Cybersikkerhet

Incode: Know Your Agent styrer tilgangen for kundenes KI-agenter

Miles Okada
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterKnow Your Agent binder hver AI-agent til en verifisert person og et avgrenset mandat…
Vis mer
  • Know Your Agent binder hver AI-agent til en verifisert person og et avgrenset mandat før den handler.
  • Deteksjon alene kan ikke skille en kundes agent fra en angripers, fordi begge presenterer identiske legitimasjoner.
  • En agent som blokkeres hos én organisasjon, er allerede flagget når den når en annen.

Incode lanserte Know Your Agent 17. november 2026, og identitetsproduktet ble dermed umiddelbart tilgjengelig for virksomheter som ønsker å gi kundenes KI-agenter tilgang, begrense den eller blokkere dem, og spore handlingene deres tilbake til en identitetsverifisert person. Løsningen fungerer på tvers av betalingsinfrastruktur og leverandører av KI-agenter.

Lanseringen retter seg mot et hull i tilgangskontrollen. Ifølge produktdokumentasjonen til Incode kan en kundes agent og en angripers agent oppgi samme legitimasjon, enhet, IP-adresse og atferd ved innlogging. Hvis alle agenter blokkeres, risikerer man å avvise legitim kundeaktivitet, mens tilgang for alle agenter kan åpne for svindel. Know Your Agent er utviklet for å tilføre den manglende konteksten: hvem som sendte agenten, og hva denne personen har gitt den tillatelse til å gjøre.

«En agent uten et menneske bak seg er en fremmed med kundens passord», sa Ricardo Amper, grunnlegger og administrerende direktør i Incode. Incode sier at en agent uten en verifisert person bak seg stanses før den kan handle, mens en verifisert kundes agent kan operere innenfor tillatelsene sine.

Slik kontrollerer Know Your Agent hver handling

Dokumentasjonen deler Know Your Agent inn i fem moduler: Agent Detection, Agentic Identity, Agent Access Management, Agent Monitoring og Agent Audit. Hver modul kan kjøres separat eller som del av hele pakken, slik at et eksisterende deteksjonssignal kan brukes av de andre funksjonene.

Agent Detection undersøker oppgitte agentheadere og signerte forespørsler, i tillegg til økttidspunkter, navigasjon, nettleseratferd og automatiseringsmønstre. Når signalene tyder på at det dreier seg om en agent, kan en kontroll av tilstedeværelse i sanntid avklare om en faktisk person er til stede. Virksomheten kan deretter registrere agenten, kreve at personen verifiserer seg direkte eller blokkere agenten. Prosessen er ment å identifisere agenter som ikke gir seg til kjenne.

Når kunden har gjennomført en engangsverifisering i sanntid og gitt samtykke, knytter Agentic Identity hver agent til personen og til et mandat som fastsetter omfanget, beløpsgrensen og varigheten. Virksomheten fastsetter mandatet, kunden kan begrense det, og agenten kan ikke utvide det på egen hånd.

Før en handling utføres, kontrollerer Agent Access Management at agenten er registrert, at mandatet er gyldig, at personen bak agenten er verifisert, og at handlingen ligger innenfor tillatelsene. Hvis en grense overskrides, kan det kreves godkjenning fra personen i sanntid. Kunden kan også tilbakekalle agentens tilgang umiddelbart. Da stanses ventende handlinger, samtidig som loggen bevares.

Agent Monitoring leter etter kompromitterte agenter eller agenter som ikke følger mandatet, ved å analysere mønstre på tvers av økter og organisasjoner. Incode sier at en agent som er blokkert hos én organisasjon, allerede er flagget når den kommer til en annen. Agent Audit opprettholder et manipulasjonssikkert spor med handlingen, personen, mandatet og dokumentasjonen. Dermed får en transaksjon som blir trukket i tvil, en navngitt godkjenner og en oversikt over hvilken tillatelse den ble utført under.

