Agentic SOCとは？セキュリティ運用におけるAIエージェント

Agentic SOCとは？

2025年11月、AI開発企業 Anthropicは公表しました 同社が初めて報告されたAI主導のサイバースパイ活動と呼ぶものを。Anthropicは、中国政府の支援を受けたグループがClaude Codeを操作し、約30の標的に対する作戦の80～90%を実行させたと高い確信をもって評価しています。ピーク時には、AIが数千件のリクエストを送信し、秒間数件に達することもありました。Anthropicによると、人間のハッカーには不可能なペースです。Anthropicはセキュリティチームに対し、セキュリティオペレーションセンター（SOC）の自動化、脅威検知、インシデント対応などで、防御へのAI活用を試すよう助言しています。

その助言が直接示しているのがAgentic SOCです。Agentic SOCは、 セキュリティオペレーションセンターの運用モデルです。AIエージェントが定められた制約の下で、アラートやインシデントに関する複数段階の作業を計画・実行し、人間のアナリストが判断を監督します。エージェントは、現在人手で行っている一連の作業を担います。ホストの履歴を取得し、IDログとエンドポイントのテレメトリーを関連付け、仮説を検証します。そして、人間がケースを開く前に、証拠をまとめて判定を下します。

ここで「agentic」という言葉には明確な意味があります。 ISACAのブログで、QAのRichard Beck氏は、オープンソースのOpenClawプラットフォームを例に挙げています。そのエージェントはAIモデルを呼び出し、複雑なタスクを分割してサブエージェントに割り振り、社内外のツールに接続します。人がいない夜間にも稼働します。すでに運用している次の2つの技術と比べると、エージェントがSOCの運用モデルに加えるものが明確になります。

• 生成AIコパイロットはプロンプトを待ち、判断を人間に委ねます。 エージェントは、定められた制約の下で自ら作業を開始し、完了します。
• セキュリティのオーケストレーション、自動化、対応（SOAR）のプレイブックは、事前に定義された手順を実行します。 エージェントは、プレイブックでは想定していないアラートも推論し、状況に適応して、不確かな場合は人間に判断を委ねます。

コパイロットはアナリストの作業を、プレイブックは対応を加速します。エージェントが担うのは、その間にある調査です。自ら手順を計画し、状況に適応して、人間が監査できる判定を下します。

Gartnerは、 企業向けアプリケーションの40%に、2026年末までにタスク特化型のAIエージェントが搭載されると予測しています。2025年の5%未満からの増加です。セキュリティツールも同じ流れにあります。計画の有無にかかわらず、エージェントはSOCに導入されるでしょう。このガイドでは、Agentic SOCの仕組み、成果を生む領域、課題が生じる領域、そしてエージェントの説明責任を支えるガバナンスを解説します。

Agentic SOCとサイバーセキュリティの関係

SANS Cloud Security Exchange Summit 2026で、 MicrosoftのWesley Kuzma氏とSANSのChris Cochran氏は、この変化を端的に示しました。数十年にわたり、セキュリティのフレームワークは「人間が判断し、機械が実行する」ことを前提としてきました。エージェント型システムはそのモデルを逆転させます。Agentic SOCでは、アナリストはTier-1のキュー処理から離れ、監督者やオーケストレーターの役割を担います。エージェントの判定を検証し、ビジネス上の文脈を踏まえ、脅威ハンティングを行い、エージェント自体を統制します。

Agentic SOCは運用モデルです。SentinelOneの Autonomous SOCのページは、このモデルが目指す姿を示しています。検知、エージェントによる調査、対応をひとつのプラットフォームに統合し、重要な判断はアナリストが担います。この Agentic SOC戦略の記事では、調査能力がSOCの主要な制約になっていると論じています。

Agentic SOCの中核要素

この AgentSOCフレームワークは、2026年の研究論文で提唱されました。Agentic SOCを、閉ループで結ばれた知覚、エージェントによる推論、アクションとプレイブックの3層で捉えます。影響の大きい対応は、アナリストの承認を経て実行されます。以下では、このモデルを基に、エージェントが何を把握し、どう推論し、誰が制御を担うのかを解説します。

