تحقیقات جدید VentureBeat در سری Pulse Research تصویری نگران‌کننده از وضعیت امنیت عامل‌های هوش مصنوعی در سازمان‌های'Entrprise' ترسیم می‌کند. اگرچه عامل‌های هوش مصنوعی (AI Agents) به سرعت در حال ورود به زیرسازه‌های حیاتی هستند، اما کنترل‌های امنیتی طراحی شده برای مهار آن‌ها به شدت عقب مانده‌اند.

یافته‌های کلیدی: شکاف امنیتی در اعداد

  • ۵۴٪ از سازمان‌ها حداقل یک حادثه امنیتی تأییدشده (۱۸٪) یا نزدیک‌به‌حادثه (۳۶٪) با عامل‌های هوش مصنوعی تجربه کرده‌اند.
  • تنها ۳۲٪ به هر عامل یک "هویت محدود و مدیریت‌شده" (Scoped Identity) اختصاص می‌دهند.
  • اکثریت عامل‌ها همچنان از اعتبارنامه‌های مشترک (Shared Credentials)، کلیدهای API مشترک، یا حساب‌های کاربری انسانی/خدماتی استفاده می‌کنند.
  • فقط ۳۰٪ از سازمان‌ها عامل‌های پرخطر خود را در جعبه‌های شنی (Sandboxes) ایزوله می‌کنند.

ضعف ساختاری: مدیریت هویت غایب است

مشکل اصلی در لایه هویت (Identity) نهفته است. وقتی عامل‌ها اعتبارنامه را به اشتراک می‌گذارند، یک عامل واحد که دچار خطر شده یا بیش از حد مجاز (Over-permissioned) باشد، می‌تواند شعاع انفجار گسترده‌ای (Wide Blast Radius) ایجاد کند. عدم ایزولاسیون عامل‌های پرخطر این ریسک را چندبرابر می‌کند.

این یافته با اصول پایه امنیت صفر اعتماد (Zero Trust) در تضاد است که(originalContent) بر اساس آن هر موجودیت (Human یا Non-human) باید هویت منحصر به فرد و کمینه مجوز داشته باشد.

پارادوکس رضایت: خوش‌بینی بی‌بुनیه یا واقعیت؟

نکته شگفت‌انگیز گزارش، رضایت بالا سازمان‌ها از پشته امنیتی (Security Stack) فعلی است: میانگین ۴.۲ از ۵. اما این پشته عمدتاً "بومی ارائه‌دهنده" (Provider-native) است:

متخصصان امنیت عامل اختصاصی (Dedicated Agent Security Specialists) در این ترکیب «به سختی ثبت می‌شوند». در حالی که:

  • هزینه امنیت عامل سهم ناچیزی از بودجه امنیتی کل است.
  • تنها یک‌سوم معتقدند دفاعیات‌شان از مهاجمان مجهز به هوش مصنوعی جلوتر است.
  • اکثریت قاطع قصد دارند در عرض ۱۲ ماه آینده ابزارها را تغییر دهند.

سازمان‌ها از کنترل‌هایی راضی‌اند که همزمان در حال برنامه‌ریزی برای جایگزینی آن‌ها هستند — نشانه‌ای از آگاهی از ناکافی بودن وضعیت الراهن.

روش‌شناسی و اعتبار داده‌ها

این نظرسنجی در ژوئن ۲۰۲۶ بر روی ۱۰۷ سازمان با بیش از ۱۰۰ کارمند انجام شده است. نمونه:
- ارشد و خریدار: ۴۵٪ تصمیم‌گیرنده نهایی، ۳۰٪ توصیه‌کننده/تأثیرگذار
- توزیع اندازه: وزن‌دار به بازار میانی (۲۵۱-۱۰۰۰ کارمند: ۴۲٪)
- صنایع: فناوری/نرم‌افزار (۲۳٪)، تولید (۱۵٪)، خرده‌فروشی/اکامرس (۱۴٪)، سلامت (۱۳٪)

نکته مهم: با حجم نمونه ۱۰۷ نفر، نتایج باید به عنوان سیگنال جهت‌دار (Directional Signal) تفسیر شوند، نه اندازه‌گیری دقیق آماری. نمونه خودانتخابی (Self-selected) و غیراحتمالی است.

چرا این موضوع برای سازمان‌ها حیاتی است؟

عامل‌های هوش مصنوعی به عنوان هویت‌های غیرانسان (Non-Human Identities) با سطح استقلال بالا، سطح حمله جدیدی ایجاد می‌کنند. اشتراک‌گذاری اعتبارنامه نقض مستقیم اصل کمینه‌حق (Least Privilege) است و در صورت نشت، rotating credentials (چرخش اعتبارنامه) را غیرممکن می‌سازد.

سازمان‌ها باید از "کنترل‌های قرضی ارائه‌دهنده" به سمت معماری امنیت عامل هدفمند (Purpose-built Agent Security Architecture) حرکت دهند که شامل موارد زیر باشد:

  • هویت منحصر به فرد و محدود برای هر عامل (Scoped Managed Identity)
  • ایزولاسیون زمان اجرا (Runtime Isolation) برای عامل‌های پرخطر
  • سیاست‌گذاری متمرکز و اجرای پویا (Dynamic Policy Enforcement)
  • م رویت کامل و حسابرسی رفتار عامل (Full Observability & Audit)

نتیجه‌گیری: زمان عمل فرا رسیده است

شکاف امنیتی عامل‌های هوش مصنوعی دیگر یک ریسک تئوریک نیست — بیش از نیمی از سازمان‌ها از آن متضرر شده‌اند. رضایت فعلی از ابزارهای ارائه‌دهنده مدل، دامنه‌ای خطرناک است که به تاخیر در سرمایه‌گذاری بر روی کنترل‌های اختصاصی منجر می‌شود. سازمان‌هایی که اکنون در مدیریت هویت، ایزولاسیون و اجرای سیاست برای عامل‌های خودمختار سرمایه‌گذاری نکنند، در موج بعدی حملات هوش مصنوعی‌محور، اهداف اصلی خواهند بود.