האדריכל הריבוני: ניווט בקריסת כלכלת העטיפות של הבינה המלאכותית באמצעות חסינות טכנית עמוקה

שנת 2025 סימנה נקודת מפנה מכרעת באבולוציה של בינה מלאכותית ארגונית, ובישרה את הסוף הסופי של מה שניתן לכנות „עידן העטיפה". במשך עשרים וארבעה החודשים שקדמו לכך, השוק הגלובלי היה רווי בשפע של יישומים קלי משקל שפעלו כהפשטות דקות מעל מודלי יסוד לשימוש כללי. „עטיפות" אלה הציעו הבטחה מפתה לטרנספורמציה מהירה, אך חסרו את השלמות המבנית הנדרשת לסביבות תעשייתיות, פיננסיות ומשפטיות בסיכון גבוה. כאשר ארגונים העבירו כלים אלה מארגזי חול ניסיוניים אל ליבת תהליכי הייצור, השבריריות המובנית של ארכיטקטורות הסתברותיות טהורות התנגשה בדרישות הבלתי מתפשרות של אבטחה ארגונית ואמינות דטרמיניסטית. הנפילה שנוצרה, המאופיינת בסדרה של פריצות מערכתיות בולטות, חשפה אמת קריטית: כאשר בינה מלאכותית נפרסת כסוכן בלתי מפוקח עם הרשאות ניהול, כשליה מתפשטים במהירות של תשתית.¹

Veriprajna נוסדה כמענה ישיר למשבר ארכיטקטוני זה. איננו פועלים בתוך כלכלת ה„עטיפות"; אנו ספק פתרונות Deep AI המתמקד בהנדסת מערכות שהן דטרמיניסטיות מעיצובן, ניתנות לביקורת כדרישה, וריבוניות בתשתיתן.² השם עצמו—נגזר מ-„Veri" (לטינית: אמת) ו-„Prajna" (סנסקריט: חוכמה)—משקף את מחויבותנו לפלטים שאינם רק סבירים לשונית אלא נכונים באופן ניתן לאימות ובטוחים באופן חוקתי.² נייר עמדה זה בוחן את כשלי האבטחה הקטסטרופליים של 2025 כעדשה אבחנתית שדרכה ניתן לראות את ההכרח בפרדיגמה ארכיטקטונית חדשה: הארגון הקוגניטיבי הנוירו-סימבולי.

האנטומיה של מחזור הפריצות של 2025: סקירה אבחנתית

נוף האיומים העכשווי אינו מוגדר עוד רק על ידי שחקנים חיצוניים המבקשים לעקוף חומות אש. הוא מוגדר יותר ויותר על ידי הסיכונים ה„סוכניים" הגלומים בכלי הבינה המלאכותית עצמם. שלוש תקריות מרכזיות ב-2025—פגיעות הרצת הקוד מרחוק (RCE) ב-GitHub Copilot, חשיפת „נתוני הזומבי" דרך Microsoft Bing, ופגיעת שרשרת האספקה של Amazon Q—מספקות טקסונומיה מקיפה של הסיכונים החדשים הניצבים בפני הארגון המודרני.

ה-RCE ב-GitHub Copilot ‏(CVE-2025-53773): כשל בהפרדת הרשאות

באוגוסט 2025 חשפו חוקרי אבטחה פגיעות קריטית של הרצת קוד מרחוק ב-GitHub Copilot וב-Visual Studio 2022, המסומנת כ-CVE-2025-53773.⁴ תקרית זו הייתה אירוע מכונן משום שהדגימה כיצד אינטראקציה לשונית טהורה—פרומפט—יכולה להסלים להשתלטות מלאה על מערכת תחנת העבודה של המפתח.

