דעה

סוכני בינה מלאכותית חושפים את מגבלות האמון במחשוב ארגוני

רנה דיוויס בטור על הצורך במעבר ממודל של אמון במערכות מחשוב לאימות בלתי תלוי של סוכני בינה מלאכותית בארגון

4 דקות קריאה
EN
סוכני בינה מלאכותית חושפים את מגבלות האמון במחשוב ארגוני
מבוסס על כתבה שלSiliconANGLE AI ↗תרגום וסיכום באמצעות מערכת חדשות בליווי AIאיך אנחנו עובדים

תקציר מנהלים

מה חשוב לדעת

  1. מודל האמון המסורתי במחשוב התבסס על כך שבני אדם הם מקבלי ההחלטות הסופיים, אך בינה מלאכותית סוכנותית מאפשרת למערכות לפעול ולהחליט באופן עצמאי.

  2. יומני רישום וכלי אבטחה מסורתיים אינם מתעדים בהכרח את שרשרת ההוראות, הקלטים וההחלטות המלאה שהובילה לפעולה של סוכן.

  3. יש לקבוע סטנדרט ראיות גבוה יותר לפעולות בעלות השלכות כספיות, תפעוליות או רגולטוריות, ולשמר מזהה עקבי של תהליך העבודה בין מערכות.

  4. טכניקות קריפטוגרפיות כמו חתימות וגיבובים מבססות את שלמות הראיות ומקורן, אך אינן קובעות כשלעצמן האם שיקול הדעת של הסוכן היה הולם.

בטור דעה שפורסם ב-SiliconANGLE, כותבת רנה דיוויס (Renee Davis), מייסדת-שותפה ומנהלת עסקים ראשית בחברת OpenMatter Network Inc., כי מחשוב ארגוני נשען במשך תקופה ארוכה על שרשראות של אמון. ארגונים נתנו אמון בספקי ענן, ספקי תוכנה, מערכות זהות ומנהלי מערכת שיפעלו כפי שתוכננו. מודל זה עבד משום שבני אדם נותרו מקבלי ההחלטות הסופיים. עם זאת, בינה מלאכותית סוכנותית (Agentic AI) משנה את המשוואה הזו. מערכות אוטונומיות יכולות לשלוף מידע, לקבל החלטות, להפעיל כלים חיצוניים, לשתף פעולה עם סוכנים אחרים ולבצע פעולות בשם הארגון. ככל שארגונים מאצילים סמכות רבה יותר למערכות חכמות, הם נדרשים גם לדרך לקבוע האם המערכות הללו מתנהגות כפי שיועד להן.

לפי דיוויס, השאלה אינה עוד רק האם בינה מלאכותית יכולה לבצע עבודה מורכבת, אלא האם כל פעולה בעלת השלכות יכולה להיבדק ולהתאמת באופן בלתי תלוי. העידן הבא של המחשוב הארגוני יוגדר לא רק לפי מה שמערכות אוטונומיות יכולות לעשות, אלא לפי היכולת של ארגונים לשחזר ולאמת את מה שהן ביצעו בפועל.

מגבלות האמון המסורתי באבטחת מידע

דיוויס מסבירה כי סוכן בינה מלאכותית עשוי לשלוף מידע ממספר מערכות ארגוניות, להעביר אותו לסוכן אחר, להפעיל שירות חיצוני ולאשר פעולה פיננסית. אף שכל רכיב בודד עשוי להיות מאובטח, ייתכן שלארגון עדיין לא יהיה תיעוד מלא וניתן לאימות בלתי תלוי של האופן שבו הפעולה הסופית התרחשה. טכנולוגיות אבטחה מסורתיות יכולות לסייע לקבוע למי הייתה הרשאה לפעול, לאילו מערכות הייתה גישה והאם התרחשה התנהגות חריגה. יומני רישום מסורתיים יכולים להראות שממשק תכנות יישומים (API) הופעל או שעסקה התבצעה, אך רישומים אלה אינם לוכדים בהכרח את שרשרת ההוראות, הקלטים, ההחלטות והפעולות המלאה שהובילה לתוצאה.

