RAD SecurityのAI調査、クラウド信頼性の試練に直面

RAD Securityは、AI調査によってクラウドインシデント分析を迅速化し、行動ベースの検知によってノイズの多いアラートを選別できるという印象的な約束とともにGoogle Newsに登場した。

この基盤となる機能は、2026年8月の新製品発表ではない。RADは2024年8月6日、Black Hat USAの開催中にAI搭載のインシデント調査機能を初めて発表した。AI支援型セキュリティ運用への需要が高まるなか、最近の見出しがこの以前からの主張に改めて注目を集めている。

この区別は重要だ。興味深いのは、また別のセキュリティベンダーがアナリストのワークフローに言語モデルを追加したという点ではない。RADは、孤立したアラートや既知の攻撃シグネチャではなく、実行中のワークロードの挙動から始めることで、AIがより良い調査を生み出すと主張している。

このアプローチは、確立された2つのセキュリティモデルに問いを投げかける。1つは既知の指標を探すシグネチャベースの検知に依存するモデルだ。もう1つは、攻撃が展開される前に設定や脆弱性を発見するクラウドポスチャーを重視するモデルである。

RADは、行動検知、ランタイム証拠、アイデンティティコンテキスト、自動推論を1つの調査に統合しようとしている。その中核的な課題は、この組み合わせが、新規攻撃や不完全なテレメトリーを含む現実の条件下で正確な結論を提供できることを証明することだ。

Google Newsの見出しが実際に意味するもの

Google Newsへの掲載は、独立して検証された技術的マイルストーンの発表ではなく、既存のセキュリティ論を再び注目させるものだ。

この見出しは、RAD SecurityのAI調査戦略に関する報道にさかのぼる。Google Newsは配信レイヤーであり、製品の主張やその検証の発信元ではない。

RADによる最初のインシデント調査機能の発表では、行動検知・対応プラットフォーム向けに構築された機能が説明されていた。同社は、大規模言語モデルを用いてセキュリティ証拠を分析し、チームによるクラウドネイティブなインシデント評価を支援すると述べた。

RADは、Black Hat USA 2024 Startup Spotlightプログラムで4社のファイナリストの1社として競う中で、この機能を発表した。このタイミングにより、クラウド検知、対応、セキュリティ自動化で競争が激しい市場において、発表は注目を集めた。

製品が提案するワークフローは、言語モデルが説明文を書く前から始まる。RADはクラウドネイティブなワークロードを観測し、プラットフォームが正常とみなす挙動のベースラインを作成する。

行動ベースラインとは、ワークロード、アイデンティティ、またはシステムに期待されるアクティビティのプロファイルである。新しいアクティビティは、固定されたシグネチャだけに依存せず、そのプロファイルと比較できる。

RADが不審な挙動を特定すると、調査レイヤーは利用可能なランタイム、アイデンティティ、インフラの証拠を収集する。その後、AIモデルがそのコンテキストを分析し、セキュリティチーム向けの調査結果を作成する。

この設計は、単一のアラートを汎用チャットボットに渡す方法とは異なる。モデルは、周辺プラットフォームによって選別・整理されたセキュリティ証拠を受け取る。

RADは、これによって正当なアクティビティを悪意あるものと誤って特定するアラート、すなわち偽陽性を減らせるとしている。また、既知のシグネチャを待たずに不審な挙動を検知できるとも述べている。

これらの記述は依然としてベンダー側の主張である。発表では、公開評価データセット、エラー分布、独立した再現、既存プラットフォームとの直接比較ベンチマークは示されていない。

この欠けている証拠は、読者がGoogle Newsの見出しをどう解釈すべきかを変える。それは、精度や運用コスト削減について確立された結論ではなく、製品の仮説とベンダーの立場を示すものだ。

最初の発表では、広範な「業界初」の主張も使われていた。競合製品ごとに自動調査、行動検知、AI支援の定義が異なるため、こうした主張の評価は難しい。

生成AIが一般化する前から、複数のセキュリティプラットフォームはアラート、アイデンティティ、資産、脅威インテリジェンスをすでに相関付けていた。より新しい論点は、AIシステムがどれほど推論を行い、どれほどの権限を与えられるかにある。