הליבה הטכנית של הפגיעות נבעה מיכולתו של סוכן Copilot לשנות קובצי תצורת סביבת עבודה ללא אישור מפורש של אדם-בלולאה (HITL).⁶ תוקף יכול היה למסור מטען זדוני באמצעות „הזרקת פרומפט צולבת" שהושתלה בקובץ README, בהערת קוד מקור, או אף ב-issue של GitHub המשויך לפרויקט.⁵ כאשר מפתח ביקש מהבינה המלאכותית „לסקור את הקוד" או „להסביר את הפרויקט", ההוראות החבויות היו מפעילות את הסוכן לשנות את הקובץ .vscode/settings.json, ולהוסיף את השורה "chat.tools.autoApprove": true.⁵

שינוי זה הפעיל מצב ניסיוני הידוע בכינוי „מצב YOLO", שבו הוענקה לעוזר הבינה המלאכותית הסמכות להריץ פקודות מעטפת, לגלוש באינטרנט ולקיים אינטראקציה עם מערכת הקבצים המקומית ללא כל אישור נוסף מהמשתמש.⁵ לאחר שהגיע למצב זה, ניתן היה להורות לסוכן להוריד נוזקה, להוציא אישורים, או אף להפוך את תחנת העבודה לצומת בבוטנט „ZombAI".⁵ הטבלה הבאה מפרטת את מדדי החומרה המשויכים לפגיעות זו:

מדד	ערך	הקשר טכני
ציון בסיס CVSS	7.8 (גבוה)	משקף השפעה גבוהה על סודיות, שלמות וזמינות.4
וקטור תקיפה	מקומי	הניצול מתרחש באמצעות אינטראקציה עם קובץ מקומי המופעלת על ידי הקשר הבינה המלאכותית.4
מזהה CWE	CWE-77	נטרול לא תקין של רכיבים מיוחדים המשמשים בפקודה.5
סיווג פגיעות	Prompt-to-RCE	הסלמת הוראה לשונית לביצוע בינארי.6
גרסאות מושפעות	VS 2022 v17.14.0 - 17.14.11	תוקן ב-v17.14.12 שיצא ב-12 באוגוסט 2025.4

⁴

התובנה מסדר שני מתקרית Copilot היא שבקרות גישה מסורתיות אינן מספיקות לבינה מלאכותית סוכנית. משום שהבינה המלאכותית פועלת „בשם" המשתמש, היא יורשת לעיתים קרובות את מלוא הרשאותיו. ללא שכבה ארכיטקטונית שאוכפת לוגיקה דטרמיניסטית—בלתי תלויה בפרומפט הלשוני—הבינה המלאכותית נותרת וקטור מהיר להסלמת הרשאות. Veriprajna מתמודדת עם זאת באמצעות יישום „מעקות בטיחות חוקתיים" האפויים בארכיטקטורת זמן הריצה של המערכת, ומבטיחים שקובצי תצורה מסוימים או קריאות מערכת אינם נגישים פיזית למנוע העצבי, ללא קשר לשכנוע שבפרומפט.²

משבר „נתוני הזומבי": החבות הקבועה של מטמון Bing

התקרית המרכזית השנייה של 2025 עלתה בפברואר, כאשר חוקרים ב-Lasso Security זיהו חשיפת נתונים מסיבית שהשפיעה על יותר מ-16,000 ארגונים.⁸ פריצה זו הציגה לתעשייה את מושג „נתוני הזומבי"—מידע ששורד במטמוני שליפה של בינה מלאכותית זמן רב לאחר שנמחק או הפך לפרטי במקור.⁹

שורש הבעיה נעוץ באינטגרציה בין Microsoft Copilot למנגנון האינדוקס של מנוע החיפוש Bing. Bing סרק ושמור במטמון אלפי מאגרי GitHub שהיו ציבוריים בזמן האינדוקס. כאשר אותם מאגרים הפכו לאחר מכן לפרטיים או נמחקו—לעיתים קרובות משום שנמצאו בהם סודות רגישים—הנתונים שבמטמון נותרו זמינים למערכת היצירה מוגברת-השליפה (RAG) של Bing.⁸ כתוצאה מכך, כל מי שהשתמש ב-Copilot יכול היה שלא במתכוון (או בזדון) לשאול את הבינה המלאכותית לקטעי קוד, חבילות פנימיות או אישורים ממה שהיו אמורים להיות ארכיונים ארגוניים פרטיים.⁸

