商傳媒｜責任編輯／綜合外電報導
隨著人工智慧（AI）應用逐步深入企業營運核心，AI工具在企業內部的廣泛導入，已從最初的輔助角色演變為獨立「身分」，為組織帶來前所未有的治理挑戰。專家指出，AI治理已不能僅關注模型本身，必須將身分治理與資料治理整合，以應對隨之而來的風險。
根據《Security Boulevard》報導，過去AI工具常透過試行專案、內嵌式副駕駛或未經授權的代理程式，在未經中央身分與存取管理的情況下，靜默地連接至企業資源規劃（ERP）、財務或其他雲端服務（SaaS）應用程式。這種模式導致非人類行為者（即AI代理）能在缺乏傳統人類存取控制的情況下，直接執行商業行動、觸及敏感資料，甚至影響生產數據。
由此衍生的具體風險包括交易錯誤、主資料未經授權更改、受監管資料的失控移動，以及事後才被發現的稽核問題。網路安全公司 CyberArk 在 2025 年的報告中更指出，許多企業環境中，機器身分數量已達到人類用戶的 82 倍之多，凸顯了非人類身分管理的急迫性。
傳統的身分與存取管理（IAM）雖擅長使用者驗證，卻難以精細處理AI代理的職責分離（SoD）模式，或持續認證跨ERP、財務及SaaS系統的AI身分。特權存取管理（PAM）也無法完全涵蓋透過API密鑰或SaaS整合運作的AI代理。此外，傳統資料治理工具雖能分類與追蹤資料，但鮮少控制AI身分在關鍵業務流程中實際操作這些資料的方式。
為解決此一落差，業界提出建構「AI身分控制平面」的解決方案。該控制平面作為一個統一的政策平台，旨在定義人類與非人類身分的存取權限，確保職責分離規則被強制執行，並提供可驗證的證據。此方法將AI治理原則如透明度、責任制、最小權限原則和資料最小化，轉化為可測試、監控與認證的控制措施。
模型上下文協議（MCP）的興起，讓AI代理能標準化地存取企業工具與資料。然而，若未在MCP邊界強制執行身分、職責分離和資料分類規則，可能大幅擴大系統的風險範圍。科技公司 SafePaaS 強調，應將MCP視為AI身分與資料控制平面的一部分，確保AI代理作為一級身分，其存取權限與資料分類層級符合政策規範。
實施AI身分治理通常可分為四階段：首先是發現與評估，建立AI身分、資料流及整合點的庫存清單；其次為定義政策與模型，依據風險設計身分政策與職責分離模式，並與國家標準及技術研究所（NIST）的AI風險管理框架（AI RMF）、國際標準化組織（ISO）的ISO/IEC 42001等框架對齊；第三階段為強制執行與監控，將控制平面整合至應用程式、IAM、PAM及資料治理平台；最後則是優化與溝通，透過分析精進策略，並向高階主管及監管機構匯報進度與關鍵指標。
這種整合式的治理模式，不僅能降低企業高風險AI存取的人工審查負擔達三至四成，也能提升覆蓋率，並為內部稽核、外部稽核與監管機構提供一致且可靠的證據，確保AI應用在安全與合規的框架內運作。