したがって、有用な読み方では3つの層を分ける。RADには文書化された製品機能、特定の行動ベースアーキテクチャ、そしてより広範な独立検証をなお必要とする性能主張がある。

だからといって、この発表が重要でないわけではない。これは、AI生成のアラート要約から、証拠を収集し、仮説を形成し、対応を推奨するシステムへの重要な転換の中にRADを位置付けるものだ。

ランタイム証拠がAI調査を変える理由

AI調査の信頼性は、取得し、結び付け、人間のレビュアーに示せる証拠の質に左右される。

クラウドセキュリティツールは、多くのソースから情報を受け取る。これにはKubernetesのアクティビティ、クラウド監査記録、ワークロードイベント、アイデンティティ、脆弱性、ネットワーク観測、設定変更などが含まれる。

通常、セキュリティアナリストは、インシデントを再構築するためにそれらのソースを行き来する。どのアイデンティティがアクションを開始したのか、何が変化したのか、何が実行されたのか、そしてその挙動がワークロードの通常の役割に合致するのかを問う。

このプロセスには時間と専門知識が必要だ。また、多くの調査手順には反復的な検索、相関付け、要約が含まれるため、自動化の魅力的な対象でもある。

RADの差別化はランタイムコンテキストから始まる。ランタイムセキュリティは、ワークロードの実際の挙動が見える実行中のソフトウェアを観測する。

ポスチャーデータは、コンテナに脆弱なパッケージや過剰に広い権限があることを示せる。ランタイムデータは、そのコンテナが異例のプロセスを起動したか、想定外の宛先に接続したか、その権限を利用したかを示し得る。

どちらの視点も単独では十分ではない。一度も露出しない脆弱性は注意をそらす緊急性を生む可能性があり、一見正当なアクションでも、そのアイデンティティと行動コンテキストが変われば危険になり得る。

RADは、同社のプラットフォームが想定されるワークロードの挙動を学習し、その逸脱を検知シグナルとして使用すると述べている。ランタイム文書によると、周辺システムはランタイム観測を追加の環境コンテキストと結び付ける。

この証拠により、調査モデルにとって問題をより限定し、関連性の高いものにできる。一般的なコマンドが不審かどうかを問う代わりに、モデルはそのコマンドが特定のワークロードに属するべきものかを検討できる。

これはRADの主張の中で最も強い部分だ。言語モデルは異種情報の整理に有用だが、そもそも収集されなかったテレメトリーを取り戻すことはできない。

また、欠落したアイデンティティ関係や不可視のワークロード遷移を確実に推論することもできない。インターフェースがその証拠を示さなければ、流暢な説明がこうした欠落を覆い隠す可能性がある。

ランタイムに基づく根拠付けは、この問題を軽減できる。重要な結論はすべて、観測可能なイベント、設定記録、脅威インテリジェンスとの一致、または他の検証可能なソースにたどり着けるべきだ。

ただし、この仕組みにはなお難しい疑問がある。学習中に環境がすでに侵害されていれば、ベースラインは悪意ある挙動を取り込む可能性がある。また、開発者がサービスを更新した際に、正当なデプロイ変更を検知することもあり得る。

クラウドネイティブシステムは頻繁に変化する。コンテナは置き換えられ、サービスはスケールし、アイデンティティはローテーションされ、インフラ定義は継続的デリバリーを通じて進化する。

有用なベースラインは、攻撃を正常化せずに適応しなければならない。これはAI推論の問題になる前に、検知エンジニアリングの問題である。

調査の品質は統合範囲にも依存する。あるクラウドアカウントのアイデンティティイベントは、エンドポイント、コードリポジトリ、または外部アイデンティティプロバイダーに関する関連データがなければ、誤解を招く可能性がある。