השאלה המרכזית, על פי דיוויס, היא האם אמון כשלעצמו מהווה עקרון ארכיטקטוני מספק לעולם של מחשוב אוטונומי. שיחות רבות כיום בתחום אבטחת הסייבר מתחילות בשאלה באילו פלטפורמות יש לתת אמון. בעוד שזו שאלה סבירה, דיוויס טוענת כי היא הופכת פחות רלוונטית. טכנולוגיות אבטחה מסורתיות נותרות הכרחיות, אך הן תוכננו ברובן להגן על מערכות באמצעות אכיפת מדיניות, ניטור התנהגות ובקרת גישה. הן אינן יכולות, כשלעצמן, לבסס אילו הוראות ונתונים עיצבו את התנהגותו של סוכן, לשחזר את האינטראקציות שלו על פני מספר מערכות או להוכיח שהרישום שנוצר לא שונה.

מנהיגים בארגונים צריכים לשאול שאלה אחרת כאשר סוכנים מעורבים: אילו ראיות המערכת מייצרת, והאם ניתן לאמת ראיות אלה באופן בלתי תלוי. אם התשובה תלויה בעיקר במתן אמון בספק, בתשתית או בתוכנה עצמה, הארגון עדיין פועל תחת הנחות היסוד של עידן המחשוב הקודם. מחשוב אוטונומי דורש מערכות שיכולות לייצר ראיות הניתנות לאימות בלתי תלוי לגבי מה שהונחו לעשות, באיזה מידע השתמשו ואילו פעולות נקטו. זהו ההבדל בין מחשוב מבוסס אמון (trusted computing) לבין מחשוב שניתן לאימות (verifiable computing).

המעבר מאמון להוכחה

מעבר זה אינו דורש נטישה של שיטות אבטחת הסייבר הנהוגות כיום. ניהול זהויות, הגנת נקודות קצה, ניטור ואכיפת מדיניות יוסיפו להיות הכרחיים. עם זאת, הם הופכים לחלק ממודל ארכיטקטוני רחב יותר, שבו אימות בלתי תלוי מוסיף בסיס לביטחון. הצעד הראשון הוא קביעה איזו התנהגות צריכה לעמוד לביקורת. לא כל אינטראקציה נושאת את אותה רמת סיכון. ארגונים צריכים לזהות פעולות שעלולות לשאת השלכות פיננסיות, תפעוליות, ביטחוניות או רגולטוריות משמעותיות, ולהגדיר רף ראיות גבוה יותר עבור פעילויות אלו.

לדוגמה, סוכן המסכם מסמך פנימי אינו דורש את אותה רמת בדיקה קפדנית כמו סוכן המאשר תשלום, משנה קוד ייצור או ניגש לנתונים מוסדרים ברגולציה. עבור כל פעולה בעלת השלכות, על ארגונים להגדיר מה מותר לסוכן לעשות, באילו תנאים עליו לעמוד לפני ביצוע הפעולה, ובאילו נסיבות נדרש אישור אנושי. דרישות אלו יוצרות קו בסיס שעל פיו ניתן להעריך מאוחר יותר את התנהגותו בפועל של הסוכן.

דבר זה הופך לחשוב במיוחד כאשר סוכנים מתחילים לפעול מעבר לגבולות ארגוניים ומערכתיים. החלטה של סוכן אחד עשויה להיות תלויה במידע שיוצר על ידי סוכן אחר, אשר ייתכן שהסתמך בעצמו על מערכת חיצונית. ללא שרשרת הניתנת לאימות המחברת אירועים אלה, ארגונים עשויים לדעת מהי התוצאה מבלי שיוכלו לבסס כיצד היא התרחשה.

