จากการทดลอง AI สู่การปฏิบัติงานอัตโนมัติ
– คริสตอฟ บริเกต์ ผู้อำนวยการอาวุโสฝ่ายบริหารผลิตภัณฑ์ – AI และการวิเคราะห์ความปลอดภัย บริษัท สเตลลาร์ ไซเบอร์
ซานโฮเซ รัฐแคลิฟอร์เนีย – 28 เมษายน 2026
บางสิ่งบางอย่างเปลี่ยนแปลงไปในช่วงต้นปี 2026 ไม่ใช่การเปลี่ยนแปลงทีละน้อย แต่เหมือนกับการพลิกสวิตช์เลยทีเดียว
เป็นเวลาหลายปีที่เราได้พูดคุยเกี่ยวกับ AI ใน... SOC วิธีที่เราพูดถึงรถยนต์ไร้คนขับ: มักจะบอกว่าอีกห้าปีข้างหน้า และต้องการ "ข้อมูลเพิ่มเติมอีกเล็กน้อย" เสมอ จนกระทั่ง MCP (Model Context Protocol) เกิดขึ้น เฟรมเวิร์กแบบเอเจนต์จึงไม่ใช่แค่การสาธิต แต่เริ่มเป็นเครื่องมือ และทันใดนั้นคำถามก็ไม่ใช่ "AI จะช่วยทีมรักษาความปลอดภัยได้หรือไม่?" แต่เป็น "เราควรปล่อยให้มันทำอะไรก่อน?"
ฉันรู้เพราะฉันเคยใช้งานอยู่
ความก้าวหน้าครั้งสำคัญที่ไม่มีใครคาดคิดมาก่อน
สิ่งที่เปลี่ยนไปคือ: ตัวแทน AI ไม่ได้เป็นเพียงแชทบอทที่เข้าถึง API อีกต่อไป แต่เริ่มเป็นเพื่อนร่วมงานจริงๆ ที่จำเรื่องราวเมื่อวานได้ รู้วิธีใช้เครื่องมือของคุณ และสามารถโทรออกได้ด้วยตัวเอง
MCP ซึ่งเดิมทีสร้างขึ้นโดย Anthropic และปัจจุบันอยู่ภายใต้ Linux Foundation ได้มอบสิ่งที่เราไม่เคยมีมาก่อน นั่นคือวิธีการสากลสำหรับเอเจนต์ AI ในการเชื่อมต่อกับระบบจริง ไม่ใช่ผ่านการผสานรวมที่เปราะบางหรือโค้ดที่กำหนดเอง แต่ผ่านโปรโตคอลมาตรฐานที่ช่วยให้เอเจนต์ AI ใด ๆ สามารถสื่อสารกับเครื่องมือใด ๆ API ใด ๆ และแพลตฟอร์มใด ๆ ก็ได้ ลองนึกภาพว่ามันเหมือนกับ USB สำหรับ AI: เสียบความสามารถใหม่เข้าไป แล้วเอเจนต์ก็ใช้งานได้เลย
At สเตลลาร์ไซเบอร์เราได้เพิ่มการรองรับ MCP ในแพลตฟอร์มของเราแล้ว ขณะนี้เอเจนต์ AI สามารถเชื่อมต่อกับอินสแตนซ์ Stellar Cyber และเข้าถึงการจัดการเคสได้ทันที เช่น การแสดงรายการเคส การดึงรายละเอียดการสืบสวนทั้งหมดพร้อมการแมป MITRE และข้อมูลที่สังเกตได้ การอัปเดตสถานะ และการมอบหมายนักวิเคราะห์ การเรียก API เพียงครั้งเดียวจะให้ผลลัพธ์ที่ก่อนหน้านี้ต้องคลิกแปดครั้งและเปิดสามแท็บ
