Op woensdag 28 oktober staat tijdens ServiceNow World Forum in de RAI Amsterdam alles in het teken van succesvolle enterprise AI. Als voorproefje delen we in deze blog alvast een invalshoek: wat als we exposure management niet bij het begin, maar bij het einde aanpakken?
Veel organisaties hebben programma’s opgezet waarmee medewerkers AI kunnen gebruiken. Binnen cybersecurity is het gebruik van chatbots in dashboards inmiddels ook gemeengoed. Deze expertise moet zich nu klaarmaken om agentic AI toe te passen.
Autonome agents werken niet alleen zelfstandig, autonomie vraagt ook om andere doelstellingen. Een daadwerkelijk autonoom opererende agent moet als einddoel Shift Zero hebben. Oftewel: de achterstand aan kwetsbaarheden moet volledig zijn weggewerkt zodat blootstelling bij de bron wordt voorkomen.
De laatste uitdaging voor CTEM
Continuous threat exposure management (CTEM) is een raamwerk om bedreigingen en blootstellingen te ontdekken en te verhelpen. Elk securityteam doorloopt dezelfde cyclus: scoping, discovery, prioritering, validatie en mobilisatie. De eerste helft is diagnostisch. Scoping definieert assets en aanvalsoppervlak in relatie tot hun impact op de business en is grotendeels handmatig werk dat leunt op menselijk inzicht. Bij discovery vertrouwden organisaties vroeger op statische overzichten van assets in spreadsheets. Tegenwoordig is scannen een continu, geautomatiseerd proces.
Ook prioritering wordt steeds vaker geautomatiseerd. Lange tijd vertrouwden organisaties op het Common Vulnerability Scoring System (CVSS) om de ernst van een kwetsbaarheid te bepalen. Tegenwoordig kijken prioriteringstools naar drie dingen: is er een exploit in omloop, schermt een andere maatregel de kwetsbaarheid al af en wat is de businessimpact van de getroffen assets? Een ideale toepassing voor machine learning.
De andere helft van het raamwerk is actie. Validatie bevestigt dat blootstellingen echt exploiteerbaar zijn en dat maatregelen aanvallen tegenhouden. Ook dat proces is de afgelopen vijf jaar steeds verder geautomatiseerd. De laatste stap, mobilisatie, biedt de meeste kansen voor automatisering, maar juist daar stopt het vaak. Een ticket gaat van team naar team, loopt vertraging op door change windows, wordt samengevoegd met andere tickets en wordt soms zelfs gesloten zonder dat het ooit is opgelost.
CTEM was bedoeld om orde te scheppen in exposure management, maar handmatige mobilisatie houdt securityteams gevangen in een reactieve cyclus. Shift Zero draait dat om. Je beheert niet langer een almaar groeiend aantal bevindingen, maar bouwt autonome remediation direct in de operationele processen in. Zo ga je van ‘we hebben een probleem gevonden, nu lossen we het op’ naar het volledig wegnemen van het risicovenster. Door remediation te automatiseren kunnen organisaties de keten bij exposure management sluiten.
Mobilisatie mogelijk maken met agentic remediation
Agentic remediation, oftewel autonoom herstel door AI-agents, is geen gok. Het gaat om het oplossen van bekende problemen, niet om het inschatten van onbekende risico’s. Een agent die een bekende patch op een bekende asset toepast, voert een beslissing uit die al is genomen.
We kunnen hierbij kijken naar de supervisory control theory, die beschrijft hoe menselijke operators machines aansturen waarvan ze niet elke handeling zelf kunnen bepalen. Dit gedachtegoed ligt aan de basis van een veelbesproken onderscheid: human in the loop en human on the loop.
Bij human in the loop wachten agents op goedkeuring. Agents verzamelen context, bepalen een oplossing, zetten de wijziging klaar en stoppen dan. Human on the loop houdt in dat de agent handelt en rapporteert. De agent voert zijn taken uit binnen een afgebakende scope en een persoon houdt toezicht op de uitkomsten via dashboards en alerts, in plaats van elke actie afzonderlijk te beoordelen.
Het ligt voor de hand om het werk tussen mens en agent te verdelen aan de hand van de risicoscore die je al hebt. Rankings uit exposure management zijn betrouwbaarder dan CVSS severity scores. Laat resultaten met een hoog risico beoordelen door mensen en laat agents hun werk doen en vertrouwen opbouwen met resultaten die een laag risico hebben.
Security leaders willen een agent liever niet zonder toezicht laten ingrijpen bij de blootstellingen met de grootste impact. Dat is begrijpelijk. Om die zorg weg te nemen, krijgen agents een kleine, vaste set handelingen: goedgekeurde patches toepassen, specifieke instellingen aanpassen, een segment isoleren en voor al het andere een ticket openen. Risicovolle acties zitten er niet bij, de afbakening maakt autonomie veilig.
Vangrails
Daarnaast zijn er nog twee vangrails. Elke actie heeft een rollbackplan nodig, dus een manier om de wijziging terug te draaien. En goedkeuringsroutes moeten vastliggen voordat je ze automatiseert. Want als nu onduidelijk is wie waarvoor verantwoordelijk is, dan wordt dat alleen maar versterkt door de inzet van een agent.
Oefen ook wat er misgaat. Doe een tabletop-oefening waarin een agent de verkeerde server patcht en kijk wie het opmerkt, wie mag ingrijpen en hoelang dat duurt. Op termijn gaat agentic remediation nog verder: netwerken die zichzelf herstellen door hun eigen telemetrie te monitoren, normaal gedrag te modelleren en afwijkingen zelfstandig te isoleren.
CTEM hoort een gesloten lifecycle te zijn. De blootstellingen die je al hebt gevonden, gerangschikt en gevalideerd, wachten alleen nog op een oplossing. Discovery en prioritering blijven nodig, maar remediation is nu de beperkende factor. Begin bij het einde, sluit de cirkel en maak van Shift Zero iets dat in de praktijk werkt.
Hoe pak jij dit aan binnen jouw organisatie? Kom op 28 oktober naar World Forum Amsterdam in de RAI, bouw je eigen AI-agent en praat mee over de stap van ontdekking naar oplossing. Registreer gratis via https://www.servicenow.com/events/world-forum/amsterdam.html.