היקף החשיפה כלל כמה מהישויות הטכנולוגיות הבולטות בעולם:

ארגון	נכסים שנפגעו	השלכות אבטחה
IBM, Google, Tencent, PayPal	מאגרי GitHub פרטיים	חשיפת קניין רוחני קנייני ותיעוד פנימי.8
ארגונים כלליים	20,000+ מאגרים שחולצו	חשיפה רחבה של בסיסי קוד ארגוניים.8
סודות מפתחים	300+ אסימונים/מפתחות פרטיים	גישה לסביבות GCP, OpenAI, Hugging Face ו-AWS.8
שרשרת אספקה	100+ חבילות פנימיות	פגיעות להתקפות בלבול תלויות.8

⁸

מחקר Lasso מדגיש פגם יסודי במודל ה„עטיפה" של פריסת בינה מלאכותית: ריבונות הנתונים מוקרבת למען הנוחות. כאשר ארגון משתמש בספק בינה מלאכותית של צד שלישי הנשען על מנוע חיפוש ציבורי להקשר, הוא מאבד למעשה שליטה על מחזור החיים של הנתונים שלו.⁸ Veriprajna ממתנת זאת באמצעות „תשתית ריבונית", שבה מודל הבינה המלאכותית נפרס במלואו בתוך סביבת הלקוח עצמה, עם אפס תלויות במטמוני חיפוש חיצוניים או בממשקי API של צד שלישי.² על ידי שמירה על מערכת שליפה ב„לולאה סגורה", אנו מבטיחים שחשיפות „זומבי" בלתי אפשריות מבחינה טכנית.

פגיעת ההרחבה Amazon Q: הרעלת מנוע ההצעות

העמוד השלישי של משבר 2025 היה הפגיעה בהרחבת Amazon Q Developer עבור Visual Studio Code ביולי.¹³ זו הייתה התקפת שרשרת אספקה קלאסית שהדגימה כיצד ניתן לגייס את ה„מועילות" של הבינה המלאכותית נגד המפתחים עצמם שהיא אמורה לסייע להם.

ההתקפה התאפשרה בזכות אסימון GitHub בעל היקף לא תקין בשירות CI/CD (CodeBuild) ששימש לניהול המאגר aws-toolkit-vscode.¹⁵ דבר זה אפשר לתוקף לבצע commit לקובץ זדוני בשם src/amazonq/prompts/cleaner.md ישירות אל עץ המקור.¹³ קובץ זה היה „תבנית פרומפט"—מערכת הוראות שההרחבה הייתה מזינה אוטומטית לבינה המלאכותית של Amazon Q כדי להנחות את יצירת הקוד שלה.¹³

הפרומפט הזדוני, בשם מטעה „cleaner", הורה לבינה המלאכותית להתנהג כמנקה מערכת הרסני.¹³ הוא דחק בבינה המלאכותית להציע פקודות Bash שימחקו את ספריית הבית של המשתמש ויבצעו קריאות AWS CLI לסיום מופעי EC2, מחיקת דליי S3 והסרת משתמשי IAM.¹³ משום שמפתחים סומכים לעיתים קרובות על קוד שנוצר בבינה מלאכותית ללא אימות שורה-אחר-שורה, נוכחותן של הצעות אלה בעדכון רשמי מהימן הציבה סיכון קיומי הן לסביבות פיתוח מקומיות והן לתשתית ענן בייצור.¹³

רכיב התקרית	פרט טכני
נקודת כניסה	אסימון GitHub שגוי-תצורה ב-CodeBuild.15
קובץ שהוזרק	cleaner.md (תבנית פרומפט זדונית).13
וקטורים עיקריים	מקומי rm -rf, ענן aws ec2 terminate-instances.13
מנגנון התגנבות	הוראות לדלג על קבצים נסתרים; רישום ל-/tmp/CLEANER.LOG.13
הפצה	גרסה 1.84.0 ב-VS Code Marketplace (950k+ התקנות).13