แต่ MCP เป็นเพียงตัวเชื่อมต่อเท่านั้น ความก้าวหน้าที่แท้จริงอยู่ที่ส่วนที่อยู่เหนือกว่านั้น นั่นคือ AI ที่ทำหน้าที่เสมือนตัวแทน ซึ่งสามารถจดจำบริบท วางแผนขั้นตอนการทำงานหลายขั้นตอน และดำเนินการแทนคุณระหว่างเซสชันต่างๆ
สิ่งที่ฉันได้เรียนรู้จากการใช้งาน AI Agent เป็นเวลาหนึ่งสัปดาห์
- เขียนอีเมลถึงลูกค้าสองฉบับเกี่ยวกับความสามารถของฟีเจอร์ต่างๆ ดึงข้อมูลบริบทจากอีเมลสนทนา 10 ข้อความ อ้างอิงจากฐานความรู้ และได้รายละเอียดทางเทคนิคที่ถูกต้อง
- แจ้งปัญหาใน Jira แล้วครับ กรอกข้อมูลในช่องที่จำเป็นผิดไปสองครั้ง แต่พอเข้าใจวิธีการใช้ API แล้วก็ทำได้สำเร็จในครั้งที่สาม
- นัดหมายการประชุมระหว่างสี่คนโดยตรวจสอบปฏิทินของทุกคน พบว่ามีเวลาว่างหนึ่งวันในเช้าวันพุธ
- ตรวจสอบเอกสารขั้นตอนการทำงานบน Confluence และบอร์ด Figma ที่เกี่ยวข้อง พบช่องโหว่ 5 จุดที่ไม่มีใครสังเกตเห็นมาก่อน
- ดึงข้อมูลเคสกว่า 30,000 เคสจากเซิร์ฟเวอร์ Stellar Cyber MCP ของเราได้ในการโทรครั้งเดียว พร้อมแผนที่ MITRE ครบถ้วน ข้อมูลสังเกตการณ์ และอื่นๆ ครบถ้วน
- ตั้งค่า cron job เพื่อตรวจสอบ Google Form สำหรับการส่งข้อมูลใหม่ สร้างตั๋วอัตโนมัติ และแจ้งเตือนฉันเมื่อมีข้อมูลเข้ามา ไม่ต้องเขียนโค้ด ใช้เวลาประมาณสิบนาที
อีกด้านหนึ่งของสิ่งนี้
ตรงนี้แหละที่เริ่มน่าอึดอัดใจ ทุกสิ่งที่ผมเพิ่งอธิบายไปนั้น ฝ่ายตรงข้ามก็ทำได้เช่นกัน
หากเอเจนต์ AI สามารถเชื่อมต่อกับระบบจัดการตั๋วของคุณ อ่านตั๋วแจ้งปัญหา ตรวจสอบข้อมูลจากฐานความรู้ และเข้าใจช่องโหว่ในการตรวจจับของคุณได้ นั่นก็คือแผนที่เส้นทางฟรีๆ ที่จะช่วยคุณรับมือกับทุกสิ่งที่คุณทำได้ไม่ดีในการป้องกัน ความสามารถของเอเจนต์แบบเดียวกันนี้ที่ทำให้ฝ่ายป้องกันทำงานได้เร็วขึ้น ก็ทำให้ฝ่ายโจมตีทำงานได้อย่างเป็นระบบมากขึ้นเช่นกัน
MCP เป็นเหมือนดาบสองคม CrowdStrike มีการเผยแพร่ผลงานวิจัยเกี่ยวกับการรักษาความปลอดภัยในการใช้งาน AI แบบเอเจนต์เพื่อป้องกันการแทรกโค้ดและการยกระดับสิทธิ์แล้ว พื้นที่การโจมตีไม่ใช่เรื่องสมมติ แต่เป็นจุดเชื่อมต่อเดียวกันกับที่ทำให้เอเจนต์มีประโยชน์
