Secern AIの防衛プロジェクト、エアギャップ環境でセキュアコーディングを実現

Secern AIは、主要な商用AIコーディングツールの利用を排除する制約、すなわちシステムがインターネットに依存できないという条件下で、24億5,000万ウォン規模の防衛プロジェクトを獲得した。Secern AIの防衛プロジェクトでは、コーディング支援と自動セキュリティチェックを大韓民国空軍の隔離ネットワーク内に導入する。

このプロジェクトは、企業で一般的になったAIの課題を、厳しい運用環境で検証するものだ。開発者はコード生成、レビュー、デバッグの高速化を求める。一方、防衛組織は、機密性の高いソースコード、技術文書、運用上の知識が管理下のインフラから流出しないようにしなければならない。

Secern AIは、オンプレミスAIコーディングプラットフォームであるIntraGenXによって、両方の要求に応えるとしている。このシステムは、300億パラメータの言語モデル、ナレッジグラフに基づく検索、自動化されたソースコードセキュリティ分析を組み合わせる。

この契約は単なる導入発表にとどまらない。クラウドアクセス、外部API、通常のテレメトリーが制限されるインフラ内で、より小規模な国内ベンダーが実用的な生成AIを提供できるかを試すものでもある。

これは同社の主張を厳しい現実に照らして検証することになる。エアギャップは外部へのデータ露出を減らせるが、生成されたコードが正確、安全、あるいは軍事利用に適していることを保証するものではない。このプロジェクトの意義は、こうした制約の下でコーディング機能と検査機能がどれほど効果的に連携するかにかかっている。

Secern AIの防衛プロジェクトが提供するもの

このプロジェクトは、コード生成とセキュリティ検査を別々のクラウドサービスとして扱うのではなく、単一の管理環境内に統合する。

プロジェクトの顧客は大韓民国空軍だ。IITPとして知られる韓国の情報通信企画評価院が、より広範な迅速商用化プログラムを監督している。

Secern AIが実装を主導する。世宗大学の産学協力団とソースコードセキュリティ専門企業のCodeMindが共同実施機関として参加する。

報じられている予算は24億5,000万ウォンだ。入手可能なプロジェクト説明によると、チームは空軍の防衛ネットワーク向けにAIコーディング支援ツールと自動セキュアコード検査エージェントを構築する。

IntraGenXがコーディング層を担う。開発者は自然言語で指示を出し、論理設計、コード作成、レビュー、エラー検出、修正に関する支援を受けられるようになる。

CodeMindは、新たに生成または変更されたコードのセキュリティ上の弱点を見つける技術を提供する。世宗大学は研究、開発、技術検証を支援する。

この役割分担は重要だ。コーディングモデルは変更案を迅速に提示できるが、その変更がセキュア開発要件に違反していないかは、別の検査プロセスで評価する必要がある。

完成するプラットフォームは、両方の処理を同じ制限環境内に留めることを目指している。分析を始める前に、ソースコードを外部モデルプロバイダーへ送る必要はない。

Secern AIは、このシステムが軍の開発ガイドライン、データベース構造、内部文書、既存コード間の関係にも対応するとしている。こうした資料は、汎用のコーディング支援ツールには備わっていない文脈を提供できる。

同社はまず空軍ネットワークで技術を実証する計画だ。その後、陸軍、海軍、国防部、および直属機関での活用可能性を検討したいとしている。

この拡大は現時点での成果には含まれない。空軍への導入が当面の検証であり、より広い防衛分野での採用は将来の事業目標だ。

したがって、このプロジェクトは測定可能な移行点を生み出す。IntraGenXは、ベンダーが管理する製品の説明段階から、特に厳格なセキュリティおよび可用性要件を持つ顧客環境へと移行する。

この契約は、プラットフォームがすでに大規模環境で信頼性を備えていることを示すものではない。Secern AIとパートナー企業に、防衛ネットワークの条件下でこのアプローチを検証する機会が与えられたことを意味する。

