Spis treści
Wyobraź sobie czterdziestowierszowy skrypt na laptopie analityka finansowego – jednego z tych „ukrytych” agentów AI, których nikt z działu IT nigdy nie zatwierdził. Co kilka sekund wywołuje on interfejs API modelu i przekazuje odpowiedzi do powłoki. Twój system EDR wykrywa interpreter z połączeniem TLS oraz proces potomny cmd.exe.
Tak samo wygląda każda instalacja npm na piętrze programistów.
Jeremy Canale i Fabien Soulis stworzyli platformę testową poświęconą temu problemowi. Opracowali 12 syntetycznych agentów i 9 nieszkodliwych obciążeń, a każdy scenariusz był uruchamiany pięć razy na jednej stacji roboczej z systemem Windows. Chcieli sprawdzić, czy w ogóle można wykryć ukryte agenty AI na urządzeniu końcowym.
Odpowiedź brzmi: częściowo, i to tylko wtedy, gdy wiesz, z kim rozmawia agent.
Agenci Shadow AI tworzą kolejne kopie samych siebie
Klasyczny przykład „shadow IT” to sytuacja, w której ktoś opłaca licencję SaaS za pomocą firmowej karty kredytowej. Jedna osoba kupuje jedno narzędzie i na tym się kończy.
Agenci tworzą skrypty i uruchamiają serwery MCP z uprawnieniami użytkownika, który je uruchamia. W ten sam sposób planują zadania i instalują pakiety. OWASP klasyfikuje to jako nadmierna autonomiczność w swojej pierwszej dziesiątce aplikacji LLM. Niektóre z tych, które pomijają, również nazywają się modelami, więc mogą generować więcej podobnych treści bez udziału człowieka przy klawiaturze.
W modelu kumulacyjnym przedstawionym w artykule liczba niezatwierdzonych artefaktów rośnie wykładniczo, gdy artefakty tworzone przez agentów rozmnażają się szybciej niż organizacja je wycofuje. Autorzy określają liczby podane na wykresie jako poglądowe. Jeśli w ich przykładzie potroimy tempo wycofywania, liczba niezatwierdzonych artefaktów ustabilizuje się na poziomie dziesięciu na pracownika, czyli dziesięciokrotnie wyższym niż w klasycznym scenariuszu.

Na swoim laptopie uruchamiam kilka agentów za pomocą Harmonogramu zadań systemu Windows. Nikt ich nie zatwierdził, bo w domu to ja jestem działem IT. W pracy ten sam nawyk powoduje, że powstają ukryte agenty AI, których nikt nie widzi.
Dlaczego zasady postępowania nie sprawdzają się w tym przypadku
Większość zespołów ds. bezpieczeństwa stosuje reguły behawioralne, aby wykrywać ukryte agenty AI. Interpreter, który utrzymuje połączenie na porcie 443 i uruchamia powłokę, wygląda jak agent.
To też wygląda na wersję testową.
W przypadku „bliźniaków behawioralnych” autorzy wzięli każdy skrypt agenta i zastąpili interfejs API modelu indeksem pakietów lub Microsoft Graph. Drzewo procesu i czas trwania pozostały niezmienione. Obie reguły behawioralne wykryły każdego z „bliźniaków”, a wraz z nimi polecenie `npm install`. To 4 z 9 przypadków niegroźnych na każdą regułę.
Na rzeczywistej stacji roboczej ta bardziej ogólna reguła zidentyfikowała plik claude.exe jako prawdziwy program do kodowania. Z tego samego powodu zidentyfikowała również edytor VS Code oraz powłokę systemu Windows.
Zgodnie z prawem Marteca technologia zmienia się wykładniczo, podczas gdy organizacje zmieniają się logarytmicznie, a reguły zachowań stanowią odpowiedź ze strony organizacji. Zostały one dostosowane do złośliwego oprogramowania, a agent wykonuje polecenia użytkownika. Prawdziwym pytaniem jest to, czy narzędzie jest autoryzowane, a to już kwestia tożsamości.
Agent Detector, narzędzie typu open source opisane w artykule, wiąże zachowanie z tożsamością zdalnej usługi. Odczytuje ono z pamięci podręcznej DNS systemu Windows lub z opublikowanego zakresu adresów, który proces komunikuje się z którym punktem końcowym modelu. Następnie szuka pod spodem powłoki lub serwera MCP. Jego katalog zawiera 39 narzędzi i 184 wpisy dotyczących punktów końcowych LLM. W testach wykryło wszystkie 12 agentów w większości przebiegów. Nie zidentyfikowało żadnego z nieszkodliwych zdarzeń.
Autorzy piszą, że dane te przedstawiają ich własny detektor w lepszym świetle niż jakikolwiek inny opisany w artykule. Dwa wykrycia miały miejsce w zaledwie trzech z pięciu serii pomiarów.
