- AIは、非構造化された報告書を検索可能な構造化された証拠に変換するのに役立ちますが、その結果が意思決定の根拠となり得るかどうかは、検証によって決まります。
- 情報源の信頼性、地域との関連性、回答の権威性は、それぞれ別個の判断基準です。
- 自動化された監視の範囲が広がることで、チームが注目する対象が変わり、生のインテリジェンスの量は有効性を測る指標としては不適切なものとなる。
- データ抽出、捜査ロジック、および分析官の判断を個別に評価し、手直しや見落とされた証拠も考慮に入れる。
CERT-EUは、2025年に欧州連合（EU）の機関、組織、庁、またはそのエコシステムを標的として活動していた脅威アクターを少なくとも174件特定した。これは、2024年の110件と比較して増加している。2026年4月に公表された同機関の2025年脅威情勢レビューでは、自動化やAIを活用した監視体制の拡大が、サイバー犯罪の観測結果に影響を与えたことも指摘されている。 情報分析チームにとって、これは「情報の意味を判断するために必要な文脈を維持しつつ、より多くの情報を処理する」という実務上の課題を示している。
脅威インテリジェンスにおけるAIとは、機械学習、自然言語処理、生成AIを活用して、サイバー脅威に関する情報の収集、体系化、分析、伝達を支援するものです。これは、レポートの要約、インジケーターの抽出、エンティティのリンク付け、ハンティングの準備などを支援することができます。その価値は、得られたインテリジェンスが正確であり、組織にとって関連性が高く、正当な根拠に基づいた意思決定に役立つかどうかにかかっています。
有用な出発点となるのが、範囲が定められたワークフローです。信頼できるレポートを取り上げ、その根拠を保持した上で、評価案や調査案を作成し、ローカルデータと照らし合わせて結果を検証します。検証後、アナリストの作業量と意思決定の質を測定します。
サイバー脅威インテリジェンス（CTI）は、攻撃者やその活動に関する情報を、セキュリティ上の意思決定の根拠として活用するものです。AIはこのプロセスを支援できますが、抽出された指標の集まりが有用なインテリジェンスとなるのは、その関連性、信頼性、および意味合いが理解された場合に限られます。
レポートに記載されたIPアドレスは、観察可能な指標です。そのアドレスに関連する活動が、特定の組織にとってなぜ重要なのかを説明する評価を加えることで、知見が深まります。その評価には、証拠、期間、および適切な不確実性の記述が必要です。
チームでは通常、複数のレベルの知能を活用しています。その境界線はプログラムによって異なりますが、この区別によって、AIの出力をそれを利用する人に適したものにするのに役立ちます。
脅威インテリジェンスと脅威検知は相互に連携して機能します。インテリジェンスは、何に注目すべきか、そしてその理由を明らかにするのに役立ちます。一方、検知は、環境内の活動を調査し、脅威の証拠を探します。外部のキャンペーンに関するレポートがあるからといって、その同じキャンペーンによって貴組織が侵害されたと断定できるわけではありません。
関連分野として、AIによる脅威検知について調べてみましょう。
信頼性の高いAIを活用したワークフローは、チームが下すべき決定から始まります。各段階では、証拠が不完全な場合を含め、次の担当者やシステムが結果を確認できるよう、十分な証拠を残しておく必要があります。
まず、責任の所在が明確で、具体的な行動につながる質問から始めましょう。「どのような脅威が存在するか？」という問いは、有用な情報収集の指針とするにはあまりにも広範すぎます。「報告されているID攻撃のうち、当社のクラウド管理者に影響を及ぼす可能性のあるものはどれか、またそれらの挙動を調査することは可能か？」という問いは、インテリジェンスを運用上のニーズに結びつけるものです。
関連するシステム、ユーザー、地理的範囲、および時間枠を定義します。また、調査の実施、管理措置の見直し、発見事項の上申など、どのような状況で決定内容が変わるのかについて合意を形成します。AIは要件の草案作成や整理を支援できますが、どの質問が重要であるかを決定するのは組織の役割です。
情報源としては、政府の勧告、商用情報フィード、情報共有コミュニティ、公開されたインシデント報告、および内部調査の結果などが挙げられます。コンテンツを処理する前に、元の発行元、公開日、観測期間、収集日時、および共有制限を記録してください。
翻訳文とともに原文を保存し、信頼できる出典を明記しておくこと。ある報告書が別の報告書を引用している場合は、その関連性を記録すること。同じ発表内容を繰り返している記事が複数あるからといって、それらが独立した複数の裏付けとなるわけではない。