データ層と推論層

基盤となる各層は、エージェントが何を把握でき、その情報をどうアクションに変えるかを定義します。各層は、構造化された出力を上位の層に渡します。

• 知覚層： セキュリティツール、クラウドの制御機能、オペレーティングシステムからのアラートとログを正規化します。さらに資産とIDの情報を加え、構造化されたインシデントオブジェクトを生成します。
• エージェント推論層： 大規模言語モデル（LLM）を使って攻撃の仮説を立て、環境のトポロジーと権限経路に照らして検証します。そのうえで、考えられる対応をリスクに応じて優先順位付けします。
• アクションとプレイブックの層： 対応プレイブックを作成し、影響の大きいアクションはアナリストの承認に回し、リスクの低いアクションは自動実行に移します。

これらのレイヤーが連携し、生のテレメトリーを説明可能なセキュリティ業務へと変える運用ループを構成します。構造化された入力、検証済みの仮説、根拠を伴う対応手順がその基盤です。

オーケストレーションと制御のレイヤー

エージェントの連携方法、保持するコンテキスト、判断を人にエスカレーションする条件を定義し、マルチエージェントシステムの運用を制御します。

1. 専門エージェントが限定された役割を担当： 個々のエージェントが エンドポイントテレメトリー, アイデンティティ分析, and クラウドログの相関分析を担当し、監督役のオーケストレーターが作業を調整します。
2. コンテキストとメモリの共有： エージェントはメモリレイヤーやナレッジグラフを通じて構造化された調査結果を共有し、引き継ぎ後も調査の状態を維持します。
3. 人が介在する制御： 承認のチェックポイントにより、重要な判断はアナリストが担います。その例が LanGです。2026年の研究プラットフォームであるLanGのSOCパイプラインには、アナリストによる承認が必須のゲートが2つあります。
4. 相互運用性のパターン： エージェントが作業を委任する際、ツールへの接続方法とコンテキストの共有方法を規定します。

状態を共有することで、マルチエージェントのセキュリティワークフローを監査できます。SOCのAIエージェントは、ガバナンスの下で運用する担当者として扱う必要があります。これらの構成要素がどう連携するかで、信頼は築かれも失われもします。

Agentic SOCの仕組み

エージェント型AIを活用したセキュリティ運用は、アラートの受信から対応まで、意思決定のループに沿って進みます。トリアージエージェントはすべてのアラートを取り込み、誤検知を除外し、コンテキストを充実させ、優先度を動的に割り当てます。夜勤のアナリストを待つアラートはキューに残りません。

次に、ツールを利用できる調査エージェントが、アラートのコンテキスト取得、ホストとユーザーの履歴照会、アーティファクトの実行分析、脅威インテリジェンスの相関分析を並行して進めます。 Forresterのアナリスト、Allie Mellenは、この一連の流れを示しています。フィッシングのトリアージエージェントが真陽性を確認し、エンドポイントのトリアージエージェントと調査エージェントが攻撃の到達と権限昇格を調べ、エンドポイント対応エージェントが判断に必要なコンテキストをアナリストに渡します。

その後、対応エージェントは監視下でポリシーに従い、アクションの提案から承認済みアクションの実行へ進みます。不確実な状況やポリシーの例外に直面した場合は、人にエスカレーションします。人が介在するセキュリティ運用では、アナリストがエージェントの重要な判断を確認・承認し、自律的な動作をポリシーの範囲内に保ちます。

人による監督はアーキテクチャに組み込む必要があります。 Cloud Security Alliance (CSA) の実装ガイド草案は、特権アカウントと重要インフラに関するアラート、環境内で初めて確認された相関パターン、悪意があると高い確信度で判定された事象、定義済みのしきい値を下回る確信度スコアについて、人が直ちに確認することを推奨しています。このモデルでは、エージェントが調査して対応を提案し、アナリストが根拠を確認して外部に影響するアクションを承認します。

