تصور کنید برنامه‌ی امنیت داده‌های سازمان شما دیگر به تعداد تحلیلگران انسانی وابسته نباشد. این واقعیت با رونمایی از AgentIQ در ۲۱ سپتامبر ۲۰۲۶ توسط شرکت BigID محقق شد؛ یک رابط اتوماسیون عامل‌محور (Agentic) که به کاربران اجازه می‌دهد برنامه‌های امنیتی و انطباق را مستقیماً از طریق پرامپت‌ها در محیط BigID یا ابزارهایی مثل Claude، Copilot، GPT و Gemini مدیریت کنند.
بسیاری از سازمان‌ها با پدیده‌ای به نام «خستگی از کنسول» دست‌وپنجه نرم می‌کنند؛ وضعیتی که در آن تیم‌های امنیتی باید برای یافتن یک نشت داده، میان ده‌ها داشبورد جابه‌جا شوند. BigID تلاش می‌کند به‌جای ساخت یک مقصد جدید، لایه‌ای ایجاد کند که در آن عامل‌های هوش مصنوعی — شبیه به دستیاران متخصصی که هر کدام مسئول یک بخش از شرکت هستند — به اپراتورهای اصلی چشم‌انداز داده‌ها تبدیل شوند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، جداسازی لایه‌ی رابط از مدل، کلید جلوگیری از وابستگی به یک تامین‌کننده است.
نیمرود واکس (Nimrod Vax)، مدیر محصول و هم‌بنیان‌گذار BigID، به نقل از مستندات شرکت اعلام کرد که مشتریان به‌دنبال کنسول جدیدی نبودند و نمی‌خواستند کل امنیت خود را به یک مدل واحد بسپارند. به همین دلیل، این پلتفرم به‌گونه‌ای طراحی شده که کاربر را به عامل، مدل یا رابط خاصی محدود نکند و از هرگونه Lock-in یا وابستگی اجباری به یک فروشنده خاص جلوگیری کند. AgentIQ قابلیت‌های خود را در ۶ برچسب عملیاتی سازماندهی کرده است تا چرخه کامل حاکمیت داده را مدیریت کند:
- پرس‌وجو (Ask): استخراج گزارش‌های سفارشی از داده‌های ابری، SaaS و سیستم‌های درون‌سازمانی (On-premises)، شامل پایگاه‌های داده و فایل‌ها.
- بررسی (Investigate): تعیین شعاع اثر تخلفات دسترسی و شناسایی اینکه چه کسی و چه چیزی تحت تأثیر قرار گرفته است.
- مشاوره و استدلال (Consult and Reason): به‌کارگیری چارچوب‌های قانونی و استانداردهای صنعتی با استفاده از یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد.
- ارزیابی ریسک (Assess Risk): رتبه‌بندی یافته‌ها بر اساس حساسیت، میزان مواجهه، سطح فعالیت و بستر کسب‌وکار.
- اقدام (Act): اجرای پاسخ‌ها، مانند لغو دسترسی، اصلاح مواجهه‌های امنیتی، اعمال سیاست‌های نگهداری (Retention) یا قرنطینه کردن داده‌ها.
- اتوماسیون (Automate): برقراری روند اصلاحی به‌صورت مستمر و خودگردان با استفاده از عامل‌های BigID یا عامل‌های اختصاصی خود مشتری.
طبق اعلام BigID، این پلتفرم با چهار عامل پیش‌ساخته برای «اصلاح داده‌های حساس»، «اجرای حاکمیت هوش مصنوعی»، «تحلیل مواجهه با دسترسی» و «عملیات حریم خصوصی» عرضه می‌شود. این رویکرد یادآور استقرار ناوگان عامل‌های تخصصی در پلتفرم EIR است که توانست مدیریت بهداشت بیمارستانی را با امنیت بالا اتوماسیون کند. این شرکت ادعا می‌کند نخستین پلتفرم امنیت داده‌ای است که به‌جای «فقط خواندن»، برای «عملیاتی شدن» توسط عامل‌ها ساخته شده است.
به گزارش این شرکت، نمونه‌های کاربردی و پایان-به-پایان (End-to-End) این سیستم شامل موارد زیر است:
- کنترل مواجهه (Exposure Control): یافتن داده‌های حساس که در اینترنت در معرض دید هستند، رتبه‌بندی آن‌ها بر اساس ریسک تجاری و لغو دسترسی عمومی برای ۱۰ مورد پرریسک پس از تأیید کاربر، در حالی که هر اقدام به‌طور دقیق ثبت (Log) می‌شود.
- نظارت بر هوش مصنوعی (AI Oversight): نقشه‌برداری از داده‌هایی که توسط سیستم‌های AI مجاز یا سیستم‌های AI سایه (Shadow AI) مصرف می‌شوند، به‌ویژه در مواردی که با داده‌های تحت نظارت قانونی در تماس هستند و شناسایی تخلفات سیاستی.
- پاک‌سازی دسترسی (Access Cleanup): بررسی مجوزها در تمامی سیستم‌ها برای شناسایی و حذف دسترسی‌های بیش از حد یا منقضی‌شده به اطلاعات شخصی مشتریان (PII).
