к policy-шаблону, важно понять масштаб операционного риска — не в теории, а в цифрах из реальных репозиториев.

Качество кода. GitClear проанализировал 211 миллионов изменённых строк кода за 2020–2024 годы. Ключевые находки: code churn (процент кода, который удаляется или существенно меняется в течение двух недель после коммита) вырос с 3.1% в 2020 до 5.7% в 2024. Дублированный код с 2023 по 2024 год вырос восьмикратно. Доля refactored ("moved") кода упала с 24% до 9.5% [10]. Это не значит, что AI-инструменты плохие — это значит, что они меняют характер кодовой базы, и без governance это изменение становится трудно управляемым.

Безопасность. По данным Veracode 2025 GenAI Code Security Report, AI-generated код содержит в 2.74x больше уязвимостей, чем написанный вручную [2]. 86% случаев AI-генерации кода не защищают от XSS (CWE-80). 88% сгенерированных сценариев уязвимы к log injection (CWE-117) [11]. Apiiro зафиксировал, что к июню 2025 года AI-generated код добавлял более 10 000 новых security-находок в месяц — это в 10 раз больше, чем в декабре 2024 [3].

Секреты и supply chain. Разработчики, использующие AI-инструменты, допускают утечку секретов в два раза чаще базового показателя. Восемь из десяти типов leaked secrets с наибольшим ростом year-over-year связаны с AI-сервисами [12]. MCP-серверы в первый год массового распространения создали более 24 000 экспонированных секретов [12]. Endor Labs в State of Dependency Management 2025 зафиксировал, что AI coding agents не только генерируют небезопасный код, но и импортируют уязвимые или несуществующие open-source зависимости в масштабе — включая hallucinated package names [13].

Shadow AI. 80% сотрудников используют AI-инструменты, не одобренные работодателем [14]. 59% скрывают факт использования AI от менеджера [14]. По прогнозу Gartner, к 2030 году более 40% компаний столкнутся с security или compliance инцидентом, связанным с неавторизованным shadow AI [15].

Эти цифры не аргумент против AI-инструментов. Они аргумент за то, что governance нужен раньше, чем произошёл инцидент.

Часть 3. Структура AI Coding Policy: что должен содержать документ

Хорошая AI coding policy — это не запрет и не список инструментов. Это операционный документ, который отвечает на вопросы: кто, что, при каком условии, с каким review, с каким gate.

Структура, которую стоит взять за основу:

1. Scope и approved tools

Явно перечислите, какие инструменты одобрены, в каком тирингe (individual, team, enterprise), с каким data handling. Запрещённые инструменты — это те, которые не прошли vendor review, используются с личных аккаунтов на корпоративном коде, или не имеют enterprise data privacy agreement. Принцип: если инструмент не в списке approved — он не разрешён, а не "разрешён по умолчанию".

2. Data classification и что нельзя передавать в AI

Ключевой раздел. Минимально необходимый запрет: PII, credentials, production secrets, customer data, proprietary business logic высокого уровня конфиденциальности. Прагматичный подход — data classification tier: C1 (public) можно передавать свободно, C2 (internal) требует enterprise plan с ZDR, C3 (confidential) требует отдельного согласования или запрещён.

3. Ограничения по типу кода

Не всякий код одинаково рискован. Типовой подход из практики: AI-generated код запрещён или требует дополнительного senior review для authentication/authorization логики, cryptographic implementations, payment processing, database migrations, infrastructure-as-code для production, CI/CD конфигураций с production-доступом [16]. AI вполне пригоден для boilerplate, тестов (с оговоркой), документации, прототипирования в sandbox.

4. Review requirements для AI-generated кода

Это операционное ядро политики. Минимальный стандарт: разработчик обязан указывать в commit message или PR description, что код сгенерирован с AI-ассистентом, и какой инструмент использовался. Ревьюер обязан проверить AI-generated фрагменты с повышенным вниманием — особенно новые зависимости, cryptographic код, конфигурационные файлы. Требование к тестам: AI-generated код не мержится без тестов. Требование к архитектурному ревью: фрагменты длиннее условного порога (100–200 строк или целый файл) требуют architecture review.