セキュリティ運用におけるエージェント型AIは、各段階で次の段階が再利用できる根拠を生み出すことで価値を発揮します。

Agentic SOCの主なメリット

Agentic SOCのメリットは2つに分かれます。アラートキュー内での調査範囲と一貫性の向上、そしてレポートに表れるアナリストとビジネスの成果です。

調査範囲と一貫性の向上

Agentic SOCではすべてのアラートを調査するため、まず既存のワークフローが見逃していたアラートまで対象を広げます。従来の SOARが対応できるのは、プレイブックを作成した種類のアラートだけです。エージェントはプレイブックのないアラートも分析します。見逃された侵入が潜むのは、まさにその領域です。

マシン速度でも一貫性を維持します。エージェントは午後2時も午前2時も同じ手順で根拠を収集し、夜勤中に疲労から手順を省くことはありません。

アナリストとビジネスの成果

調査範囲と一貫性の向上は、経営層が追跡する成果に直結します。アナリストの時間の確保、経験年数を超える若手スタッフの活躍、侵害コストの測定可能な変化です。

• アナリストの時間の確保： エージェントが情報の補完と相関分析を担うことで、経験豊富なスタッフは重要な判断と脅威ハンティングに時間を使えます。
• 経験年数を超える若手スタッフの活躍： AIが生成するコンテキストと根拠に基づく推奨により、Tier-1スタッフは、以前なら長年の経験によるパターン認識が必要だった判断を下せます。ISC2の2025年版「Cybersecurity Workforce Study」がサイバーセキュリティスキルの需要拡大を記録している市場では、これは大きな強みです。
• 侵害コスト： IBMの 2026年データ侵害コストレポートによると、セキュリティAIと自動化を広範に活用する組織は、まったく活用しない組織と比べ、データ侵害1件あたり平均193万米ドルのコストを削減しました。

共通する鍵は時間です。エージェントはアラートから判断までの時間を短縮します。組織はその時間を、判断、脅威ハンティング、より重要な意思決定に振り向けられます。

エージェンティックSOCのリスク

エージェントの自律性は、新たな種類のリスクも生みます。信頼性と説明可能性のリスクは調査プロセスの内部に、エージェントのセキュリティと人材に関するリスクはその周辺に存在します。

信頼性と説明可能性のリスク

あるエージェントの誤りが別のエージェントの入力になると、信頼性のリスクは高まります。SANS Cloud Security Exchange Summit 2026で、 GraphistryのCEO、Leo Meyerovich氏は、タスクごとの誤りがいかに速く積み重なるかを示しました。10のタスクからなる調査で、AIの各ステップの正確性が70%なら、97%のケースが未完了に終わります。この計算が示すとおり、調査全体を信頼するには、まず各タスクで高い正確性が必要です。

判断の根拠を示せないエージェントは、コンプライアンス上のリスクを生み、誤った動作の修正を難しくします。 NIST AIリスクマネジメントフレームワーク（AI RMF）は、AIシステムのライフサイクル全体にわたるガバナンス、説明責任、透明性を重視しています。根拠を説明できない判断は、そのすべてを損ないます。

データ基盤と品質の問題は、エージェンティックAIの導入を停滞させます。不完全または正規化されていないテレメトリーを基に推論するエージェントは、自信を持って誤った回答を出します。

エージェントのセキュリティと人材に関するリスク

エージェントの自律性は有用ですが、攻撃者や運用上のミスによる新たな被害の経路も生みます。まず注意すべきはエージェント自体です。

1. エージェントを標的とする攻撃： OWASP Top 10 for Agentic Applications 2026は、Open Worldwide Application Security Project（OWASP）がピアレビューを経てまとめたリストで、自律型およびエージェンティックAIシステムにおける最も重大なセキュリティリスクを順位付けしています。AIが行動を起こせるようになって初めて生じる脅威として、エージェントの目標の乗っ取り（ASI01）、ツールの悪用（ASI02）、アイデンティティと権限の悪用（ASI03）などを挙げています。エージェンティックAIのセキュリティには、敵対的な操作からエージェント自体を守ることが欠かせません。
2. 運用とガバナンスのリスク： CISA、NSA、およびFive Eyesのパートナー機関は、2026年の共同ガイダンスで、エージェンティックシステムが「攻撃対象領域の拡大、権限の肥大化、動作の目的からの逸脱、追跡しにくいイベント記録」をもたらす可能性があると警告しています。 Gartnerも別途、すべてのAIエージェントに一律のガバナンスを適用すると失敗を招くと警告し、各エージェントの自律性のレベルに応じた管理策を推奨しています。
3. スキルの低下： エージェントがTier-1とTier-2の業務をすべて担うと、若手アナリストは熟練アナリストに必要な直感を養えません。

