כך AWS מנסה לפתור את משבר אבטחת המידע של סוכני AI
המעבר מיישומי RAG פשוטים לסוכני AI שמגלים טבלאות, בונים שאילתות ומפעילים כלים מחייב מודל ממשל נתונים חדש. הארכיטקטורה שמציגה AWS מסמנת כיוון ברור: אבטחה אינה שכבת תוספת, אלא תנאי בסיס לפריסת Agentic AI בייצור.
מ-RAG לסוכני AI: שטח התקיפה מתרחב
הדור הראשון של יישומי בינה מלאכותית ארגונית נשען ברובו על RAG, כלומר שליפה ממאגר ידע והעברת ההקשר למודל שפה. זה היה מבנה יחסית צפוי: מסמך נכנס, חיפוש וקטורי מתבצע, והמודל מחזיר תשובה. אלא ש-Agentic AI משנה את כללי המשחק. סוכן AI מודרני אינו רק מחפש מידע, אלא מגלה מקורות נתונים, מבין סכמות, יוצר שאילתות SQL, מפעיל כלים חיצוניים ומחבר מידע ממספר מערכות בזמן אמת.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
המשמעות העסקית חדה: מודל הרשאות שמספיק לצ'אטבוט ידע פנימי אינו מספיק לסוכן שירות לקוחות שמסוגל לגשת להזמנות, פרופילי לקוחות, היסטוריית אינטראקציות ומדיניות החזרות. ברגע שהמודל מקבל יכולת פעולה, לא רק יכולת ניסוח, כל חולשה בממשל הנתונים הופכת לסיכון תפעולי, רגולטורי ומוניטיני.
Data Mesh כבסיס לממשל סוכנים
הארכיטקטורה החדשה ש-AWS מציגה נשענת על תפיסה של Data Mesh: צוותי הדומיין ממשיכים להיות בעלי הנתונים, אך שכבת הממשל, הקטלוג וההרשאות מרוכזת ומנוהלת באופן אחיד. במקום להעתיק נתונים בין מחלקות, הנתונים נשארים במקומם, והגישה אליהם מנוהלת באמצעות מטא-דאטה, הרשאות ושכבות אכיפה.
בליבה של הגישה נמצאים Amazon S3 Tables עם תמיכה מובנית ב-Apache Iceberg עבור נתונים טבלאיים, AWS Lake Formation לניהול הרשאות מדויקות ברמת מסד, טבלה, עמודה, שורה ותא, ו-Amazon Athena להרצת שאילתות עם בקרת עלויות. עבור ידע לא מובנה, כמו נהלים, מדריכים ושאלות נפוצות, נכנס לתמונה Amazon S3 Vectors, שמוצג כפתרון זול משמעותית ממסדי נתונים וקטוריים ייעודיים בעומסי שאילתות מתונים.
זו אינה רק אופטימיזציית תשתית. עבור ארגונים גדולים, ובעיקר בנקאות, ביטוח, בריאות וקמעונאות, היכולת לומר שסוכן AI רואה רק את השדות, הרשומות והמסמכים המותרים לו היא תנאי לפריסה אמיתית, לא תכונת נוחות.
השכבה הקריטית: כלים, שערים והרשאות בזמן פעולה
החידוש המעניין ביותר הוא AgentCore Gateway, שמתרגם פונקציות וכלים לממשק MCP סטנדרטי ומוסיף שכבת בקרה בין הסוכן לבין מערכות הארגון. בפועל, הסוכן אינו ניגש ישירות למסד הנתונים או למאגר הידע. הוא קורא לכלים כמו גילוי טבלאות, שליפת סכמה, הרצת שאילתה וחיפוש ידע, וכל קריאה נבדקת דרך מיירטים שמאמתים אסימוני JWT, מסננים כלים לא מורשים ומבצעים רישום ובקרה.
הנקודה החשובה כאן היא דטרמיניזם. אי אפשר להסתמך על כך שמודל שפה תמיד יבין את גבולות ההרשאה או ינסח שאילתה בטוחה. לכן נדרשות שכבות כפויות: מדיניות IAM לקריאה בלבד, מגבלת סריקת נתונים ב-Athena, סינון שורות ב-Lake Formation, סינון מטא-דאטה במאגר הווקטורי, ו-Guardrails של Amazon Bedrock ברמת השער, לפני שכלי חיצוני מופעל.
למה זה חשוב לשוק ה-AI הארגוני
המסר הרחב לתעשייה ברור: Agentic AI לא יבשיל בארגונים אם הוא יישאר שכבת הדגמה מעל נתונים לא ממושטרים. הערך האמיתי יגיע כאשר סוכנים יוכלו לבצע פעולות מורכבות בשם משתמשים, אך תחת זהות, הרשאה, תיעוד ומגבלות עלות ברורות.
במובן הזה, המהלך של AWS משקף מגמה עמוקה יותר: תחרות ענני ה-AI עוברת ממודלים בלבד אל שכבות תפעול, ממשל ואבטחה. מי שיצליח לחבר מודלים, כלים ונתונים בצורה בטוחה יקבע את קצב האימוץ הארגוני. ארגונים שבונים היום סוכני AI ללא ארכיטקטורת הרשאות מרובת שכבות עלולים לגלות שהבעיה אינה איכות התשובה, אלא עצם העובדה שהסוכן ידע יותר מדי, מוקדם מדי וללא פיקוח מספיק.