การเปลี่ยนแปลงของสถานการณ์ภัยคุกคามคือ: ความได้เปรียบด้านความเร็วที่ SOC กลยุทธ์การโจมตีแบบกำหนดสคริปต์ล่วงหน้ากำลังหายไป ศัตรูที่มีเครื่องมือแบบเอเจนต์สามารถทำสิ่งต่อไปนี้ได้:
- สำรวจสภาพแวดล้อมของคุณได้เร็วกว่าที่นักวิเคราะห์ของคุณจะคัดกรองการแจ้งเตือนได้ทัน
- สร้างเนื้อหาด้านวิศวกรรมสังคมที่สอดคล้องกับบริบทขององค์กรของคุณ
- ใช้ระบบอัตโนมัติในการตัดสินใจการเคลื่อนย้ายผู้ป่วยไปด้านข้าง เช่นเดียวกับที่เราใช้ระบบอัตโนมัติในการตัดสินใจคัดกรองผู้ป่วย
- ปรับกลยุทธ์แบบเรียลไทม์ตามสิ่งที่ได้ผล
โอกาสในการนำระบบอัตโนมัติมาใช้มีมากมาย
1. การแจ้งเตือนและการคัดกรองเคสด้วยความเร็วของเครื่องจักร
นี่คือตัวอย่างที่เห็นได้ชัด และเป็นจุดที่ระบบ Alert Auto-Triage ของ Stellar Cyber ทำงานอยู่แล้ว เอเจนต์จะทำการตรวจสอบสัญญาณการตัดสินใจ (Verdict Signal Checks) กับทุกกรณีที่สำคัญ ได้แก่ ชื่อเสียงของ IP ความผิดปกติทางพฤติกรรม ความสัมพันธ์ระหว่างเอนทิตี และช่องโหว่ของอุปกรณ์ จากนั้นจะส่งคำตัดสินออกมา ได้แก่ ผลบวกจริง (True Positive) ไม่เป็นอันตราย (Benign) ผลบวกเท็จ (False Positive) หรือไม่สามารถสรุปได้ (Inconclusive)
สิ่งใหม่คือวงจรป้อนกลับ เมื่อนักวิเคราะห์เปลี่ยนแปลงคำตัดสิน การเปลี่ยนแปลงนั้นจะกลายเป็นสัญญาณการฝึกฝน ไม่ใช่ในความหมายคลุมเครือว่า "เราจะฝึกโมเดลใหม่ในสักวันหนึ่ง" แต่ในความหมายว่า "ครั้งต่อไปที่รูปแบบนี้ปรากฏขึ้น ระบบจะพิจารณาการตัดสินใจของคุณ" ระบบขับขี่อัตโนมัติเต็มรูปแบบของ Tesla เรียนรู้จากการเข้าควบคุมโดยมนุษย์ และระบบนี้ก็เช่นกัน
การปลดล็อกศักยภาพของเอเจนต์: ขณะนี้เอเจนต์ที่เชื่อมต่อกับ MCP สามารถดึงรายละเอียดคดี เชื่อมโยงกับข้อมูลข่าวกรองภัยคุกคามภายนอก ตรวจสอบคำตัดสินในอดีตเกี่ยวกับรูปแบบที่คล้ายคลึงกัน และส่งมอบการตัดสินใจในการคัดกรองพร้อมคำอธิบายอย่างครบถ้วน โดยไม่ต้องให้มนุษย์คลิกผ่านแท็บต่างๆ มากมาย
2. ระบบอัตโนมัติสำหรับการรับข้อมูลและการเริ่มต้นใช้งาน
คำขอต่างๆ จะถูกส่งมาทางแบบฟอร์ม ในอดีต จะมีคนอ่านคำขอ สร้างตั๋วติดตาม ตรวจสอบข้อกำหนดเบื้องต้น และส่งอีเมลยืนยัน มีระบบสี่ระบบ การสลับบริบทสามครั้ง และคนหนึ่งคนป้อนข้อมูลด้วยตนเอง