5. MCP governance

Отдельный раздел, который стал критически важным в 2025–2026 году. MCP-сервер, подключённый к Cursor или Claude Code, получает доступ к инструментам с привилегиями разработчика. Политика должна содержать: явный allowlist одобренных MCP-серверов, запрет на установку MCP из внешних источников без security review, обязательный аудит .cursor/mcp.json и .claude/settings.json в репозиториях перед клонированием, отключение auto-run mode по умолчанию.

6. Аудит и логирование

Для enterprise tier: audit logs через vendor admin console, SIEM-интеграция если требуется compliance, ротация access tokens. Для team и ниже: как минимум commit-level tracking с пометкой AI-assisted изменений.

7. Инцидент-процедура

Что делать при обнаружении секрета в AI-generated коде, malicious .cursorrules, утечке данных через MCP. Кто контактное лицо, какой эскалационный путь.

Часть 4. GitHub Copilot: policy-шаблон

GitHub Copilot имеет наиболее зрелую enterprise governance-модель среди трёх инструментов.

Технические контролы на уровне Enterprise:

Включите "Require SSO" для Copilot доступа — это привязывает использование к корпоративной identity и убирает возможность использовать personal account на корпоративном коде. Настройте "Suggestions matching public code" на Block — это снижает риск случайного включения лицензированного кода [5]. Content exclusion: укажите glob-паттерны для файлов, которые Copilot не должен обрабатывать — .env, secrets файлы, конфигурации с credentials, infrastructure файлы с production-параметрами. Для регулируемых индустрий: HIPAA требует наличия BAA с GitHub, который доступен для Enterprise плана.

Организационная политика:

Если enterprise policy выставлена в "Unconfigured" — organization policy по умолчанию становится Disabled (поведение изменилось с ноября 2025 года после исправления Copilot policy bug) [17]. Это важно: ранее это работало иначе. MCP servers in Copilot policy controls — отдельный слой, не пересекающийся с MCP настройками в third-party host applications типа Cursor или Claude [4].

Для команды:

Явно запретите использование Copilot free tier для production кода. Free tier имеет другие data handling условия — prompts могут использоваться для улучшения модели [5]. Введите обязательный чеклист для PR с AI-assisted кодом: проверка новых зависимостей, проверка на hardcoded secrets, проверка cryptographic implementations.

Часть 5. Cursor: policy-шаблон

Cursor требует более детального governance, потому что его агентные возможности создают более широкую поверхность атаки.

Критически важные настройки:

Отключите auto-run mode организационно — это одно действие, которое устраняет большинство задокументированных сценариев атаки [7]. Auto-run позволяет Cursor выполнять shell-команды без подтверждения пользователя, и именно эта функция была эксплуатирована в CVE-2025-54135 (CurXecute). Включите Privacy Mode на уровне организации — в этом режиме код обрабатывается in-memory с zero-retention, без долгосрочного хранения [18]. Включите Dotfile Protection — запрет AI на изменение .env, .ssh/config и других файлов с credentials.

MDM deployment:

Для enterprise-сегмента Cursor поддерживает MDM-политики. Это единственный способ гарантировать, что настройки не будут переопределены локально разработчиком. MDM-конфигурация выживает после обновлений и переустановок Cursor [7]. Задайте Allowed Team IDs — список team ID, с которых разрешена аутентификация, чтобы исключить использование personal accounts на корпоративных машинах.

MCP governance для Cursor:

Ведите явный allowlist одобренных MCP-серверов. Три CVE 2025 года эксплуатировали именно MCP-конфигурации [7]. Обязательно аудируйте .cursor/mcp.json в каждом репозитории перед клонированием — CVE-2025-54136 (MCPoison) показал, что benign конфигурация может быть тихо заменена малициозной после первоначального одобрения командой. Запретите разработчикам устанавливать MCP-серверы через pip или npx без security review — установка MCP выполняет произвольный код с правами пользователя.

Файлы правил (.cursorrules):

Исследования Cloud Security Alliance показали, что .cursorrules файлы могут содержать скрытые инструкции с invisible Unicode-символами, которые незаметно изменяют поведение AI при генерации кода для всей команды [19]. Policy: .cursorrules файлы в shared репозиториях проходят обязательное code review как любой другой код.