エアギャップAIコーディングが従来モデルを変える理由

エアギャップ環境への導入では、クラウドを運用前提から外し、モデル、検索システム、制御機構、評価プロセスをローカルインフラ上に置く必要がある。

現在主流のAIコーディング体験の多くは、リモート推論に依存している。開発者はプロンプトやコードの文脈をサービス提供者が運用するインフラに送信し、提案を受け取るか、エージェント型タスクを実行してもらう。

この設計では、頻繁なモデル更新と大規模なコンピューティングクラスターへのアクセスが可能になる。一方で、防衛機関やその他の規制対象組織にとっては、受け入れがたいデータ取り扱い上の問題を生む可能性もある。

エアギャップとは、保護されたネットワークが外部システムと直接通信できないようにする物理的または論理的な分離を指す。これにより、機密情報が外部に流出する経路を制限する。

このプロジェクトでは、ソースコードと関連データを内部サーバーに留めることが想定されている。モデルは、プロンプト、リポジトリ、生成結果をパブリッククラウドのエンドポイントへ送ることなく動作しなければならない。

このアプローチは露出の一類型を減らすが、複数の運用コストも生じさせる。顧客側はコンピューティング容量を用意し、更新を配布し、モデルのバージョンを管理し、セキュリティ制御をローカルで維持する必要がある。

モデル更新は特に重要になる。クラウド型コーディング支援ツールは、修正や新機能を継続的に受け取れる。隔離環境での導入には、新しい重み、セキュリティルール、依存関係、脆弱性情報を取り込むための承認済みプロセスが必要だ。

取り込むすべてのパッケージも、サプライチェーン上の判断対象になる。管理者はその出所を確認し、完全性を検証し、スキャンし、承認したうえで、保護環境内への移動を記録しなければならない。

ローカル推論はハードウェアの選択肢も制限する。Secern AIは、IntraGenXが300億パラメータの小規模言語モデル、すなわちsLLMを使用すると説明している。この用語は、最大級の汎用システムより小さい位置付けのモデルを示すが、300億パラメータでもなお相当なリソースが必要となる。

モデルサイズはトレードオフを表す。ローカル導入可能なシステムはデータを顧客の管理下に維持できる一方、はるかに大規模なクラウドモデルの方が幅広いコーディング能力を提供する可能性がある。

Secern AIによると、「Loop Harness」は生成された出力を繰り返し評価し、改善する。同社はまた、このシステムを韓国の開発環境向けにファインチューニングしたとしている。

これらの説明は、独立して検証された性能ではなく、意図された仕組みを示すものだ。公開報道では、空軍ネットワーク上でのコードの正確性、セキュリティ検出、推論速度、ハードウェア消費に関するベンチマーク結果は示されていない。

したがって、この導入では、ローカルでの管理が有用性を許容水準未満まで低下させないことを証明する必要がある。応答が遅い、リポジトリの文脈を取り逃す、大幅な修正を必要とする支援ツールは、開発者に利用されなくなる。

同時に、防衛分野の購入者は、提案の採用率だけで成功を評価することはできない。採用されたコードが脆弱性を生んだり、アーキテクチャのルールに違反したりするなら、高い採用率に意味はほとんどない。

重要な比較対象は、単純にローカルAIとクラウドAIではない。顧客がそもそも承認できない可能性のある外部サービスと、管理された開発ワークフローとの比較だ。

隔離ネットワークでは、実務上の代替手段は、従来の検索、レビュー、静的解析ツールを用いた手作業の開発である可能性がある。IntraGenXは、その基準を弱めることなく上回らなければならない。

IntraGenXがコード、ルール、証拠を結び付ける方法

IntraGenXの中心的な技術的主張は、関係性を認識する検索により、ローカルモデルが複雑な内部コードベース全体で作業するために十分な文脈を得られるというものだ。

コーディング支援ツールは、開いているファイルだけを考慮して大規模システムを安全に変更することはできない。依存関係、データベース構造、インターフェース契約、開発ルール、関連文書を理解する必要がある。