RADの文書では、クラウド環境およびサードパーティのセキュリティシステムとの統合が説明されている。とはいえ、購入者は、各調査にどのデータソースが参加し、どれが推論の境界外に残るのかを確認する必要がある。

そのため、データリネージは不可欠となる。データリネージは、ある事実がどこで生まれ、調査の中をどのように移動したかを示す。

アナリストは、観測された証拠とモデルによる推論を区別できるべきだ。さらに、モデルがもっともらしい説明で欠落を埋めることを許すのではなく、インターフェースは利用できないデータを明示すべきである。

この基準は、簡潔なインシデント要約を生成することよりも厳しい。調査を洗練された回答ではなく、監査可能な証拠の連鎖に変えるからだ。

Google Newsの注目と競争の激しいAI SOC市場

RADが競っている相手は手作業の分析だけではなく、大規模プラットフォームや専門AI調査ベンダーが採用する運用モデルだ。

市場には現在、クラウドプラットフォーム、エンドポイントセキュリティ企業、SIEMプロバイダー、AIネイティブのスタートアップが含まれる。大半は、アラートトリアージ、証拠収集、調査、対応の何らかの組み合わせを約束している。

GoogleはGeminiモデルをGoogle Security Operationsと接続している。MicrosoftはSecurity Copilotをセキュリティポートフォリオ全体に統合し、Palo Alto NetworksはCortex内でAI支援型運用を拡張している。

Dropzone AI、Radiant Security、Prophet Securityなどの専門ベンダーは、自律的または半自律的な調査により直接的に焦点を当てている。こうしたシステムは、多くの場合、組織の既存セキュリティスタックの上に配置される。

これらの製品はすべて同じアーキテクチャで競っているわけではない。外部で生成されたアラートから始め、裏付けとなる証拠を集め、判定を提供するものもある。

一方で、検知パイプラインのより多くを保有する製品もある。テレメトリーを収集し、行動モデルを構築し、アラートを作成したうえで、同じプラットフォーム内でそのアラートを調査する。

RADは後者のグループにより近い。検知と調査が同じランタイムおよび行動コンテキストを共有するとき、両者は改善すると主張している。

この統合には潜在的な利点がある。検知プラットフォームがすでにワークロードを理解していれば、調査エージェントは緩やかに結び付いたアラートからすべての意味を再構築する必要がない。

同時に、潜在的な弱点も生む。自らの検知を調査するシステムは、アラートを生んだ前提、盲点、分類エラーを引き継ぐ可能性がある。

このため、独立した証拠ソースが重要になる。調査は最初の検知に異議を唱えるべきであり、単にプラットフォームがアラートを生成した理由を説明するだけであってはならない。

大手ベンダーには、もう1つの利点である流通力がある。すでにクラウドプロバイダー、SIEM、またはエンドポイントプラットフォームを使用している組織は、別個のコントロールプレーンを導入せずに組み込みAI機能を有効化できる。

したがってRADは、既存プラットフォームの利便性を上回る価値を示さなければならない。行動検知の精度、Kubernetesへの深い対応、調査の透明性、デプロイメントの柔軟性は、もっともらしい差別化ポイントである。

同社は確立済みのワークフローにも適合しなければならない。セキュリティチームが、検知、チケット管理、ケース管理、対応の各システムを一度にすべて置き換えることはほとんどない。

購入者は、RADが既存のアラートを強化できるか、現在のシステムでケースを作成できるか、証拠を保持できるか、アナリストの最終判断を支援できるかを問うだろう。統合の深さはモデルの品質と同じくらい重要だ。

2025年のCloud Security Allianceベンチマークは、AI支援が調査パフォーマンスを改善し得ることを示す証拠を提供している。この調査では、シミュレーションされたセキュリティシナリオを用いて140人を超える参加者を評価した。

関連する調査では、手作業で業務を行うアナリストと、Dropzone AIを利用するアナリストが比較された。支援を受けたグループでは、速度、精度、一貫性の向上が報告されている。

