با گسترش استفاده از عامل‌های هوش مصنوعی (AI Agents) در سازمان‌ها، مدیریت دسترسی به داده‌ها به یکی از چالش‌های حیاتی امنیت تبدیل شده است. تفاوت کلیدی میان آنچه سازمان‌ها تصور می‌کنند مستقر کرده‌اند (Inventory) و آنچه واقعاً در معرض خطر قرار داده‌اند، در مفهوم مسیر داده (Data Path) نهفته است.
چرا کنترل‌های سنتی دیگر پاسخگو نیستند؟
در گذشته، استخراج اطلاعات حساس از سیستم‌های مختلف (مانند CRMها یا سیستم‌های Ticketing) نیازمند تلاش انسانی، جستجوهای متعدد و تحلیل دستی بود. این «اصطکاک» به طور غیرمستقیم به عنوان یک کنترل امنیتی عمل می‌کرد. اما AI Agentها این اصطکاک را حذف کرده و می‌توانند داده‌های پراکنده را در کسری از ثانیه جمع‌آوری و همبسته‌سازی کنند. در واقع، داده‌ها حساس‌تر نشده‌اند، بلکه سرعت و مقیاس دسترسی به آن‌ها تغییر کرده است.
نقاط کور داده‌ای در سازمان‌ها
بسیاری از سازمان‌ها سیستم‌های Ticketing را به عنوان مخازن داده بزرگ نمی‌بینند، در حالی که یک تیکت ساده می‌تواند حاوی موارد زیر باشد:
- لاگ‌های محیط Production شامل Credentialهای فعال
- جزئیات حساب‌های مشتریان
- شرح گام‌به‌گام نحوه وقوع یک Incident
همچنین پلتفرم‌های CRM، ابزارهای همکاری (Collaboration Tools) و درایوهای مشترک، مخازنی از Contextهای حساس سازمانی هستند که اکنون توسط Agentها در دسترس قرار دارند.
برنامه عملیاتی ۹۰ روزه برای مدیران امنیت
هدف در ۹۰ روز اول، بازطراحی کامل محیط یا طبقه‌بندی تک‌تک داده‌ها نیست، بلکه ایجاد دید (Visibility) و کنترل سریع است:
- هفته اول: ترسیم مسیرهای بین Agentها، منابع داده سازمانی، مدل‌ها و ابزارها. اندازه‌گیری داده‌های حساسی که از این مرزها عبور می‌کنند.
- تمرکز بر نقاط حرکت داده: به جای بازنویسی کد هر Agent یا تغییر در Identity Management، باید کنترل‌ها را در نقاطی قرار داد که داده‌ها جابه‌جا می‌شوند.
- اجرای سیاست‌ها (Policy Enforcement): ابتدا مسیرهای با ریسک بالا را شناسایی کرده و سپس پوشش کنترل‌ها را گسترش دهید.
تفاوت Authorization و Data Governance
اشتباه رایج، نگاه دوتایی به دسترسی (یا اجازه دسترسی کامل یا مسدود کردن کامل) است. تفاوت این دو مفهوم به شرح زیر است:
- Authentication: پاسخ به این سوال که Agent کیست.
- Authorization: تعیین اینکه Agent به کجا دسترسی دارد.
- Data Governance: تعیین اینکه چه اطلاعاتی باید از مرز عبور کند.
یک مدل بهینه این است که سیاست‌های امنیتی مستقیماً روی خود داده‌ها در حین انتقال (In-flight) اعمال شوند؛ به گونه‌ای که فیلدهای حساس بر اساس نقش (Role) حذف یا Mask شوند، بدون اینکه دسترسی کلی Agent به سیستم (مانند Salesforce یا Jira) قطع گردد.
الزامات لایه AI Data Plane
برای استقرار یک نقطه کنترل قطعی (Deterministic Policy Enforcement Point)، چهار شرط ضروری است:
- قرارگیری در مسیر داده: ترافیک نباید بتواند از این نقطه عبور کند (Bypass نشود).
- بررسی کامل Payload: خواندن تمامی داده‌های ارسالی و دریافتی.
- تصمیم بر اساس محتوا: تصمیم‌گیری بر اساس محتوای واقعی داده، نه بر اساس Label یا Tag.
- قطعیت (Determinism): ورودی یکسان باید همیشه منجر به تصمیم یکسان شود تا تیم امنیت بتواند آن را تایید کند.