- تکمیل درخواست‌های حریم خصوصی (Privacy Fulfillment): پیشبرد یک درخواست موضوع داده (Data Subject Request) تا مرحله تکمیل در تمامی سیستم‌هایی که داده‌های آن شخص در آن‌ها ذخیره شده است.
گزارش‌دهی در این سیستم توسط توصیفات زبان طبیعی هدایت می‌شود. این گزارش‌ها می‌توانند به‌صورت لحظه‌ای یا زمان‌بندی شده بر روی متادیتاها، یافته‌های اسکن و فعالیت‌ها اجرا شوند. همچنین توابع بررسی می‌توانند جریان داده‌ها را در سیستم‌هایی که هرگز پیش از این نقشه‌برداری نشده‌اند، استنتاج کنند.
برای جلوگیری از مشکل توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — دیمیتری سیروتا (Dimitri Sirota)، مدیرعامل شرکت، تأکید کرد که عامل‌ها برای اجتناب از پاسخ‌های «مطمئن اما غلط»، به بستر داده‌ای عمیقی نیاز دارند. این سامانه از بیش از ۲۰۰ ادغام مختلف در APIها، SaaS و منابع ابری پشتیبانی می‌کند تا داده‌ها را در سه حالت سکون (At rest)، در حال حرکت (In motion) و در حال استفاده (In use) پوشش دهد. در این راستا، دقت در جذب داده‌ها و کاهش خطاهای سیستمی حیاتی است؛ مشابه آنچه AIWave با تله‌متری دو لایه برای حل مشکل «صفر کاذب» در فرآیند جذب توسعه‌دهندگان به کار گرفت.
AgentIQ به‌جای جایگزینی ابزارهای DLP (جلوگیری از نشت داده) و حاکمیت داده، با آن‌ها همکاری می‌کند. یافته‌های DLP از طریق یک صف واحد و اولویت‌بندی شده مدیریت می‌شوند و هماهنگی با سایر پلتفرم‌های عامل‌محور در یک مکان متمرکز صورت می‌گیرد. این گردش‌کارهای امنیتی را می‌توان مستقیماً در Teams و Slack مشاهده و مدیریت کرد.
استقرار این سیستم از مدل «خرید، ساخت یا آوردن» پیروی می‌کند:
- خرید (Buy): استفاده از عامل‌های پیش‌ساخته که در چند دقیقه و بدون نیاز به مهندسی عامل مستقر می‌شوند.
- ساخت (Build): ایجاد عامل‌های سفارشی بر روی پلتفرم AgentIQ که به سیاست‌های داخلی سازمان متصل هستند.
- آوردن (Bring): اتصال عامل‌های خارجی از طریق پروتکل زمینهٔ مدل (MCP) که یک پروتکل امن و قابل گسترش توسط شرکا است.
امنیت در لایه‌ی API و MCP مدیریت می‌شود و دسترسی عامل‌ها دقیقاً مشابه هویت کاربر درخواست‌کننده است، نه یک دسترسی گسترده و کلی به سیستم. هر اقدام ثبت شده و به یک انسان پاسخگو متصل است. کنترل‌های سازمانی شامل RBAC (کنترل دسترسی مبتنی بر نقش) دقیق، گاوصندوق رمز عبور برای اعتبارنامه‌ها، قابلیت Bring-Your-Own-Keys و تله‌متری است. همچنین پشتیبانی از استقرار در محیط‌های Air-gapped، این سیستم را برای محیط‌های حاکمیتی و حساس مناسب می‌کند.
این تحول، صنعت را از هوش مصنوعی «فقط خواندنی» — که بات به شما می‌گوید مشکلی وجود دارد — به هوش مصنوعی «خواندنی-نوشتنی» می‌برد که واقعاً نشت داده را ترمیم می‌کند. با جداسازی رابط از مدل، BigID تضمین می‌کند که شرکت‌ها به یک فروشنده AI خاص وابسته نشوند.
برای رهبران کسب‌وکار، این یعنی هزینه انطباق با قوانین با حجم داده‌ها مقیاس می‌یابد، نه با تعداد کارکنان. توانایی اجرای این گردش‌کارها در Teams و Slack اصطکاک بازرسی‌های امنیتی سنتی را از بین می‌برد.
گام بعدی شما
- اگر از ابزارهای DLP سنتی استفاده می‌کنید، بررسی کنید آیا امکان اتصال آن‌ها به رابط‌های عامل‌محور از طریق MCP وجود دارد یا خیر.
- مدل‌های حاکمیت داده خود را از حالت «گزارش‌دهی» به حالت «اصلاح خودکار» (Remediation) تغییر دهید.
- جریان‌های کاری امنیتی خود را به محیط‌های ارتباطی مثل Slack منتقل کنید تا اصطکاک بازرسی کاهش یابد.
اما نبرد اصلی اکنون از این تغییر می‌کند که چه کسی بهترین اسکنر را دارد به اینکه چه کسی قابل‌اعتمادترین عامل ترمیم‌کننده خودگردان را می‌سازد — به تحلیل ما درباره‌ی آینده‌ی عامل‌های خودمختار مراجعه کنید.
گفتگو