この結果は、より広いカテゴリーを裏付けるものではあるが、RADのプラットフォームを検証するものではない。Dropzoneはこの調査に参加しており、統制されたベンチマークでは、あらゆる本番環境や敵対的な条件を再現することはできない。

それでもこの調査は有用だ。AIは単に時間を節約するだけだという主張を超え、議論を前進させるからである。誤った却下判断によって攻撃が見逃される可能性があるため、調査の品質は速度と同じく重要である。

また、より慎重な競争の捉え方も強化する。主な競争は、人間のアナリストと自律型マシンの対決ではない可能性が高い。

実際の競争は、人間の判断、自動化された証拠収集、行動検知、制約付きAI推論をどのように組み合わせるかにある。製品ごとに、人間による確認工程をどこに置くかは異なる。

RADの最も強い立ち位置は、アナリストを完全に置き換えることではない。ランタイムの挙動から生成した、より迅速で証拠に裏付けられた調査をアナリストに提供することにある。

このより限定的な約束は、テストしやすく、導入時のリスクも低い。また、自律型セキュリティオペレーションセンターという広範なビジョンに頼るのではなく、パイロットで測定可能な評価基準を生み出す。

真のトレードオフは自動化と検証可能性の間にある

セキュリティチームが、生の証拠からAI生成の結論に至る経路を再現できないなら、分析の高速化に価値は限られる。

生成モデルは、自信に満ちた表現で誤った情報を出力することがある。サイバーセキュリティでは、この失敗が脅威の誤分類、安全でない対応の推奨、あるいは影響を受けた資産から注意をそらすことにつながり得る。

2025年の査読付き研究では、AI駆動型サイバーセキュリティシステム向けのハルシネーション分類法が開発された。この研究は、捏造または誤解を招くモデル出力を、運用上のセキュリティリスクとして扱っている。

モデルをライブテレメトリーにグラウンディングすることで、根拠のない出力を減らせる可能性はあるが、グラウンディングは保証ではない。取得した証拠が不完全であったり、正規化が誤っていたり、古くなっていたり、攻撃者によって汚染されていたりする可能性がある。

またモデルは、正確な2つの事実の間に無効な関連付けを行うことがある。クラウドアカウントをまたいでID、タイムスタンプ、資産が似通って見える場合、これは特に危険である。

したがってセキュリティチームは、最終判断だけでなく、システムが実行したアクション、発行したクエリ、選択した証拠、却下した代替案も確認すべきである。

調査では、不確実性を明示的に示す必要がある。「証拠が見つからない」は「その事象は発生しなかった」になってはならない。データ保持や統合の欠落でも同じ結果が生じ得るからだ。

影響の大きい判断では、人間によるレビューが引き続き重要である。ワークロードの隔離、認証情報の無効化、アカウントのブロック、本番インフラの変更は、正当な業務を中断させる可能性がある。

アクションが可逆的で、対象範囲が限定され、明確な信頼度しきい値によって管理されている場合、自動化はより多くの作業を安全に処理できる。エラーが広範な運用上の被害を生む場合には、より厳格な承認が必要となる。

モデル自体も攻撃対象領域の一部となる。調査システムは、攻撃者が制御するテキストを含むログメッセージ、ファイル内容、チケット、脅威インテリジェンスを処理する場合がある。

プロンプトインジェクションは、悪意あるコンテンツがAIシステムの指示を操作しようとする際に発生する。セキュリティ調査では、そのコンテンツが、まさに分析対象の証拠を通じて到来する可能性がある。

モデルはテレメトリーをデータとして扱い、信頼できる指示としては決して扱ってはならない。ツールアクセスには最小権限の原則を適用し、エージェントには定義済みのタスクに必要な権限だけを与えるべきである。

機密情報も別の制約となる。調査証拠には、認証情報、顧客データ、内部ホスト名、従業員のID、独自のコードパスが含まれる可能性がある。

購入者は、データ保持、モデルプロバイダー、地域別処理、テナント分離、提出した証拠が将来のモデル学習に利用されるかどうかについて、正確な回答を必要とする。

これらのガバナンス上の問題は、検知品質とは切り離せない。広範なアクセスを持つシステムはより良いコンテキストを収集できるが、そのアクセスは侵害や誤ったアクションがもたらす影響も増大させる。

