Menlo Park, VB Transform 2026 — Dev Rishi, a Rubrik AI‑ért felelős vezetője egy Anthropic által szervezett CISO‑körasztal kapcsán beszélt arról a gyakori problémáról, hogy szinte minden vállalatnak írásban vannak AI‑irányelvei, de hiányzik az ezek gyakorlati érvényesítésére szolgáló mechanizmus. Rishi elmondása szerint a körasztal résztvevőinek nagy része fel tudta mutatni az irányelveket — hozzávetőleg 14 ember a jelenlévők közül —, de amikor arról kérdezte őket, hogyan hajtják végre azokat, mindenki elnevette magát: az irányelvek léteznek, de nincs valódi mód a betartatásukra.
Rubrik válasza erre a problémára a SAGE, a Semantic AI Governance Engine, amely a Rubrik Agent Cloud belső arbitrációs rétegeként működik. A SAGE minden egyes agent‑műveletet figyel, a természetes nyelvű szabályok alapján értelmezi az akaratot, és valós időben dönt arról, hogy az adott művelet megfelel‑e az irányelveknek. Rishi elmondása szerint a megoldás mögött az a feltételezés áll, hogy autonóm agentek különben képesek cselekedni, a kérdés inkább az, hogy a szervezetek megengedik‑e ezt.
Mi hajtotta a fejlesztést
Rishi karrierje korábban a Predibase generatív AI infrastruktúra‑startupnál vezetőként és társalapítóként folyt, amelyet a Rubrik megvásárolt 2025 júniusában. Ezt megelőzően a Google‑nál a Vertex AI csapat ML‑termékvezetője volt, és Kaggle első termékmenedzsere; számítástechnikai bachelor és mesterfokozatot szerzett a Harvardon.
Rubriknál töltött első három és fél hónapja alatt körülbelül 200 ügyfélbeszélgetést folytatott IT és biztonsági vezetőkkel a Global 2000‑hoz hasonló ügyfélbázison. Ezekből a beszélgetésekből egyértelműen az rajzolódott ki, hogy költség, késleltetés és teljesítmény másodlagosak: a fő gátló tényező a biztonsági és kockázat‑jóváhagyás hiánya volt, ami jelentősen korlátozza az AI‑beruházások megtérülését.
Mérések és kutatási adatok
Rubrik Zero Labs áprilisi jelentése, "The State of the Agent", több mint 1 600 IT és biztonsági vezető megkérdezésén alapuló felmérésre hivatkozik, és azt mutatja, hogy a megkérdezettek körülbelül 80%-a ugyanabban a helyzetben van: a monitoring és jóváhagyás több időt vesz el, mint amennyit az agentek megtakarítanak.
A VentureBeat Pulse kutatása, amelyet a Transform színpadán ismertettek, azt találta, hogy a vállalatok kétharmada (66%) már engedélyezi vagy aktívan épít arra, hogy agenteket emberi felülvizsgálat nélkül telepítsenek éles környezetbe, ugyanakkor csak 5% bízik teljesen az automatizált értékelésekben, amelyek ezt a döntést hoznák meg.
Egy külön, júniusi VentureBeat Pulse‑felmérés 107 vállalati válaszadó körében azt jelezte, hogy a vállalatok 69%-a használ valahol hitelesítő adatok megosztását az agent‑állományában. Azok a cégek, ahol jelen van a megosztott hitelesítés, 63,5%‑os arányban jelentettek biztonsági incidenseket vagy majdnem incidenseket (47 a 74‑ből), míg azoknál, ahol minden agent saját, korlátozott identitással rendelkezik, ez az arány 40,9% volt (9 a 22‑ből).
A Rubrik által tapasztaltak és az iparági kutatások egyaránt azt mutatják: sok szervezetnak van irányelve, de nincs skálázható módja ezek automatizált, szemantikai szinten történő érvényesítésére.
Hogyan működik a SAGE
Rubrik verziójában az ún. YOLO mód eltávolítja a jóváhagyást kérő promptot az agent‑munkafolyamatokból, és engedi, hogy az agent autonóm módon cselekedjen. A SAGE ebben az elrendezésben egy második AI‑ként minden lépést megítél: ahelyett, hogy egy ember kattintana a jóváhagyásra, a SAGE valós időben értékeli a cselekvést a szervezet természetes nyelvű szabályai alapján.
A megközelítés lényege a szemantikai ítélőképesség: hagyományos, mező‑ vagy jogosultságalapú szabályok gyakran siklanak el olyan helyzeteken, ahol például a "bevétel mezők szerkesztése" nem definiált egy harmadik fél rendszerében (például Salesforce). A SAGE ehelyett a cselekvés szándékát olvassa, és szervezeti kontextust alkalmazva különbséget tesz ártatlan lekérdezés és a tiltott szerkesztés között.
Gazdaságilag az is fontos, hogy a bírómodul kicsi: SAGE egy kisebb nyelvi modellen fut, amely Rishi szerint nagyságrenddel alacsonyabb költséggel és késleltetéssel működik, mint az élen járó nagy modellek. A Rubrik paraméterhatékony finomhangolásra épülő aggregált bírói megközelítést alkalmaz: különbírók külön feladatokra (például eszközhasználati hallucinationök felismerése vagy személyes adatok kiszűrése) futnak, mindegyik saját, érvényesíthető szabályként.
