تُبشّر أدوات البرمجة المعتمدة على الذكاء الاصطناعي بزيادة سرعة تطوير البرمجيات ونشرها، لكن هذه السرعة نفسها قد تتحول إلى عامل خطر إذا لم تُدار سلسلة الإمداد البرمجية بعناية. ففي البيئات الحساسة، ولا سيما الأنظمة الدفاعية، يمكن أن يؤدي الاعتماد المتزايد على الحاويات والاعتمادات المفتوحة المصدر إلى توسيع سطح الهجوم وتسريع تراكم الثغرات التي يصعب احتواؤها بالأساليب التقليدية.
المشكلة ليست في الذكاء الاصطناعي بحد ذاته، بل في الطريقة التي يُستخدم بها داخل بيئات تشغيل معقدة تعتمد على مكتبات كثيرة وتحديثات متكررة. كلما زادت سرعة إدخال الأدوات الجديدة والاعتماد على مكونات خارجية غير مهيأة أمنياً، ارتفعت احتمالات ظهور ثغرات غير مرئية أو إعادة ظهور مشكلات معروفة داخل أكثر من حزمة أو مكوّن.
الحاويات أصبحت نقطة ضغط أمنية في البرمجيات الدفاعية
تعتمد العديد من الأنظمة الحديثة على حاويات برمجية مبنية فوق توزيعات لينكس ومكونات مفتوحة المصدر واسعة النطاق. هذا النموذج يمنح مرونة عالية، لكنه يخلق أيضاً بيئة مثالية لتكدّس الثغرات المعروفة وغير المعروفة، خصوصاً عندما تكون الصور البرمجية كبيرة وتحتوي على أجزاء لا تحتاجها المهمة الفعلية.
في السياقات الدفاعية، تصبح هذه المشكلة أكثر حساسية لأن أي ثغرة غير معالَجة قد تؤثر في جهوزية النظام أو في قدرته على الصمود أثناء التشغيل. لذلك، فإن استخدام صور برمجية مُقيدة ومُحكمة التكوين، مع إزالة المكونات غير الضرورية، يوفّر مستوى أعلى من الحماية مقارنةً بالاعتماد على صور عامة تحتوي على أكواد ومكتبات زائدة.
كما أن تقييم كل ثغرة يجب أن يتم وفق البيئة التي تظهر فيها، وليس بوصفها مؤشراً عاماً فقط. فالثغرة قد تكون قابلة للاستغلال في نظام معيّن وغير مؤثرة في نظام آخر، بحسب نظام التشغيل والعتاد وسياق التنفيذ وطبيعة الحزمة التي ظهرت فيها. هنا تصبح الرؤية السياقية عنصراً حاسماً في ترتيب الأولويات الأمنية.
أدوات البرمجة بالذكاء الاصطناعي تسرّع تراكم المخاطر
أدوات البرمجة التي تعتمد على الذكاء الاصطناعي لا تعمل عادةً ببطء أو وفق دورات تحديث طويلة، بل تُنتج وتستهلك وتحدّث مكوناتها بوتيرة أسرع من الأدوات التقليدية. هذا يعني أن فرق الأمن تواجه عدداً أكبر من الصور البرمجية والاعتمادات والخدمات المرافقة، وكلها تحتاج إلى مراجعة وتحليل واختبار.
وتزداد المشكلة عندما تُستخدم توزيعات مفتوحة المصدر عامة بدل صور مصممة خصيصاً للبيئة التشغيلية. ففي هذه الحالة، لا يكون الهدف فقط ضمان الوظيفة، بل أيضاً تقليص نطاق المخاطر وتقليل الاعتماد على المكونات غير الضرورية. ومع تسارع دورات التطوير، تتسع الفجوة بين سرعة النشر وسرعة إدارة الثغرات، وهو ما يفاقم عبء التصحيح والتدقيق الأمني.
البيانات المتعلقة بالثغرات تظهر أيضاً أن الضغط ليس نظرياً. فقد ارتفع متوسط عدد الثغرات الجديدة اليومية في عام 2025 إلى 132 ثغرة، بزيادة 20% عن العام السابق، وبما يقارب ثلاثة أضعاف مستويات 2020. هذا النمو السريع يوضح لماذا أصبحت إدارة الثغرات عبئاً متنامياً على المؤسسات التي تنشر برمجيات أكثر وبوتيرة أعلى.
النتيجة التشغيلية: بطء في الاعتماد وكلفة أعلى ومخاطر أكبر
عندما تفشل إدارة الثغرات في مواكبة سرعة التطوير، تظهر آثار مباشرة على التشغيل. أحد هذه الآثار هو تقليص عدد التقنيات التي يمكن اعتمادها رسمياً، لأن الجهات المخولة بالموافقة تصبح أكثر تحفظاً أمام الحاويات غير المحصنة أو المعقدة أمنياً.
ومن النتائج الأخرى تباطؤ نشر تطبيقات الذكاء الاصطناعي نفسها، لأن سلاسل الحاويات قد لا تجتاز متطلبات المطابقة في الوقت المطلوب للمهمة. كما أن هذا التأخير يضعف قدرة المؤسسات على مجاراة تكتيكات الخصوم الذين يستخدمون هم أيضاً تقنيات ذكاء اصطناعي متقدمة في الهجوم والدفاع.