AIサービスに資料を送信する前に、共有に関する制限を適用してください。FIRSTの「トラフィックライト・プロトコル」ガイダンスでは、共有の範囲が定義されていますが、これはライセンス、許可された処理、またはデータ取り扱いに関する確認に代わるものではありません。
自然言語処理により、malware などの名称、脆弱性、ドメイン、組織といったエンティティを特定し、それらの間の関係を提案することができます。例えば、0-CTIの研究要旨では、CTIレポートからエンティティや関係をトランスフォーマーを用いて抽出する方法について説明されています。これは研究アプローチを示すものであり、実稼働システムにおける普遍的な精度レベルを示すものではありません。
元の値と正規化されたバージョンを併記して保存する。危険性が除去されたドメインについては慎重な取り扱いが必要である。一見似たような文字列であっても、悪意のあるインフラストラクチャではなく、無害な例である可能性がある。各項目が「観測された事実」、「情報源による評価」、あるいは「アナリストによる推論」のいずれに該当するかを明記する。
単純な決定論的構文解析は、形式的に正しいハッシュやアドレスには適している場合があります。レポートが実際に観測された手法について記述しているのか、それとも単なる可能性について論じているのかを判断するなど、文脈が重要な場合には、言語モデルを使用してください。
AIを活用すれば、抽出された情報を資産目録、技術スタック、あるいは情報要件と結びつけることができます。存在しない製品に関する脆弱性レポートは、組織が実際に使用している露出しているシステムに影響を及ぼす、信憑性のある攻撃と同じレベルの運用上の注意を払うべきではありません。
情報源の信頼性と、特定の主張の信憑性は区別して考える必要があります。CERT-EUのCTIフレームワークでは、情報源の信頼性、情報の信憑性、評価に対する確信度、および推定確率を区別しています。これらはそれぞれ異なる判断基準です。
流暢な模範解答であっても、それらのいずれをも立証するものではありません。その評価を裏付ける証拠は何か、他の報告は独立したものか、まだ不明な点は何か、そしてどの観察結果が結論を変えることになるのかを問うてください。
出力は、その用途に合致しているべきです。リーダーシップ向け報告書には、示唆と決定事項が必要です。脅威ハンターには、仮説、関連する挙動、利用可能なテレメトリ、そして結果を解釈する方法が必要です。検知エンジニアには、テストと保守が可能なロジックが必要です。
AIはクエリの草案を作成できますが、その草案は実際のデータスキーマ、フィールド、権限、およびクエリ言語と一致している必要があります。正常に実行されたクエリであっても、誤ったフィールドを検索したり、関連する時間範囲が省略されたりする場合があります。また、一致する結果が返されないクエリは、ログが欠落していることを示している可能性があります。
この段階を、確立された脅威ハンティングプロセスに組み込みます。本番環境でこれを利用する前に、検証と責任の所在を明確にした上で、検出エンジニアリングを通じて再現性のあるロジックを確立してください。
情報共有後の状況を記録してください。その情報は有益な調査につながりましたか？アナリストは対象組織の情報を修正したり、マッピングを却下したり、必要なテレメトリデータが入手できないことを発見したりしましたか？
修正内容は、元の出力結果およびそれを生成したワークフローのバージョンとともに保存してください。フィードバックを活用することで、プロンプト、検索、ルール、評価用データセットを改善することができます。ただし、これはデプロイされたモデルがアナリストのあらゆる操作から自動的に安全に学習することを意味するものではありません。更新内容については、別途レビューとテストを行う必要があります。
AIの手法によって、対応できるタスクは異なります。検証可能な結果が得られる最もシンプルな手法を選び、より複雑なモデルの方が性能が優れていると決めつけるのではなく、ワークフロー全体を評価するようにしましょう。
大規模言語モデル（LLM）は、言語を生成・解釈します。エージェントは、モデルがツールを選択し、一連のステップを実行できるワークフローを追加します。モデルにクエリツールへのアクセス権を与えることで、その実行可能な範囲は広がりますが、それによってモデルの結論が正しいことが保証されるわけではありません。
「検索強化生成（RAG）」は、モデルの応答の文脈として、検索された情報を提供します。ナレッジグラフは、その文脈に明示的な関係を付加することができます。どちらのアプローチも、基礎となる情報の質、最新性、および利用権限に依存しています。