เจ้าหน้าที่จะตรวจสอบแหล่งที่มาของข้อมูลตามกำหนดเวลา เมื่อมีรายการใหม่ปรากฏขึ้น เจ้าหน้าที่จะสร้างตั๋วพร้อมคำอธิบายที่มีโครงสร้างครบถ้วน บันทึกการอ้างอิงกลับไปยังแหล่งที่มา และส่งการแจ้งเตือนพร้อมสรุปข้อมูล โดยไม่ต้องดำเนินการใดๆ ด้วยตนเอง
การปลดล็อกเชิงตัวแทน: รูปแบบนี้สามารถนำไปใช้กับกระบวนการรับข้อมูลใดๆ ก็ได้ ไม่ว่าจะเป็นคำขอทดลองใช้ การสอบถามด้านการปฏิบัติตามกฎระเบียบ การเปิดเผยช่องโหว่ การส่งต่อปัญหาของลูกค้า หรือเวิร์กโฟลว์ใดๆ ที่เกี่ยวข้องกับ “อ่านจากแหล่งข้อมูล A สร้างในระบบ B แจ้งผ่านช่องทาง C” ก็ล้วนเป็นตัวเลือกที่เหมาะสม
3. วงจรป้อนกลับคุณภาพการตรวจจับ
นี่คือสิ่งที่ทำให้ผมตื่นเต้นที่สุด บริษัทผู้จำหน่ายซอฟต์แวร์รักษาความปลอดภัยมักมีงานค้างอยู่มากมายเกี่ยวกับ "การตรวจจับนี้ใช้งานไม่ได้" คำอธิบายมักคลุมเครือ บริบทถูกฝังอยู่ในอีเมลและตั๋วสนับสนุน ผู้ที่คัดกรองต้องมีความรู้เกี่ยวกับผลิตภัณฑ์อย่างลึกซึ้งจึงจะเข้าใจคำถามได้
ตัวแทน AI ที่เข้าถึงระบบออกตั๋ว ระบบฐานความรู้ และแพลตฟอร์มความปลอดภัยของคุณ สามารถอ่านตั๋วแจ้งปัญหา ดึงข้อมูลการแจ้งเตือนจริง เปรียบเทียบกับเอกสาร และสร้างบทสรุปที่ชัดเจนว่า “นี่คือผลลัพธ์ที่ผิดพลาด (false positive) ที่เกิดจากการจับคู่สตริงย่อยในกฎ X ผู้รายงานได้แจ้งวิธีแก้ไขแล้ว นี่คือคำสั่งค้นหาที่แก้ไขแล้ว”
การปลดล็อกด้วยตัวแทน: เชื่อมต่อตัวแทนเข้ากับสภาพแวดล้อมการรายงาน (โดยได้รับอนุญาต) ผ่าน MCP และตัวแทนสามารถตรวจสอบปัญหาที่รายงานกับข้อมูลจริงได้ ไม่ต้องถามซ้ำซากว่า “ช่วยส่งภาพหน้าจอให้หน่อยได้ไหม?” ไม่ต้องเสียเวลาติดต่อกันไปมาสามสัปดาห์อีกต่อไป ตัวแทนจะเห็นสิ่งที่ผู้รายงานเห็น
4. การเชื่อมโยงข้อมูลระหว่างเครื่องมือต่างๆ
หน้าที่ของผู้นำด้านการปฏิบัติการรักษาความปลอดภัยคือการเชื่อมโยงข้อมูลต่างๆ ข้ามระบบเข้าด้วยกัน เช่น อีเมลเกี่ยวกับการทำงานร่วมกับพันธมิตร ตั๋วแจ้งช่องโหว่ในการตรวจจับ หน้าวิกิเกี่ยวกับกระบวนการ บอร์ดออกแบบเกี่ยวกับขั้นตอนการทำงาน และราคาในกระทู้ขาย สิ่งเหล่านี้อยู่กระจัดกระจายในเครื่องมือต่างๆ โดยไม่มีการเชื่อมโยงอัตโนมัติ