Часть 6. Claude Code: policy-шаблон

Claude Code работает иначе, чем IDE-плагины: это terminal agent, выполняющий bash-команды с правами пользователя в рамках аутентифицированного Claude session.

Tier выбор критически важен:

Free / Pro / Max планы не поддерживают managed settings, нет admin controls, нет Compliance API — consumer terms apply. Это означает, что полноценная enterprise governance для Claude Code возможна только на Team или Enterprise плане [8]. Team поддерживает managed settings начиная с версии CLI 2.1.38. Enterprise добавляет SCIM, role-based permissions, Compliance API, custom data retention, IP allowlisting, HIPAA-ready options.

managed-settings.json:

Это основной инструмент организационного контроля в Claude Code. Файл деплоится через MDM и не может быть переопределён разработчиком локально. Ключевые настройки: allowManagedMcpServersOnly: true (только одобренные MCP-серверы), явный allowlist серверов, permission tiers (Deny/Ask/Allow для типов операций), disableHooks для предотвращения persistent malicious code между сессиями, короткий transcript retention (7–14 дней) для ограничения экспозиции sensitive данных в логах [20].

SSO и domain capture:

SSO должен быть настроен до того, как Claude Code получит хотя бы один разработчик. Claude поддерживает SAML 2.0 и OIDC с Okta, Azure AD, Auth0, Google Workspace. Domain capture гарантирует, что любой вход с корпоративным email автоматически попадает в enterprise workspace, исключая личные аккаунты [21].

CVE-2025-59536:

Клонирование репозитория с малициозным .claude/settings.json может выполнять произвольные команды до появления trust dialog. Уязвимость была закрыта в октябре 2025 года. Policy: обновить Claude Code CLI до актуальной версии, аудировать .claude/settings.json в репозиториях при ревью, запретить merge репозиториев с неверифицированными settings-файлами без security review.

Часть 7. MCP как новая точка supply chain риска

MCP (Model Context Protocol) заслуживает отдельного раздела, потому что в 2025–2026 годах он стал системной проблемой для всех трёх инструментов.

MCP — это открытый стандарт для подключения AI-моделей к внешним инструментам и сервисам. Cursor, Copilot и Claude Code все поддерживают MCP. Это означает, что AI-агент получает доступ к базам данных, GitHub, Slack, внутренним API — с правами разработчика.

OWASP ранжирует prompt injection как LLM01 — самый высокий риск для LLM-приложений в Top 10 для LLMs 2025 года [22]. В MCP-контексте это означает: malicious контент во внешнем инструменте (Slack-сообщение, GitHub issue, результат поиска) может содержать инструкции для AI-агента, который их выполнит с реальными привилегиями. Именно так работал CVE-2025-54135: малициозное Slack-сообщение переписывало mcp.json и выполняло произвольные команды.

В сентябре 2025 года был обнаружен первый malicious MCP package в реестре — он работал две недели незаметно, эксфильтруя email-данные [23]. По данным SentinelOne, 492 MCP-сервера были идентифицированы как уязвимые к злоупотреблению из-за отсутствия базовой аутентификации или шифрования [23].

Операционные требования для MCP governance:

Ведите centralized MCP gateway — единую точку для аутентификации, rate limiting и audit logging всех agent-tool взаимодействий. Vet MCP-серверы как часть software supply chain: использование allowlist, continuous monitoring на typosquatting. Требуйте OAuth 2.1 с PKCE для MCP-серверов. Read-only access по умолчанию для любого MCP-сервера, имеющего доступ к production-данным; write access требует отдельного approval workflow.

Часть 8. PR-gate и review-процесс: где теряется контроль

Самое слабое место в большинстве AI coding governance — это review-процесс. Не потому что ревьюеры некомпетентны, а потому что объём кода вырос быстрее, чем cognitive bandwidth команды.

По данным Apiiro, pull requests на AI-generated код стали крупнее и затрагивают больше файлов — что разбавляет внимание ревьюера [3]. Инциденты на PR выросли на 23.5% year-over-year при росте числа PR на 20% [3]. 58% разработчиков доверяют AI-output без достаточного тестирования [24].