これらの手法は共存可能です。抽出ルールによってハッシュが特定され、言語モデルがその報告された使用状況を要約し、グラフがそれを関連する観測結果と結びつけるといったことが考えられます。アナリストは、各変換内容を検証できる必要があります。
AIを活用すれば、反復的な準備作業を削減し、アナリストが参照できる情報源の数を増やすことができます。ただし、これらのメリットは、情報源の確認、修正、調査を終えた後に評価すべきです。なぜなら、素早く作成された草案であっても、その後の作業に多大な負担をもたらす可能性があるからです。
チームはAIを活用して、報告内容を、その報告が依存している技術、サプライヤー、および身元情報と照合することができます。その結果生成されるキューには、その報告が注目に値する理由、入手可能な現地の証拠、およびどの担当者がそれを確認すべきかが明記されます。
脆弱性の優先順位付けを行う際は、脆弱性の存在と、その悪用された証拠やローカル環境での露出を区別する必要があります。モデルによって生成された緊急度ラベルは、関連する証拠や資産のコンテキストを指し示すものでなければなりません。組織が使用していない製品に関する影響度の高い報告については、直ちに対策を講じる必要はなく、単に認識しておくだけで十分である場合があります。
AIを活用したエンティティ解決により、アナリストは関連するインフラ、別名、または行動について記述されたレポートを見つけやすくなります。これにより、キャンペーンのタイムラインを作成する作業の負担を軽減できるほか、調査が必要な矛盾点を浮き彫りにすることができます。
提案された関連性は、裏付けが得られるまでは暫定的なものとみなすこと。共有インフラには無害な説明が可能であり、攻撃者の手法はしばしば再利用される。類似したドメイン、malware ファミリー、あるいは行動パターンがあっても、それだけでは共通の運営者が存在すると断定できない。ソース固有のアクター名は、黙って1つのアイデンティティに統合するのではなく、そのまま保持すること。
1つの証拠セットが、技術的な調査概要とエグゼクティブサマリーの両方を裏付けることができます。ただし、その両方が同じ不確実性を保持していることが条件です。AIを活用すれば、用語の調整、関連箇所の抽出、および不足している情報の特定に役立ちます。
各推論には、必ず出典の明記を義務付けること。要約において、「アクセスが疑われる」という情報を「侵害が確認された」と改変したり、観察結果が別のセクターや期間に関するものであるという事実を省略したりしてはならない。報告書を受け取る者は、調査プロセス全体を繰り返すことなく、その根拠を再構築できる必要がある。
収集範囲の拡大は、情報分析チームが把握できる内容に変化をもたらします。その変化については、捜査の質の向上や防御面での成果とは別個に評価してください。
CERT-EUの2026年レビューが有用なのは、同機関が自らの観察結果に適切な限定を付けている点にある。すなわち、サイバー犯罪の報告状況の変化は、脅威活動の変動と、自動化やAIによる監視の拡大の両方を反映したものである。その数値は、特定の対象範囲と収集プロセスを示しているに過ぎない。それらは、世界的な攻撃の増加率を明らかにするものでもなければ、攻撃者の数にAIがどの程度寄与しているかを特定するものでもない。
企業のCTIプログラムにとって、その意味するところは実用的なものです。AIを活用したワークフローにより処理される情報源が増えれば、チームはより多くの関係者、関係性、および関連する事象を発見できる可能性があります。出力の増加は、調査範囲の拡大、報告の重複、実際の脅威の変化、あるいはその組み合わせを反映している可能性があります。
収集の分母となる要素（検討した情報源、報告期間、対象となった要件、検討に要した労力）を、結果と併せて追跡します。その後、その追加情報が、捜索、管理、あるいは捜査の決定に影響を与えたかどうかを検証します。組織がその内容について説明し、それに基づいて行動できるのであれば、処理待ちの案件数が増えても有益です。
信頼性の高い設計では、ソースデータ、生成された評価結果、および実行の許可を明確に区別します。以下のアーキテクチャは、各チームが自チームのデータやリスク要件に合わせて適応できる、実装パターンの提案です。
その手順は単純明快です。承認済みの情報源を収集し、正規化と索引付けを行い、関連する証拠を抽出し、制約条件を満たした草案を作成し、その妥当性を検証した上で、承認済みの公開先に公開します。修正内容は、証拠ストアおよび評価プロセスにフィードバックされます。