ระบบ AI จะจัดการทุกอย่างเหล่านี้ เพียงแค่ถามว่า “สถานะการทดลองของคู่ค้ารายนี้เป็นอย่างไรบ้าง?” ระบบก็จะดึงอีเมลทั้งหมดมาตรวจสอบ ตรวจสอบสถานะการติดตาม อ่านแบบฟอร์มรับข้อมูล และสรุปคำตอบเดียวให้ ไม่ต้องสลับแท็บ ไม่ต้อง “ขอตรวจสอบก่อน”
การปลดล็อกด้วยเอเจนต์: นี่คือจุดเด่นของ MCP ระบบแต่ละระบบเป็นเซิร์ฟเวอร์ MCP เอเจนต์ไม่สนใจว่าข้อมูลจะอยู่ในอีเมล Jira หรือ Stellar Cyber มันใช้โปรโตคอลเดียวกันในการสื่อสารทั้งหมด
5. การติดตามตรวจสอบเชิงรุกโดยไม่ทำให้เกิดความเหนื่อยล้าจากการแจ้งเตือน
แนวทางดั้งเดิมในการตรวจสอบมีอยู่สองทางเลือกคือ “ตรวจสอบทุกอย่างตลอดเวลา” (แพงและยุ่งยาก) หรือ “รอให้มีคนสังเกตเห็น” (ช้าและเสี่ยง) ตัวแทน AI เสนอทางเลือกที่สาม: การตรวจสอบอย่างชาญฉลาดตามกำหนดเวลา พร้อมการตัดสินใจในระดับมนุษย์ว่าสิ่งใดควรแจ้งให้ผู้เกี่ยวข้องทราบต่อไป
โปรแกรมตรวจสอบการสื่อสารของฉันจะตรวจสอบช่องทางการสื่อสารเป็นระยะ แต่ไม่ได้แค่รายงานว่า “คุณมีข้อความที่ยังไม่ได้อ่าน 15 ข้อความ” มันจะจัดหมวดหมู่ตามความเร่งด่วน ระบุรายการที่ต้องดำเนินการ กรองข้อมูลที่ไม่จำเป็น และแจ้งเตือนฉันเฉพาะเมื่อมีสิ่งที่จำเป็นต้องได้รับการแก้ไขจริงๆ เท่านั้น รูปแบบเดียวกันนี้ใช้กับการตรวจสอบความปลอดภัยด้วยเช่นกัน: ตรวจสอบคิวเคส ระบุความผิดปกติในการครอบคลุมการตรวจจับ ตรวจสอบการละเมิด SLA และจะเงียบเมื่อทุกอย่างเป็นปกติ
การปลดล็อกด้วยเอเจนต์: การเรียกใช้เอเจนต์ตามกำหนดเวลาพร้อมการเพิ่มประสิทธิภาพในระดับโมเดล ใช้โมเดลที่เบากว่าสำหรับการตรวจสอบตามปกติ และยกระดับไปยังโมเดลที่มีประสิทธิภาพสูงกว่าเมื่อสถานการณ์ต้องการการตัดสินใจ การทำงานอัตโนมัติที่คำนึงถึงต้นทุน
6. การจัดทำเอกสารและการรวบรวมความรู้
ทีมรักษาความปลอดภัยสร้างองค์ความรู้ภายในองค์กรจำนวนมหาศาลที่ไม่เคยได้รับการบันทึกไว้ นักวิเคราะห์ที่รู้ว่าบันทึกการทำงานของไฟร์วอลล์จากผู้ผลิตรายหนึ่งนั้นแตกต่างไปจากที่คาดไว้ ความรู้นั้นจะอยู่ในหัวของพวกเขาไปจนกว่าพวกเขาจะลาออก
