در دنیای امنیت سایبری، یک تفاوت بنیادین میان رویکرد مهاجمان و مدافعان وجود دارد. در حالی که مهاجمان عمدتاً با چالش‌های فنی (Technical Problems) دست و پنجه نرم می‌کنند، مدافعان با مسائل سازمانی و مدیریتی (Organizational/Political Problems) روبرو هستند. این تفاوت باعث می‌شود که استفاده از هوش مصنوعی عامل‌محور یا Agentic AI در حوزه دفاع، پیچیدگی‌های متفاوتی نسبت به کاربردهای تهاجمی داشته باشد.
تفاوت ماهوی در اهداف تهاجم و دفاع
برای یک مهاجم، هدف نهایی اجرای عملیات تهاجمی است و موفقیت او با معیارهای فنی ساده‌ای مانند کرش کردن یک برنامه یا برقراری ارتباط بدافزار با سرور C2 سنجیده می‌شود. اما برای مدافعان، هدف اصلی «جلوگیری از ضرر» است. دفاع سایبری در سازمان‌ها اغلب به عنوان یک «هزینه عملیاتی» دیده می‌شود و باید با اولویت‌های تجاری (مانند بازاریابی یا تداوم خدمات) تعادل ایجاد کند.
چرا اتوماسیون کامل در دفاع دشوار است؟
ابزارهای Agentic در حملات سایبری بسیار موثرند زیرا مسائل فنی پاسخ‌های قطعی دارند. اما در دفاع، هر اقدام خودکار ریسک اختلال در کسب‌وکار را به همراه دارد. برای مثال، یک قانون سخت‌گیرانه در Firewall ممکن است یک سرویس حیاتی سازمان را از دسترس خارج کند. در چنین شرایطی، مسئولیت هر اقدام خودکار باید بر عهده یک انسان باشد، زیرا برخلاف مهاجم، مدافع در برابر مدیریت سازمان پاسخگو است.
چارچوبی برای ارزیابی ریسک اقدامات دفاعی
برای بهره‌برداری از پتانسیل AI در دفاع، باید اقدامات را بر اساس میزان ریسک دسته‌بندی کرد. معیارهای کلیدی برای تخمین ریسک عبارتند از:
- میزان اثرگذاری (Potency): آیا ابزار فقط مشاهده می‌کند (Observe) یا می‌تواند تغییراتی در پیکربندی و دسترسی‌ها ایجاد کند (Alter)؟
- محدوده اثر (Scope): چه مقدار از زیرساخت فنی تحت تاثیر قرار می‌گیرد؟
- حیاتی بودن (Criticality): سیستم‌های تحت تاثیر تا چه حد برای ماموریت سازمان حیاتی هستند؟
- قابلیت اثبات (Provability): آیا می‌توان پیش از اجرا، اثرات اقدام را اثبات کرد؟
- قابلیت بازگشت (Reversibility): در صورت بروز خطا، با چه سرعت و دقتی می‌توان تغییرات را به حالت قبل بازگرداند؟
مسیر حرکت به سوی دفاع خودکار
بهترین نقطه شروع برای سازمان‌ها، تمرکز بر کارهای کم‌ریسک است. استفاده از Generative AI برای تحلیل حجم انبوه داده‌های Threat Intelligence و خلاصه‌سازی گزارش‌ها، یک «برد سریع» (Easy Win) محسوب می‌شود. همچنین می‌توان از مدل Cattle, not Pets استفاده کرد؛ یعنی اتوماسیون را روی سیستم‌هایی پیاده کرد که بازسازی و جایگزینی آن‌ها سریع و آسان است.
آینده و نیازهای پژوهشی
برای رسیدن به یک اکوسیستم دفاعی عامل‌محور در مقیاس ملی، نیاز به پژوهش‌هایی است که بتوانند به صورت قطعی (Deterministic) ثابت کنند یک اقدام «کم‌ریسک» است. برای مثال، استفاده از AI برای مهندسی معکوس باینری‌ها جهت شناسایی دقیق تمام تماس‌های شبکه ممکن است اعتماد لازم را برای اتوماسیون سخت‌سازی (Hardening) سیستم‌ها ایجاد کند.
نتیجه‌گیری: سازمان‌ها نباید تنها منتظر ظهور ابزارهای دفاعی خودکار بمانند؛ بلکه باید در کنار پذیرش تدریجی AI، بر بهبود روش‌های سنتی امنیت و کاهش سطح حمله (Attack Surface) تمرکز کنند.
