DevSecOps Digest
Щоденний DevSecOps дайджест

AI-апдейт: continuous authorization, open defense і enterprise absorption gap

ai · 2026-07-28

1. Що мало значення в AI за останню добу

  • EU AI Act отримав практичне спрощення, але не відкат. AI Omnibus набув чинності 27 липня: більше sandbox-доступу, довші строки для high-risk систем, менше адміністративного шуму для small mid-caps, але збережені заборони на шкідливі сценарії та розширений нагляд AI Office (European Commission).
  • Agent security зсувається до continuous authorization. Google описав Beyond Zero: рішення про доступ мають прийматися на рівні конкретної дії з конкретним ресурсом, включно з API та MCP, а не через широкі дозволи на застосунок (Google Security Blog).
  • Open defense стає відповіддю на agent-risk. NVIDIA та партнери запускають Open Secure AI Alliance: фокус не на “відкриті чи закриті моделі”, а на відкриті harnesses, evals, logs, identity, permissions і defensive tooling для AI-era security (NVIDIA).
  • Enterprise AI впирається не в модель, а в впровадження. Anthropic і Cognizant масштабують Claude через engineering platforms, certified workforce і domain-specific delivery; показові цифри — 30k+ навчених спеціалістів і production кейси в contract intelligence та underwriting (Anthropic).
  • AI заходить у приватні соціальні канали. Meta AI з’являється в Threads DMs глобально; корисність очевидна, але privacy/control питання теж: приватні запити, public-feed presence і обмежені opt-out механіки не можна змішувати без чітких меж (TNW).

2. На що звернути увагу

  • Compliance window не дорівнює безпечному вікну. Якщо AI Act дає більше часу, це шанс прибрати хаос із inventory, risk class і доказами контролів, а не причина відкласти роботу.
  • Zero Trust для агентів має бути action-level. “Агент має доступ до Jira/GitHub/Slack” — занадто широкий дозвіл; перевіряти треба кожну дію, ресурс, контекст і наслідок.
  • Open AI security буде сильним тільки з операційною дисципліною. Відкриті моделі без eval harness, policy gateway, журналів і disclosure-процесу — не defense, а ще один некерований компонент.
  • Соціальні AI-асистенти стають data-ingestion поверхнею. Для команд це означає нові правила: що можна вставляти в DM-асистента, які дані не йдуть у consumer AI, де потрібен enterprise boundary.

3. Практичні best practices

  • Зробіть AI inventory з полями: owner, use case, risk class, data classes, model/vendor, tools, retention, human approval, rollback.
  • Для агентів вводьте per-action authorization: read, summarize, create draft, open PR, merge, send, delete — різні дозволи й різні approval gates.
  • Логуйте не тільки prompt/response, а tool intent → policy decision → action result → affected object.
  • Для open-weight або self-hosted моделей тримайте окремо: provenance, eval results, allowed tasks, network boundary, abuse monitoring, patch cadence.
  • Забороніть sensitive data в consumer AI DMs за замовчуванням; дайте людям approved enterprise alternative, інакше shadow AI переможе політики.

4. Ідеї для ефективного реального використання

  • Провести 2-годинний AI control mapping: які AI сценарії вже є, які дані бачать, які дії можуть виконувати, де немає owner-а.
  • Побудувати agent approval matrix: низькоризикові дії йдуть автоматично, зміни в prod/secrets/customer data — тільки через explicit approval.
  • Додати MCP/tool gateway перед усіма risky tools: агент просить дію, gateway перевіряє policy, scope, ресурс і audit metadata.
  • Ввести AI deployment brief для кожного нового use case: value, failure mode, data exposure, rollback, observability, owner.
  • Для social/consumer AI створити коротку internal rule: “можна/не можна вставляти”, приклади поганих запитів, approved альтернативи.

5. 10 практичних OpenClaw use-cases

  1. AI Act inventory builder. OpenClaw сканує repo/docs/tickets і збирає таблицю AI-сценаріїв з owner, risk class, data class, vendor і missing controls.
  2. Per-action policy gateway. OpenClaw дозволяє агенту читати PR, але вимагає окремий approval для merge, release, секретів або зовнішньої відправки.
  3. MCP exposure diff. Щодня порівнює declared tool scopes із фактичними tool calls і позначає надмірні дозволи.
  4. AI DM data guard. Локальний агент перевіряє текст перед вставкою в consumer AI: PII, secrets, customer data, internal strategy, credentials.
  5. Open-model eval lane. OpenClaw запускає однаковий eval pack для self-hosted і vendor моделей: leakage, prompt injection, code safety, refusal quality.
  6. Agent incident replay. Після помилки OpenClaw будує короткий timeline: prompt, retrieved sources, tool decisions, changed files, affected systems, rollback.
  7. Procurement control checklist. Для AI vendor-а агент генерує 15 питань про logging, retention, sub-processors, model training, tenant isolation і export.
  8. Shadow AI detector. OpenClaw шукає в docs/browser exports/expenses згадки неузгоджених AI tools і готує remediation список без звинувачень.
  9. Approval fatigue reducer. Агент аналізує approvals за тиждень і пропонує, які low-risk дії можна автоматизувати, а які gates залишити жорсткими.
  10. AI operating manual maintainer. OpenClaw оновлює короткий AI-RUNBOOK.md: allowed tools, forbidden data, escalation, audit location, rollback commands.