إلى جانب ذلك، ترتفع الكلفة المالية المتكررة المرتبطة بإغلاق التراكمات الأمنية، وتضيع جهود المهندسين المهرة في تتبع الثغرات بدلاً من تطوير قدرات جديدة. بعبارة أخرى، يصبح الأمن نفسه عبئاً تشغيلياً إذا لم يُبنَ على آلية أكثر ذكاءً وواقعية.
- تراجع عدد الأدوات المعتمدة للإنتاج
- تباطؤ نشر أنظمة الذكاء الاصطناعي
- تعاظم الفجوة أمام أساليب الخصوم
- ارتفاع كلفة معالجة الثغرات المتراكمة
- انشغال الفرق الهندسية بالترقيع بدل الابتكار
النهج الأكثر فعالية: تقليل الثغرات قبل ظهورها
الاستجابة الأكثر نجاعة لا تعتمد على سد الثغرات بعد انتشارها فقط، بل على بناء بيئة برمجية أصغر وأكثر صلابة منذ البداية. ويبدأ ذلك باستخدام صور شبه خالية من الثغرات المعروفة، ثم إزالة كل ما لا يلزم من المكونات بدلاً من الاكتفاء بترقيعها لاحقاً.
هذا النهج يحقق فائدتين أساسيتين: أولاً، يخفض مساحة الهجوم إلى حد كبير. وثانياً، يبسّط سردية المخاطر أمام الجهات المخولة بالاعتماد، لأن الصورة تصبح أوضح في ما يتعلق بما يوجد داخل الحاوية وما الذي قد يؤثر في المهمة بالفعل. بهذه الطريقة، يمكن توجيه فرق الأمن إلى القضايا الأعلى أهمية بدلاً من الغرق في تدقيق لا ينتهي.
كما أن اعتماد منهجية قائمة على الثقة الصفرية داخل طبقة الحاويات ينسجم مع الحاجة إلى مراقبة مستمرة وفهم أدق للبرمجيات أثناء التشغيل. فالمطلوب ليس فقط معرفة ما يحتويه النظام، بل أيضاً كيف يتصرف أثناء العمل وما هي القنوات التي يصل عبرها إلى البيئة المستهدفة.
SBOM وRBOM يمنحان رؤية أدق لمخاطر وقت التشغيل
من الأدوات التي تزداد أهميتها في هذا السياق: قائمة مكونات البرمجيات SBOM، وقائمة مكونات وقت التشغيل RBOM. هاتان الطبقتان تقدمان رؤية مركبة، لا تكتفي بإظهار ما تم تضمينه في البرمجية، بل تساعد أيضاً على تتبع سلوكها أثناء التنفيذ ومصادر تسليمها.
هذه الشفافية تدعم متطلبات رؤية سلسلة الإمداد البرمجية، وتمنح فرق العمليات والأمن صورة أقرب إلى الواقع. وعندما تُرفق الحاويات بمكونات قابلة للقراءة آلياً، يصبح من الممكن مقارنة الحالة الفعلية بالمخاطر المتوقعة بشكل أكثر سرعة ودقة.
كما أن استخدام بيانات أمنية قابلة للمعالجة آلياً، إلى جانب نشرات تقنية موحدة، يسهّل على المطورين والمشغلين الاشتراك في الحاويات المناسبة والحصول على تنبيهات متسقة عند ظهور مشكلات جديدة. بذلك، يتحول التعامل مع المخاطر من عملية يدوية مشتتة إلى تدفق منظم يمكن قياسه ومراجعته.
ماذا يحتاج القطاع الدفاعي الآن
الدرس الأساسي من هذا التحول أن تسريع الذكاء الاصطناعي لا يكفي إذا لم يُصاحبه تصميم أمني يواكب السرعة الجديدة. المطلوب هو بنية أكثر صرامة للحاويات، وبيانات أكثر دقة عن المخاطر، وآلية اعتماد تتعامل مع الثغرات بترتيب أولويات مرتبط بالمهمة لا بعدد التنبيهات فقط.
عندما تُدمج الصور المُحصّنة، وSBOM، وRBOM، ومبادئ الثقة الصفرية داخل دورة الحياة البرمجية، يصبح بالإمكان تقليل الضوضاء الأمنية والتركيز على ما يهدد المهمة فعلاً. وفي البيئات الدفاعية، قد يكون هذا الفرق هو ما يحدد بين نظام يسرّع الأداء وآخر يضيف طبقة جديدة من التعقيد والمخاطر.
النتيجة النهائية واضحة: الذكاء الاصطناعي يمكن أن يدعم القدرات التشغيلية، لكنه قد يضاعف أيضاً الأعباء الأمنية إذا لم يُبنَ على سلسلة إمداد برمجية صلبة. وفي عالم تتحرك فيه الثغرات أسرع من أي وقت مضى، تصبح الصلابة البرمجية شرطاً أساسياً وليس خياراً إضافياً.