Эффективный AI code review — это не просто "внимательно прочитать". Это структурированный процесс с конкретными check-пунктами:

Новые зависимости: каждая новая зависимость, добавленная AI, проходит SCA-проверку. AI hallucinate package names — это документированный факт [13].
Secrets scan: автоматический pre-commit scan и CI-step для обнаружения credentials в AI-generated коде.
Cryptographic проверка: любой AI-generated код с crypto-операциями проверяется на корректность алгоритмов и параметров.
Infrastructure изменения: AI-generated изменения в Terraform, Kubernetes, CI/CD конфигурациях требуют senior или security review.
Commit attribution: явная пометка AI-assisted изменений в commit message.

Здесь появляется проблема, которую сложно решить только policy. PR дочитывают не до конца. Новая зависимость приезжает незаметно. Конфигурационный файл меняется вместе с функциональным кодом. Именно на этом уровне — между "AI написал" и "попало в main" — формируется слепая зона.

HighVibe решает эту задачу как дополнительный слой контроля до merge и релиза: анализирует конкретное изменение, проверяет новые и транзитивные зависимости, смотрит на конфигурационные файлы и CI/CD-скрипты, даёт короткий понятный сигнал команде — что именно блокирует или требует внимания — вместо длинного отчёта, который никто не дочитывает перед релизом. Не замена SAST/SCA, а дополнительный слой контроля между "AI написал" и "ушло в prod" (highvibe.dev).

Часть 9. Чек-лист для внедрения AI Coding Policy

Неделя 1–2: Baseline

Провести audit текущего AI usage: какие инструменты, какие аккаунты (personal vs. corporate), какие репозитории
Классифицировать репозитории по data sensitivity
Выявить shadow AI usage — анализ network logs, browser extensions, installed apps на developer workstations

Неделя 3–4: Технические контролы для каждого инструмента

Copilot: настроить SSO requirement, content exclusion, block public code suggestions, отключить телеметрию
Cursor: включить Privacy Mode organization-wide, отключить auto-run, составить MCP allowlist, задеплоить MDM settings
Claude Code: настроить SSO и domain capture, задеплоить managed-settings.json через MDM, установить MCP allowlist

Месяц 2: Процессы

Ввести PR template с обязательными полями для AI-assisted кода
Настроить pre-commit hooks для secrets detection
Обучить команду: что проверять в AI-generated коде, какие типы уязвимостей типичны
Ввести mandatory SCA check для каждой новой зависимости

Месяц 3+: Мониторинг и итерация

Настроить метрики: code churn rate, revert rate, security findings per PR, dependency introduction rate
Ввести quarterly review policy (AI-ландшафт меняется быстро: Cursor в 2025 году получил 7 CVE за год)
Пересмотреть MCP allowlist при появлении новых серверов

Типичные ошибки при создании AI coding policy

Ошибка 1: Policy без технических enforcement. Документ, который нельзя проверить — не policy, а пожелание. Если нет MDM, нет SSO enforcement, нет pre-commit hooks, нет audit logs — policy не работает.

Ошибка 2: Один документ для всех инструментов. Cursor, Copilot и Claude Code имеют разные модели угроз. Generic policy закрывает общие вопросы, но упускает tool-specific риски — особенно MCP.

Ошибка 3: Запрет вместо governance. Запрет AI-инструментов без альтернативы толкает разработчиков в shadow AI — с личных аккаунтов, без enterprise privacy settings, без audit trail. Это хуже, чем управляемое использование.

Ошибка 4: Игнорирование MCP. Большинство существующих AI coding policy писались до широкого распространения MCP. В 2025–2026 году MCP — это отдельный класс риска, требующий отдельного раздела в policy.

Ошибка 5: Отсутствие review-gate для AI-generated кода. "AI написал, работает — мержим" — это не процесс. "Работает" не значит "безопасно". AI-generated код требует структурированного review с конкретными check-пунктами, особенно для зависимостей, crypto-кода и конфигураций.

