Tamnoon Amazon Bedrockの修復機能、AIをアラートからクラウド修正へ
Tamnoonは、Amazon Bedrockを活用した同社の修復システムにより、本番インシデントを起こすことなく、顧客の重大なクラウド露出を90日以内に90%以上削減できたと述べている。この主張は、エージェント型AIをチャットボットやチケット要約よりはるかに容赦のない領域へと進めるものだ。同社のクラウド修復オーケストレーターであるTamiは、セキュリティ検出結果を調査し、稼働中のインフラに対するガードレール付きの変更を準備または実行できる。
重要な変化は、設定ミスを検出するための人工知能レイヤーがもう一つ増えたことではない。クラウドネイティブ・アプリケーション保護プラットフォーム、すなわちCNAPPは、すでにワークロード、アイデンティティ、ネットワーク、データにまたがる膨大な検出結果を生成している。Tamnoonが自動化しようとしているのは、検出後に続くより難しい作業、すなわちコンテキストの収集、根本原因の特定、安全性の判断、露出の解消だ。
これは、よく知られたセキュリティ運用モデルに同社を対峙させる。Wiz、CrowdStrike、Palo Alto Networks、Orca Security、SentinelOne、クラウドプロバイダーのツールは問題を特定する。その後、人間のエンジニアが、どの検出結果が重要か、提案された修正が本番環境を壊す可能性がないかを判断する。Tamnoonは、制約付きエージェントなら、その下層にある検出プラットフォームを置き換えることなく、この手作業の隔たりを安全に縮められると賭けている。
Tamnoon Amazon Bedrockの修復機能は解消までの隔たりを標的にする
TamnoonはTamiを、セキュリティ検出結果と検証済みの修正の間に位置する実行レイヤーとして位置付けており、別のアラート生成装置としてではない。
AWSとTamnoonは、10月14日公開の技術解説でこのアーキテクチャを詳述した。TamiはCNAPP製品、クラウド態勢管理ツール、Amazon GuardDuty、AWS Security Hubから検出結果を取り込む。これらの記録を共通の内部形式へ変換してから、資産、所有者、依存関係、露出状況のコンテキストを追加する。
この正規化が重要なのは、検出製品ごとにリスクの表現方法が異なるためだ。公開されたストレージリソース、過剰な権限、露出したサービスは、それぞれ異なるフィールドや重大度ラベルで届く可能性がある。エージェントが検出結果を比較し、関連する問題をグループ化し、修復について推論するには、まず一貫した表現が必要となる。
その後、システムは検出結果に優先順位を付け、共通する根本原因を探す。1つの設定エラーが、複数のリソースにわたる多数の後続アラートを生み出す場合がある。その原因に対処すれば、各アラートを個別に処理するより多くのリスクを解消できる可能性がある。
Tamnoonはこの結果を「修復信頼度インジケーター」と呼ぶ。各検出結果には、SAFE、RISKY、AWAITING DATAの3分類のいずれかが与えられる。このラベルにより、自動化を進められるか、人間がさらに調査しなければならないかが決まる。
これは重大な違いだ。Tamiは不確実な回答を、行動の許可として扱わない。Tamnoonによれば、その安全プロセスでは証拠が不十分な場合、意図的に修復の評価を引き下げる。
同社によると、Tamiは1,400万件以上のクラウドアラートを分析してきた。同社の2026年修復調査では、数百のエンタープライズ環境と10種類のスキャナーにまたがる1,486万件の検出結果を示している。また、検出された問題全体の53%が未解決のままであり、前回調査の41%から増加したとしている。
これらの数値は独立した業界測定ではなく、Tamnoon独自のデータセットに基づくものだ。それでも、製品が狙う対象を説明している。問題はもはや露出を見つけることだけではない。それを運用担当者が安全に実施できる変更へ変換することにある。