תיעוד שרשרת הפעולות ושימור ראיות

הצעד הבא שהכותבת מציגה הוא קביעה אילו ראיות נחוצות כדי לשחזר פעולות אלו. ראיות אלו צריכות לחבר בין הכוונה המקורית לבין התנהגות הסוכן: מה הסוכן הונחה או הורשה לעשות, לאיזה מידע ניגש, אילו כלים הפעיל, אילו החלטות או פעולות התרחשו לאחר מכן ומה הייתה התוצאה. בהתאם למקרה השימוש, יומן הביקורת עשוי להידרש ללכוד גם את המשתמש או המערכת היוזמים, את המדיניות וההרשאות שהיו בתוקף, תקשורת עם סוכנים אחרים, קריאות לשירותים חיצוניים, אירועי אישור וכל שינוי שבוצע במערכות הארגוניות.

המטרה אינה לשמור כל פיסת מידע שהסוכן נתקל בה, אלא לשמר מספיק ראיות כדי לשחזר התנהגות בעלת השלכות, תוך כיבוד דרישות פרטיות, אבטחה וצמצום נתונים (data minimization). מכיוון שסוכנים פועלים לעיתים רחוקות בבידוד, על הראיות להישמר על פני מערכות שונות. נתיב ביקורת שעוצר ברמת היישום עלול להחמיץ חלקים קריטיים בשרשרת. לכל תהליך עבודה בעל השלכות צריך להיות מזהה עקבי ובר-מעקב המחבר בין הבקשה המקורית להאצלות סמכות עוקבות, קריאות לכלים, אישורים ותוצאות. כמו כן, על ארגונים לקבוע אילו ראיות ביקורת הם דורשים מפלטפורמות סוכנים של צד שלישי ומשירותים חיצוניים, כך שהאחריות לא תיעלם כאשר פעולה חוצה גבול מערכתי או ארגוני.

תפקידה של הקריפטוגרפיה באימות הראיות

השאלה הסופית שמעלה דיוויס היא האם ניתן לתת אמון בראיות עצמן. כאן טכניקות קריפטוגרפיות יכולות להיות בעלות עוצמה. ארגונים יכולים להשתמש בחתימות דיגיטליות, בפונקציות גיבוב (hashes) ובהוכחות נוספות כדי לבסס את השלמות והמקור (provenance) של רישומים, קלטים ופלטים. הדבר מאפשר להדגים שהראיות לא שונו וכי פעולה מסוימת מקושרת לנתונים ולהוראות המשויכים אליה.

מנגנונים שונים תומכים בצרכי ביקורת שונים:

  • חתימות דיגיטליות מסייעות לבסס את מקור הרישום.
  • גיבובים חושפים האם הוראות, קלטים, פלטים או יומני רישום שונו.
  • אישורים עם חותמת זמן (time-stamped attestations) מחברים פעולה להרשאה, מדיניות או מצב מערכת מסוים.
  • הוכחות קריפטוגרפיות מתקדמות יכולות לאמת טענות מסוימות לגבי פעולה מבלי לחשוף את כל המידע הרגיש העומד בבסיסה.

עם זאת, דיוויס מדגישה כי קריפטוגרפיה היא רק חלק אחד מהמשוואה. רישום מוגן קריפטוגרפית אינו מועיל אם הארגון לא הגדיר מראש מה לתעד. ביקורת סוכנים יעילה דורשת בקרות מוגדרות בבירור, לכידת אירועים מקיפה, קשרים הניתנים למעקב בין פעולות ואימות בלתי תלוי של הראיות שנוצרו. בנוסף, קריפטוגרפיה אינה יכולה לקבוע לבדה האם שיקול הדעת של הסוכן היה הולם או האם הנתונים שקיבל היו מדויקים; תפקידה הוא לבסס את השלמות והמקור של הראיות.

החלטות תפעוליות ובדיקות שחזור תקופתיות

רמת האימות הראויה צריכה להתאים להשלכות של הפעולה, במקום להחיל את אותן הבקרות על כל אינטראקציה של סוכן. דיוויס ממליצה כי ארגונים ינסו מעת לעת לשחזר פעולות סוכנים בעלות השלכות באמצעות הראיות שהמערכות שלהם מייצרות. עליהם לבדוק האם הם יכולים לקבוע מה הסוכן הורשה לעשות, על איזה מידע הסתמך, כיצד קיים אינטראקציה עם מערכות אחרות, והאם הרישום שהתקבל לא עבר שינוי.

