דעה

עידן סוכני ה-AI מאלץ מיזוג בין אבטחה לחוסן נתונים

לפי זאוס קרוואלה, פעילות סוכני AI מחייבת מעבר מהגנה על זהות הסוכן לבקרה על הנתונים ושחזור שינויים מדויק.

5 דקות קריאה
EN
עידן סוכני ה-AI מאלץ מיזוג בין אבטחה לחוסן נתונים
מבוסס על כתבה שלSiliconANGLE AI ↗תרגום וסיכום באמצעות מערכת חדשות בליווי AIאיך אנחנו עובדים

תקציר מנהלים

מה חשוב לדעת

  1. לפי דוח של Veeam לשנת 2026, כ-88% מהארגונים מפעילים או בוחנים סוכני AI, אך רק 7% מוכנים לכך וביותר מ-82% קיימים סוכנים לא מוכרים.

  2. חברת Veeam הכריזה על Intelligent ResOps עבור Microsoft 365, המאפשר לאתר סוכנים, למפות גישה למידע רגיש ולבטל שינויים בקבצים.

  3. מנכ"ל Veeam תיאר מעבר מהנחת כשל בגיבוי והנחת פריצה בסייבר להנחת סחף נתונים (drift) בעידן סוכני הבינה המלאכותית.

  4. לקוחות בגרסת תצוגה מקדימה גילו כי רבע מנפח של 40 טרה-בייט לא נדרש בייצור, ובדייר בודד פעלו 25 סוכנים ששניים מהם שינו מידע בפועל.

בטור דעה שפורסם ב-SiliconANGLE, האנליסט זאוס קרוואלה (Zeus Kerravala) מ-ZK Research מציין כי במשך שני עשורים פעלו אבטחת מידע וחוסן נתונים כשני תחומים שכנים שחלקו גבול אך לעיתים נדירות חלקו תקציב משותף. בעוד שאבטחת מידע נועדה להרחיק גורמים עוינים מחוץ למערכות, תפקידו של חוסן הנתונים היה להחזיר את הארגון לפעילות כאשר אותם גורמים הצליחו לחדור פנימה. קרוואלה כותב כי עידן הבינה המלאכותית הסוכנתית (Agentic AI) מפיל את המחיצה הזו, אף על פי שמרבית הארגונים טרם הבחינו בכך.

קרוואלה מציין כי בשנה שעברה כתב שרכישת חברת Securiti AI בידי Veeam Software Group GmbH מיצבה אותה כחברת חוסן ה-AI הראשונה בענף. באירוע הווירטואלי VeeamON Global Launch הציגה Veeam מוצר חדש: Veeam Intelligent ResOps, או iResOps, אשר עומס העבודה הראשון הזמין בו באופן כללי מיועד עבור Microsoft 365. קרוואלה מציין כי כאשר סוכני תוכנה פועלים ישירות על גבי נתונים במהירות מכונה, ארגון אינו יכול לאבטח מה שאינו ביכולתו לשחזר, ואינו יכול לשחזר מה שאינו מבין.

שינוי נתונים במקום הצפנה או גניבה

מנכ"ל Veeam, אנאנד אסווראן (Anand Eswaran), הציג דוגמה של חברה בספרד שדיווחה לרגולטור כי סוכן בינה מלאכותית, שפעל במידה רבה באופן עצמאי, יצר פרצה לאחר שמצא פגם ביישום חי ושינה נתונים אישיים ורשומות חיוב. אסווראן הגדיר את דרישת הדיווח הרגולטורית בתוך 72 שעות כבעיה הנדסית, שבה נדרש גורם מקצועי לענות על שלוש שאלות מדויקות: אילו רשומות שינה הסוכן, למה הוא שינה אותן, ומה היה מצבן של הרשומות לפני השינוי.

קרוואלה מדגיש כי בעוד שמתקפות כופרה מצפינות מידע וגניבת נתונים מעבירה אותו החוצה — אירועים שניתנים לגילוי באמצעות נהלי עבודה קיימים — שינוי של נתונים (Modification) מהווה אתגר שונה לחלוטין. כפי שהסביר אסווראן, ניתן לדווח על גניבה, אך אי אפשר לפתור שינוי נתונים באמצעות חובת דיווח בלבד; יש צורך לבטל את השינוי ולהחזיר את הנתונים למצבם הקודם, ופעולה זו אפשרית רק כאשר מזהים במדויק מה השתנה.