Ошибка 6: Policy один раз и навсегда. AI-инструменты меняются быстро. Policy без scheduled review устаревает за квартал. Минимум — ежеквартальный пересмотр, при крупных CVE или изменениях в инструментах — внеплановый.

Заключение: что делать дальше

AI coding policy — это не compliance-артефакт и не HR-документ. Это операционный инструмент, который позволяет команде получать скорость от AI-инструментов без накопления неуправляемого security-долга.

Главный вывод: хорошая policy строится снизу вверх — от конкретных технических контролов (SSO, MDM, MCP allowlist, pre-commit hooks) к процессам (PR template, review checklist) и метрикам (churn rate, security findings rate).

Три приоритета, с которых стоит начать прямо сейчас:

Провести audit текущего AI usage — вы не можете управлять тем, что не видите. Shadow AI — это реальность.
Настроить технические enforcement для approved инструментов — SSO, MDM где применимо, Privacy Mode.
Ввести structured PR review для AI-generated кода — с явными check-пунктами для зависимостей, secrets, crypto и инфраструктурного кода.

AI-assisted разработка ускоряет команду. Задача governance — сделать это ускорение управляемым и безопасным для продакшена.

Источники

[1] Stack Overflow — "Stack Overflow Developer Survey 2024" — https://survey.stackoverflow.co/2024/

[2] Veracode — "2025 GenAI Code Security Report" — https://www.veracode.com/blog/ai-generated-code-security-risks/

[3] SoftwareSeni — "AI-Generated Code Security Risks: Why Vulnerabilities Increase 2.74x" — https://www.softwareseni.com/ai-generated-code-security-risks-why-vulnerabilities-increase-2-74x-and-how-to-prevent-them/

[4] GitHub Docs — "GitHub Copilot policies to control availability of features and models" — https://docs.github.com/en/copilot/concepts/policies

[5] GitGuardian — "GitHub Copilot Privacy: Key Risks and Secure Usage Best Practices" — https://blog.gitguardian.com/github-copilot-security-and-privacy/

[6] Cursor — "Cursor for Enterprise" — https://cursor.com/enterprise

[7] HowToHarden — "Cursor Hardening Guide" — https://howtoharden.com/guides/cursor/

[8] TrueFoundry — "Claude Code Governance: Building an Enterprise Usage Policy from Scratch" — https://www.truefoundry.com/blog/claude-code-governance-building-an-enterprise-usage-policy-from-scratch

[9] MintMCP — "Claude code security: enterprise best practices & risk mitigation" — https://www.mintmcp.com/blog/claude-code-security

[10] GitClear — "AI Copilot Code Quality: 2025 Data Suggests 4x Growth in Code Clones" — https://www.gitclear.com/ai_assistant_code_quality_2025_research

[11] Help Net Security — "AI can write your code, but nearly half of it may be insecure" — https://www.helpnetsecurity.com/2025/08/07/create-ai-code-security-risks/

[12] Witness AI — "Cursor Security: Risks & Protections for Enterprise" — https://witness.ai/blog/cursor-ai-security/

[13] Endor Labs — "State of Dependency Management 2025: AI Coding Agents and Software Supply Chain Risk" — https://www.endorlabs.com/lp/state-of-dependency-management-2025

[14] PolicyGuard AI — "AI Acceptable Use Policy Template: A Complete Guide for 2026" — https://blog.getpolicyguard.com/ai-acceptable-use-policy-template/

[15] Knostic — "What to Do When Cursor Doesn't Follow the Rules" — https://www.knostic.ai/blog/cursor-does-not-follow-rules

[16] Of Ash and Fire — "AI Coding Standards & Guidelines | Team Framework Guide" — https://www.ofashandfire.com/blog/ai-coding-standards-guidelines

[17] GitHub Changelog — "GitHub Copilot policy update for unconfigured policies" — https://github.blog/changelog/2025-11-04-github-copilot-policy-update-for-unconfigured-policies/

[18] TrueFoundry — "Cursor Security: Complete Guide to Risks, Vulnerabilities & Best Practices" — https://www.truefoundry.com/blog/cursor-security