したがってRADのアーキテクチャは、現実的なトレードオフに直面している。より多くのコンテキストは推論を改善し得る一方、より多くの統合と自律性は信頼境界を拡大する。

同社は、透明性のある証拠、スコープを限定した権限、不変の監査記録、人間による承認を通じて、この緊張関係に対処できる。マーケティング上の表現だけでは解決できない。

公開情報は、代表的な顧客環境におけるRADの偽陽性率をまだ明らかにしていない。また、見逃された悪意あるインシデントや、誤ったAIの結論の割合も示していない。

こうした欠落はセキュリティマーケティングでは一般的だが、偽陽性の削減が提案の中心的な要素であるため、ここでは重要である。システムは、微妙な攻撃も抑制するしきい値を用いることで、ノイズを減らせてしまう可能性がある。

本格的な評価では、両面を測定しなければならない。適合率は生成されたアラートのうち真に関連するものがどれだけあるかを問い、再現率はシステムが悪意ある活動をどれだけ正しく検知できるかを問う。

チームは攻撃タイプ別の結果も必要とする。集計スコアは、盗まれた認証情報、環境寄生型の手法、サプライチェーンの悪用、通常の管理作業に似た活動に対する弱い性能を隠しかねない。

説明可能性は、こうした測定の代替にはならない。誤った回答を説得力のある形で説明しても、各段落が技術的に精通しているように聞こえたとしても、その回答は誤ったままである。

ここで独立したベンチマークが、AI SOCカテゴリー全体に圧力をかけるべきである。ベンダーには、再現可能なテスト、明確なデータセット、敵対的シナリオ、公開された人間レビュー要件が必要だ。

新たに登場したSOCBenchプロジェクトは、検知、トリアージ、調査、ハンティング、および関連するセキュリティ業務全体にわたるオープンな評価への需要を反映している。その存在は、比較テストが依然として未成熟であることを浮き彫りにしている。

こうしたベンチマークが広く採用されるまで、顧客は独自の本番関連テストを作成しなければならない。クリーンで既知の攻撃シーケンスを中心に構築されたデモンストレーションよりも、統制されたパイロットの方が多くを教えてくれる。

購入者がRAD Securityの主張を検証する方法

決定的なテストは、RADが洗練された要約の陰に誤りを隠すことなく、顧客の証拠に基づいてより良い判断を生み出せるかどうかである。

有用なパイロットは、文書化されたベースラインから始めるべきである。セキュリティチームには、アラート件数、調査時間、エスカレーション品質、見逃し検知、アナリストの工数に関する現在の測定値が必要だ。

次に組織は、代表性のあるデータセットを構築すべきである。そこには、確認済みの悪意あるインシデント、無害な異常、通常のデプロイ変更、権限更新、曖昧なイベントを含める必要がある。

既知のインシデントは、AI調査を判断するための検証済み記録、すなわちグラウンドトゥルースを提供する。曖昧なケースは、システムが不確実性を責任を持って伝えられるかを明らかにする。

パイロットでは、ベンダーが選んだアラートだけを使用することは避けるべきである。顧客が選んだケースなら、製品がすでに得意とするシナリオに合わせてデモを最適化することが難しくなる。

チームは、行動モデルを文書化された調査結果とは別に評価すべきである。最初の問いは、RADが許容可能なノイズ水準で意味のある活動を特定したかどうかである。

2つ目の問いは、AIが証拠を正しく結び付けたかどうかである。明快なナラティブは弱い検出器を補えず、強力な検知に捏造された説明が与えられてはならない。

各調査は、いくつかの実務的な問いに答えるべきである。判断を裏付ける証拠は何か。どの統合にクエリを実行したか。利用できなかった情報は何か。どのステップが推論されたものか。