Ile kosztuje Cię ta luka po wystąpieniu zdarzenia
Kiedy dochodzi do wycieku informacji przez jednego z twoich agentów sztucznej inteligencji typu „shadow”, śledczy najpierw pyta o punkt końcowy. W lipcu Brandy Wityak z LevelBlue opisała w wywiadzie dla Help Net Security. “Pierwszą rzeczą, która prawdopodobnie już zniknęła, są zapisy w dzienniku zapory sieciowej pokazujące połączenia wychodzące z platformami AI”.”
W punkcie końcowym okno jest jeszcze krótsze.
Jej odpowiedź na pytanie, w jaki sposób organ regulacyjny ocenia incydent związany z “cieniową sztuczną inteligencją”, nie pozostawia miejsca na wymówki. „Korzystanie z „cieniowej sztucznej inteligencji” przez pracownika nigdy nie jest przypadkiem z punktu widzenia przepisów”. Zgodnie z RODO decydujące znaczenie ma to, czy wprowadzono odpowiednie środki. Polityka opublikowana w wiki, której nikt nie może zweryfikować w odniesieniu do floty, stanowi słabą odpowiedź.
W sierpniu napisałem, że Shadow AI rozwija się w tej niszy między wdrożeniem sztucznej inteligencji a poinformowaniem pracowników o planie, co firma Gallup oszacowała odpowiednio na 47% i 25%. Badanie przeprowadzone przez dostawcę, na które powołują się autorzy, wskazuje, że zespoły ds. bezpieczeństwa dostrzegają zaledwie około jednej trzeciej rzeczywistego zasięgu działania sztucznej inteligencji. Resztę, w tym ukryte agenty sztucznej inteligencji, wyjaśnia się dopiero później.
Jak działa wykrywanie agentów „cieniowej sztucznej inteligencji” na urządzeniach końcowych – wyjaśnienie w przystępny sposób
Pomyśl o pamięci podręcznej DNS jak o pamięci krótkotrwałej Twojego laptopa, w której przechowywane są nazwy, które zostały wyszukane. Agent Detector odczytuje tę pamięć, aby nawiązać połączenie z dostawcą. W przypadku agentów sztucznej inteligencji typu „shadow”, które łączą się z dostawcami za pośrednictwem wspólnej sieci CDN, ta pamięć stanowi jedyne połączenie.
Trwa to od jednej do pięciu minut.
Autorzy utrzymywali połączenia agentów z czterema dostawcami hostowanymi w sieci CDN przez sześć minut, przeprowadzając skanowanie co 15 sekund. Wszystkie dwanaście agentów pozostało połączonych do samego końca, a po upływie 295 sekund nie odnotowano żadnego połączenia. Odpowiedzi DNS serwisu OpenAI są aktywne maksymalnie przez 60 sekund. Agent, który otwiera jedno połączenie i utrzymuje je przez godzinę, jest widoczny tylko przez pierwsze kilka minut.
Domyślna częstotliwość skanowania wynosi jedno skanowanie na godzinę.
Agent, który wywołuje swój model w określonych odstępach czasu, był wykrywany przez mniej więcej co trzecie skanowanie w trakcie działania. Agent, który działa przez pięć sekund i kończy działanie przed rozpoczęciem skanowania, nie jest wykrywany przez żadne z detektorów okresowych.
Agenci Shadow AI działający w środowisku WSL 2 byli niewidoczni dla wszystkich detektorów testowanych w ramach badania, w tym dla detektora opisanego w samym artykule. Agent z przekaźnikiem zakodowanym na stałe w kodzie źródłowym, działający w domenie nieznanej katalogowi, jest niewidoczny dla detektora Agent Detector.
Skanowanie trwa 154 ms, co przy uruchamianiu co godzinę daje łącznie mniej niż dziesięć sekund obciążenia procesora na laptopa dziennie. Narzędzie nie blokuje żadnych operacji. Użytkownicy otrzymują powiadomienie, które muszą potwierdzić, a dziennik zdarzeń rejestruje, kto je zaakceptował.
Zacznij od spisu, który można powtórzyć
Nie wystarczy wprowadzić regułę dotyczącą zachowania i uznać, że problem z ukrytymi agentami AI został rozwiązany. Jak zauważają autorzy, na komputerze programisty reguła ta uruchamia się przy każdej kompilacji, a taki detektor traci zaufanie użytkowników w ciągu jednego dnia.
Sporządź listę uruchomionych przez użytkowników procesów, podając ich nazwy – zacznij od agentów kodujących i konfiguracji MCP, a następnie od podstawowych adresów URL kierujących do serwerów przekaźnikowych i lokalnych środowisk uruchomieniowych na porcie Ollamy. Następnie przeprowadzaj skanowanie częściej niż trwa czas wygaśnięcia pamięci podręcznej DNS i wyłączaj WSL tam, gdzie nikt go nie potrzebuje.
Nie można przejść na emeryturę z czegoś, czego się nigdy nie znalazło.
Źródło | https://arxiv.org/abs/2611.12377
