[19] Cloud Security Alliance — "Secure Vibe Coding: Level Up with Cursor Rules" — https://cloudsecurityalliance.org/blog/2025/05/06/secure-vibe-coding-level-up-with-cursor-rules-and-the-r-a-i-l-g-u-a-r-d-framework

[20] MintMCP — "Claude code security: enterprise best practices & risk mitigation" — https://www.mintmcp.com/blog/claude-code-security

[21] TrueFoundry — "Enterprise Security for Claude: A Practical Governance Guide" — https://www.truefoundry.com/blog/enterprise-security-for-claude

[22] Obot AI — "Securing Enterprise AI: The Critical Role of MCP Governance" — https://obot.ai/blog/claude-code-mcp-governance-enterprise-security/

[23] SentinelOne — "Model Context Protocol (MCP) Security: Complete Guide" — https://www.sentinelone.com/cybersecurity-101/cybersecurity/mcp-security/

[24] SQ Magazine — "AI Coding Security Vulnerability Statistics 2026" — https://sqmagazine.co.uk/ai-coding-security-vulnerability-statistics/

[25] Fortune — "AI coding tools exploded in 2025. The first security exploits show what could go wrong" — https://fortune.com/2025/12/15/ai-coding-tools-security-exploit-software/

Иллюстрации

Image-01

Где вставить: после раздела "Часть 1. Почему единого шаблона нет"
Цель: показать архитектурные различия трёх инструментов и их threat model
Сюжет: три колонки — Cursor, GitHub Copilot, Claude Code. В каждой колонке схема: где живёт инструмент (IDE / GitHub / Terminal), как передаёт данные (к каким провайдерам), основная threat surface (MCP / plugin / agent). Изометрическая диаграмма, три блока с иконками и стрелками потоков данных.
Стиль: tech-диаграмма, изометрия, минимализм
Формат: 16:9, 1920×1080
Требования: без текста на изображении, с местом под подписи
ALT: Сравнение архитектур и threat surface Cursor, GitHub Copilot и Claude Code
Подпись: Cursor, Copilot и Claude Code имеют разные архитектуры и разные точки риска — governance должен учитывать специфику каждого
Промпт: Isometric technical diagram showing three side-by-side panels labeled with abstract icons for three different AI coding tools. Each panel shows a simplified data flow: IDE layer, cloud inference layer, and external integrations (MCP/plugins/agents). Clean lines, muted blue-grey palette, no text elements, white background, flat isometric style, high contrast arrows indicating data flow direction
Negative prompt: photorealistic, logos, brand names, text labels, watermarks, cluttered layout, dark background, gradients

Image-02

Где вставить: после раздела "Часть 2. Что на самом деле происходит с кодом"
Цель: визуализировать ключевые статистики о качестве и безопасности AI-generated кода
Сюжет: инфографика с тремя ключевыми метриками: рост code churn (bar chart 2020–2024), vulnerability density (2.74x AI vs human), monthly security findings growth (кривая роста с декабря 2024 по июнь 2025). Тёмный фон, акцентные цвета для тревожных показателей.
Стиль: data visualization / инфографика
Формат: 4:3, 1600×1200
Требования: без текста на изображении, с местом под подписи рядом с каждым графиком
ALT: Инфографика с тремя ключевыми метриками качества и безопасности AI-generated кода
Подпись: Code churn растёт, уязвимостей в AI-генерированном коде в 2.7x больше, а количество security-находок выросло в 10 раз за полгода
Промпт: Clean data visualization infographic showing three abstract charts on a dark navy background: a bar chart showing upward trend over 5 years, a comparison diagram showing 2.74x ratio between two abstract categories, and an exponential growth curve. Accent colors in amber and coral for concerning metrics. No text, placeholder areas for labels. Modern flat design, clear visual hierarchy
Negative prompt: text, numbers, watermarks, logos, photorealistic elements, busy background, gradient overload

