Traditionella säkerhetsverktyg och processer är inte byggda för agentiska risker
Under många år byggdes verktyg och processer i säkerhetscenter (SOC) på ett rimligt antagande: de aktörer som genererar telemetri är människor (med undantag för DDoS-attacker).
Säkerhetspersonalen ägnade sin tid åt att leta efter tecken på misstänkt beteende som tydde på att en människa hade onda avsikter, till exempel:
- Upprepade misslyckade inloggningsförsök
- Inloggningar från ovanliga platser eller vid ovanliga tider
- Personer som försöker komma åt mappar de normalt inte öppnar
- Stora nedladdningar
- Klick på länkar till ovanliga webbplatser.
Agentisk AI undergräver detta arbetssätt. När organisationer har tiotals, hundratals eller till och med tusentals agenter som utför uppgifter autonomt blir det betydligt svårare att övervaka misstänkt beteende.
Ta vårt enkla exempel med en HR-bot som har alltför breda behörigheter.
Tidigare, om en person utanför HR försökte ta reda på vad kollegorna tjänade, skulle telemetrin visa uppenbart misstänkt aktivitet (försök att öppna SharePoint-webbplatser som personen saknar behörighet till, eller – om ett lösenord hade stulits – nedladdning av filer som personen normalt inte tittar på).
Men med en HR-bot med bristfälliga behörigheter (som i exemplet ovan) sker intrånget via agenten och skulle inte flaggas som misstänkt.
Den andra stora utmaningen är att verktyg för hanterad identifiering och respons (MDR) inte samlar in agentspecifik telemetri.
De samlar in signaler från slutpunkter, inloggningshändelser, e-posthot och data om molnkonfiguration. Det de inte samlar in är loggen över vad en agent har haft åtkomst till, vad den har skickat, vad den har ändrat och vilken instruktion den har agerat på.
Utan den telemetrin kan en agent komprometteras, styras fel eller agera utanför sitt definierade område utan att säkerhetsteamet ser något ovanligt – eftersom de inte tittar på rätt datakälla.