स्वायत्त AI एजेंटों को स्पष्ट एंटरप्राइज़ पहचान क्यों चाहिए?

अलग पहचान-परत के बिना स्वायत्त AI एजेंटों को कंपनी के डेटा से जोड़ना तुरंत सुरक्षा कमज़ोरियां पैदा करता है और एंटरप्राइज़ ऑडिट ट्रेल तोड़ देता है। जब कोई कृत्रिम बुद्धिमत्ता एजेंट सीधे उपयोगकर्ता के क्रेडेंशियल विरासत में लेता है या किसी अविभेदित सर्विस अकाउंट के तहत काम करता है, तो सुरक्षा टीमें यह स्थापित नहीं कर सकतीं कि डेटाबेस अपडेट, दस्तावेज़ डाउनलोड या संवेदनशील क्वेरी किसी कर्मचारी ने जानबूझकर की या किसी स्वचालित वर्कफ़्लो ने स्वायत्त रूप से।

एजेंटिक सिस्टम के लिए स्पष्ट, सीमित पहचान स्थापित करना अब IT आर्किटेक्टों के लिए सैद्धांतिक अभ्यास नहीं रहा। जैसे-जैसे कंपनियां स्वायत्त एजेंटों को customer relationship management (CRM) सॉफ़्टवेयर, वित्तीय बही-खातों और आंतरिक ज्ञान-भंडारों में जोड़ रही हैं, पहचान प्रबंधन परिचालन नियंत्रण की अग्रिम पंक्ति है।

एजेंटिक AI पारंपरिक एंटरप्राइज़ एक्सेस मॉडल को क्यों तोड़ता है

पारंपरिक एंटरप्राइज़ सॉफ़्टवेयर पहचान और कार्रवाई के सीधे संबंध पर निर्भर करता है: कोई प्रमाणित कर्मचारी कोई काम करता है, या पहले से कॉन्फ़िगर की गई स्क्रिप्ट कोई निश्चित बैच जॉब चलाती है। एजेंटिक सिस्टम इस सीमा को मिटा देते हैं। एजेंट उच्च-स्तरीय निर्देशों की व्याख्या करता है, बीच के चरणों पर तर्क करता है, टूल चुनता है और हर चरण पर मैन्युअल पुष्टि के बिना कई एप्लिकेशन में आगे की कार्रवाइयां शुरू करता है।

जब कंपनियां किसी कार्यकारी के सेशन टोकन या सामान्य API कुंजियों से एजेंटों को एक्सेस देती हैं, तो सिस्टम की घटनाओं के पीछे का असली कर्ता छिप जाता है। यदि कोई एजेंट किसी रणनीतिक मॉडलिंग प्रश्न का उत्तर देने के लिए गोपनीय वेतन स्प्रेडशीट खोलता है, तो सुरक्षा लॉग में केवल यही दिखता है कि कार्यकारी ने वे स्प्रेडशीट खोलीं। यदि सिस्टम अप्रत्याशित व्यवहार करता है या अविश्वसनीय थर्ड-पार्टी सामग्री ग्रहण करता है, तो मूल कारण को अलग करना लगभग असंभव हो जाता है। संगठनात्मक डेटा आर्किटेक्चर का आकलन करने वाली टीमों के लिए, संस्थापक AI वर्कस्पेस में अपना स्वामित्व वाला डेटा कैसे सुरक्षित रखते हैं को समझना इसी पहचान और अनुमति के टकराव को सुलझाने से शुरू होता है।

एजेंट संचालन में ऑडिट और जवाबदेही की खाई

स्वायत्त एजेंटों को व्यापक अनुमतियां सौंपने के परिचालन जोखिमों का विश्लेषण National Institute of Standards and Technology (NIST) ने सीधे किया है। 27 अगस्त 2026 को प्रकाशित Back to the Future: Why Agentic AI Needs a Strong Identity Foundation शीर्षक के विश्लेषण में NIST ने रेखांकित किया कि क्रेडेंशियल साझा करने से जवाबदेही में गंभीर खाइयां बनती हैं और साफ़ शब्दों में कहा कि क्रेडेंशियल साझा करना हर संदर्भ में एक बुरा विचार है।

जब कोई कर्मचारी अपने निजी क्रेडेंशियल किसी स्वायत्त टूल को देता है, तो गवर्नेंस की कई अलग विफलताएं सामने आती हैं:

1. अस्वीकार न कर पाने की क्षमता (non-repudiation) का नुकसान: सिस्टम लॉग मानवीय इरादे और स्वचालित टूल के निष्पादन में अंतर नहीं कर सकते।
2. अनुमतियों का अतिक्रमण: एजेंट काम के लिए आवश्यक न्यूनतम दायरे के बजाय मानव उपयोगकर्ता का पूरा परिवेशी अधिकार विरासत में ले लेते हैं।
3. सुरक्षित ढंग से रद्द न कर पाना: क्रेडेंशियल रद्द करने से मानव उपयोगकर्ता की रोज़ की पहुंच बंद हो जाती है, जबकि रद्द न करने से स्वायत्त कार्य बिना निगरानी के चलते रहते हैं।
4. टूल निष्पादन की शृंखला-प्रतिक्रिया: व्यापक एक्सेस वाला एजेंट द्वितीयक टूल बुला सकता है, जिससे संवेदनशील परिवेश prompt injection जैसी समस्याओं के सामने आ जाते हैं, एक परिचालन जोखिम जिसे AI वर्कस्पेस में अप्रत्यक्ष prompt injection को कैसे रोकें में खंगाला गया है।

एजेंट को ऐसी अलग पहचान मानना जिसे प्रत्यायोजित, सीमित अधिकृति चाहिए, यह सुनिश्चित करता है कि हर API कॉल और दस्तावेज़ क्वेरी को एक स्पष्ट प्रत्यायोजन शृंखला तक वापस खोजा जा सके।

स्थायी मेमोरी और नियामक जोखिम: CIANum और CNIL का मार्गदर्शन

एजेंटिक सिस्टम में डेटा का जोखिम केवल सक्रिय निष्पादन-मार्गों तक सीमित नहीं है। सेशनों में जानकारी रखने से मौजूदा डेटा संरक्षण कानूनों के तहत अनुपालन दायित्व पैदा होते हैं।

Conseil de l'IA et du numérique (CIANum) द्वारा जुलाई 2026 में प्रकाशित और CNIL की वेबसाइट पर उपलब्ध एक नोट ने एजेंटिक सिस्टम और व्यक्तिगत डेटा संरक्षण के संगम का विश्लेषण किया। CIANum के नोट ने रेखांकित किया कि एजेंटिक सिस्टम दो अलग डेटा परतों को जोड़ते हैं: एक परिचालन संदर्भ जो प्रोसेसिंग चक्र के अंत में छोड़ दिया जाता है, और एक स्थायी मेमोरी भंडारण तंत्र जो अलग-अलग सेशनों में जानकारी रखकर समय के साथ उपयोगकर्ताओं की विस्तृत प्रोफ़ाइल बनाता है।

सबसे अहम बात यह कि CIANum के नोट ने ज़ोर दिया कि एजेंटिक कृत्रिम बुद्धिमत्ता पूरी तरह General Data Protection Regulation (GDPR) के अधीन रहती है। सिस्टम की स्थायी मेमोरी को निजता दायित्वों के साथ सुसंगत बनाने के लिए लेखकों ने सिफ़ारिश की:

• स्वचालित सिस्टमों की मेमोरी और निष्पादन परिवेशों को खंडों में बांटना, ताकि एजेंट समर्पित, अलग मेमोरी भंडारों के साथ काम करें।
• टूल और एकीकृत डेटा स्रोतों में सैंडबॉक्सिंग लागू करना।
• स्वचालित वर्कफ़्लो को तुरंत रोकने के लिए आपातकालीन स्टॉप तंत्र बनाए रखना।
• महत्वपूर्ण निर्णयों या स्थायी डेटाबेस लेखन से पहले मानव सत्यापन अनिवार्य करना।

जब AI टूल उपयोगकर्ता नियंत्रणों के बिना तथ्य, बातचीत के अंश या दस्तावेज़ों के उद्धरण स्थायी रूप से रख लेते हैं, तो वे व्यक्तिगत और स्वामित्व वाले डेटा के ऐसे बिना-मानचित्र वाले भंडार बनाने का जोखिम उठाते हैं जो न्यूनतमीकरण और भंडारण-सीमा के बुनियादी सिद्धांतों का उल्लंघन करते हैं।

एजेंट एकीकरण मॉडलों की तुलना

संगठन आमतौर पर बुद्धिमान सहायकों और तर्क-परतों को अपने बिज़नेस वर्कफ़्लो में तैनात करते समय तीन एकीकरण तरीकों में से चुनते हैं।