Tamnoonによれば、一般的な導入では90日間で重大な露出を最大90%削減できる。また、根本原因クラスタリングにより、最大100倍の効率改善を報告している。顧客全体では、このアプローチによって毎週13,000時間以上のエンジニアリング時間を削減できたとしている。
これらの結果は、ベンダー報告の成果として読むべきだ。AWSの記事はTamnoonの幹部2人との共同執筆であり、運用上の主張について独立した監査人は特定されていない。これらの数値は観測された顧客成果を示すものであり、あらゆるクラウド環境で保証されるベンチマークではない。
それでも、このアーキテクチャはセキュリティ自動化における大きな転換を示している。従来のシステムは一般に、チケットを起票し、コマンドを提案し、あらかじめ定義されたプレイブックを実行していた。Tamiは複数のエージェントを用いて証拠を集め、自動化が適切かを判断し、計画を構築し、生成された修復コードをレビューする。
この進展は中心的な緊張関係を生む。自律性が高まれば露出時間は短縮できるが、追加される一つひとつのアクションは、意図しない本番環境の変更へ至る新たな経路を作る。したがってTamnoonの設計は、制約のない知能よりも、各コンポーネントが実行できる範囲を厳格に制限することに依存している。
4つのエージェントが調査、安全性、計画、コードを分担する
Tamiの中核的な仕組みは職務分離であり、1つのモデルが修復プロセス全体を制御するのではなく、4つのエージェントがそれぞれ異なる仕事を担う。
調査エージェントは、読み取り専用の作業から始める。リソース、修復目標、クラウド固有の検証要件を理解するために必要なコンテキストを収集する。Tamnoonによれば、このエージェントは数百万の顧客環境から得たパターンを活用する。
次に、判定役の大規模言語モデルが収集されたコンテキストをフィルタリングする。このレビューでは、即時のインフラ変更ではなく、構造化された調査計画が作成される。この段階を読み取り専用に保つことで、誤った推論による影響を制限できる。
安全性スコアリングエージェントは、影響を受ける各資産について証拠の連鎖を構築する。自動チェックを、アナリストと調査プロセスの検出結果と組み合わせる。その後、SAFE、RISKY、AWAITING DATAの分類を割り当てる。
SAFEに分類された検出結果だけが、修復エージェントに到達できる。このエージェントは、提案された変更を取り巻く依存関係、順序、条件について推論する。計画されたすべてのステップは、バックアップ、修復、検証の順序に従い、ロールバックのガイダンスが付される。
4番目のエージェントは、承認済みの計画ステップを実行可能なコードへ変換する。生成前に、入力ガードレールが関連性を確認し、プロンプトインジェクションを検査する。その後、別のレビューエージェントが生成された各成果物を承認しなければならない。
この分担はモデルエラーを排除するものではない。ただし、1つの誤った出力が即座に特権的アクションになる可能性を減らす。障害が顧客環境に影響を与えるには、複数の制御を通過しなければならない。
このプロセスでは、リフレクションループも使用される。生成ステップは個別の批評を受け、そのフィードバックにより再生成が開始される場合がある。Tamnoonは、推奨事項を自動化結果、ユーザーフィードバック、過去に修正されたアラートと照合して検証する。
人間の介入も設計の一部として残る。モデルが十分に確信できる結果に到達できない場合、ワークフローはそのケースを運用担当者に送る。したがって、RISKYとAWAITING DATAの検出結果は、不完全な自動化ではなく、制御された拒否を意味する。
この挙動が重要なのは、セキュリティエージェントが曖昧な証拠に遭遇するためだ。リソースは未使用に見えても、頻度の低いプロセスを支えている場合がある。権限は過剰に見えても、緊急時のワークフローに役立っている場合がある。ネットワークルールは、リージョンフェイルオーバーが発生するまで冗長に見えることがある。
安全なシステムは、不確実性と低リスクを区別しなければならない。Tamnoonのアーキテクチャは、信頼度の状態、証拠要件、エスカレーションを通じて、その違いを組み込もうとしている。その最も意味のある出力は、ときに行動しないという文書化された判断かもしれない。