エージェンティックAIのセキュリティには、ユーザー、ワークロード、エンドポイントと同じ厳格さでエージェントの動作を監視することも必要です。乗っ取られたエージェントは、付与された権限をすべて悪用できるためです。これらのリスクには、エージェントを本番環境で稼働させる前に導入できる管理策がそれぞれあります。

エージェンティックSOC導入時によくある間違い

導入の失敗には共通のパターンがあります。以下のガバナンス上の間違いは自律性に適切な制限を設けないことから、データと脅威モデリングの間違いはエージェントを支える基盤の弱さから生じます。

ガバナンス上の間違い

最も高くつくガバナンス上の間違いは、エスカレーションの境界を定めずに導入することです。これにより、エージェントは責任範囲が曖昧な領域で行動したり、後から経緯を再構築するための監査証跡を残さずに取り消せない決定を下したりします。導入前に信頼ゾーンとエスカレーションの基準を定義してください。もう一つは、無差別に自律性を高めることです。大量かつ反復的な業務にはエージェントを使い、判断を要する意思決定には人間を関与させます。

データと脅威モデリングの間違い

質の低いテレメトリーを基盤にすることは、ほかのあらゆる間違いを増幅します。質の低いデータで稼働するエージェントは、ハルシネーションや誤りを重ねるため、まず正規化に取り組んでください。脅威モデリングを省くと、本番環境のエージェントに関する脅威を把握できません。CSAの MAESTRO（Multi-Agent Environment, Security, Threat, Risk, and Outcome）フレームワークは、基盤モデルからより広範なエージェントエコシステムまで、7つの層にわたってエージェンティックAIの脅威を整理し、このギャップを埋めます。人間の関与を任意と考えるのは、主要なフレームワークに共通する方針を見落とすことです。 NIST AI RMFは、人間による監督プロセスの定義、評価、文書化を求めています。 エージェンティックAIサービスの慎重な導入に関するガイダンスは、どの場面で人間の承認を必須とするかの判断を、システム設計者と運用者に委ねています。 OWASPのエージェンティックAIの脅威と緩和策に関するガイドは、影響の大きいエージェントの行動に人間による監督を推奨しています。本番サーバーをオフラインにするなど、取り消せない操作には、引き続き人間による承認が必要です。最後に、アナリストの変化への対応を怠ると、導入は停滞します。エージェントには導入時の準備が、アナリストには新たな監督スキルが必要です。

エージェンティックSOCのベストプラクティス

適切な運用では、段階的かつ承認ゲートを設けた展開と、証拠に基づくガバナンスを組み合わせます。前者はエージェントが実行できることを制御し、後者はその判断が信頼に値することを証明します。

展開と承認の管理策

エージェントがアナリストの信頼を得られるかどうかは、展開時の規律で決まります。対象を絞って始め、重要な行動には承認を必須とし、アラートの種類ごとに実績に見合う自律性のレベルを設定します。

• 段階的に展開する： Five Eyes諸機関の段階的なアプローチ. まず、明確に定義された低リスクかつ機密性のないユースケースから始め、拡大前に各段階で統制を検証します。
• 影響の大きいアクションには承認を必須にする： 元に戻せないアクション、規制対象のアクション、顧客に重大な影響を与えるアクションには、定められた判断ポイントで人による承認を組み込みます。
• アラートの種類ごとに自律性を調整する： 一般的なフィッシングのアラートと特権アカウントの異常では、必要な人の関与の度合いが異なります。ただし、監査形式は統一します。

段階的な適用範囲、人による承認、アラートの種類に応じた自律性により、初期導入時の軌道修正が容易になります。エージェントが判断を誤っても、影響範囲を小さく抑え、修正手順を明確に保てます。