アナリストは、手作業で結果を再現することも試みるべきである。再現性は、AIが実際の調査作業を圧縮したのか、それとも完成度が高く見える要約を作っただけなのかを示す。

時間短縮は慎重に測定する必要がある。関連する指標は、モデルがどれだけ速くテキストを生成するかではない。

チームは、アラート作成からアナリストによる検証済み判断までの総時間を測定すべきである。これには、証拠の確認、誤りの修正、ケースのエスカレーション、結果の記録が含まれる。

数秒でレポートを生成するシステムでも、すべての主張に手作業での検証が必要なら、アナリストの作業を遅らせる可能性がある。逆に、数分かかる調査でも、証拠が正確で整理されていれば時間を節約できる。

精度には偽陰性も含めなければならない。パイロットでは、行動ベースラインが低ボリュームの活動、侵害された信頼済みID、通常の管理作業に似たアクションを見逃すかどうかをテストすべきである。

チームは、評価中に環境の変化も導入すべきである。新しいデプロイ、スケーリングイベント、改定された権限により、ベースラインが継続的なノイズを生まずに適応できるかを検証できる。

評価には、不完全なテレメトリーも含めるべきである。セキュリティツールは、コネクターの障害、ログの遅延、保持期間の満了が発生する環境で運用される。

信頼できるAI調査は、欠けている証拠を特定し、信頼度を下げるべきである。不完全な記録から確実性を組み立ててはならない。

プロンプトインジェクションのテストも、パイロットに含めるべきである。チームは、管理されたログフィールドやファイル内に敵対的な指示を配置し、調査エージェントがそれらを無視することを確認できる。

対応権限は最も低いレベルから始めるべきである。自律的な修復よりも、読み取り専用の証拠収集や推奨アクションの方が安全な出発点となる。

システムが一貫した動作を示した後で、アナリストは自動化を拡大できる。それでも影響の大きいアクションには、資産の重要性と調査の信頼度に連動した承認を要求すべきである。

購入者は、法務、コンプライアンス、インシデント対応チームとともに監査可能性を確認すべきである。調査記録は後に、規制当局への届出、顧客通知、保険請求、フォレンジックレビューを裏付ける可能性がある。

その記録には、タイムスタンプ、ソース参照、モデルのアクション、アナリストによる変更、最終承認が必要である。出所情報のない生成ナラティブは、こうした用途には不適切である可能性がある。

組織はまた、RADを理想化された手作業のワークフローではなく、現在のスタックと比較すべきである。既存の自動化によって、すでにアラートがエンリッチされていたり、既知の無害なイベントがクローズされていたりする可能性がある。

公正な比較は、RADがどのような増分価値を加えるかを問う。その価値は、ランタイムの可視性、行動コンテキスト、調査の深さ、コンソール切り替えの削減から生じるかもしれない。

アナリストからのフィードバックも判断の一部であるべきだが、主観的な満足度だけでは不十分である。よりクリーンなインターフェースは、成果を改善せずとも速く感じられることがある。

最も強い結果は、検証済み調査時間の短縮、安定または向上した検知再現率、不必要なエスカレーションの減少、明確な証拠の追跡可能性を組み合わせることだ。4つすべてが重要である。

弱い結果は、高速な要約を示す一方で、出所が不明確だったり、事実修正が繰り返されたり、狭い統合セットに依存したりするものだろう。こうした失敗は、中心的な製品テーゼを損なう。

Google Newsでの露出は、購入者を評価へと導くことができる。基盤となる能力が本番環境にふさわしいかを示せるのは、規律あるパイロットだけである。

Google Newsの注目後に見るべきこと

RADの次の段階は、独立した性能証拠、より深い本番導入、そして自律的な対応に設けられる境界によって決まる。

最初のシグナルは、再現可能なベンチマークである。RADは、調査精度、偽陽性、偽陰性、アナリスト時間を測定する方法論を公開することで、その立場を強化できる。

最も有用なベンチマークには、代表的なクラウドネイティブのシナリオを含め、人間によるレビューがどこで行われたかを開示する必要がある。独立した再現は、顧客の推薦コメントやベンダー設計のデモンストレーションよりも大きな重みを持つ。