この設計は、セキュリティエンジニアリングにおける従来の職務分離に似ている。変更を提案するエージェントは、その変更を評価する唯一のコンポーネントではない。計画、レビュー、実行は異なる段階に位置し、それぞれに独自の制御がある。
モデルレイヤーはAmazon Bedrockを通じて動作し、Tamnoonは1つのサービスインターフェースでタスクごとに異なるモデルを割り当てられる。より高性能なモデルは複雑な調査を扱える。小規模なモデルは、より少ない運用オーバーヘッドで反復的な検証やレビューを処理できる。
クラウド修復には、精度とレイテンシーの要件が異なる複数のワークロードが含まれるため、モデルの柔軟性は重要だ。単一モデルでは、定型チェックには不要なほど過剰である一方、複雑な依存関係グラフには不十分である可能性がある。Bedrockを使えば、すべての統合を再構築せずにそれらの割り当てを変更できる。
Tamnoonはモデルを日付付きの識別子に固定している。モデル変更は、告知されない挙動の変化ではなく、明示的なインフラ更新になる。この慣行は、モデルプロバイダーが改訂版をリリースした際のテスト、ロールバック、監査可能性を支援できる。
同社はスコアリングと計画においてデコーディング温度をゼロに設定している。この設定は出力の一貫性を高めることを目的とするが、決定論的デコーディングは事実上の正確性を保証しない。同じ入力に対する結果はより予測可能になる一方で、依然として誤った判断を出す可能性がある。
同様のエージェントを検討するエンジニアリングチームにとって、応用可能な教訓はアーキテクチャにある。信頼できる自動化は、追跡可能なコンテキスト、制約された役割、明示的な状態遷移に依存する。検索可能な技術ナレッジベースを維持することも、運用上の判断を支える証拠をチームが保持する助けとなる。
真の競争は自律的な行動と制御された拒否の間にある
Tamnoonにとって最大の課題は、エージェントが定型的な修復を完了するのと同じくらい確実に、危険な作業を拒否できることを証明することだ。
クラウドセキュリティプラットフォームは、可視性の向上に長年を費やしてきた。そのダッシュボードは、脆弱性、過剰な権限、露出したサービス、攻撃経路、機密データを相関付ける。優れた優先順位付けはアナリストが深刻な問題を見つける助けになるが、それだけで問題を取り除くわけではない。
Tamnoonはその検出レイヤーの下流に位置する。Wiz、CrowdStrike、Palo Alto Cortex、Upwind、SentinelOne、Orca、Cyera、GuardDuty、Security Hubは、引き続き信頼できる情報源だ。Tamiはそれらの検出結果を取り込み、修復を完了まで進めようとする。
このため、両者の関係は補完的であると同時に、部分的には競合的でもある。Tamnoonは価値を生み出すためにCNAPPを置き換える必要はない。しかし、修復が成功すれば、顧客の関心はアラート品質から、解消率、証拠、解決までの時間へ移る可能性がある。
クラウドプロバイダーも、このワークフローへ近づいている。AWS Security Hubは現在、共通の根本原因を共有する露出をグループ化する修復計画を説明している。これらの計画には、影響範囲、可逆性、リスク、自動化レベル、人間によるレビュー要件を含められる。
この重なりは、市場が向かう方向を明らかにしている。セキュリティ購入者は、優先順位付けされた検出結果以上のものを求めるようになっている。検出から検証済みの変更まで、防御可能な経路を求めており、その変更が別の問題を生まなかったという証拠も求めている。
Tamnoonの差別化は、スキャナーとクラウドを横断したオーケストレーションにある。同社のプラットフォームは、共通の修復ワークフローを使いながら、AWS、Azure、Google Cloudの顧客環境に接続できる。このクロスプラットフォームの立場は、複数のセキュリティ製品を運用するエンタープライズに訴求する可能性がある。