בדבריו תיאר אסווראן שלושה עידנים בהתפתחות התחום: עידן הגיבוי והשחזור שבו הכלל המנחה היה להניח כשל (Assume failure); עידן חוסן הסייבר שבו הכלל היה להניח פריצה (Assume breach); ועידן הסוכנים שבו הכלל הוא להניח סחף נתונים (Assume drift). לדבריו, כיום שלושת הכללים הללו מתקיימים בו-זמנית. אסווראן הדגיש כי בעוד שסוכני תוכנה הם פעמים רבות זמניים, הנתונים עצמם אינם זמניים, והם עוברים סחף, מתיישנים, משנים סיווג או מורעלים. כתוצאה מכך, סוכן בעל הרשאות תקינות לחלוטין עלול לגרום לנזק של ממש כאשר הוא מבצע היסקים על סמך מידע שגוי.

התחלה מהנתונים ולא מהסוכן

מרבית הגישות בענף לניהול סיכוני סוכנים מתמקדות בסוכן עצמו: יצירת מרשמי סוכנים (registries), הצבת גבולות הגנה בזמן ריצה (runtime guardrails) והגדרת הרשאות מוגבלות. עם זאת, אסווראן הצביע על המגבלות של כלים אלה, וציין כי ארגון יכול להחיל משילות רק על סוכנים שבחר להפעיל, אך אינו יכול לרשום סוכנים שאינו מודע לקיומם. לפי עמדת Veeam, נקודת התצפית היחידה שאינה דורשת הכרה מוקדמת של הגורם הפועל היא שכבת הנתונים, היות שכל סוכן ניגש בסופו של דבר אל הנתונים עצמם.

על פי נתוני דוח האמון וחוסן הנתונים של Veeam לשנת 2026 (Data Trust & Resilience Report 2026), כ-88% מהארגונים משתמשים כיום בסוכני בינה מלאכותית או מקיימים לגביהם פיילוט, אך רק 7% מהם עונים להגדרה של מוכנים באמת ל-AI, וביותר מ-82% מהארגונים נמצאים סוכנים בלתי מוכרים בסביבות העבודה. אסווראן הוסיף כי היגיינת זהויות מושלמת יכולה לשחזר רק את השאלה מי מורשה לפעול, אך אינה משחזרת את מה שכבר שונה בפועל, ולכן תחומי האבטחה והשחזור אינם יכולים להישאר מופרדים.

ההבדל בין נקודת שחזור למפת שחזור

אחת הנקודות המרכזיות שהוצגו היא ההבחנה בין נקודת שחזור (recovery point) לבין מפת שחזור (recovery map). נקודת שחזור מפרטת אילו נתונים ניתן לשחזר, בעוד שמפת שחזור מגדירה מה יש לשחזר תחילה, מה בדיוק השתנה, ומאילו נתונים יש להימנע מלהחזיר למערכת. הבחנה זו משמעותית משום שתהליך שחזור פועל לעיתים קרובות במודל של "הכל או כלום", דבר המגדיל את העלות ואת הזמן, שניהם מצרכים יקרי ערך בעידן ה-AI.

המפה שאליה התייחס אסווראן מבוססת על DataAI Command Graph, טכנולוגיה שהוטמעה מרכישת Securiti, המחברת בין נתונים, משתמשים, הרשאות, סוכנים, פעילות וסטטוס הגנה בסביבות חיות ובסביבות גיבוי. המוצר iResOps עבור Microsoft 365 פועל כתוספת לשירות הענן Veeam Data Cloud עבור Microsoft 365 ללא צורך בהעברת נתונים (migration). המערכת מאתרת את Copilot וסוכנים נוספים, מציגה לאיזה מידע רגיש יש לכל אחד מהם גישה, מסמנת נתונים עודפים, מיושנים וטריוויאליים (ROT), ומאפשרת לבטל שינויים שבוצעו על ידי סוכן, קובץ אחר קובץ.

ריהאן ג'ליל (Rehan Jalil), נשיא מוצרים וטכנולוגיה ב-Veeam ומנכ"ל Securiti לשעבר, הסביר כי הלקוחות אינם מעוניינים בריבוי כלים בעלי מקורות מידע סותרים, אלא דורשים נראות, בקרה וחוסן במקום אחד. גרסאות iResOps עבור Veeam Data Platform ועבור Okta נמצאות בתצוגה מקדימה פרטית, כאשר תצוגות מקדימות עבור GitHub, Azure DevOps ו-Google IAM מתוכננות לרבעון הרביעי. קרוואלה מציין כי Okta היא יעד מוקדם הגיוני היות שאין לה יכולת שחזור מובנית לנקודת זמן (point-in-time restore).