Secern AIによると、IntraGenXはナレッジグラフ検索拡張生成を用いる。検索拡張生成、すなわちRAGは、モデルが回答を準備する際に選択された内部情報を提供する。

ナレッジグラフは、エンティティとその関係を表現する。ソフトウェア開発において、こうしたエンティティには関数、サービス、テーブル、文書、API、標準、それらを結ぶ依存関係が含まれる。

報じられている設計では、ソースコード、データベーススキーマ、軍の開発ガイドライン、非構造化文書の関係を分析する。その後、呼び出し、参照、依存関係に基づいて文脈を取得する。

これは基本的なキーワード検索とは異なる。キーワードシステムでは、API名を含むすべての文書を見つけられるかもしれない。関係性を認識するシステムでは、そのAPIを呼び出すコンポーネントや、変更されるデータベーステーブルを示そうとできる。

この文脈は、支援ツールが特定の実装を選択した理由を説明するのに役立つ可能性がある。また、一見もっともらしいものの追跡可能な裏付けを欠く回答へのレビュー担当者の依存を減らすこともできる。

ただし、証拠が正確性を保証するわけではない。検索層は関連する関係を見逃したり、古い文書をインデックス化したり、適用可能なルールより誤ったルールを上位に表示したりする可能性がある。

ナレッジグラフは、リポジトリの変更に合わせて保守する必要がある。新しいサービス、変更されたスキーマ、改名された関数、改訂された軍の標準は、モデルが依存する前にグラフに反映されなければならない。

このプロジェクトには、同期に関する明確な方針が必要となる。古いグラフは、もはや存在しない依存関係に基づく確信度の高い推奨を開発者に与えかねない。

アクセス制御も別の課題となる。すべての資料が同じ物理ネットワーク内にあるからといって、すべての開発者がすべての文書を取得できるべきではない。

このプラットフォームは、検索時にリポジトリの権限、プロジェクト境界、文書の分類を維持しなければならない。そうしなければ、プロンプトを通じて、ユーザーが直接アクセスできない情報が明らかになる可能性がある。

生成された説明にも同様の制御が必要だ。応答が許可されたソースコードと、より制限された文書から取得した詳細を組み合わせ、組織内で間接的な情報開示を生むおそれがある。

こうした問題により、アイデンティティ、認可、監査証跡はコーディング支援ツールそのものの一部となる。これらは別個の管理機能ではない。

モデルは、どのソースが提案に影響したか、どのバージョンが生成したか、人間がどの変更を承認したかを記録すべきだ。レビュー担当者には、重要な結果を再現する手段も必要となる。

NISTの現在のDevSecOpsガイダンスは、AI生成物には人間による検証と検証可能なプロセスが必要だと強調している。また、モデル、変更、注釈を追跡することも求めている。

このガイダンスは空軍プロジェクトに密接に当てはまる。有用な支援ツールは、コードだけを提供するものであってはならない。技術レビュー、セキュリティ分析、後の調査を支える証拠を残す必要がある。

類似のシステムを構築するチームは、同じ原則を自らのエンジニアリング・ナレッジベースにも適用できる。検索の品質は、管理され、最新で、検索可能な技術資料に左右される。

Secern AIにとって、この層が、より小規模なローカルモデルの性能を見かけの規模以上に引き上げられるかを決める可能性がある。より広範な一般知識よりも、優れた組織固有の文脈が重要になる場合がある。

防衛環境への配備によって、この優位性が実際のリポジトリ、不完全なドキュメント、権限の境界、そして継続的なソフトウェア変更の中でも維持されるかが明らかになる。

自動化されたセキュリティはプロジェクトの中核的なトレードオフ

AIコーディングと自動セキュリティ検査の組み合わせは有益な緊張関係を生むが、スキャナーを生成コードの安全性を証明するものとして扱うことはできない。

生成型コーディングシステムは、もっともらしい補完とタスクの達成を最適化する。安全な開発には、設計上の欠陥、安全でない依存関係、不適切な認可、シークレットの取り扱い、悪用可能な実装上の選択を対象とする追加の検証が必要となる。