Pakken er utviklet for å fungere med eksisterende agent- og betalingsprotokoller, uten å kreve én bestemt agentplattform. Blant standardene Incode oppgir som kompatible, er Model Context Protocol, Agent2Agent, Agent Payments Protocol og Web Bot Auth, i tillegg til agentprogrammer fra kortnettverk. Protokollene kan formidle agentens legitimasjon; Know Your Agent legger til den verifiserte personen og mandatet bak handlingen.

Identitetskontroller basert på offentlige registre

Laget for verifisering av personer bygger på Deepsight-kontroller av at personen er til stede, TrustGraph-identitetshistorikk på tvers av deltakende institusjoner og GovFaceMatch. I dokumentasjonen for GovFaceMatch beskriver Incode en arbeidsflyt der brukeren skanner strekkoden på baksiden av et offentlig ID-kort og tar en selfie i sanntid. Systemet sammenligner deretter selfien med registeret til delstatens Department of Motor Vehicles i sanntid.

Incode sier at ansiktsmatchingsteknologien for GovFaceMatch kjøres i DMV-infrastrukturen, og at portrettbilder aldri forlater dette miljøet. Selskapet opplyser også at ingen biometriske data lagres, og at ingen offentlig informasjon som kan identifisere enkeltpersoner, deles under matchingen.

Incode oppgir J.P. Morgan, Wells Fargo, Experian og Chime som designpartnere og opplyser at den bredere identitetsplattformen brukes av over 800 organisasjoner. Blant disse er ni av de ti største bankene i USA, åtte av de ni største teleselskapene i USA og fire av de fem største markedsplassene globalt.

Fra tidlig tilgang til en bredere produktpakke

Know Your Agent bygger videre på Agentic Identity, som ble kunngjort 27. oktober 2025. Det tidligere produktet ble tilbudt gjennom et program for tidlig tilgang, og pilotprogrammer startet i fjerde kvartal 2025. Det omfattet allerede agentdeteksjon, kobling til en verifisert menneskelig eier, avgrenset samtykke gjennom kryptografiske identitetstokener og kontinuerlig atferdsovervåking.

I den nye produktarkitekturen er Agentic Identity spesifikt modulen som knytter en agent til personen bak den og til mandatet. Den inngår i en pakke der deteksjon, tilgangsstyring, overvåking og revisjon er delt inn i egne komponenter. Dermed er det tidligere arbeidet med tidlig tilgang blitt en umiddelbart tilgjengelig produktløsning.

For virksomheter som veier kundetilgang opp mot svindelrisiko, er hovedpoenget at deteksjon bare er den første avgjørelsen. Incode-modellen knytter tilgang til en verifisert person, et avgrenset mandat, godkjenning i sanntid av unntak, tilbakekalling og et revisjonsspor. Dermed blir den menneskelige autorisasjonen bak en agent like viktig som legitimasjonen den har med seg.

Miles Okada er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, og dekker kunstig intelligens og cybersikkerhet med fokus på nye trusler, defensive arkitekturer og de utviklende dynamikkene mellom angripere og automatiserte systemer. Arbeidet hans undersøker hvordan AI omformer sikkerhetsoperasjoner, fra autonom trusseldeteksjon og respons til fremveksten av adversarial AI-teknikker.

Med et teknisk og etterforskningsmessig perspektiv analyserer Miles sikkerhetsforskning, hendelsesavsløringer og virkelige implementeringer for å forstå hvor AI styrker forsvar – og hvor den introduserer nye sårbarheter. Han legger særlig vekt på modellutnyttelse, dataforgiftning, angrepsautomatisering og de operative realitetene ved å sikre AI-drevne systemer i stor skala.

Artiklene skrevet av Miles Okada er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for å sikre nøyaktighet, grundighet og ansvarlig dekning av det raskt skiftende AI-sikkerhetslandskapet.