Агентный ИИ может собрать коммерческое предложение из закрытой ценовой системы, внутренней переписки и старых котировок — а затем передать его следующему агенту без единой человеческой проверки. MIT Technology Review предупреждает: происхождение данных становится для компаний не академической функцией хранилища, а базовым условием безопасной автоматизации.
Поводом стал материал, опубликованный 4 ноября 2026 года в разделе Insights MIT Technology Review в партнёрстве с Cyberhaven. Это не редакционное расследование и не описание подтверждённого инцидента, а сценарий риска: продавец просит ИИ-агента подобрать цены для клиента, тот сводит сведения из нескольких источников, а второй агент готовит итоговый документ. Ошибка обнаруживается уже после того, как в предложение попали несогласованные, конфиденциальные и чувствительные сведения.
Самая неприятная часть сценария — не сам факт утечки. Организация не может понять, на каком шаге в цепочку вошла проблемная информация и куда она успела разойтись: в ответы агентов, черновики файлов, резюме переписки и другие системы. Для классической модели защиты это неудобный кейс: у каждого приложения могут быть корректные права доступа, а на выходе всё равно появляется документ, который сотруднику нельзя отправлять клиенту.
Авторы называют это следствием перехода к агентным рабочим процессам. В них данные не лежат спокойно в одной базе и не движутся по заранее описанному маршруту. Они постоянно загружаются, копируются, сокращаются, преобразуются, повторно используются и пересылаются дальше. Агент может не «взломать» систему и не обойти разрешения; ему достаточно легально получить несколько фрагментов контекста и собрать из них результат, который уже нарушает внутренние правила.
Именно поэтому традиционный периметр вокруг сети, endpoint-защиты и контроля отдельных приложений не даёт полной картины. Он отвечает на вопросы «кто открыл систему?» и «какой файл отправили?», но хуже справляется с вопросом «из каких источников возник этот абзац и какие ограничения были у каждого из них?». В агентной среде происхождение данных должно сохраняться не только для исходного документа, но и для его производных: кратких выжимок, ответов модели, таблиц и подготовленных предложений.
Для разработчиков это означает, что интеграцию модели с корпоративными источниками нельзя сводить к выдаче токена и настройке поиска. Нужны журналы вызовов, идентификаторы источников, метки классификации и понятные границы полномочий для каждого шага цепочки. Если один агент получает доступ к закрытой цене лишь для внутреннего анализа, второй не должен автоматически наследовать право вставить её в клиентский PDF. Иначе система контроля доступа превращается в эстафету, где никто не следит за палочкой.
Для бизнеса задача шире технического аудита. Руководителям придётся заранее определить, какие данные агент имеет право читать, преобразовывать, передавать другому агенту и использовать во внешних материалах. Полезны и обязательные точки проверки для операций с высоким риском: коммерческих условий, персональных данных, юридических формулировок, финансовых расчётов. Человеческое согласование здесь не отменяет автоматизацию, а ограничивает её там, где цена ошибки выше сэкономленных минут.
Термин data lineage обычно ассоциировался с BI, качеством данных и расследованием странных цифр в отчёте. В агентных системах его смысл становится заметно практичнее: это возможность восстановить путь конкретного фрагмента информации и проверить, не потерялись ли по дороге запреты на его использование. Без такой карты организация не отличит полезную автономность агента от аккуратно автоматизированной утечки.
Следующий спор в корпоративном ИИ будет не о том, умеет ли агент выполнить задачу без человека, а о том, можно ли доказать безопасность каждого его решения. Чем больше агентов получают право читать и создавать документы, тем важнее становится не скорость ответа, а возможность в любой момент ответить: откуда взялись эти данные и почему им разрешили оказаться именно здесь.
