У ц╕й статт╕ запропоновано методику формування причинно-насл╕дкових мереж (ПНМ) у сфер╕ к╕бербезпеки за допомогою генеративного штучного ╕нтелекту (ГШ╤). Методика базу╓ться на ╕╓рарх╕чному зверненн╕ до систем ГШ╤, таких як ChatGPT, для визначення центрального вузла та р╕вн╕в ╕╓рарх╕╖, а також для подальшого уточнення причинно-насл╕дкових зв.язк╕в. Суть запропоновано╖ методики поляга╓ у визначенн╕ центрального вузла та р╕вн╕в ╕╓рарх╕╖, формуванн╕ множини пов.язаних понять, в╕зуал╕зац╕╖ первинно╖ казуально╖ мереж╕, вза╓мод╕╖ з ро╓м в╕ртуальних експерт╕в (РВЕ) для покращення точност╕ й повноти мереж╕ та формуванн╕ к╕нцево╖ ПНМ. Розглянуто можлив╕сть використання програми Gephi для в╕зуал╕зац╕╖ графу, що представля╓ казуальну мережу. Приведено методику вибору та застосування порогу значущост╕ для ф╕льтрац╕╖ незначних зв.язк╕в з метою формування б╕льш точно╖ та повно╖ к╕нцево╖ ПНМ для подальшого сценарного анал╕зу в сфер╕ к╕бербезпеки. Розглянуто р╕зн╕ вар╕анти застосування порогу значущост╕ в╕дпов╕дно до характеристик мереж╕, попередн╕х знань або анал╕зу тренувальних даних, а також на основ╕ таких статистичних показник╕в, як середн╓ значення ваги та стандартне в╕дхилення. Проанал╕зовано можлив╕сть динам╕чного коригування порогу значущост╕ на основ╕ оц╕нки якост╕ к╕нцево╖ мереж╕, з врахуванням таких ╖╖ показник╕в, як к╕льк╕сть кластер╕в, згуртован╕сть мереж╕ та значущ╕сть зв.язк╕в. Наведено приклади запит╕в до систем ГШ╤ та результати ╖хнього виконання, як╕ дозволяють краще зрозум╕ти процес формування мереж╕. Результати експеримент╕в показують, що запропонована методика дозволя╓ ефективно формувати ПНМ, як╕ можуть бути використан╕ для подальшого сценарного анал╕зу в сфер╕ к╕бербезпеки.