マルチモデルAIのセキュリティ戦略：今すぐ実行すべき2つのステップ

Lee Ennisデータサイエンス担当シニアマネージャー | F5

今年、業界ではAIセキュリティに関する議論が活発化していますが、最も安全な進路を見極めるのは容易ではありません。より強力なモデルが次々と登場し、AIエージェントによるトラフィックが急増する一方、シャドーAIが台頭し、フロンティアモデルが悪意ある者の手に渡る脅威も高まっています。こうした状況は、日々の運用と長期的なロードマップの双方に重くのしかかっています。

複数のAIモデルを導入する際、リーダーはリソース配分についても戦略的に考える必要があります。日常のちょっとした用事にPorsche 911 Turboを使わないのと同様に、単純なタスクに最も高価で多くのコンピューティングリソースを消費するモデルを使用すべきではありません。AIの効率を最大限に高めることは極めて重要ですが、日々押し寄せる大量の情報から一歩引き、より広い視野を持つことは依然として容易ではありません。

もちろん、だからといってAIの導入が減速しているわけではありません。第12回年次調査では、世界のIT意思決定者を対象に、AIアプリがすでに本番システムや運用ワークフローにどれほど深く組み込まれているかを明らかにしています。年間売上高が10億米ドル以上の企業では、AI対応アプリの割合が平均55%に達し、わずか数年で半数を超えました。また、組織の78%が、少なくとも一部の推論処理を自ら管理しています。

「準備ができていなくても進む」は安全ではない

残念ながら、データからは、多くの組織が準備を整えないまま先走っていることも示唆されています。AIの導入が可視化を上回るペースで進んでいることは、ほぼ間違いありません。調査回答者の3分の1以上（35%）が、AIワークロードに必要なガバナンス、オブザーバビリティ、セキュリティを提供できる状態に自社のインフラストラクチャが整っていないと認めています。また、適切なヘッドライトもないまま、制御できているという誤った感覚で霧の中を突き進んでいる組織も少なくないと考えられます。

幸い、AIの活用を安全に成功へと導くために、今すぐ実行できる重要な対策がいくつかあります。

ステップ1：マルチモデルAIの主導権を握る

最初のステップは、マルチモデルのデプロイを適切に管理することです。平均的な組織では、本番環境または実運用を想定した評価で7つの異なるモデルやモデルファミリーを使用しており、多くのF5のお客さまを含む大規模企業では、通常さらに多くのモデルを使用しています。組織の52%がモデルのチェーン化やオーケストレーションを行っている一方、半数近くは、モデル間の連携が不十分でセキュリティに一貫性がない状態のまま、複数のモデルを運用しています。

AIモデルがさらに増える前に、モデルと推論サービスのインベントリを作成してください。これらを、セキュリティの確保と最適化が必要な新たなインフラストラクチャ層として扱います。

• 重複を特定：重複する機能を見つけ、互換性の問題を早期に解決します。
• コスト要因を分析：コンピューティング予算の使途を正確に把握します。
• セキュリティリスクを評価：特定のモデルやワークロードに固有の脆弱性を特定します。
• タスクに適したモデルを割り当てる： ビジネスの成長に役立つタスクはAIモデルに実行させ、より日常的なニーズには、その価値に見合ったコストの汎用的なサービスを活用します。

モデルレジストリなどのツールは、依存関係を明確にし、モデルの切り替えやフェイルオーバーをシームレスに行うためのオーケストレーションフレームワークを実現するのに役立ちます。包括的なインベントリを整備することで、効率的なルーティングとレジリエンスを確保し、一貫したセキュリティを提供するとともに、コスト、複雑さ、セキュリティ上の問題を招くことなく、容易に拡張できるようになります。

ステップ2：AIトラフィックの急増に対応する

インベントリを整備することで、次の大きな課題であるAIエージェントの急増にも備えられます。自動化されたトラフィックとAI駆動型トラフィックは、すでにインターネットトラフィックの半分以上を占めています。組織の3分の2がさらなる自動化を推進するためにAIを活用しており、Web上のエージェント数は指数関数的に増加しています。実際、組織の77%は、エージェントのアイデンティティとアクセス制御が運用上およびセキュリティ上の課題をもたらすとすでに予想しています。

こうした懸念はもっともです。マシンIDのアクセス管理は、セキュリティ管理者の処理能力をたちまち圧迫し、認証情報の窃取、権限の悪用、なりすましといった重大なリスクをもたらす可能性があります。

非人間アイデンティティに対する厳格なガバナンスポリシーを策定し、重大な事態を未然に防ぎます。効果的なアプローチとしては、アイデンティティ対応ロードバランサーを介したトラフィックのルーティングや、自律型AIのアクションを元に戻せるパフォーマンス最適化に限定するガードレールの実装などがあります。非決定的なアクションの保護は容易ではありませんが、先日発表したF5 AI Security Platformのようなプラットフォームセキュリティソリューションを活用すれば、推測に頼る必要がなくなります。

ガバナンスを確立する際は、エージェントサービスの利用に関する経済モデルを必ず組み込んでください。収益モデルは依然として流動的であり、従来のユーザー単位の料金体系が、近い将来、タスク単位またはインタラクション単位の料金体系に置き換わる可能性があります。シートベルトやロールバーがオフロード走行の安全性を高めるように、こうしたガバナンス上の課題に今から対処しておけば、将来のワークフローを妨げることなく、予測不能なエージェントトラフィックに備えられます。

これらは、エージェント型AIが爆発的に拡大する中で、マルチモデルAIの可視性とサイバーセキュリティを向上させるために、組織が検討すべき対策の一例にすぎません。詳しくは、最新のレポート「2026年のAI推論環境の現状：アプリケーションインフラストラクチャへの影響」をご覧ください。

著者について

Lee Ennisデータサイエンス担当シニアマネージャー | F5

Lee EnnisはF5でAIデータサイエンスおよび研究チームを率い、企業が大規模言語モデル（LLM）や生成AIシステムを安全に導入・監視できるよう支援する、高度なAIセキュリティソリューションの開発に注力しています。彼のチームは、機械学習、敵対的テスト、モデル保証に関する専門知識を組み合わせ、脆弱性を特定し、AIを活用した環境への信頼を高めています。

Lee Ennisのその他のブログ記事