Image-03

Где вставить: после раздела "Часть 7. MCP как новая точка supply chain риска"
Цель: показать supply chain attack через MCP — от malicious server до production
Сюжет: схема kill chain: внешний MCP-сервер → AI-агент в IDE → developer workstation → repository → CI/CD → production. На каждом переходе маленькая иконка риска (красный щит). Стрелки показывают направление атаки. Изометрическая тех-диаграмма.
Стиль: tech-диаграмма, изометрия
Формат: 16:9, 1920×1080
Требования: без текста, с местом под нумерованные подписи к каждому шагу
ALT: Схема supply chain атаки через MCP-сервер на путь от AI-агента к production
Подпись: MCP превратил AI-инструменты в вектор supply chain атаки: один компрометированный сервер может пройти весь путь до production
Промпт: Isometric technical diagram showing a horizontal attack chain with 6 connected nodes: external server icon, AI agent in IDE, developer laptop, code repository, CI/CD pipeline, and production server. Red warning shield icons at connection points. Dark background with glowing connection lines indicating threat propagation. Abstract icons only, no text, clean modern style
Negative prompt: text labels, watermarks, logos, photorealistic, cartoon style, dark cluttered background

Image-04

Где вставить: после раздела "Часть 9. Чек-лист для внедрения"
Цель: показать поэтапный roadmap внедрения AI coding policy
Сюжет: горизонтальный timeline из трёх фаз (Baseline, Technical Controls, Process & Monitoring). В каждой фазе — 3-4 абстрактные иконки действий. Минималистичный стиль, progression слева направо, цветовой градиент от серого к зелёному.
Стиль: инфографика / минимализм
Формат: 16:9, 1920×1080
Требования: без текста, с местом под подписи к каждой фазе
ALT: Roadmap внедрения AI coding policy в три фазы
Подпись: AI coding policy внедряется поэтапно: сначала baseline audit, затем технические контролы, затем процессы и мониторинг
Промпт: Minimalist horizontal timeline infographic with three distinct phases shown as connected sections. Each section contains 3-4 abstract flat icons representing audit, configuration, and monitoring activities. Color progression from neutral grey to confident green left to right. Clean white background, subtle dividing lines, circular phase markers. No text elements, placeholder zones for phase labels below
Negative prompt: text, logos, watermarks, photorealistic, dark background, complex gradients, cluttered

Image-05

Где вставить: после раздела "Часть 8. PR-gate и review-процесс"
Цель: показать structured PR review как gate между AI output и production
Сюжет: вертикальная воронка: AI-generated PR входит сверху, проходит через пять check-пунктов (зависимости, secrets, crypto, инфраструктура, attribution), на выходе — safe merge или blocked. Пройденные checks — зелёные, blocked — красный.
Стиль: tech-диаграмма / минимализм
Формат: 4:3, 1200×900
Требования: без текста, с местом под подписи к каждому check-пункту
ALT: Воронка structured PR review для AI-generated кода с пятью check-пунктами
Подпись: Structured PR review — это gate между "AI написал" и "ушло в prod". Каждый check-пункт закрывает конкретный класс риска
Промпт: Minimalist vertical funnel diagram showing a code pull request icon at top flowing through 5 filter checkpoints represented as horizontal gate icons, ending in a split output: green approved icon and red blocked icon at bottom. Clean white background, flat design, green checkmarks for passed gates, amber for review-needed, red for blocked. Abstract shapes only, no text
Negative prompt: text labels, logos, watermarks, photorealistic, dark background, too many colors

Ограничения и что стоит дополнительно проверить

Конкретные CVE и их CVSS-оценки верифицированы по открытым источникам, но vendor patch status может меняться — рекомендуется проверять актуальность по official security advisories GitHub, Anthropic и Cursor.
Статистика Apiiro (Fortune 50, 2.5x CVSS 7.0+) и Veracode (2.74x) взята из публичных отчётов и блог-постов — первичные исследовательские данные доступны за paywall, точные методологии не верифицированы независимо.
MCP — экосистема быстро меняется. На момент написания статьи (май 2026) ряд описанных CVE может быть уже закрыт в актуальных версиях инструментов — рекомендуется проверять vendor changelogs.
При доступе к закрытым enterprise данным: стоило бы добавить реальные кейсы внедрения policy в российских и международных компаниях с конкретными до/после метриками — это сильно усилило бы практическую ценность материала.