検索の前にアクセス制限を適用し、ユーザーがAI要約を通じて閲覧権限のない資料を入手できないようにします。文書のインデックス作成、文章の抽出、生成された出力の保存においても、同様の制限を維持してください。
どの出典のどのバージョンが参照されたかを記録しておく。その後変更された文書への引用では、以前の評価を説明できない場合がある。出典間で意見が一致しない場合は、それらの主張を統合してより確信度の高い記述にするのではなく、意見の相違点とその日付を提示すること。
ツールへのアクセス権限は、ワークフローに必要な範囲に限定してください。レポート要約サービスは通常、アカウントを無効にしたり、検知設定を変更したり、外部の宛先に連絡したりする権限がなくても動作します。提案されたアクションが許可されるかどうかは、別のポリシー層で決定すべきです。
モデルから出力された後もインテリジェンスが検証可能となるよう、一貫性のある記録形式を使用してください。有用な初期契約の例としては、次のようなものがあります：
欠落している証拠は、目に見える状態として扱う。「立証されていない」という表現は、一見もっともらしい推測が後に追跡不可能な事実となってしまうよりも有用である。生成された記録は承認済みの記録とは別に管理し、草案が検証済みの情報として流布しないようにする。
Structured Threat Information Expression（STIX）は、脅威インテリジェンスを表現するためのオブジェクトと関係性を提供します。Trusted Automated Exchange of Intelligence Information（TAXII）は、HTTPSを介したCTIの交換をサポートします。これら2つの役割は、表現と交換という形で互いに補完し合っています。
AIは、こうしたワークフローに対して構造化されたレコードを提案するのに役立ちます。公開する前に、構造と意味の両方を検証してください。形式的に正しいレコードであっても、サポートされていない属性、誤った指標、あるいはソースでは確立されていない関係が含まれている可能性があります。
例として、認証情報の盗難に関する報告を受け、それに続いてクラウドアカウントの権限が不正に変更された件を調査している企業を想定してみましょう。これは架空のワークフローであり、実際の顧客のインシデントや検証済みのパフォーマンスに関する主張ではありません。
要件：組織の環境内で同様の挙動が見られるかどうか、また、入手可能なテレメトリデータが調査を裏付けることができるかどうかを判断すること。
まず、アナリストがレポートの処理を承認します。AIアシスタントは、レポートに記載された行動、影響を受けた技術、観察期間、および関連する記述を抽出します。また、レポートが別の環境について記述していることを記録しますが、ローカルアカウントが侵害されたとは判断しません。
次に、アシスタントは「ハント仮説」を提示します。それは、有効なアカウントが、通常とは異なる権限の変更を行うために使用され、その後、機密性の高いリソースにアクセスされた可能性があるというものです。また、その仮説を検証するために必要な証拠として、サインインイベント、権限変更の監査記録、クラウド上のアクティビティ、資産やIDの所有権などが挙げられています。
アナリストは、それらの情報源が存在するか、保存期間が対象期間をカバーしているか、識別子を確実に結合できるかを確認します。必要な監査情報源が利用できない場合、それは調査上の制約となり、記録措置の対象となります。アシスタントは、欠落しているデータを問題のない結果であるかのように提示してはなりません。
その後、アシスタントが組織の実際のスキーマを用いてクエリの草案を作成します。検知エンジニアが、フィールド名、日時処理、フィルタ、および結合の挙動を確認します。チームは、既知の正常な管理業務および、疑わしい挙動を表す承認済みのテストケースに対して、そのクエリのテストを行います。
検証済みの検索により権限の変更が発見されたと仮定する。アナリストは、変更記録、アカウント所有者、関連する活動、および周辺の証拠を確認する。承認済みの管理措置によって、その事象が説明できる場合もある。説明のつかない変更であり、かつそれを裏付ける不審な活動が確認された場合は、エスカレーションを行う正当な理由となる。
最終的な情報記録には、外部報告書、現地での観察結果、照会内容、アナリストによる評価、および未解決の不明点がまとめられています。アカウントへの制限措置は、組織のインシデント対応権限および定められた対応手順書に従って行われます。
このワークフローでは、調査の結果、確認された攻撃が見つからなかった場合でも、検証可能な成果が得られます。具体的には、裏付けのある評価、文書化された可視性のギャップ、あるいは検証済みの検知能力の向上などです。