Secern AIの防衛プロジェクトでは、この課題のセキュリティ面をCodeMindが担う。CodeMindは、同プラットフォームを通じて作成または変更されたコードを検査すると見込まれている。

これにより、生成と検証の間にフィードバック経路が生まれる。アシスタントがコードを提案し、検査エージェントが脆弱性を指摘し、開発者が統合前に結果を確認できる。

このアーキテクチャは、AI支援開発に関する中心的な懸念に対処するものだ。生成速度が向上すれば、レビューが必要なコード量も増え、ボトルネックを解消するのではなく移動させる可能性がある。

自動検査は、疑わしい問題を優先順位付けすることで、その負担を軽減できる。また、チームやプロジェクトをまたいで一貫したルールを適用することも可能だ。

ただし、すべての重要な弱点を検出できるスキャナーはない。静的解析は認識可能なパターンを見つけられる一方で、システムの挙動、運用設定、誤解された要件に依存する欠陥を見逃す可能性がある。

誤検知も別のリスクとなる。ツールが安全なコードを繰り返し警告すれば、開発者はその警告を軽視するようになるかもしれない。報告する問題が少なすぎれば、意思決定者が不当な確信を抱くおそれがある。

AI生成コードは、フィードバックループの問題も生む。コーディングエージェントは、根本的な設計上の弱点を修正しないまま、スキャナーを通過するまで出力を変更する可能性がある。

したがって、プロジェクトでは生成指標とセキュリティ成果を分けて扱うべきだ。生成行数の増加、完了の迅速化、提案の採用率向上は、より安全なソフトウェアを示すものではない。

有用な指標には、テスト合格率、開発者による修正率、確認済みの脆弱性検出件数、誤検知率、統合後に見つかった欠陥などが含まれる。

正確な評価フレームワークはまだ公表されていない。入手可能な報道では、成功基準、ベンチマークリポジトリ、配備スケジュール、受け入れ基準は特定されていない。

この情報不足は重要だ。契約の価値は検証にかかっているためである。Secern AIのCEOであるNam Woon-sungは、この採択について、防衛ネットワーク内でIntraGenXの安全性と技術力を検証する手段だと説明した。

この表現は、すでに完了した証明ではなく、今後得られる証明を示唆している。同社はテスト環境を確保したが、テスト結果に関する公開された証拠は依然として待たれている。

NISTのセキュア開発フレームワークは、有用な外部参照となる。同フレームワークは、セキュアなソフトウェア開発をリリース前の最終スキャンではなく、統合された一連の実践として扱っている。

このフレームワークは、ソフトウェアの保護、安全性の高いリリースの作成、脆弱性への対応、その根本原因への対処を重視する。自動化はこうした実践を支援できるが、ガバナンスに取って代わることはできない。

同じ原則がここにも当てはまる。検査エージェントは、コードレビュー、テスト、依存関係管理、認可制御を強化すべきであり、それらを回避する近道になってはならない。

防衛ソフトウェアは、通常のビジネスアプリケーションにはない任務上の影響を及ぼす可能性もある。機能上のエラーは、可用性、意思決定支援、物流、通信に影響を与え得る。

そのため、人間による監督にはより高い基準が求められる。安全重要または任務重要なコンポーネントに関する推奨は、システムの運用文脈を理解する担当者がレビューする必要がある。

ローカルモデル自体も保護しなければならない。管理者には、その重み、プロンプト、検索インデックス、設定、更新パッケージを管理するための統制が必要だ。

NISTのAIセキュリティ研究は、モデル、ソフトウェア、ハードウェア、学習データ、出力データ全体にわたる機密性、完全性、可用性のリスクを指摘している。

エアギャップが対処できるのは、その攻撃対象領域の一部にすぎない。内部者による不正利用、侵害された更新媒体、汚染された文書、過剰な権限、改ざんされたリポジトリは依然として起こり得る。

