Brex ใช้ระบบตรวจสอบเครือข่ายเพื่อรักษาความปลอดภัย AI agents ด้วย OpenClaw และ CrabTrap

Brex ได้เปิดเผยแนวทางใหม่ในการรักษาความปลอดภัยของ AI agents อย่าง OpenClaw ที่สามารถทำงานอัตโนมัติในสภาพแวดล้อมองค์กรได้อย่างเต็มที่ งานนี้ถูกนำเสนอโดย CEO Pedro Franceschi ในงาน VB Transform 2026 การเปลี่ยนแปลงแนวคิดจากการควบคุมโค้ดเป็นการตรวจสอบเครือข่ายมีความสำคัญต่อการเร่งรับ AI เข้าสู่กระบวนการธุรกิจอย่างปลอดภัย

Overview

ในช่วงการบรรยายของ Pedro Franceschi ที่งาน VB Transform 2026 เขาได้ชี้ให้เห็นว่าปัจจุบันหลายองค์กรยังใช้คำว่า “agents” อย่างคลุมเครือโดยไม่กำหนดบทบาทที่ชัดเจน การนำเอา OpenClaw ซึ่งเป็นโมเดลเปิด‑source สามารถทำการ bootstrap โค้ดของตนเองและอัปเดตอย่างต่อเนื่อง มาใช้งานจริงในองค์กร จึงต้องมีการปรับเปลี่ยนแนวคิดด้านความปลอดภัยจากระดับโค้ดไปสู่ระดับเครือข่าย

OpenClaw ได้รับการเปิดตัวเมื่อเดือนมกราคม หลังจากโมเดลการเขียนโค้ดพัฒนาถึงขั้นที่สามารถสร้างและบำรุงรักษาโค้ดของตนเองได้ การนำเทคโนโลยีนี้ไปใช้ในการทำงานภายในองค์กรถูกทีมความปลอดภัยของ Brex ปฏิเสธในตอนแรก เนื่องจากกลัวการให้สิทธิ์การดำเนินโค้ดโดยไม่มีการควบคุมที่ชัดเจน

The OpenClaw Challenge

การใช้ OpenClaw ทำให้เกิดปัญหาที่เรียกว่า “security dilemma” ซึ่งองค์กรหลายแห่งมองว่า AI agents ที่มีความสามารถในการเขียนโค้ดและรันโค้ดอาจเป็นช่องโหว่สำคัญ ทีมความปลอดภัยของ Brex ระบุว่าการให้สิทธิ์การ execute โค้ดโดยไม่มีกรอบควบคุมถือเป็นความเสี่ยงสูง จึงต้องหาแนวทางใหม่ที่ไม่จำกัดศักยภาพของโมเดล แต่ยังรักษาความปลอดภัยได้

Brex เปรียบเทียบกับวิธีการของ Nvidia ที่ใช้ NemoClaw โดยจำกัดเครื่องมือที่ agents สามารถใช้งาน ซึ่งตามมุมมองของ Franceschi วิธีนี้ทำให้เสียคุณค่าหลักของความสามารถในการเขียนโค้ดของ AI agents ไป

Network‑Centric Security (CrabTrap)

เพื่อแก้ไขปัญหา Brex พัฒนา CrabTrap – โปรคซี HTTP แบบเปิด‑source ที่ทำหน้าที่เป็นตัวกรองการจราจรออกจากคอนเทนเนอร์ของ agents ทั้งหมด ระบบจะถือว่า agents สามารถทำอะไรได้ทุกอย่างและอาจถูกโจมตีแล้ว จึงต้องตรวจสอบการสื่อสารกับอินเทอร์เน็ตโดยใช้ LLM เป็นผู้ตัดสิน

• ตัวกรองระดับเครือข่ายที่คอยบันทึกและวิเคราะห์ traffic
• กฎแบบ static สำหรับการกระทำความเสี่ยงต่ำที่อนุญาตให้ผ่านทันที
• ระบบ LLM‑judge ที่ประเมินคำร้องขอความเสี่ยงสูงก่อนส่งออก

แนวคิดนี้เปลี่ยนจุดมุ่งหมายจากการตรวจสอบโค้ดภายในคอนเทนเนอร์เป็นการเฝ้าดูว่าข้อมูลใดกำลังถูกส่งหรือรับจากภายนอก