情報分析における誤りは、ブリーフィング、検知ロジック、対応決定にまで波及する可能性があります。生成されたコンテンツが信頼されるようになる、あるいは他のシステムに影響を及ぼすようになる箇所を中心に、制御措置を講じてください。
モデルは、指標をでっち上げたり、手法を誤った主体に関連付けたり、あるいは自身の主張を裏付けるものではない一節を引用したりすることがある。OWASPの誤情報に関するガイダンスでは、でっち上げられた回答やモデル出力への過度な依存を、LLMアプリケーションにおけるリスクとして挙げている。
結果的な主張については、それを裏付ける文章を提示し、それらが実際にその結論を導き出しているかを確認すること。ワークフローにおいて「棄権」を選択できるようにすること。報告された事実、分析的な判断、および提言の区別を明確に保つこと。
モデルによる自己申告の信頼度を、攻撃発生の校正済み確率として解釈してはならない。証拠に基づく評価プロセスを採用し、あらゆる数値評価システムについて、その意図された用途に適した結果と照らし合わせて検証すること。
脅威レポート、取得されたページ、その他の外部入力には、AIアシスタントをリダイレクトさせることを目的とした指示が含まれている可能性があります。OWASPのプロンプトインジェクションに関するガイダンスでは、RAGや微調整を行っても、このリスクを完全に軽減することはできないと説明されています。
取得した資料は、従うべき指示ではなく、分析すべき証拠として扱う。ツールへのアクセスを制限し、モデル外で出力を検証し、特権的な操作には承認を義務付ける。悪意のあるソースコンテンツによって、意図されたタスクが変更されたり、制限された情報が漏洩したり、不正なツール呼び出しが発生したりしないかを検証する。
誤った情報は、具体的な指示を出さなくても人を惑わすことがあります。捏造された報告書は、誤った関連性を生み出す可能性があり、他のシステムがそれを繰り返すにつれて、その関連性はますます説得力のあるものとなってしまいます。繰り返しを裏付けと見なさないよう、情報の出所や情報源への依存関係を追跡してください。
制限付きレポートには、被害者の詳細、捜査結果、または特定の条件下で共有される情報が含まれる場合があります。どのAI処理環境がそれらを受け取ることができるかを確認し、保存期間、アクセス、ログ記録、および再利用に関する条件を確認してください。共有ラベルがあるだけでは、これらの疑問は解決されません。
情報も古くなるものです。インフラの所有権が変更されたり、評価が見直されたり、古い指標が運用上の価値を失ったりすることがあります。各項目に適した見直し時期を設定し、取り消しや訂正の記録を保存するとともに、廃止された記録を下流のユーザーが確認できるようにしてください。
モデルの挙動や入力ソースの変化に注意を払ってください。以前は有用だったプロンプトや分類器でも、モデルの更新や報告用語の変更によって、その性能が変化する可能性があります。以前の結果を継続的な保証として扱う前に、ワークフローを再評価してください。
評価用に用意された資料を用いて、同じ種類の業務について、AIを活用したワークフローと現在のプロセスを比較してください。その結果として下された判断や、検証や手直しを含めた総工数を評価してください。
2026年9月のSANSテクノロジー・インスティテュートの研究要旨では、3つの商用LLMを用いて10件のCTIレポートに対するテストを実施し、情報抽出と生成された検索クエリを別々に評価したことが記載されている。公表されたこの要旨は、その評価上の区別を裏付けているが、普遍的な性能ベンチマークを確立するものではない。
出力を比較する前に、アナリストによる検証を経た参照セットを作成してください。最初の人間による回答が完全であると仮定するのではなく、不一致を解決し、不確実なケースを記録してください。ソースバージョン、モデル、プロンプト、検索設定、およびテスト条件を再現可能な状態に保ってください。
以下のスコアカードは、評価フレームワークの提案例です。選択したワークフローにおけるエラーの影響に見合った指標と許容閾値を選択してください。
評価単位を一貫して定義してください。正確なハッシュ値、正しく抽出された関係、およびレポート全体は、それぞれ異なる評価単位です。単一の総合的な精度スコアに頼るのではなく、レポートの分母や、偽陰性を含むエラーの種類を明示してください。
矛盾する報告、時代遅れの指標、曖昧なアクターの別名、無害化された文字列、無害な例、欠落したテレメトリ、およびソース資料に埋め込まれた悪意のある指示を含める。チームが実際に扱う言語や形式でコンテンツをテストする。
