あらゆるAIベンダーがエージェント、つまり人間の継続的な介入なしに複雑なタスクを処理する自律システムについて語っています。その可能性は現実のものです。しかし、あまりにも問われることの少ない疑問があります。それは、ネットワークセキュリティを任せるに足る信頼性をエージェントに持たせるものは何か、ということです。

答えはモデルではありません。それは「ハーネス(制御基盤)」です。

LLMの力と限界

AIエージェントは大規模言語モデル(LLM)から推論能力を得ています。LLMは素晴らしいものです。文脈を理解し、複雑な問題を推論し、幅広いタスクにわたって計画を立てることができます。

しかし、LLM単体ではジェネラリストにすぎません。あらゆることを少しずつ知っていても、お客様の環境について十分な知識は持っていないのです。根拠を持たせなければ、LLMは「ハルシネーション(幻覚)」を起こします――もっともらしいが単純に誤った出力を生成するのです。チャットボットであればそれは不便なだけですが、ネットワークセキュリティにおいては受け入れられないリスクとなります。

ハーネスを構成する3つの要素

有能なAIエージェントと信頼できるAIエージェントを分けるのは、それがどのように制御されているかです。そのハーネスを定義する3つの要素があります。それは、スキル、ツール、そしてコンテキストです。

この3つすべてを正しく実装すれば、エージェントは正確で信頼できるものになります。1つでも誤れば、ハルシネーションに逆戻りです――ただ、その間のステップが増えるだけです。

ネットワークセキュリティに適用される汎用エージェントは、あらゆる用途向けに構築されたハーネスを借用し、精度が重要な場面でそれを使用します。

汎用モデルは汎用的なケースを扱います。成熟した環境のエッジケース――誰も覚えていない10年前のルールや、明白でない形で壊れるマルチベンダー依存関係――を見たことがありません。静的なトレーニングデータから動作するため、大規模環境において何が「良い」かという感覚を持っていないのです。

その結果、デモでは動作するが本番環境では失敗する自動化が生まれます。

信頼性はハーネスの構築方法から生まれる

信頼性は、より大きなモデルから生まれるのではありません。ハーネスの3つの部分――スキル、ツール、コンテキスト――をどのように構築するかから生まれるのです。

実際の経験に基づいてスキルを構築する

スキルは、汎用トレーニングデータからの理論ではなく、本番環境で得られた専門知識をエンコードすべきです。重要なのは、困難なケース――成熟した環境でのみ表面化する癖やエッジ条件――を捉えることです。その深さこそが、エージェントに何が「良い」かを教えるものなのです。

エージェントに役立つツールを構築する

すべてがLLMによって行われるわけではなく、データを取得し、実用性のために縮小し、モデル用に準備するためのツールが不可欠です。ツールは、単純なAPI呼び出しから、複雑な機械学習アルゴリズムを含む洗練されたものまで多岐にわたります。いずれにせよ、これもまた、エージェントにドメイン固有の能力を提供するために専門知識を組み込むべき場所です。

エージェントに環境のライブビューを提供する

エージェントの精度は、それが依拠する情報の正確性次第です。静的なスナップショットや古いエクスポートに依存してはいけません――それらは取得された瞬間から古くなります。ツールは、トポロジー、依存関係、ポリシー、トラフィックなど、環境を現時点でそのまま読み取り、それに基づいて行動すべきです。

この3つを正しく実装すれば、ハーネスが信頼性の源となります――その下にあるモデルではなく。

Check Point社のアプローチ

Check Point社は、まさにこれらの原則に基づいてエージェントプラットフォームを構築しました。基盤となるLLMは他のシステムと同じです。違いは、汎用AIベンダーには複製できない資産から構築されたハーネスにあります。

30年間の実際の導入経験から得たスキル

Check Point社のエージェントスキルは、あらゆる業界と地域にわたる10万以上の組織を30年以上保護してきた経験に基づいています。その歴史は、複雑で成熟した環境でのみ現れる構成やエッジケースといった困難な事例をエンコードしています。お客様のネットワークに癖がある場合、同社のエージェントはそれを以前に見たことがあるのです。

ネットワークのライブ画像を構築するツール

中核にあるのは、独自のNetwork Knowledge Graph――トポロジー、フロー、依存関係、ファイアウォールポリシー、リアルタイムトラフィックを含む、お客様の環境を継続的に更新するモデルです。Check Point社のエージェントは古いデータで推論するのではなく、現時点で存在するお客様のネットワークで推論します。セマンティックレイヤーは、マルチベンダー環境全体で、ポリシーの構文だけでなく、数十年前に書かれたルールであってもその背後にある意図を読み取ります。

すべての意思決定を根拠あるものに保つコンテキスト

Network Knowledge Graphは、Check Point社の実証済みベストプラクティス、お客様独自のセキュリティガイドライン、規制要件と組み合わされ、すべてのエージェントアクションの動的なコンテキストとして機能します。エージェントは、一般的な知識からではなく、お客様の環境――トポロジー、ポリシー、リスク態勢――から推論します。これこそが、実際のハルシネーションを排除し、出力を監査可能に保つものです。

まとめ

LLMの知能は広く利用可能です――しかし重要なのは、その力をどのように方向付けるかです。スキルにエンコードされた30年間の組織的知識、お客様固有のネットワークのライブグラフ、そして10万件の導入実績全体で正確な結果がどのようなものかを知る専門知識が、その違いを生み出します。

それがCheck Point社のハーネスです。そしてこれこそが、適切に実装されたエージェント型ネットワークセキュリティが、概念実証試験だけでなく本番環境においても信頼するに足る正確な結果を生み出す理由なのです。

Check Point社のエージェント型ネットワークセキュリティについて詳しくは、こちらをご覧ください。