このプロジェクトの最も強力な設計選択は、生成と検査を組み合わせた点にある。最大のリスクは、その組み合わせが自動的な安全性という誤った印象を生むことだ。

真の競合相手はクラウド依存

Secern AIは、汎用的な能力であらゆるクラウド型コーディングアシスタントを打ち負かそうとしているのではない。有用な生成AIには外部インフラが必要だという前提に挑んでいる。

この違いが、プロジェクトの商業的な重要性を形作る。空軍は要求の厳しい参照顧客だが、Secern AIは公共機関、金融機関、大企業、防衛請負業者もターゲット市場として挙げている。

こうした組織は、しばしば機密性の高いコードや社内文書を扱う。一部は分離されたネットワークを運用し、外部へのデータ転送に厳格な承認ルールを課している。

ローカルプラットフォームは、彼らに別の配備手段を提供する。社内処理を維持しながら、クラウド型コーディングアシスタントに似た機能を提供できる。

プロジェクト関連の報道によれば、Secern AIは2026年3月にIntraGenXを発表した。空軍との契約は、この若いプラットフォームがデモンストレーションや管理された製品テストを超える機会を与える。

同社は、より広範な戦略をPalantirの韓国版として位置付けている。この比較には慎重さが必要だ。

Palantirは、長期にわたる配備、システム統合、データガバナンス、運用アプリケーションを通じて防衛分野での地位を築いてきた。コーディングアシスタントの契約だけで、Secern AIが同じ規模や成熟度に達するわけではない。

関連する類似点はより限定的だ。いずれのアプローチも、保護された組織データを整理し、統制された環境内でソフトウェアが分析と実行を支援できるようにする。

Secern AIにとって、当面の課題は戦場情報ではなくソフトウェア開発に関わる。同社のナレッジグラフは、コード、スキーマ、ルール、技術文書を結び付けることを目的としている。

韓国の大手テクノロジー企業も、防衛AIと安全な公共部門インフラを推進している。例えばSamsung SDSは、検索ベースの防衛システムや次世代の指揮統制機会について言及している。

従来型のシステムインテグレーターは、調達の経験、実装人員、既存の政府関係を持つ。セキュリティベンダーは、成熟したスキャンおよび監視製品を提供する。

Secern AIの答えは、より統合されたパッケージだ。同社は、ローカルモデル推論、組織コンテキスト、コーディングワークフロー、セキュリティ検査を組み合わせようとしている。

コンポーネントが適切に連携すれば、このパッケージ化は統合作業を短縮できる。一方で、ある単一プラットフォームのインデックス、モデル、オーケストレーション、ガバナンスの選択への依存を高める可能性もある。

購入者は可搬性を評価する必要がある。リポジトリ、ナレッジグラフ、監査記録、セキュリティポリシーを別のモデルやツールチェーンへ移行できるかを問うべきだ。

また、モデルの置き換え可能性も検証すべきである。管理者がすべてのワークフローを再構築せずに基盤モデルを変更できれば、ローカルプラットフォームの持続性は高まる。

公開報道では、IntraGenXが複数モデルや標準インターフェースをサポートするかは示されていない。また、顧客がナレッジ構造をどのようにエクスポートできるかも説明されていない。

ハードウェア要件も未公表だ。300億パラメータのモデルは企業インフラ上で実用的となり得るが、性能は精度、アクセラレーター、コンテキストサイズ、同時実行性、ワークロード設計に左右される。

公開されたレイテンシーや容量の数値がないため、クラウドサービスとの直接比較はできない。配備前としては珍しいことではないが、性能に関する主張の説得力を制限する。

空軍での実装は、欠けている運用上の証拠を提供できる。何人の開発者がシステムを利用するか、どのタスクを委任するか、レビュアーがどの程度の頻度で提案を採用するかを示せる。

また、隔離された環境の保守が管理可能かどうかも示せる。エアギャップが閉じるよう設計されたデータ経路を再び開くことなく、更新と脆弱性フィードを環境へ届けなければならない。