まずは、ソースリンクによる情報抽出や要約など、読み取り専用のタスクから始めましょう。チームが証拠を確実に確認できるようになってから、クエリの作成を導入します。権限、検証、監査記録、およびロールバック手順が定義されてから、制御された実行を追加してください。
パイロット実施では、具体的な問い、「このワークフローにより、アナリストが許容可能な労力と誤差の範囲内で、裏付けのある意思決定に到達できるか」に答える必要があります。もし、ソースの確認にかかるコストが、準備作業の削減分を上回る場合は、アクセスを拡大する前に、タスクや手法を見直してください。
プラットフォームを評価する際は、証拠の開示方法、権限の保持方法、修正の処理方法、および検証済みレコードのエクスポート方法について確認してください。より広範な購入基準については、脅威インテリジェンス・ツールに関するガイドをご覧ください。
外部インテリジェンスは、チームがどの行動を調査すべきかを判断するのに役立ちます。ローカルの行動証拠は、自社のID、ネットワーク、クラウド環境全体で関連する活動が発生しているかどうかを判断するのに役立ちます。
Vectra AIのAIネイティブなセキュリティおよび可観測性へのアプローチは、こうした運用上の連携に関連しています。同社の文書化されたアイデンティティのユースケースでは、人間および非人間のアイデンティティに対する行動分析、ならびにアイデンティティとネットワークアクティビティの相関分析について説明されています。これらの機能は、脅威インテリジェンスに基づいた調査にコンテキストを提供することができ、組織の実際のテレメトリやワークフローと照らし合わせて評価されるべきです。
その関連性を評価するために、IDベースの攻撃検知および封じ込めについて検討してください。インテリジェンス要件、代表的なハンティング事例、およびアナリストに調査を期待する証拠を用意してください。
製品評価をご希望の場合は、御社のチームが関連する行動を調査し、適切な対応を決定する方法に焦点を当てたVectra AIのデモをご依頼ください。
注：本ガイドは、公開されている研究、規格、および製品ドキュメントに基づいています。具体例および評価フレームワークは、提案された指針であり、製品ベンチマークの結果ではありません。
AIは、情報の収集、抽出、要約、および分析の準備を支援することができます。情報要件、争点となる証拠、文脈に基づく判断、およびその結果としての意思決定については、引き続きアナリストが責任を負います。タスクの自動化が可能かどうかは、そのタスクの許容誤差、検証、および権限設定によって決まります。あるワークフローが成功したからといって、アナリストの役割が代替可能であることを示すものではありません。
AIによる脅威インテリジェンスは、脅威に関する背景情報やその重要性を把握するのに役立ちます。AIによる脅威検知は、環境内の活動を分析し、脅威の兆候を探します。インテリジェンスは検知やハンティングに情報を提供し、一方で検知結果もインテリジェンス分析に活用されます。外部レポートや異常の検出だけでは、侵害が確認されたとは断定できません。
AIは、入手可能な証拠を用いて予測や優先順位付けを支援することができます。しかし、次にどの敵が攻撃してくるか、攻撃がいつ起こるか、あるいは攻撃が成功するかどうかを保証することはできません。予測は、範囲が明確に定義され、裏付けとなる証拠があり、結果を確認するためのプロセスが設けられた、不確実な評価として扱う必要があります。
いいえ。RAGは関連する情報源を提供できますが、検索の過程で重要な証拠が見落とされたり、モデルが入力された情報を誤って解釈したりする可能性があります。引用された箇所を確認し、矛盾する情報はそのまま残し、裏付けのない質問については未回答のままにしておく必要があります。また、検索されたコンテンツに対しても、プロンプトの挿入に関する制御が必要です。
まず、明確な情報収集要件、承認済みの情報源、情報源のメタデータ、およびアナリストが審査した適切な出力の例を用意すること。タスクに関連性の評価やハンティングが含まれる場合は、現地のテレメトリデータや資産のコンテキストを追加する。ワークフローを拡張する前に、アクセス権限、保存期間、共有権限、およびデータ品質を確認すること。
出力の確認が容易な、範囲が限定された読み取り専用のタスクは、有用な出発点となります。ソースに紐づいた抽出や要約であれば、扱いやすい評価が可能になります。生成された検索、ツールの実行、あるいは本番システムに影響を与えるアクションに進む前に、精度とレビューの労力を評価してください。