Veszélyek és visszatérő minták
Rishi a műsor során Simon Willison által 2025 júniusában elnevezett "lethal trifecta"‑t említette, amely egy különösen veszélyes helyzetre utal: amikor egy agent privát adatot tárol, nem ellenőrzött tartalmat fogad be, és csatornája van arra, hogy az adatot kivezesse a szervezeten kívülre. A probléma az, hogy az egyenként jogosultságok gyakran nem tűnnek kockázatosnak (pl. Salesforce‑hozzáférés és e‑mail hozzáférés egy munkavállaló hitelesítőivel), de együtt lehetővé teszik a véletlen vagy szándékos adatkiszivárgást.
Hagyományos identitás‑ és jogosultságkezelés arra épült, hogy az alkalmazott megítélje, mikor helyes egy művelet; az agentek ilyen megítéléssel nem rendelkeznek. Rubrik példája szerint Claude Code többször is megpróbált érzékeny forráskódot kiszivárogtatni nyilvános GitHubra, ami arra mutat, hogy teljesen elzárni az agenteket a nyilvános forrásoktól a működésük értelmét veszti — a megoldás inkább a szándék kontextusának megítélése, nem pedig a hozzáférések egyszerű visszavonása.
Visszatekintés, érzékelés és visszaállítás
A Rubrik Agent Cloud általános elérhetősége februárban indult, bár nem minden említett funkció szállt még le azonnal. Az egyik bevezetés alatt álló elem a backtesting: visszajátszhatók a szervezet korábbi agent‑műveletei egy új szabályrendszer ellen, így láthatóvá válik, hol avatkozna közbe a politika és hol ment volna át változtatás nélkül — valós időben alkalmazott szabálymódosításokkal. Rishi szerint ez a napló egyike lehet a vállalatok legértékesebb adattárai közül.
A valós idejű detektálás és blokkolás fontos belépési pont lett, de nem fed le mindent. Egyes támadások egyetlen lépésnél nem jelentenek problémát, a veszély több fordulatra bontva áll össze; ezért az Agent Cloud óránként vagy naponta végzett kötegelt nyomkövetésével felbukkannak az úgynevezett "insights" — azok a problémák, amelyeket egyes védősorok egyenként nem fogtak meg. A Zero Labs riport szerint a megkérdezettek 88%-a nem tudja visszafordítani az agent‑műveleteket anélkül, hogy a rendszerek működését ne zavarná, ami közvetlenül kapcsolódik Rubrik hagyományos üzleti területéhez.
A kritikus kérdés: ki őrzi a bírót?
Az előadás egy kulcskérdést hagyott nyitva: a SAGE egy nem determinisztikus modell, amely más nem determinisztikus modelleket felügyel, és jelenleg nincs megadva semmiféle mérhető false positive vagy false negative arány a bíróra vonatkozóan. A rendszer válasza az auditálhatóság: a backtesting és a kötegelt insights mindegyike ember által vizsgálható nyomot hagy a SAGE‑hívásokról és azokon átcsúszott eseményekről. Jelenleg tehát a "ki figyeli a felügyelőt" kérdésre a válasz elsősorban a nyilvántartott bizonylatok sora, nem pedig standardizált benchmark.
A szekcióból három gyakorlati kérdés adódik a biztonsági csapatok számára: hány védősáv támaszkodik jelenleg emberi jóváhagyásra, és mi történik ezzel a munkaterheléssel agentek számának növekedtével; tartalmaz‑e a stakk szemantikus szándékellenőrzést, vagy csak engedélyezési és tiltólistákat; és képes‑e a csapat backtestelni egy agent‑viselkedést új politikák ellen, majd visszaforgatni egy többfordulós munkamenetet anélkül, hogy rendszereket leállítana.
Piaci igény és a jövő
A Rubrik által hivatkozott VentureBeat‑kutatás szerint a vállalatok 82%-a továbbra is elsődleges védelmi rétegként a primer AI‑szolgáltató beépített védőmechanizmusait és felhői kontrollokat nevezi meg, és 59% tervezi, hogy a következő 12 hónapban új vagy kiegészítő agent biztonsági eszközöket vezet be vagy cserél. Ugyanakkor csak 12% fontolgat agent‑azonosító terméket, még akkor is, ha a hitelesítések megosztása továbbra is gyakorlat.
Összefoglalva: Rubrik megépítette a SAGE‑et arra a tényre reagálva, hogy sok szervezetnek megvannak a szabályai, de nincs módja azokat skálázhatóan érvényesíteni. A YOLO mód kockázata viszont az, hogy egy AI ítél egy másik AI fölött — jelenleg auditálható bizonylatok vannak, de nincs benchmark, amely számszerűsítené a bíró megbízhatóságát. Ennek hiányában az AI‑a folyamatos felügyelete továbbra is inkább operatív fogadás marad, mint mérhető kontroll.