התשובות לשאלות אלו מעניקות לצוותי אבטחה דרך לחקור תקריות, לצוותי ציות דרך לבסס החלטות, ולמנהיגים עסקיים דרך להעריך האם מערכות אוטונומיות פועלות במסגרת הגבולות שנקבעו. בניית יכולת זו דורשת קבלת החלטות תפעוליות טרם פריסת הסוכנים. החלטות אלו כוללות: אילו פעולות דורשות ביקורת מוגברת, אילו ראיות יש ללכוד, כמה זמן יש לשמור אותן, כיצד רישומים יקושרו בין מערכות, למי תהיה גישה אליהם ומי אחראי על סקירתם. כמו כן, יש לקבוע תהליך חוזר לבדיקת היכולת לשחזר פעולות בעלות השלכות ולתיקון פערים שמתגלים. השינוי הרחב יותר הוא מתכנון מערכות שרק נותנים בהן אמון, למערכות שאת התנהגותן בעלת ההשלכות ניתן לבחון ולהוכיח.

האם זה היה שימושי לעסק שלכם?

שאלות ותשובות

שאלות נפוצות

הכתבה הוכנה באמצעות מערכת בליווי בינה מלאכותית לתרגום, סיכום ובקרות איכות אוטומטיות מתוך פרסום מקורי של SiliconANGLE AI. קראו על תהליך העריכה שלנו. קישור למקור המקורי.

קבלו עדכוני AI שימושיים למייל

תקציר ממוקד ממערכת החדשות שלנו.

עוד מ־SiliconANGLE AI

כל הכתבות מ־SiliconANGLE AI
מחקר סיסקו: אמון ולא טכנולוגיה מגביל את הרחבת ה-AI בארגונים
מחקר
5 דקות
מ־SiliconANGLE AI

מחקר סיסקו: אמון ולא טכנולוגיה מגביל את הרחבת ה-AI בארגונים

בטור דעה שפורסם באתר SiliconANGLE מנתח זאוס קרוואלה את ממצאי מחקר חדש שהציגה חברת סיסקו בכנס Cisco Live APJC במלבורן, שנכתב על ידי החוקר העצמאי בראד הווארת ומבוסס על נתונים מ-25 ארגונים באוסטרליה. המחקר קובע כי המגבלה על קצב אימוץ הבינה המלאכותית בארגונים אינה טכנולוגית, אלא נובעת מפערי אמון ותרבות. בעוד שארגונים רבים משקיעים משאבים ניכרים בתשתיות ובנתונים, הם נוטים להזניח את ההיבט התרבותי ואת הכשרת העובדים, מה שמוביל לשימוש פושר במערכות. בדוח מודגש הצורך באמון מכויל — הבנה מתי להסתמך על המערכת ומתי לבדוק אותה — וכן מעבר למדידת מקרים שבהם עובדים מאתגרים תוצרי AI במקום להסתפק במדידת כניסות למערכת. בנוסף, המחקר מצביע על פערי מוכנות לקראת כניסתם של סוכני AI אוטונומיים, כאשר רק מיעוט מהארגונים מפעיל בקרות עקביות על זהויות שאינן אנושיות.

קרא עוד
LinearB מציגה את Agentic Studio כדי להאיץ אספקת תוכנה בעזרת הקשר
מוצר חדש
4 דקות
מ־SiliconANGLE AI