LLM as Judge & Architecture

การใช้ LLM เพื่อตรวจสอบคำขอแต่ละรายการทำให้เกิดความล่าช้า (latency) ที่อาจเพิ่มขึ้นเป็นหลายพันมิลลิวินาที Brex จัดการโดยแบ่ง traffic ออกเป็นสองชั้น:

• คำร้องที่มีความเสี่ยงต่ำ เช่น การดึงข้อมูลโปรไฟล์ LinkedIn จะผ่านกฎ static โดยไม่มีความหน่วง
• คำร้องที่อาจส่งผลกระทบสูงเช่นการส่งอีเมล จะถูกส่งต่อไปยัง LLM‑judge เพื่อตรวจสอบ

ตามข้อมูลของ Franceschi ประมาณ **2 % ของคำขอทั้งหมดต้องเผชิญกับความหน่วงจาก LLM ซึ่งถือว่าเป็นอัตราที่ยอมรับได้ นอกจากนี้ Franceschi ชี้ว่าการที่โมเดลมี “semantic understanding” ของ pattern การสื่อสารบนเว็บมาจากการฝึกด้วยข้อมูลจำนวนมหาศาล ทำให้สามารถแยกแยะพฤติกรรมตามนโยบายได้โดยไม่ต้องปรับแต่งเพิ่มเติม

Pilot Deployment – “Jim” the Virtual Recruiter

Brex ทดลองใช้โครงสร้างนี้กับ “Jim” ระบบสรรหาผู้สมัครเสมือนที่สร้างบน OpenClaw Jim สามารถทำหน้าที่ค้นหา ผู้สมัคร การให้คะแนน และการส่งอีเมลออกไปตามนโยบายที่กำหนด หาก Jim พยายามทำกิจกรรมที่อยู่นอกกรอบระบบ CrabTrap จะเรียกใช้กระบวนการ human‑in‑the‑loop ผ่าน Slack

• ระบบแจ้งเตือนบน Slack แสดงเจตนาและแนะนำให้ปรับนโยบาย
• ผู้จัดการสามารถยืนยันหรือปฏิเสธการดำเนินการโดยคลิก “yes” หรือ “no”

วิธีนี้ทำให้การทำงานของ agents คล้ายกับพนักงานจริงที่ต้องขออนุมัติจากผู้บังคับบัญชาเมื่อเจออุปสรรค

Business Implications

Brex เป็นบริษัทฟินเทค ไม่ใช่ผู้จำหน่ายโซลูชันความปลอดภัย การสร้าง CrabTrap ภายในจึงเป็นการตอบสนองต่อช่องว่างของตลาดที่ยังไม่มีผลิตภัณฑ์เชิงพาณิชย์ที่สามารถทำตามข้อกำหนดของทีมความปลอดภัยได้ Franceschi ยอมรับว่าการลงทุนในเทคโนโลยีระดับแนวหน้าอาจมีค่าใช้จ่ายสูงและอาจต้องละทิ้งได้ภายในหกเดือนโดยประมาณ (**70 % ความเป็นไปได้) แต่ประสบการณ์ที่ได้รับช่วยกำหนดกลยุทธ์การนำ AI agents ไปใช้ในองค์กรได้อย่างปลอดภัย

สำหรับผู้บริหารระดับสูง การเตรียมความพร้อมด้านวัฒนธรรมและเทคนิคเพื่อรับมือกับโลกของ “agents” จึงเป็นสิ่งจำเป็น ทั้งในการกำหนดบทบาทที่ชัดเจน การสร้างโครงสร้างการตรวจสอบเครือข่าย และการจัดตั้งกระบวนการ human‑in‑the‑loop เพื่อให้แน่ใจว่าการใช้งาน AI จะไม่ก่อให้เกิดความเสี่ยงต่อระบบข้อมูลขององค์กร

Summary

Brex แสดงให้เห็นว่า การยอมรับว่า AI agents สามารถทำอะไรได้ทุกอย่างแล้วตรวจสอบการสื่อสารผ่านเครือข่ายเป็นแนวทางใหม่ในการรักษาความปลอดภัยของเทคโนโลยีแบบ OpenClaw ตัวอย่าง “Jim” แสดงให้เห็นว่าการผสมผสาน LLM‑judge กับกระบวนการ human‑in‑the‑loop สามารถทำให้การใช้งาน agents ปลอดภัยและเชื่อถือได้ในระดับองค์กร.