Риски в ориентированном на агентов предприятии охватывают людей, учетные записи служб и ИИ-агентов. Все они действуют с легитимными учетными данными, поэтому одни лишь средства контроля доступа не могут показать, является ли их активность безопасной. Фреймворк поведенческих рисков применяет единую модель к каждому субъекту: проверьте ожидаемое поведение до предоставления доступа, наблюдайте за активностью после ее начала, анализируйте поведение на предмет рисков и отклонений, а также со временем повышайте уровень обнаружения.
Как службы безопасности должны управлять рисками для людей, учетных записей служб и ИИ-агентов?
Управляйте рисками для людей, учетных записей служб и ИИ-агентов, оценивая поведение, а не только права доступа. Определите, что должен делать каждый субъект, зафиксируйте то, что он делает на самом деле, и сравните их с базовым уровнем поведения. Единая модель рисков для каждого типа учетной записи позволяет выявлять злоупотребления, компрометацию и отклонения в действиях, которые выглядят авторизованными.
Основные выводы
- Корпоративные риски теперь исходят от людей, учетных записей служб и ИИ-агентов. Все они действуют с использованием действительных учетных данных в рамках бизнес-процессов.
- Права доступа показывают, что учетная запись может делать. Базовые профили поведения показывают, является ли ее реальная активность нормальной для этой учетной записи.
- ИИ-агенты объединяют цепочки подсказок, вызовов инструментов и действий на машинном частоте. Риск часто проявляется только в полной последовательности шагов.
- Почти половина руководителей служб безопасности в исследовании Exabeam 2026 года назвали ИИ-агентов с чрезмерным или непредусмотренным доступом своей главной угрозой.
- Четырехэтапный жизненный цикл, состоящий из проверки, наблюдения, анализа и улучшения, применяет единую модель поведенческих рисков к каждому субъекту, имеющему доступ.
Почему риски теперь выходят за рамки человеческих пользователей
Программы управления инсайдерскими рисками были разработаны с учетом сотрудников. Сегодня учетные записи служб запускают интеграции, а ИИ-агенты читают данные, вызывают инструменты и выполняют задачи самостоятельно. В исследовании Exabeam 2026 года 48% руководителей служб безопасности назвали ИИ-агентов с чрезмерным, скомпрометированным или непредусмотренным доступом своей главной угрозой. Руководителям нужны доказательства того, что эта активность контролируется. Инженерам необходимо выпускать агентов без создания неуправляемых рисков.
Как работает фреймворк поведенческих рисков
Фреймворк поведенческих рисков относится ко всем субъектам с доступом одинаково: определите, как выглядит норма, следите за тем, что происходит на самом деле, и реагируйте на разницу. Жизненный цикл «проверка, наблюдение, анализ, улучшение» сводит это к четырем повторяемым этапам.
Почему контроль доступа не раскрывает риски от учетных записей служб и ИИ-агентов?
Контроль доступа отвечает на вопрос, кто и к чему может получить доступ. Он не говорит вам, использует ли учетная запись этот доступ так, как положено. Этот пробел всегда существовал для людей, так как доверенный сотрудник может скопировать файлы, которые ему разрешено открывать. Он увеличивается с появлением учетных записей служб и ИИ-агентов. Учетные записи служб часто имеют широкие долгосрочные разрешения, и многие организации не могут видеть, как они ведут себя после предоставления доступа. ИИ-агенты идут дальше. Они рассуждают, вызывают инструменты и объединяют действия в цепочки в разных системах, часто без того, чтобы человек одобрял каждый шаг. Каждое действие может пройти проверку прав доступа, в то время как вся последовательность в целом превышает назначение агента. В исследовании Exabeam руководители служб безопасности сообщили о наименьшем уровне видимости кросс-системной активности и поведенческих последовательностей (26%), а также взаимодействий между человеком и агентом, а также между агентами (19%).
Что значит проверять ожидаемое поведение до предоставления доступа?
Верификация определяет, как выглядит норма до того, как учетная запись начнет работу. Вы не можете пометить отклонение без точки отсчета. Для человека такой точкой отсчета является роль, команда и группа коллег. Для учетной записи службы — это конкретная система или задача, для выполнения которой существует учетная запись. Для ИИ-агента это его круг обязанностей: какие инструменты он может вызывать, к каким данным он может прикасаться и какие действия он может предпринимать без одобрения. Верификация агента выявляет проблемы до передачи в производство, когда промпты, интеграции или конфигурации выходят за рамки этих обязанностей. Praxen, проект с открытым исходным кодом от Exabeam, проверяет агента на соответствие его определенной области видимости перед началом его действий. Таким образом, безопасность и инженерия начинают работу с одного и того же письменного определения ожидаемого поведения.
Какую активность службы безопасности должны фиксировать для людей, учетных записей служб и ИИ-агентов?
Наблюдение превращает ожидаемое поведение в нечто измеримое. Для людей и учетных записей служб это означает аутентификацию, конечные точки, облачные и прикладные активности, собранные в одном месте. ИИ-агентам требуется больше. Запись в журнале о том, что агент запросил базу данных, сама по себе говорит мало о чем. Вам нужен промпт, инициировавший задачу, вызовы инструментов, которые он совершил, запрошенные им одобрения, предпринятые им действия и созданный им результат. Эта цепочка показывает как причину действий агента, так и то, что именно он сделал. Observra, SDK телеметрии с открытым исходным кодом, и Exabeam Agent Sensor, коллектор конечных точек, фиксируют эту активность, в том числе от инструментов кодирования с помощью ИИ, таких как Claude Code, Codex CLI и Gemini CLI. Оба нормализуют ее в ту же поведенческую запись, которая используется для человеческой активности.