ただし、最も難しい比較は、Tamnoonと特定のベンダーの間にあるのではない。自律的な行動と制御された拒否の比較である。もっともらしい修正をすべて実行するシステムは、1つの変更が障害を引き起こしたり別の制御を弱めたりするまで、生産的に見えるだろう。
逆に、ほぼすべてをエスカレーションするエージェントは、チケット情報を補強するツールにとどまる。調査時間を短縮できても、運用上のバックログを実質的に解消することにはならない。商業的な価値は、承認基準を緩めずに、どれだけ多くの検出結果を安全な自動化へ到達させられるかに左右される。
Tamnoonは、2025年中に人間主導のモデルから、より大きな自律性を備えたモデルへ移行したとしている。同社によれば、最終的にはプラットフォームがすべての優先順位付けと調査を担うようになった。人間は、修復アクションの検証、例外ケースの解決、新たなパターンに関するシステムのトレーニングを引き続き担当した。
次の段階では、既知かつ再現可能なシナリオにおいて、より少ない介入で実行を増やす。これは、すべての検出結果を自律的に処理すべきという意味ではない。過去に検証済みのパターンに一致する事例をシステムが認識すると同時に、新規の状況を切り分けることを意味する。
この認識の問題は、コマンドを生成することより難しい。クラウド環境は変化し、依存関係も変わる。同じリソースタイプでも、事業上の役割が大きく異なる場合がある。過去の成功は有用な証拠となるが、次の変更がもたらす結果を完全に記述することはできない。
そのためTamnoonには、信頼できる拒否行動が必要になる。AWAITING DATAという判断では、どの証拠が不足しているのかを示すべきだ。RISKYという判断では、どの依存関係または影響範囲が自動化を妨げるのかを説明しなければならない。運用担当者は、こうした結論に異議を唱えられる必要がある。
監査証跡は、単なるコンプライアンス記録ではなく、製品の一部となる。セキュリティチームは、どの証拠がアクションの判断材料となったか、どのモデルバージョンが関与したか、どの承認によって実行が許可されたかを把握する必要がある。システムが却下した変更提案についても、記録が必要である。
この要件は、説明可能性を運用上の課題にする。洗練された自然言語の説明でも、観測されたリソースや決定論的なチェックに結び付けられなければ不十分だ。証拠の連鎖は、影響を受ける環境を理解するエンジニアによるレビューに耐えなければならない。
Tamnoonがその基準を維持できれば、既存の検出への投資をより有用なものにできる。自動化の拡大に伴って拒否の品質が低下すれば、同プラットフォームは別の形でアラート疲れを再現するリスクがある。運用担当者は、かつてスキャナーの検出結果を確認したのと同じくらい慎重に、エージェントの判断をレビューする必要が生じるだろう。
Amazon Bedrockがモデル推論に境界を設ける
TamnoonにとってAmazon Bedrockが重要なのは、単なるテキスト生成ではなく、ガバナンスの効いたモデルアクセスとインフラ制御を必要としているためだ。
Tamnoonは、BedrockのConverseインターフェースを通じてAnthropic Claudeモデルを呼び出している。同社によれば、推論は米国の商用リージョンにある同社のAWS環境内で実行される。Cross-Region inferenceは、キャパシティが変化した場合に、その地理的境界内でリクエストをルーティングできる。
AWSは、Bedrockがプロンプトや補完結果を保存またはログ記録せず、モデルのトレーニングに使用せず、モデルプロバイダーへ配布もしないと説明している。同社のAIセキュリティアーキテクチャでは、保存中および転送中のコンテンツに対するテナント分離と暗号化についても説明している。
この境界が重要なのは、Tamiがアラートペイロード、リソース識別子、設定の詳細、修復コンテキストを処理するためだ。これらの記録からは、防御制御や機密性の高いアーキテクチャが明らかになる可能性がある。これらを管理されていない外部ワークフローに送れば、重大なデータ露出が新たに生じる。