RADがその証拠を示せれば、同社の行動分析とAIを組み合わせたアーキテクチャは、アラートを起点とするAIアナリストと比較しやすくなる。示せなければ、市場はパフォーマンスに関する主張を未検証のまま扱い続ける必要がある。

第二のシグナルは、複雑な環境における本番導入の広がりだ。公開される事例では、顧客のテレメトリ、ワークロード構成、調査件数、運用モデルを説明すべきである。

有用な事例であれば、機密性の高いインフラを公開せずに、導入前後のワークフローを報告するだろう。また、AIが不確実だった、あるいは誤っていたインシデントについても記述すべきだ。

この詳細が重要なのは、どの製品にもエッジケースが存在するためだ。ベンダーは、障害をどのように検知・封じ込めし、その後の改善へどう反映するかを示すことで信頼を築く。

第三のシグナルは、対応権限の拡大である。RADの現在の戦略は、調査の自動化から修復の自動化へと自然に向かっている。

この移行はリスクプロファイルを変える。特に、あるアイデンティティが本番サービスを支えている場合、認証情報の失効を推奨することと、実際に実行することは別物だ。

購入者は、きめ細かな承認管理、ロールバック機構、スコープを限定したツール権限、永続的な監査ログに注目すべきである。こうした保護策は、自律性が設計されているのか、それとも単にマーケティングされているだけなのかを明らかにする。

競合他社の動向も追加の文脈をもたらす。大手セキュリティプラットフォームは、AIアシスタントを、エンドポイント、アイデンティティ、クラウド、脅威インテリジェンスに関する膨大なデータストアへ接続できる。

AIネイティブの専門企業は、より迅速に動き、より洗練された調査ワークフローを設計できる。RADには、ランタイム上の優位性を維持しつつ、両グループが提示する統合性とガバナンスへの期待に応える必要がある。

より広いカテゴリーは、証拠に裏付けられたエージェントへと移行している。勝者となるのは、最も自信に満ちた説明を生み出すシステムではない。

適切な証拠を収集し、不確実性を明示し、人間の判断を支援し、許可された行動のみを取るシステムである。RADはこの基準によって評価されるべきだ。

Google Newsの見出しは、RADのアーキテクチャ上の主張を改めて浮かび上がらせるという点で有用だ。ランタイムの挙動は、孤立したアラートには含まれない文脈をAI調査にもたらし得る。

ただし、この見出しを検証結果と取り違えてはならない。公開情報は、RADが何を構築し、同社がそれをどのように説明しているかを示すものの、本番環境における比較精度を証明するものではない。

セキュリティチームは、この新たな注目をより鋭い問いにつなげるべきだ。すべての結論は証拠まで追跡できるか。システムは欠落データを開示するか。アナリストはその判定をどの程度の頻度で覆しているか。

こうした問いは、AIエージェントがTier 1アナリストを置き換えられるかを問うよりも、優れた購買判断につながる。置き換えは、共有された測定基準のない不正確な約束だ。

直近の機会は、より実践的である。AIは文脈を収集し、イベントを結び付け、調査の草案を作成し、人間が判断により多くの時間を費やせるようにできる。

RADのランタイム優先設計は、その成果に至る信頼できる道筋を示している。今後は、クラウドシステムが複雑化し、攻撃者が適応し、証拠が不完全な状況でも、この道筋が機能することを証明できるかにかかっている。

Google Newsを通じてこの動きを追う組織は、次の発表だけに目を向けるべきではない。ベンチマークの詳細を求め、既知のインシデントに対して製品をテストし、どの行動を人間の管理下に残すべきかを判断する必要がある。

もはや問いは、AIがクラウドセキュリティ調査に参入するかどうかではない。すでに参入している。問われるのは、RADがその結論を、運用上の権限を得るに足る正確性、監査可能性、安全性を備えたものにできるかどうかだ。