Как поведенческая аналитика обнаруживает риски и отклонения для каждого типа учетных записей?
Анализ сравнивает наблюдаемую активность с базовым уровнем каждого субъекта и оценивает ее соответствие. Аналитика поведения пользователей и сущностей (UEBA) делает это для людей и устройств уже много лет. Аналитика поведения агентов (ABA) применяет тот же подход к ИИ-агентам. Она создает базовые профили нормальной активности агента, отмечает значимые отклонения и отслеживает взаимодействия между людьми и агентами. Дрейф (drift) — это сигнал, за которым нужно следить. Агент, который начинает вызывать новые инструменты или обращаться к новым источникам данных, может быть неправильно настроен, подвергнут манипуляциям или скомпрометирован. Динамическая оценка рисков взвешивает каждую аномалию в контексте, поэтому одно странное событие не завалит аналитиков работой, а цепочка мелких событий не останется незамеченной. Имея единую модель рисков, расследование может проследить всю цепочку от промпта пользователя до действия агента и вызова API учетной записи службы.
Как службы безопасности улучшают уровень защиты по мере изменения агентов и учетных записей?
Этот жизненный цикл не заканчивается на обнаружении. Люди меняют роли, учетные записи служб получают новые интеграции, а агенты приобретают новые инструменты с каждым релизом. Каждое изменение сдвигает границы нормы. Этап улучшения возвращает результаты расследований на более ранние этапы. Подтвержденные ложные срабатывания настраивают механизмы обнаружения. Подтвержденные инциденты сужают сферу ответственности агента или права доступа учетной записи. Обзоры покрытия показывают, где активность все еще остается без контроля, например, в случае платформы агентов, до которой еще не дотянулся ни один коллектор. Outcomes Navigator соотносит этот прогресс с приоритетами управления, такими как фреймворки комплаенса, сценарии использования и методы атак. Эти доказательства имеют вес для финансового отдела: в том же исследовании Exabeam финансовые руководители назвали видимость активности ИИ (37%) и свидетельства снижения бизнес-рисков (36%) главными факторами для одобрения мониторинга безопасности ИИ.
Что это значит для вашей команды
Для руководителей служб безопасности
Вы несете ответственность за внедрение ИИ наряду с его управлением и контролем рисков. Единая модель поведенческих рисков дает вам единое представление об экспозиции от людей, учетных записей служб и ИИ-агентов вместо разрозненных отчетов из разных инструментов. Такой подход позволяет показать совету директоров и финансовому директору, где работают агенты, как они себя ведут и снижается ли риск со временем.
Для архитекторов безопасности и инженеров по обнаружению угроз
Расширение поведенческого обнаружения на агентов позволяет избежать создания нового изолированного хранилища для активности ИИ. Когда телеметрия агента попадает в те же записи, что и активность пользователей и учетных записей служб, вы можете создавать базовые показатели, оценивать и сопоставлять их все вместе. Расследования следуют по единой временной шкале, поэтому вы тратите меньше времени на сбор логов из систем IAM, конечных точек, облака и ИИ.
Для инженеров по искусственному интеллекту и платформам
Вы хотите выпускать агентов, не простаивая в очереди на проверку безопасности. Определение круга обязанностей агента заранее и оснащение его телеметрией с открытым исходным кодом дает командам безопасности доказательства, необходимые для его утверждения. Вы выявляете проблемы с областью действия до запуска в продакшн и получаете полную запись о том, что сделал ваш агент, когда что-то идет не так.
Единая модель рисков для каждого субъекта с доступом
Риск на предприятии с использованием агентов исходит от каждого субъекта, имеющего доступ: людей, учетных записей служб и ИИ-агентов. Разрешения не могут показать, используется ли этот доступ безопасно. Поведение — может. Проверяйте ожидаемое поведение, наблюдайте за реальной активностью, анализируйте ее на предмет рисков и отклонений и улучшайте покрытие по мере изменения вашей среды.
Ключевые термины
- Аналитика поведения агентов (ABA): Поведенческая аналитика, которая устанавливает базовые показатели активности ИИ-агентов, отмечает значительные отклонения и отслеживает взаимодействия между людьми и ИИ-агентами.
- Аналитика поведения пользователей и сущностей (UEBA): Аналитика, которая устанавливает базовые показатели нормальной активности для пользователей и устройств и отмечает отклонения, которые могут указывать на компрометацию или злоупотребление.
- Учетная запись службы: Нечеловеческая учетная запись, которую приложения, скрипты или интеграции используют для аутентификации и выполнения автоматизированных задач без входа пользователя в систему.
- Круг обязанностей агента: Определенный набор инструментов, источников данных и действий, которые ИИ-агент уполномочен использовать при выполнении предназначенных для него бизнес-задач.
- Поведенческий дрифт: Постепенное изменение поведения учетной записи или агента по сравнению с его базовым уровнем, что может свидетельствовать о неправильной конфигурации, манипуляции или компрометации.
- Динамическая оценка рисков: Метод, который присваивает и обновляет оценки рисков на основе аномалий в контексте, благодаря чему наиболее рискованная активность попадает к аналитикам в первую очередь.
Углубите знания о фреймворке
Узнайте, как жизненный цикл «Проверка, Наблюдение, Анализ, Улучшение» применяется в вашей среде, в официальном документе «Обеспечение безопасности предприятия с использованием агентов».