LinearB מציגה את Agentic Studio כדי להאיץ אספקת תוכנה בעזרת הקשר

חברת LinearB Inc. הכריזה על השקת Agentic Studio, כלי שנועד להקל על העומסים בצינורות אספקת התוכנה שנוצרו בעקבות השימוש הגובר בכלי בינה מלאכותית לכתיבת קוד. לפי דוח מדדי התוכנה של החברה, ארגונים המסתמכים על כלי קידוד מבוססי AI כמעט הכפילו את כמות שינויי הקוד שמוזגו, אך בקשות המשיכה הללו גדולות בשיעור של כמעט פי 2.6 וממתינות פי חמישה יותר לסקירה. הפלטפורמה החדשה מאחדת נתונים ותובנות ממאגרי Git ומכלי מעקב לכדי שכבת הקשר אחידה, המאפשרת למהנדסים לקבל המלצות ולתשאל את המערכת בשפה פשוטה. בנוסף, באמצעות אינטגרציה דרך Model Context Protocol, המערכת מזינה סוכני קידוד אוטונומיים בהקשר היסטורי כדי למנוע שינויים עיוורים בקוד.

קרא עוד
עידן סוכני ה-AI מאלץ מיזוג בין אבטחה לחוסן נתונים
דעה
5 דקות
מ־SiliconANGLE AI

עידן סוכני ה-AI מאלץ מיזוג בין אבטחה לחוסן נתונים

בטור דעה ב-SiliconANGLE מנתח זאוס קרוואלה כיצד פעילות סוכני בינה מלאכותית מחייבת שילוב הדוק בין אבטחת מידע לחוסן נתונים. בעקבות השקת Veeam Intelligent ResOps (iResOps) עבור Microsoft 365, מוסבר כי סוכנים הפועלים ישירות על מידע ארגוני עלולים לשנות נתונים באופן עצמאי. האתגר המרכזי אינו רק הצפנה או גניבה, אלא זיהוי מדויק של השינויים וביטולם. קרוואלה מציג נתונים מדוח של Veeam המצביעים על כך ש-88% מהארגונים מפעילים סוכנים אך רק 7% מוכנים לכך, וממליץ להתמקד בנתונים, לנהל סחף מידע ולשלב מערכות זהות בשחזור.

קרא עוד
מדוע סוכני בינה מלאכותית עשויים שלא להתאים לארגון שלכם
דעה
4 דקות
מ־SiliconANGLE AI

מדוע סוכני בינה מלאכותית עשויים שלא להתאים לארגון שלכם

בטור דעה שפורסם ב-SiliconANGLE, ג'ייסון בלומברג מנתח את הסיכונים בשימוש בסוכני בינה מלאכותית (AI agents). בלומברג מסביר כי סוכנים מבוססי מודלי שפה גדולים הם בלתי דטרמיניסטיים מטבעם, ולכן תמיד קיים סיכוי לפעולה בלתי רצויה או לתשובה שגויה. המאמר סוקר מקרים שבהם מוטב להימנע משימוש בסוכנים – לרבות משימות הדורשות דיוק מוחלט כמו הפעלת שכר, מצבים שבהם שגיאה עלולה לגרום לפגיעה חמורה בחיי אדם, ומקרים שבהם עלות ההפעלה של הסוכנים עולה על התועלת העסקית. בלומברג ממליץ לחשב תקציב שגיאות בטרם הטמעת סוכנים בארגון.

קרא עוד

עוד כתבות שיעניינו אותך

לכל הכתבות
עמדה: נדרש ניטור בזמן אמת של פעולות סוכני בינה מלאכותית
דעה
4 דקות
מ־MIT Technology Review

עמדה: נדרש ניטור בזמן אמת של פעולות סוכני בינה מלאכותית

במאמר דעה שפורסם ב-MIT Technology Review, מזהירות מדהוליקה סריקומאר וקלייר לייבוביץ' מארגון Partnership on AI כי ארגונים פורסים כיום סוכני בינה מלאכותית ללא יכולת ראות מספקת לגבי פעולותיהם. בעקבות מקרים שבהם סוכנים של חברות מובילות, ובהן OpenAI, Anthropic, Google ו-Meta, סטו ממסלולם או ביצעו פעולות בלתי מורשות, הכותבות מצביעות על כך שהחברות מסתמכות בעיקר על מזל ובדיקה בדיעבד. מחקר שערכו על ארבע תשתיות סוכנים נפוצות חשף היעדר מזהי סוכן קבועים ותיעוד אישורים אנושיים, דבר המקשה על איתור הפרות מדיניות וכשלים בפיקוח. כדי לאפשר ניטור יעיל בזמן אמת כפי שדורשים רגולטורים באיחוד האירופי ובארצות הברית, הכותבות קוראות למפתחי תשתיות, לארגונים מאמצים ולגופי תקינה לפתח תקני צפיות מחייבים שיתעדו הן את מהלך הריצה והן את תהליכי קבלת ההחלטות של הסוכנים.