Secern AIがこうした詳細を処理できれば、このプロジェクトは規制対象の購入者にとって信頼できる参照事例となり得る。保守が生産性向上の利益を圧倒すれば、クラウド非依存の魅力は薄れるだろう。

したがって、この競争はローカル制御と運用上の利便性の対立である。Secern AIはローカル制御を主張する機会を得たが、勝者を決めるのは配備結果だ。

次の段階で証明すべきこと

この契約が再現可能な防衛AIモデルとなるか、限定的なデモンストレーションにとどまるかは、3つのシグナルによって決まる。

第1のシグナルは、文書化された技術的検証である。Secern AI、IITP、または空軍は、機密システムを公開することなく、最終的には測定可能な結果を開示すべきだ。

最も有用な結果には、タスク完了、コードレビューでの検出、誤検知、開発者による修正、応答時間、リソース使用量が含まれる。セキュリティ結果では、検出された問題と確認済みの脆弱性を区別すべきである。

Sejong Universityによる独立評価は、信頼性を高める可能性がある。同大学の役割により、Secern AIとCodeMindの外部から技術的な精査を行う可能性が生まれる。

第2のシグナルは、統制された本番利用の証拠である。選定されたリポジトリでのデモンストレーションは、稼働中の開発チーム全体にわたる継続利用とは異なる。

本番利用の証拠には、継続的な利用者、承認済みワークフロー、モデル更新手順、インシデント対応、既存の開発ツールとの統合が含まれる。

このプロジェクトは、人間による承認の仕組みも明らかにすべきだ。レビュアーには、提案を拒否し、その根拠となるコンテキストを確認し、責任を持つモデルバージョンを特定する権限が必要である。

NISTのAI開発プロファイルは、モデル、重み、パイプライン、関連資産を保護すべきソフトウェア環境の一部として扱っている。

このより広い視点は、防衛ネットワーク内で重要になる。生成されたソースコードだけを保護しても、モデルのサプライチェーンと検索システムのガバナンスは不十分なままだ。

第3のシグナルは、後続の配備である。別の軍種、政府機関、金融機関、防衛請負業者による採用は、このアーキテクチャが1社の顧客を超えて展開できることを示す。

後続契約は、エアギャップ環境向けAIコーディングが再現可能な市場を形成するというSecern AIの主張を強める。調達サイクルは長期化し得るため、拡大に失敗しても必ずしも技術的失敗を意味するわけではない。

購入者は、Secern AIがより明確な相互運用性情報を公開するかも注視すべきだ。置き換え可能なモデル、エクスポート可能なグラフ、標準的なセキュリティツールへの対応は、プラットフォームロックインを軽減する。

開発者は、より単純な問いに注目すべきである。アシスタントは検証済みの作業を減らすのか、それとも人間が確認すべき材料を増やすだけなのか。

セキュリティ責任者は、この統合ワークフローが既存のゲートを弱めずに検出能力を改善するかを問うべきだ。調達チームは、長期的なハードウェア、更新、サポートの義務を検討すべきである。

現時点の証拠は慎重な結論を支持している。Secern AIは、名指しされたパートナー、特定された空軍顧客、具体的な配備モデルを伴う24億5,000万ウォン規模のプロジェクトを獲得した。

しかし、その証拠はIntraGenXが運用ネットワーク内でどのように機能するかをまだ示していない。公開ベンチマーク、受け入れ基準、配備結果はいずれも未公表のままである。

その検証上の隔たりこそが、この話の核心だ。この契約は、通常のクラウドツールに頼れない環境でAIコーディングへの需要があることを認めているが、ローカルAIがその需要を満たせるかどうかについては結論を出していない。

今後数カ月は、技術評価の結果、開発者による継続的な利用を示す証拠、そして別の管理ネットワークでの2件目の導入に注目したい。

この3点がすべて確認されれば、Secern AIの防衛プロジェクトは、安全かつローカル運用のコーディング支援に向けた実用的なテンプレートとなるだろう。そうでなければ、この採択は実証済みの調達モデルではなく、興味深い実験にとどまる。