ממצאים מסביבות הלקוחות

לפי נתוני Veeam, לקוחות שהשתתפו בתצוגה המקדימה גילו כי רבע מנפח נתונים של 40 טרה-בייט לא היה נחוץ בסביבת הייצור, וכי בדייר יחיד (tenant) פעלו 25 סוכנים, ששניים מתוכם ביצעו שינויים בפועל בנתונים. רוברט דיוויס (Robert Davis), מנהל תשתיות ותפעול IT בחברת Construction Resources, חברה של Home Depot, ציין כי ארגונים נדרשים לדעת מהיכן הגיע המידע ולאן הוא זורם, והוסיף כי ניקוי נתוני ROT אינו רק משימת תחזוקה אלא עניין של ציות והגנה משפטית, המסייע גם בצמצום הזיות של Copilot. סטיב מקינטייר (Steve McIntyre), סגן נשיא בכיר להגנת נתונים, אנליטיקה ואבטחת ענן ב-Fidelity Investments, ציין כי בעת אירוע יש להניח שנדרש שחזור של הנתונים ואימות מחדש של זהויות כדי לא לפתוח מחדש את המערכת לאותה המתקפה.

המלצות למנהלי טכנולוגיה ואבטחה

במאמרו מציג קרוואלה חמש המלצות מעשיות עבור אנשי אבטחה ותשתיות:

  1. מיזוג נהלי העבודה (Playbooks): בעוד שבעבר צוותי אבטחה וצוותי גיבוי פעלו בכלים נפרדים וניהלו תרחישי תרגול בנפרד, אירועים המונעים על ידי סוכנים מתרחשים במהירות מכונה. על הארגונים לבנות נוהל תגובה משותף המגדיר במפורש מי אחראי על הזיהוי, מי אחראי על תיחום הנזק ומי אחראי על השחזור, ולבצע את התרגולים יחד.
  2. מיפוי סוכנים מתוך שכבת הנתונים: מרשמי סוכנים מועילים אך לוכדים רק מה שאושר מראש; סוכני צללים (Shadow agents), רישומי אפליקציות צד שלישי וסוכנים שנבנו על ידי משתמשים עסקיים לא יופיעו בהם. הגישה האמינה יותר היא להתחיל מהנתונים הרגישים ביותר ולבדוק לאחור אילו זהויות אנושיות ובלתי אנושיות יכולות לגשת אליהם. יש להפוך זאת לתהליך מתמשך ולא לביקורת רבעונית, משום שמספר הסוכנים משתנה מהר יותר ממחזורי הבדיקה.
  3. התייחסות לנתוני ROT כאל בעיית אבטחה: נתונים עודפים, מיושנים וטריוויאליים נתפסו בעבר כשיקול של עלויות אחסון בלבד. תוקפים המתמקדים בגניבת נתונים (exfiltration) שמים להם למטרה נתונים רגישים מיושנים, ומסמכים מיושנים מהווים גורם מרכזי לפלט AI שגוי.
  4. שילוב מערכות זהות בתוכנית השחזור: מערכות זהות כגון Entra ID, Active Directory ו-Okta מהוות את שער הכניסה עבור סוכנים ומשתמשים. שחזור נתונים נקיים לתוך סביבת זהויות שבה שונו מדיניות גישה או הוגדרו הרשאות יתר יכשיר את המתקפה הבאה. יש לגבות תצורות זהות, להשוות אותן למצב תקין ידוע, ולכלול אותן בבדיקות השחזור באותה קפדנות כמו יישומים.
  5. בדיקת דיוק השחזור ולא רק מהירותו: תרגילי שחזור רבים מתמקדים באירוע הצפנה מלא ובמהירות החזרת המערכות לפעילות. בעידן הסוכנים יש לבחון תרחיש שבו סוכן מורשה שינה רשומות לאורך מספר ימים, ולבדוק האם הצוות מסוגל לזהות במדויק אילו רשומות שונו, מה השתנה בהן ומה היה מצבן המקורי, מבלי להידרש לגלגול מלא לאחור של כלל המערכת.

לסיכום מציין קרוואלה כי ההשקה של iResOps משקפת מהלך ש-Veeam מקדמת מאז רכישת Securiti, המנצל את בסיס הלקוחות הקיים שלה (מעל 550,000 לקוחות) כדי להוסיף ניהול מצב אבטחת נתונים לשכבת השחזור. מנגד, קיימת זהירות בקרב לקוחות מפני פלטפורמות כוללניות המנסות להחליף את כלל הכלים, והצלחת המערכת תלויה במידת השתלבותה בכלים הקיימים. השאלה המרכזית כיום אינה רק האם ניתן לשחזר את הנתונים, אלא האם הארגון מסוגל להוכיח במדויק מה התרחש ולבטל אך ורק את הפעולות הבעייתיות.