ระบบ AI สามารถบันทึกและจัดโครงสร้างความรู้เหล่านี้ได้แบบเรียลไทม์ การคัดกรองตั๋วทุกครั้ง การปฏิสัมพันธ์ทุกครั้ง และการตัดสินใจทุกครั้ง จะกลายเป็นรายการที่มีโครงสร้างในฐานความรู้ถาวร ระบบจะจดบันทึกประจำวัน อัปเดตหน่วยความจำระยะยาวด้วยข้อมูลเชิงลึกที่กลั่นกรองแล้ว และเปรียบเทียบข้อมูลใหม่กับสิ่งที่ระบบรู้อยู่แล้ว
การปลดล็อกศักยภาพของเอเจนต์: ยิ่งเอเจนต์ทำงานมากเท่าไหร่ ก็ยิ่งมีความรู้มากขึ้นเท่านั้น เอเจนต์ที่คัดกรองตั๋วตรวจจับชุดหนึ่งแล้ว จะเข้าใจถึงลักษณะเฉพาะของบันทึกข้อมูลของผู้จำหน่าย กรณีพิเศษของการบูรณาการ และช่องว่างในการเชื่อมโยงข้อมูลประจำตัว ครั้งต่อไปเมื่อมีตั๋วที่เกี่ยวข้องเข้ามา เอเจนต์จะเริ่มต้นจากฐานนั้น ไม่ใช่จากศูนย์
สิ่งนี้หมายถึงอะไรสำหรับทีมรักษาความปลอดภัย
อุตสาหกรรมด้านความปลอดภัยใช้เวลาตลอดทศวรรษที่ผ่านมาในการสร้างระบบตรวจจับ ทศวรรษต่อไปจะเป็นเรื่องของการตัดสินใจ ใครจะเป็นผู้ตัดสินว่าอะไรคือความจริง? ใครจะเป็นผู้ตัดสินใจว่าจะทำอย่างไรต่อไป? และการตัดสินใจเหล่านั้นจะเกิดขึ้นได้เร็วแค่ไหน?
AI ของ Agent ไม่ได้เข้ามาแทนที่นักวิเคราะห์ แต่ช่วยเพิ่มประสิทธิภาพให้กับนักวิเคราะห์ นักวิเคราะห์คนเดิมที่เคยคัดกรองเคสด้วยตนเองวันละ 20 เคส ตอนนี้สามารถตรวจสอบเคสที่คัดกรองโดย Agent ได้ถึง 200 เคส ทำให้พวกเขาสามารถใช้ความเชี่ยวชาญในส่วนที่สำคัญได้ เช่น เคสที่ซับซ้อน เคสจากการโจมตีรูปแบบใหม่ และการตัดสินใจที่เครื่องจักรยังทำไม่ได้
ผู้ให้บริการที่ยังคงซ่อนตัวอยู่หลัง API แบบปิดและบทสรุป AI แบบครั้งเดียวจบ จะถูกทิ้งไว้ข้างหลัง แพลตฟอร์มที่จะชนะคือแพลตฟอร์มที่เปิด API ของตนผ่านโปรโตคอลต่างๆ เช่น MCP สร้างวงจรการตอบรับที่เรียนรู้จากการตัดสินใจของมนุษย์อย่างแท้จริง และปฏิบัติต่อระบบอัตโนมัติ AI ในฐานะผลิตภัณฑ์ที่มีตัวชี้วัดความแม่นยำ การควบคุมต้นทุน และระบบการกำกับดูแล
เรากำลังสร้างสิ่งนั้นอยู่ที่ Stellar Cyber เซิร์ฟเวอร์ MCP เปิดใช้งานแล้ว ระบบคัดกรองการแจ้งเตือนอัตโนมัติก็เริ่มใช้งานจริงแล้ว และผมก็มีเอเจนต์ AI ที่เพิ่งร่างบทความบล็อกนี้เสร็จด้วย
ก็เกือบทั้งหมดนั่นแหละ