証拠に基づくガバナンスと測定

測定と脅威モデリングは、長期にわたりガバナンスの実効性を保ちます。同時に、監査人、取締役会、自社のアナリストが求める証拠の記録も残せます。

• 根拠を明示した判断を必須にする： エージェントのすべての判断に証拠と出典を含めます。SOCでは、説明できない結論は認められません。
• エージェントの脅威モデリングを行う： エージェントのアーキテクチャをMAESTROに照らして分析し、本番導入前にレッドチームによる検証を実施します。その際は NISTのAIエージェントのレッドチーミングに関するガイダンスを扱ったCSAの調査ノートと NISTの生成AIプロファイル（NIST AI 600-1）に記載されたレッドチーミングの対策を活用します。
• ガバナンスを先に確立する： 導入前に、NIST AI RMFの GOVERN機能に沿って、エージェントのアクセス、自律的に動作する条件、継続的な監視に関するポリシーを定めます。
• 活動量ではなく成果を測定する： 成功指標をアラート件数から平均検知時間（MTTD）と平均対応時間（MTTR）に切り替え、新入社員を指導するようにエージェントの判断を継続的に見直します。

SOCにAIエージェントを導入する際、これらの実践により、人が判断に関与するセキュリティ運用を初日から設計原則にできます。その前提となるのは、統制されたエージェント運用のために構築されたプラットフォームです。SentinelOneは、まさにその要件を中心にアーキテクチャを設計しました。

SentinelOneでエージェンティックSOCを構築

この Singularity™ Platformは、エンドポイント、アイデンティティ、クラウド、 AIセキュリティツールからのテレメトリを、共有データレイヤーとBehavioral AIエンジンを備えた単一のコンソールに統合します。エージェントは、Open Cybersecurity Schema Framework（OCSF）に準拠して正規化されたテレメトリを分析します。これにより、エージェンティックAIプロジェクトが停滞しがちなデータ品質の前提条件に対応します。

Purple AI™は、SentinelOneのエージェンティックAIセキュリティアナリストです。Agentic Investigation機能は、手動調査を挟まず、アラートの受付から判断まで進めます。複数のシステムにまたがる証拠を収集し、脅威データを統合して、リアルタイムで攻撃の時系列を構築します。そして、アナリストが判断に関与するガバナンスの下で、説明可能な判断を提示します。その過程で、アラートの背景、要約、次の対応をInvestigation Notebooksに記録するため、すべての判断に証拠の記録が伴います。IDCが2025年4月に発表した SentinelOneのPurple AIのビジネス価値に関するレポートによると、Purple AIの顧客は脅威の特定を63%、修復を55%高速化しました。

Singularity Hyperautomationは、Singularity環境向けのSentinelOneのノーコード対応ワークフローツールです。影響の大きい判断には、人が関与するステップが組み込まれています。Hyperautomationは Singularity AI SIEMに含まれ、ほかのSentinelOne製品ではアドオンとして利用できます。Purple AIが調査結果を提示し、Hyperautomationが事前承認済みのポリシーに従って対応を実行します。どちらも、チームがすでに使用しているアラートとその背景情報を活用します。

セキュリティ運用を専門とする独立系の調査・アドバイザリー企業Latioは、SentinelOneを SOCプラットフォームのリーダーとして、同社の2026年セキュリティ運用市場レポートで選出しました。

アラートへの対応に追われるSOCを管理している方も、セキュリティ運用におけるAIについて取締役会への説明を担う方も、 SentinelOneのデモをリクエストし、自社のアラート量に対して統制されたエージェンティック調査がどう機能するかをご確認ください。

業界をリードするAI SIEM

SentinelOneの世界最先端のAI SIEMで、脅威をリアルタイムで検知し、日々の業務を効率化しましょう。

まとめ

エージェンティックSOCでは、AIエージェントがアラートのトリアージから対応までを担い、人間が全体を監督します。エージェントはプレイブックの範囲を超えて判断します。一方で、誤りの連鎖や判断根拠の見えない判定に備え、エスカレーションの基準、監査証跡、段階的な導入が欠かせません。

適切に管理された自律性と強固なデータ基盤を組み合わせれば、調査と修復にかかる時間を測定可能な形で短縮できます。アナリストは、判断、脅威ハンティング、重要な意思決定など、人間にしかできない仕事に集中できます。