קרא עוד
עידן סוכני ה-AI מאלץ מיזוג בין אבטחה לחוסן נתונים
דעה
5 דקות
מ־SiliconANGLE AI

עידן סוכני ה-AI מאלץ מיזוג בין אבטחה לחוסן נתונים

בטור דעה ב-SiliconANGLE מנתח זאוס קרוואלה כיצד פעילות סוכני בינה מלאכותית מחייבת שילוב הדוק בין אבטחת מידע לחוסן נתונים. בעקבות השקת Veeam Intelligent ResOps (iResOps) עבור Microsoft 365, מוסבר כי סוכנים הפועלים ישירות על מידע ארגוני עלולים לשנות נתונים באופן עצמאי. האתגר המרכזי אינו רק הצפנה או גניבה, אלא זיהוי מדויק של השינויים וביטולם. קרוואלה מציג נתונים מדוח של Veeam המצביעים על כך ש-88% מהארגונים מפעילים סוכנים אך רק 7% מוכנים לכך, וממליץ להתמקד בנתונים, לנהל סחף מידע ולשלב מערכות זהות בשחזור.

קרא עוד
מדוע סוכני בינה מלאכותית עשויים שלא להתאים לארגון שלכם
דעה
4 דקות
מ־SiliconANGLE AI

מדוע סוכני בינה מלאכותית עשויים שלא להתאים לארגון שלכם

בטור דעה שפורסם ב-SiliconANGLE, ג'ייסון בלומברג מנתח את הסיכונים בשימוש בסוכני בינה מלאכותית (AI agents). בלומברג מסביר כי סוכנים מבוססי מודלי שפה גדולים הם בלתי דטרמיניסטיים מטבעם, ולכן תמיד קיים סיכוי לפעולה בלתי רצויה או לתשובה שגויה. המאמר סוקר מקרים שבהם מוטב להימנע משימוש בסוכנים – לרבות משימות הדורשות דיוק מוחלט כמו הפעלת שכר, מצבים שבהם שגיאה עלולה לגרום לפגיעה חמורה בחיי אדם, ומקרים שבהם עלות ההפעלה של הסוכנים עולה על התועלת העסקית. בלומברג ממליץ לחשב תקציב שגיאות בטרם הטמעת סוכנים בארגון.

קרא עוד
בדיקות תוכנה לעומסי עבודה של סוכנים: הנחות מסורתיות שנשברות
דעה
4 דקות
מ־SiliconANGLE AI

בדיקות תוכנה לעומסי עבודה של סוכנים: הנחות מסורתיות שנשברות

בטור דעה שפורסם ב-SiliconANGLE, כותב מ. תוהיד כי עומסי עבודה של סוכני בינה מלאכותית שוברים שלוש הנחות יסוד של מערכות ארגוניות מסורתיות: שמשימות מסתיימות במהירות, שניסיון חוזר אינו עולה כסף, ושאותו קלט תמיד מניב את אותו פלט. כתוצאה מכך, פיילוטים שמפגינים ביצועים תקינים באינטראקציה מול אדם עלולים להפוך לבעיות תפעוליות כשהם פועלים ללא השגחה. הקושי נובע לרוב מהתשתית ומנוהלי הניהול המקיפים את המודל, ולא מאיכות המודל עצמו. בין השינויים הבולטים: משימות נמשכות דקות ולא מילישניות, ניסיונות חוזרים גוררים עלויות כספיות מצטברות עקב תמחור משאבים, וכשלים אינם ניתנים לשחזור פשוט ללא תיעוד רציף של החלטות הסוכן וקריאות הממשק.

קרא עוד