top of page
blog_banner-1980x300.png

【Vega 觀點】每位工程師都有 AI 代理，但企業卻看不見它在做什麼

  • 6月26日
  • 讀畢需時 4 分鐘

已更新：6月29日

作者：Nir Segal ｜ 編譯：AIShield 編輯部 ｜ 發稿日期：2026 年 6 月 26 日


I 代理引發的端點、網路與雲端資安防護盲區與後 SIEM 架構意象圖


Agentic AI 帶來的資安盲點，正在加速 Post-SIEM 時代來臨


隨著代理式 AI（Agentic AI）快速導入企業開發流程，一個新的資安問題正浮現：企業無法完整監控 AI 代理的實際行為。


即使模型 API 能記錄決策過程，卻無法涵蓋端點、網路與雲端的真實操作，形成嚴重的資安可視性缺口。


👉 關鍵結論：Agentic AI 的資安問題，本質上不是模型問題，而是「可視性問題」。

什麼是 Agentic AI？為何帶來新的資安風險


代理式 AI（Agentic AI）指的是能夠自主執行多步驟任務、並直接與系統互動的 AI 代理，例如撰寫程式、執行指令、呼叫 API。


當工程師使用 AI coding agent 時，代理實際會同時進行：

  • 在開發者電腦上執行 shell 指令

  • 讀寫本地與遠端檔案

  • 呼叫內外部 API

  • 啟動子程序（subprocess）

  • 跨多個 session 執行連續任務


這些行為本質上都是資安事件。


然而目前企業普遍存在的問題是：

  • 行為未完整記錄（log）

  • 缺乏跨系統關聯分析

  • 無法即時評估風險


這讓 AI 代理成為一個高度可被攻擊的環境（target-rich environment）。一旦代理或開發環境遭入侵，企業可能完全無法察覺，或只能事後追蹤。



AI 治理工具為何無法解決資安問題


多數企業直覺會導入 AI 治理（AI governance）工具，例如：


  • 模型可觀測性平台

  • LLM 稽核紀錄

  • 模型合規 API（如 OpenAI、Claude）


這些工具確實能回答：


  • 輸入了什麼 prompt

  • 模型輸出了什麼結果

  • 呼叫了哪些工具


但它們無法回答更關鍵的問題：


  • shell 指令實際執行了什麼（端點事件）

  • API 呼叫流向哪裡（網路事件）

  • 是否經過 VPN 或 proxy

  • 是否觸發雲端服務


模型 API 只能看到「決策」，看不到「結果」。

這正是 Agentic AI 的核心資安缺口。



為什麼傳統 SIEM 無法應對 Agentic AI


傳統 SIEM（安全資訊與事件管理）是為「人類操作」設計的，但 Agentic AI 產生的是完全不同型態的資料：

傳統環境

Agentic AI 環境

事件量低

事件量極高

行為可預測

行為非決定性

單一來源

跨端點／網路／雲端

靜態規則偵測

需要理解行為意圖


這導致兩個關鍵問題：


1. 成本失控

傳統 SIEM 依「資料匯入量」收費，在 AI 代理產生的大量監測資料下，成本迅速上升。

2. 偵測失效

AI 代理的行為是動態決策，無法用固定規則或已知事件序列偵測。


👉 這正是 Post-SIEM 轉變的核心原因。




Agentic AI 的資安資料，分散在整個系統中


AI 代理的行為實際分布於多個系統：


  • EDR（端點偵測與回應）

  • NDR（網路偵測與回應）

  • CNAPP（雲端安全平台）

  • VPN／SSE 系統

  • 資料湖（data lake）

  • 既有 SIEM

  • 雲端物件儲存


👉 沒有任何單一工具能完整掌握這些資料。


這意味著，企業需要一個能「跨系統即時分析」的資安架構



實務案例：Fortune 100 企業的 AI 資安盲點


某家《財星》百大企業全面導入 AI 程式代理，讓工程師可以：


  • 撰寫程式碼

  • 執行指令

  • 呼叫正式環境 API


但資安團隊卻面臨：


  • 無任何代理行為紀錄

  • 無法追蹤操作軌跡

  • 無法確認影響範圍


👉 換句話說，他們完全看不見 AI 在做什麼。



解法：Security Analytics Mesh（SAM）


Vega 提出的 Security Analytics Mesh（SAM），核心概念是：


👉 資料不移動，由查詢直接到資料所在位置。


SAM 透過聯邦式分析（federated analytics），整合：


  • 模型合規與稽核 API

  • EDR（端點）

  • NDR／VPN／SSE（網路）

  • CNAPP（雲端）

  • 既有 SIEM


並在單一調查視圖中呈現：


  • AI 代理行為

  • 端點事件

  • 網路流量

  • 雲端操作


且不需資料搬移或重建資料管線。



導入成效：從不可見到可關聯分析


該企業在數天內完成部署後：


  • 可跨模型、端點、網路進行關聯偵測

  • 可追蹤完整事件鏈（single query）

  • 不需切換多個工具


具體成果：


  • MTTR（事件處理時間）由 25 分鐘降至 8 分鐘

  • 誤報降低約 35%

  • SIEM 成本降低 76%～83%



結論：每家導入 AI 的企業，都面臨同一個問題


目前所有導入 AI coding agent 的企業，都存在這個資安缺口，只是多數尚未察覺。


👉 問題不在於 AI 是否會出錯

👉 而在於：當它出錯時，你是否能即時發現


當資料型態與威脅模型改變，資安架構也必須隨之演進。

Agentic AI，正是讓這個問題全面浮現的關鍵轉折點。



FAQ：Agentic AI 資安常見問題


1. 什麼是 Agentic AI？

Agentic AI 是指能自主執行任務、並與系統互動的 AI 代理，例如自動寫程式、呼叫 API、執行指令。


2. AI 治理工具可以解決資安問題嗎？

不行。AI 治理工具只能看到模型決策，無法涵蓋端點、網路與雲端行為。


3. 為什麼 SIEM 不夠用？

因為 Agentic AI 的行為是高頻、非決定性且跨系統的，傳統 SIEM 無法處理這種資料型態與規模。


4. 企業該如何補上這個缺口？

需要導入能跨端點、網路與雲端的整合式資安分析架構，而非單一工具。



👉 立即預約諮詢： contact@aishield.com.tw




本文翻譯自 Vega 原文：“ Every Engineer Has an AI Agent. Nobody Can See What It's Doing ”

“ 

發佈日期：2026 年 6 月 15 日




原文出處：Vega 部落格文章

bottom of page