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
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
סוכני בינה מלאכותית חושפים את מגבלות האמון במחשוב ארגוני
דעה
4 דקות
מ־SiliconANGLE AI

סוכני בינה מלאכותית חושפים את מגבלות האמון במחשוב ארגוני

בטור דעה ב-SiliconANGLE, כותבת רנה דיוויס, מייסדת-שותפה ב-OpenMatter Network, כי בינה מלאכותית סוכנותית חושפת את מגבלות מודל האמון המסורתי במחשוב ארגוני. בעוד שטכנולוגיות אבטחה קיימות עוקבות אחר הרשאות ואירועים נקודתיים, הן אינן מתעדות בהכרח את שרשרת ההחלטות וההוראות המלאה של סוכנים אוטונומיים. דיוויס מציגה את הצורך במעבר ממחשוב מבוסס אמון למחשוב שניתן לאימות בלתי תלוי, שבו פעולות בעלות השלכות מגובות בראיות עקביות על פני מערכות שונות. במסגרת זו, כלים קריפטוגרפיים כמו חתימות דיגיטליות, גיבובים וחותמות זמן מסייעים להבטיח את שלמות הראיות ומקורן, לצד הגדרת בקרות תפעוליות ובדיקות שחזור תקופתיות.

קרא עוד
משילות ותזמור סוכני AI: תובנות מכנס AGNTCon Europe 2026
ניתוח
4 דקות
מ־SiliconANGLE AI

משילות ותזמור סוכני AI: תובנות מכנס AGNTCon Europe 2026

בטור דעה שפורסם ב-SiliconANGLE סוקר ג'ייסון בלומברג מחברת הייעוץ Intellyx את כנס AGNTCon + MCPCon Europe 2026 באמסטרדם. בלומברג מציין כי בעוד ששוק סוכני הבינה המלאכותית (Agentic AI) נמצא בראשית דרכו, הדגש בקרב חברות הסטארט-אפ עבר מיישומי חזית לפתרונות עסקיים מעשיים. הטור מציג שבע חברות המדגימות מענה לאתגרי משילות, תזמור סוכנים, תוספי מודלי שפה ומשמעת ארכיטקטונית בפיתוח קוד. בין החברות שנסקרו: Traefik Labs, Bluerock Security, Orkes, Grape Up, Manufact, Alpic ו-Reboot. לפי הניתוח, הדרישה העסקית לערך יישומי היא שמניעה את הפיתוחים לבקרת סיכונים ולשליטה בפעילות הסוכנים.

קרא עוד

עוד כתבות שיעניינו אותך

לכל הכתבות
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
סוכני בינה מלאכותית חושפים את מגבלות האמון במחשוב ארגוני
דעה
4 דקות
מ־SiliconANGLE AI

סוכני בינה מלאכותית חושפים את מגבלות האמון במחשוב ארגוני

בטור דעה ב-SiliconANGLE, כותבת רנה דיוויס, מייסדת-שותפה ב-OpenMatter Network, כי בינה מלאכותית סוכנותית חושפת את מגבלות מודל האמון המסורתי במחשוב ארגוני. בעוד שטכנולוגיות אבטחה קיימות עוקבות אחר הרשאות ואירועים נקודתיים, הן אינן מתעדות בהכרח את שרשרת ההחלטות וההוראות המלאה של סוכנים אוטונומיים. דיוויס מציגה את הצורך במעבר ממחשוב מבוסס אמון למחשוב שניתן לאימות בלתי תלוי, שבו פעולות בעלות השלכות מגובות בראיות עקביות על פני מערכות שונות. במסגרת זו, כלים קריפטוגרפיים כמו חתימות דיגיטליות, גיבובים וחותמות זמן מסייעים להבטיח את שלמות הראיות ומקורן, לצד הגדרת בקרות תפעוליות ובדיקות שחזור תקופתיות.

קרא עוד
סוכני בינה מלאכותית בעלי אופק ארוך ומודל התפעול המשפטי של Supio
דעה
4 דקות
מ־SiliconANGLE AI

סוכני בינה מלאכותית בעלי אופק ארוך ומודל התפעול המשפטי של Supio

במאמר דעה שפורסם ב-SiliconANGLE, האנליסט זאוס קרוואלה מסביר כי השלב הבא בבינה מלאכותית משפטית מתמקד בסוכנים בעלי אופק ארוך (long-horizon agents) המסוגלים לקחת אחריות על תהליכי עבודה ממושכים מול מערכות וערוצים מרובים, תוך החזרת השליטה לעורך הדין ברגעי שיקול דעת. חברת Supio מפתחת מערכת הפעלה למשרדים ("Firm OS") שמטרתה לפעול כמערכת פעולה ולא רק כמאגר תיעוד. עורך הדין בוב סימון תיאר שימוש במערכת להתאמת סוכן לאסטרטגיית הליטיגציה שלו ואיחזור מידע, תוך הקפדה על אימות אנושי של ראיות ורשומות רפואיות. המערכת משלבת נתוני תיקים, ידע מוסדי ופסיקה מ-Thomson Reuters לצד מנגנוני הרשאות ובקרה.

קרא עוד