Tamnoonは、リクエストとレスポンスにAmazon Bedrock Guardrailsを適用している。Guardrailsは、機密情報、禁止トピック、有害コンテンツ、プロンプト攻撃をフィルタリングできるポリシー制御だ。プロンプト内の指示だけに依存するのではなく、基盤モデルの周囲で機能する。
プロンプトインジェクションには、特に注意が必要だ。Tamiは外部システムから検出結果を取り込むため、それらのペイロードは信頼できないデータとして扱うべきである。リソース名やアラートフィールドに影響を及ぼせる攻撃者は、エージェントを操作する指示を挿入しようとする可能性がある。
AWSは、脱獄、指示の上書き、機密プロンプトの露出を試みる攻撃向けのプロンプト攻撃フィルターを文書化している。ただし、同文書は重要な制約も指摘している。ツール結果は、このフィルターによって自動的に評価されるわけではない。
この条件は、Guardrailsがプロンプトインジェクションを解決するというあらゆる主張にとって重要である。保護は、信頼できないコンテンツを正しく識別し、タグ付けできるかに依存する。スキャナー出力、取得したコンテキスト、ツール結果、エージェント間メッセージを運ぶすべての経路には、意図的な検証が必要だ。
Tamnoonによれば、Guardrailsはコード生成エージェントが実行される前に入力をスクリーニングする。生成された成果物もレビューのループを通過する。これらの制御は設計を強化するが、その有効性は設定、テスト、新たな攻撃パターンへの継続的な適応に依存する。
より広範なAWSアーキテクチャは、従来型のセキュリティ境界を加える。API Gatewayは外部エントリーポイントを提供し、Certificate Managerは転送の暗号化を処理し、Cognitoは認証を管理する。中核コンポーネントは、複数のAvailability Zoneにまたがるプライベートネットワーク内で稼働する。
Amazon EKSは、ダッシュボードを支える永続的なサービスを運用する。AWS Lambdaは、検出結果の収集、分析、修復ワークフローの実行に関するイベント駆動タスクを実行する。EventBridge、SQS、Step Functionsは、独立してスケールするコンポーネント間の作業を調整する。
キューは障害の封じ込めに役立つ。Tamnoonはサービスごとに、専用の入力キュー、redrive動作、エラーハンドラー、デッドレターキューを割り当てている。CloudWatchアラームはタイムアウトとデッドレターキューの深さを監視し、失敗したレコードを可視化された状態に保つ。
インフラ定義は、バージョン管理されたCloudFormationおよびAWS Serverless Application Modelテンプレートに置かれている。したがって、権限、モデル識別子、ネットワーク配置、アラームはソース管理を通過する。これにより、手動のコンソール変更による設定ドリフトを抑制できる。
最小権限アクセスも不可欠な制御である。各サービスには専用のIAM実行ロールが与えられる。モデルに接続する関数は、指定された推論プロファイルとモデルを呼び出せるが、それらのモデルを管理、トレーニング、エクスポートすることはできない。
AIエージェントが顧客のクラウド認証情報を保持することはない。実行時には、別のブローカーが顧客管理下の信頼関係に基づき、短期間で失効するテナントスコープの認証情報を取得する。実行は、作業を計画したエージェントの外部にある隔離環境で行われる。
この分離は認証情報の露出を制限し、永続的なアクセスを減らす。また、何を変更するかを決定することと、それを変更する権限を持つことの間に境界を設ける。本番システムに対して動作するエージェントでは、このパターンが標準となるべきだ。
テナントコンテキストは各SQSメッセージとともに伝達され、各呼び出しは1つのテナントだけを処理する。サービス間呼び出しでは、アプリケーションごとにスコープが設定されたOAuth2クライアント認証情報を使用する。CloudTrailは、責任を持つ実行ロールの下で推論アクティビティを記録する。
