組織の約半数は、AI エージェントによって生成されるマシン間のトラフィックを全く認識しておらず、エンタープライズ ネットワークを監視するために構築されたツールは、内部を即座に監視するように設計されていませんでした。この夏に発売された Check Point Network Firewall は、インフラストラクチャ企業内からこのギャップを埋めるための最新の試みです。

最近の研究によると、 組織の 48.9% AI エージェントが生成するマシン間のトラフィックに対する可視性はまったくありません。これは、AI に対する単なる不安ではなく、組織が接続されたシステム内で自律エージェントが何を行っているかを監視する方法がないという、具体的な目に見える問題を物語っています。

エージェントはオンライン データやサービスへのアクセスを購入し、顧客と通信し、各ステップを承認することなくタスクを実行するために使用されるため、これはさらに重要です。また、組織がセキュリティ監視に必要なものも変わります。あるサービスが別のサービスに連絡したことを示すログは、エージェントが会社の指示に従っているかどうかについて独立してコメントすることはできません。

この盲点が生じる理由の 1 つは、そもそもサイバーセキュリティ ソリューションが通常どのように構築されるかに関係しています。従来の Web アプリケーション ファイアウォールとコア API ゲートウェイは、シグネチャ、レート制限、予測可能な人間のセッションを中心に構築されています。エージェントは、既知の攻撃シグネチャと一致することなく、正当なリクエストの新しいシーケンスを即興で作成することができます。これらのツールは、自律エージェントが生成する可能性のある予測不可能なロジックベースのアクションを分析するように設計されているだけではありません。

認証された API 呼び出しは、自動的に認証されたビジネス上の決定になるわけではありません。通常の攻撃と同様のタスクを実行せずに、資格情報を使用してクライアント ファイルを検索し、それを受信すべきではない人への応答にそのファイルを含めるヘルパー エージェントを考えてみましょう。

暗号化により別のバリアが作成されます。 HTTPS 経由で送信される AI トラフィックは暗号化されるため、ファイアウォールはコンテンツを検査する前に、このトラフィックを復号化するための適切な証明書とポリシーを必要とします。容量と接続の制限もトラフィック検査に影響します。読みやすさとわかりやすさは同じではありません。復号化によってテキストが公開される可能性はありますが、指示が安全かどうかは判断されません。

この区別は、対処する必要がある広範な混乱を示しています。人々が「」という言葉で意味するものには、大きく異なる 2 つの意味があります。AIファイアウォールAI を活用したファイアウォールは、機械学習を使用して一般的なネットワークの脅威を検出します。AI を保護するために構築されたシールドは、AI 固有の脆弱性についてエージェントのリクエストと対話をチェックします。ここでのギャップは 2 番目のカテゴリに属します。 即時注射 文書または Web サイトをエージェントが従う指示に変換できます。これは、暗号化エージェントに対する最近の攻撃で使用されているのと同じメカニズムです。

昨年7月に発表した チェック・ポイント AI ネットワーク シールド AI 固有のテストを既存のファイアウォール インフラストラクチャに追加することで、このギャップをターゲットにしています。同社によると、AIファイアウォールは従業員のAI生成ツールの使用、AIエージェントとコンテキストプロトコルのアクティビティ、AIアプリケーションとの間のトラフィックを検出して分類するという。モデル コンテキスト プロトコル (MCP) は、エージェントをデバイスやデータに接続するための業界標準です。

次に、製品はこのアクティビティにリアルタイム テストを適用します。 Check Pointによると、これにより、悪意のある動作を開始しようとする公開AIツールや管理されたプロンプトに送信された機密データを特定できるという。より広範な AI セキュリティ スタックには、2025 年に買収した AI セキュリティのスタートアップである Check Point である Lakera のテクノロジーが含まれており、即時攻撃に対するランタイム保護を提供します。

このアプローチが異なるのは、展開モデルです。 Check Point によると、顧客は新しいハードウェアやソフトウェアを追加することなく、既存のファイアウォール インフラストラクチャを活用し、確立された管理環境に AI 制御を統合できます。これは、セキュリティ チームが別のシステムを導入して維持することなく、AI トラフィックの管理を開始できることを意味します。

AI 用ナイトフォール AI シールド 別の道を歩みます。同社は、そのスタンドアロン製品を次のように説明しています。クライアントパッケージ「生成 AI コラボレーションを中心に、API とソフトウェア開発キットを使用して、モデルに到達する前にコンテンツを検証します。これにより、個人を特定できる情報、支払いカードの詳細、健康情報、プライバシーがスキャンされ、アプリケーション リクエストが送信される前に機密データをスクラブできます。

Nightfall は、インスタント インジェクション保護とトーキング ガードも提供します。これらのテストでは、単なる感覚情報のカテゴリではなく、会話の内容と、モデルへの応答の拒否などの信号が考慮されます。ペイメント カード番号の取得とモデルへのリダイレクトの試みの認識は、別のセキュリティ機能です。

ある企業のアプローチが必ずしも他の企業よりも先進的であるということはありません。おそらくチェック・ポイント社の見解は、特定の AI 保護は同社がすでに運営しているインフラストラクチャ内に属しているというものであり、一方ナイトフォール社の見解は、AI コラボレーションにはアプリケーション ワークフローの特別なレイヤーが保証されているというものです。 AI システムを保護する必要がある企業にとって、実際的な問題は、どの製品アプローチが最新であるかということではなく、対象範囲、介入、ポリシーの施行に関するものです。

どちらのアプローチも、モデルの実行だけではなく、信頼性の高い AI インフラストラクチャに幅広く焦点を当てていることを示しています。統合されたコントロールは確立された操作に準拠できますが、アプリケーション レベルのパッケージ化により、開発者はモデル関連データをフィルタリングできる特定のポイントを得ることができます。導入だけでは、関連するすべてのインタラクションが検証されることは保証されません。

エージェントのやり取りを監視できない企業は、それらのエージェントが自社の管轄内に滞在しているかどうかを確認できません。どのようなアーキテクチャが形づくられるにせよ、有意義な進歩とは、害が生じる前に指示を行動に変え、ポリシーを実装するためのツールです。重要なのは、トラフィックが記録された直後だけでなく、セキュリティ ツールが AI システムが実際に行っていることを確認して制御できるかどうかです。