تناقش مقالة The Harness Is the Hard Part of Agentic Pentesting فكرة محورية في عالم الأمن السيبراني المدعوم بالذكاء الاصطناعي، وهي أن نموذج الذكاء الاصطناعي ليس العنصر الأصعب في اختبار الاختراق الآلي، بل إن التحدي الحقيقي يكمن في بناء “الإطار التشغيلي” الذي يحيط بهذا النموذج ويتحكم في سلوكه. فالذكاء الاصطناعي يستطيع ابتكار الهجمات واختيار المسارات الهجومية، لكن ضمان أن تكون هذه الهجمات آمنة وقابلة للتدقيق ومفيدة للمؤسسة يعتمد على منظومة من الضوابط الهندسية خارج النموذج نفسه.
من الذكاء إلى التنفيذ الآمن
تشير المقالة إلى أن فرق أمن التطبيقات تستطيع اليوم توجيه وكيل ذكاء اصطناعي قائم على نموذج لغوي عام لفحص تطبيقاتها واكتشاف الثغرات. غير أن السماح للنموذج بالتصرف بحرية كاملة يحمل مخاطر كبيرة، لأن النموذج يتخذ آلاف القرارات أثناء عملية الاختبار. ولهذا السبب لا بد من وجود طبقة تحكم حتمية (Deterministic Layer) تتولى مراجعة كل خطوة قبل تنفيذها فعلياً. ووفقاً للرؤية المطروحة، يجب أن يبقى الذكاء الاصطناعي مسؤولاً عن التفكير والاستنتاج، بينما تتولى البرمجيات التقليدية اتخاذ القرار النهائي بشأن ما يسمح بتنفيذه وما يتم منعه.
التحديات الهندسية الرئيسية
تستعرض المقالة عدداً من المشكلات التي تتطلب حلولاً هندسية معقدة عند بناء أنظمة الاختبار الهجومي المدعومة بالذكاء الاصطناعي:
أولاً: التحكم في النطاق (Scope Control)
قد يقرر الوكيل الذكي إرسال طلبات إلى روابط متعددة أو عبور نطاقات مختلفة أثناء الفحص الأمني. وهنا تظهر أهمية وجود آلية تراقب جميع الطلبات الخارجة وتمنع تجاوز حدود المهمة المحددة مسبقاً. وتوصي إرشادات OWASP لعام 2026 بأن تمر الإجراءات الحساسة عبر محرك سياسات مستقل عن النموذج بحيث يتم التحقق منها وقت التنفيذ.
ثانياً: إدارة بيانات الاعتماد
خلال عملية اختبار الاختراق قد يعثر الوكيل على مفاتيح وصول أو بيانات اعتماد حقيقية. لذلك يجب أن تفرض المنصة قواعد واضحة تحدد ما إذا كان يحق للوكيل استخدامها ومتى يجب إشراك العنصر البشري في اتخاذ القرار. فهذه ليست قرارات ينبغي تركها لاجتهاد النموذج وحده.
ثالثاً: هجمات حقن الأوامر في الموجهات (Prompt Injection)
تعتبر المقالة هذه النقطة من أخطر التحديات. فكل صفحة ويب أو استجابة API يقرأها النموذج قد تحتوي على تعليمات خبيثة مخفية ضمن المحتوى أو التعليقات أو البيانات الوصفية. وتشير إرشادات OWASP إلى أن حقن الأوامر في النماذج اللغوية يُعد أعلى المخاطر المرتبطة بهذه الأنظمة حالياً، مع عدم وجود وسيلة موثوقة للقضاء عليه بشكل كامل. ولهذا يجب أن تركز الهندسة الأمنية على الحد من الأضرار المحتملة إذا تعرض النموذج للخداع بدلاً من افتراض إمكانية منع الخداع نهائياً.
رابعاً: إثبات صحة الثغرات
أحد أكبر مشكلات الاختبارات المؤتمتة هو إنتاج بلاغات أمنية لا يمكن للمطورين إعادة إنتاجها أو التحقق منها. وتشير المقالة إلى أن شركة Google أوقفت في أكتوبر 2026 استقبال تقارير الثغرات الخاصة بأحد برامج المكافآت مفتوحة المصدر بعد ارتفاع كبير في البلاغات الآلية غير الصحيحة. ولذلك فإن القيمة الحقيقية لاكتشاف الثغرة لا تتمثل في العثور عليها فقط، بل في توفير دليل عملي قابل للتكرار يثبت وجودها بالفعل.
نموذج Pentera في معالجة المشكلة
تعرض المقالة منصة Pentera Apps بوصفها مثالاً على تطبيق هذا المفهوم. فبدلاً من السماح لنموذج الذكاء الاصطناعي بإرسال الطلبات مباشرة إلى التطبيق المستهدف، يجري الفصل بين مرحلتي التفكير والتنفيذ. يتولى الذكاء الاصطناعي اختيار ما يجب اختباره، بينما يتحكم الإطار التشغيلي في تنفيذ الإجراءات ومراقبتها وتسجيلها وإيقافها عند الحاجة.
كما توضح المقالة أن كل اكتشاف أمني يتم إرفاقه بنص استغلال قابل لإعادة التشغيل، إضافة إلى تصنيف CVSS 3.1 وربطه بمعايير CWE، ما يسمح للمطورين بإعادة تنفيذ الهجوم والتحقق من أثره دون الاعتماد على استنتاجات الذكاء الاصطناعي وحدها. وتؤكد الشركة كذلك أن البيانات المرسلة إلى النماذج اللغوية تمر عبر عمليات إخفاء وتقليل للمعلومات الحساسة مع سياسة عدم الاحتفاظ بالبيانات وعدم استخدامها في تدريب النماذج.
الدرس الأهم للمؤسسات
الرسالة الأساسية للمقالة هي أن نجاح اختبارات الاختراق المعتمدة على الوكلاء الذكيين لا يعتمد على قوة نموذج الذكاء الاصطناعي بقدر اعتماده على جودة الضوابط المحيطة به. فالنموذج يستطيع التفكير واقتراح الهجمات، لكن الإطار التشغيلي هو الذي يحدد ما يُنفذ فعلياً، وما يُسجل، وما يُمنع، وكيف يتم إثبات النتائج والتحقق منها. ولهذا يرى الكاتب أن مستقبل الاختبارات الأمنية المعتمدة على الذكاء الاصطناعي لن يُحسم بالمنافسة بين النماذج، وإنما بقدرة المؤسسات على بناء طبقات رقابة وتنفيذ آمنة وموثوقة حول تلك النماذج.