これらのコンポーネントのいずれも、モデルの推論を無謬にするものではない。その目的は、障害の影響を制限し、証拠を保存することにある。Tamnoonのアーキテクチャは、モデルをより大きな制御システム内の不確実なコンポーネントの一つとして扱っている。
ゼロインシデントの主張には独立したストレステストが必要
Tamnoonが報告する結果は注目に値するが、入手可能な証拠だけでは、すべての顧客、露出クラス、自律性レベルでシステムがどのように機能するかは確立されない。
AWSによれば、このアプローチは数百万のワークロードにわたり、本番環境での問題をゼロにした。Tamnoonは別途、数千件の修復においてインシデントがゼロだったと報告している。同社はまた、顧客が重大および高重要度のアラートを66%から92%削減したとしている。
これらの数字は、有望な運用実績を示している。ただし、完全自律実行の分母、変更タイプの分布、人間にエスカレーションされた事例数は明らかにしていない。こうした詳細によって、結果がどこまで広く当てはまるかが決まる。
システムは、単純で可逆的なケースだけを自動化することで、優れた安全記録を維持できる。それでも、特に大量処理では価値を提供できる。しかし、それだけでは、エージェントが複雑なアイデンティティ、ネットワーク、データレイヤーの変更を安全に扱えることの証明にはならない。
「本番環境での問題ゼロ」という表現にも、正確な定義が必要だ。ニアミス、ロールバックされた変更、遅延して発生した障害、後になって発見されたセキュリティ後退を除外している可能性がある。公開資料は、こうしたカテゴリーを評価するのに十分な詳細を提供していない。
根本原因のクラスタリングも、別の測定上の課題をもたらす。関連するアラートを集約することは大幅な効率向上につながり得るが、得られる比率はスキャナーの動作と集計方法に依存する。1つの変更によって解決した100件の検出結果は、100件の独立した修復判断と同じではない。
90日間の露出削減も、開始時の条件に左右される。大規模な既存バックログを抱える顧客は、初期段階で急速な改善を経験する可能性がある。反復的な問題が少ない成熟したプログラムでは、強力なパフォーマンスにもかかわらず、割合で見た変化は小さくなるかもしれない。
Tamnoonは、影響に関する数値が自社調査によるものであることを認めている。したがって購入者は、顧客固有の証拠を求めるべきだ。有用な検証には、各信頼度状態にある検出結果の割合、承認率、ロールバック頻度、変更後の検証失敗が含まれる。
チームは、間接的なプロンプトインジェクションについてもテストすべきである。検出結果には、攻撃者が制御するラベル、メタデータ、リポジトリのコンテンツ、ログが含まれる可能性がある。セキュリティ評価者は、悪意あるテキストが調査エージェントを誘導し直したり、生成される修復に影響を与えたりできないことを確認すべきだ。
認証情報の制御には、独自の評価が必要である。短期間のアクセスは永続性を減らすが、スコープは依然として重要だ。レビュー担当者は、実行ロールが許可するアクション、テナントIDがどのように強制されるか、緊急時の失効が機能するかを確認すべきである。
モデルの更新も別のリスクをもたらす。Tamnoonの固定された識別子は変更をレビュー可能にしており、これはサイレントアップグレードより優れている。それでも、すべてのアップグレードには、過去のエッジケース、拒否判断、敵対的なペイロードに対する回帰テストが必要だ。
人間の監督もボトルネックになり得る。キューが大きいために分析担当者が推奨を自動的に承認するなら、形式的な承認ステップが提供する保護は限られる。インターフェースは、有意義なレビューを支えられるほど明確に証拠を提示すべきである。
Amazon Bedrock Guardrailsは、完全なセキュリティ境界として扱うべきではない。AWSは、プロンプト防御が確率的であり続けるため、多層的な制御を推奨している。そのため、Tamnoonの読み取り専用調査、独立したレビュー、隔離された実行、ロールバック要件は、組み合わせてこそより重要になる。