साझा क्रेडेंशियल मॉडल एक गंभीर परिचालन खतरा है क्योंकि यह स्वचालित गतिविधि को वैध कर्मचारी ऑडिट लॉग के भीतर छिपा देता है। एकल सर्विस अकाउंट मानवीय और मशीनी कार्रवाइयों को अलग करके दृश्यता थोड़ी सुधारते हैं, फिर भी वे कई स्वायत्त प्रक्रियाओं को एक ही विशेषाधिकार प्राप्त अकाउंट में समेट देते हैं, जिससे मूल कारण की जांच कठिन हो जाती है।

तीसरा मॉडल निष्पादन परिवेशों को अलग करता है और मेमोरी भंडारण को विशिष्ट कार्यों तक सीमित रखता है। यह तरीका NIST और CIANum दोनों की सिफ़ारिशों को दर्शाता है, क्योंकि यह स्वचालित सिस्टमों को असंबंधित एंटरप्राइज़ सीमाओं के पार स्थायी, अनियंत्रित एक्सेस रखने से रोकता है।

व्यवहार में संरचनात्मक सीमाएं और नियंत्रित निष्पादन

शुरुआती चरण की कंपनियों और बढ़ती टीमों के लिए, एंटरप्राइज़-स्तर के एक्सेस नियंत्रण को पहले दिन से जटिल पहचान-ब्रोकर सॉफ़्टवेयर की आवश्यकता नहीं होती। इसके लिए ऐसे टूल चुनने होते हैं जो वर्कस्पेस की स्वाभाविक सीमाओं का सम्मान करें, डेटा के स्थायित्व को सीमित रखें और मानव समीक्षा बनाए रखें।

व्यावहारिक कार्यान्वयन वर्कस्पेस डेटा को खंडों में बांटने से शुरू होता है:

• सीमित स्रोत फ़ोल्डर: सहायकों को व्यापक कंपनी ड्राइव के बजाय केवल चुनी हुई विशिष्ट डायरेक्टरी से जोड़ें। Ember Second Brain जैसे टूल में वर्कस्पेस स्रोत उपयोगकर्ता द्वारा परिभाषित फ़ोल्डरों तक सीमित रहते हैं, जिनमें अधिकतम 20 फ़ाइलें होती हैं और हर फ़ाइल 50 MB तक सीमित है, जिससे कोई स्वचालित तर्क-प्रक्रिया असंरचित कंपनी ड्राइव को मनमाने ढंग से इंडेक्स नहीं कर पाती।
• संवेदनशील क्वेरी के लिए अल्पकालिक निष्पादन: गोपनीय कर्मचारी डेटा या अघोषित कॉर्पोरेट कदमों से जुड़ी चर्चाओं में सेशन-केवल मोड का उपयोग यह सुनिश्चित करता है कि कार्य-संदर्भ सेशन बंद होते ही हटा दिया जाए, न कि स्थायी बैकग्राउंड मेमोरी में जुड़े।
• आउटबाउंड कार्रवाइयों पर मानव समीक्षा: स्वचालित एजेंटों को स्वायत्त रूप से संचार भेजने या बही-खाते के समायोजन अंतिम करने की अनुमति न दें। ईमेल का प्रीव्यू कार्ड या बही-खाते के मिलान का ड्राफ़्ट बनाना, जिसे किसी संस्थापक या प्रबंधक को समीक्षा करके भेजना पड़े, मानक ऑडिट ढांचों द्वारा मांगी गई non-repudiation की शृंखला को बनाए रखता है।
• पारदर्शी तर्क मॉड्यूल: ऐसे प्लेटफ़ॉर्म चुनें जो सक्रिय skills और निष्पादन मोड स्पष्ट रूप से दिखाते हों, ताकि क्वेरी चलने से पहले ऑपरेटरों को पता हो कि कौन-से टूल लोड हैं।

एजेंट की पहचान, स्थायी मेमोरी और टूल निष्पादन को एक ही बेरोकटोक एकीकरण के बजाय अलग-अलग आर्किटेक्चर परतों के रूप में मानकर, कंपनियां अपने ऑडिट ट्रेल और कॉर्पोरेट डेटा पर नियंत्रण छोड़े बिना संरचित स्वचालित तर्क का लाभ उठा सकती हैं।