第三者による評価は、この主張を強化するだろう。独立した測定により、インシデントを定義し、自律的なアクションを分類し、修復品質を経験豊富なエンジニアと比較できる。また、環境の変化後もクローズされた検出結果がクローズされたままであるかを評価できる。
中心的な主張は、普遍的な保証としてではなく、報告された顧客成果としては信頼できる。Tamnoonは、詳細なアーキテクチャと測定可能な結果を公表している。次の課題は、自律性とワークロードの複雑さが増しても、その結果が持続することを示すことだ。
エージェント型修復がスケール可能かを示す3つのシグナル
次の試験は、Tamnoonが拒否の品質、独立した証拠、持続的な修正を維持しながら、自律的な実行を拡大できるかどうかである。
最初のシグナルは、SAFE、RISKY、AWAITING DATAの判断分布である。SAFEの割合が上昇すれば、Tamiがより多くの再現可能なパターンを認識していることを示唆する。この結果は、ロールバック率と変更後のインシデントが低水準にとどまる場合にのみ、主張を強める。
透明性のある安全指標なしにエスカレーション率が低下すれば、信頼は弱まる。購入者には生産性と抑制の両方が必要だ。Tamnoonは、人間が分類を上書きする頻度と、どの露出クラスが自律実行の対象外に残るかを開示すべきである。
第二のシグナルは、是正結果を独立して検証することだ。顧客調査、外部評価、または明確に文書化された手法によって、報告された露出削減を検証できる。最も強い証拠は、自律的な修正と、人間が承認し実行した変更を切り分けるものになる。
その検証には持続性も含めるべきだ。デプロイ後に再発する検出事項は、完全には解決されていなかったことを意味する。測定では、恒久的な根本原因の修正と、一時的な抑制、例外処理、またはスキャナー状態の変更を区別する必要がある。
第三のシグナルは、CNAPPベンダーやクラウドプロバイダーによる競争上の動きだ。Security Hubの是正計画は、AWSが個別の検出事項を超えた取り組みを進めていることをすでに示している。検知ベンダーは、既存プラットフォームに、より高度な計画、実行、検証機能を追加できる。
これらのベンダーがエビデンスに裏付けられた是正を標準化すれば、Tamnoonの市場は拡大する一方で、競争も激しくなる。顧客が単一のスキャナーだけを利用することはほとんどないため、同社のクロスツールの立場は引き続き価値を持ち得る。しかし、統合機能だけでは差別化を守れない。
Tamnoonは、そのエビデンスチェーンが異種混在環境において、より安全な判断を生み出すことを示す必要がある。また、顧客が是正に関する知識を再構築せずにスキャナーを変更できることも証明しなければならない。永続的な運用学習は、モデルへのアクセスよりも防御しやすい強みになり得る。
Amazon Bedrockは、TamiにモデルへのガバナンスされたアクセスとAWSネイティブの制御機能を提供する。ただし、インフラ変更が正しいかどうかを判断するわけではない。その判断は、コンテキストの収集、決定論的なチェック、保守的な分類、承認、検証を通じて形成される。
セキュリティリーダーにとって、目下の問いは実務的だ。どの是正クラスが、ガードレール付きの自動化に十分な反復性、可逆性、観測可能性を備えているのか。こうしたケースが最良の出発点となる。また、権限を拡大する前に必要なエビデンスも生み出す。
Tamnoon Amazon Bedrockの是正機能を評価するチームは、意思決定記録、実行拒否の例、認証情報のスコープ、ロールバックデータを求めるべきだ。一般化されたデモではなく、自組織の検出事項を使ってシステムをテストすべきである。最も重要なのは、自動化の実行後も解消されたままの露出を測定することだ。
エージェント型クラウドセキュリティは、AIが修正方法をどれほど説得力を持って説明できるかで評価されることはない。露出が実際に消失するか、本番環境が健全に保たれるか、そしてすべての判断を監査できるかによって評価される。Tamnoonは、その検証に向けた本格的なアーキテクチャを提示した。次の成果では、自律性の拡大に伴って安全性も拡張し続けることを示さなければならない。