¹³

תקרית Amazon Q מוכיחה ש„פרומפטים הם הקוד החדש". אם ארגון אינו מאבטח את תבניות הפרומפט שלו באותה קפדנות שהוא מחיל על הבינאריים שלו, הוא משאיר חור פעור בשרשרת אספקת התוכנה שלו.¹⁶ ב-Veriprajna אנו מתייחסים לקובצי פרומפט כארטיפקטים הרצה החייבים לעבור חתימה קריפטוגרפית וסקירת אבטחה קפדנית לפני שיותר להם להשפיע על התנהגותה של מערכת סוכנית.¹⁰

פרדיגמת Veriprajna: מהסתברות סטוכסטית לאמת נוירו-סימבולית

הכשלים של Copilot, Bing ו-Amazon Q אינם תקריות מבודדות; הם כשלים מערכתיים של מודלים הסתברותיים טהורים. מודלי שפה גדולים (LLMs) מסורתיים הם במהותם „מנועים סטוכסטיים" החוזים את האסימון הסביר הבא על בסיס דפוסים סטטיסטיים.¹⁸ אף שהם מצטיינים בשטף שפה טבעית, חסר להם מסגרת אפיסטמולוגית—הם אינם מבינים „אמת", רק „סבירות".²

Veriprajna מתמודדת עם זאת באמצעות ארכיטקטורת מערכות היברידיות הממזגות שתי תרבויות מובחנות של בינה מלאכותית:

1. המערכת הקונקציוניסטית/עצבית (מערכת 1): זו משמשת כ„קול". היא מטפלת בתפיסת שפה טבעית, בזיהוי דפוסים ובאינטואיציה יצירתית. זהו הממשק שמבין את כוונת המפתח.¹⁸
2. המערכת הסימבולית/לוגית (מערכת 2): זו משמשת כ„מוח". היא מטפלת בחשיבה דטרמיניסטית, בחישובים ניתנים לביקורת ובאכיפת אילוצים ייעודיים לתחום. זהו המנוע שמבטיח שפעולות הבינה המלאכותית עקביות לוגית ובטוחות.¹⁸

על ידי ניתוק ה„קול" מה„מוח", אנו מבטיחים שלא ניתן לרמות את הבינה המלאכותית באמצעות פרומפט משכנע לבצע פעולה לא בטוחה. אם מודל עצבי (מערכת 1) מציע פקודה המפרה כלל לוגיקה קשיח המוגדר במנוע הסימבולי (מערכת 2)—כגון „לעולם אל תמחק מסד נתונים ב-VPC ייצור"—הפעולה נחסמת בווטו לפני שניתן לבצעה.¹⁸

מעקות בטיחות ארכיטקטוניים מול מעקות בטיחות לשוניים

הגישה הנוכחית של התעשייה לבטיחות בינה מלאכותית נשענת בכבדות על „מעקות בטיחות לשוניים"—הוראות האומרות לבינה המלאכותית „להיות מועילה וחסרת נזק". אולם, כפי שהראו פריצות 2025, ניתן לעקוף אותם בקלות באמצעות „פריצת כלוב" או הזרקת פרומפט עקיפה.¹⁹

Veriprajna מיישמת „מעקות בטיחות ארכיטקטוניים" האפויים בזמן הריצה של המערכת. אנו משתמשים במנגנון הנקרא אימות KG-Trie, שבו פלט של מודל עצבי מוגבל על ידי גרף ידע (KG). אם המודל מנסה לייצר עובדה, ציטוט או פקודה שאינם קיימים בתוך ה-KG המאומת, המערכת מונעת פיזית את יצירת אותם אסימונים.²

בהקשר של תשתית כקוד (IaC), משמעות הדבר היא שהסוכנים שלנו אינם מסוגלים פיזית לייצר פקודת terraform destroy אלא אם המצב הסימבולי הספציפי של זרימת העבודה מתיר זאת, ללא קשר למה שנכתב בתבנית הפרומפט.²

רשתות עצביות מונחות-פיזיקה ובינה מלאכותית ילידת-קצה

גישת ה„Deep AI" שלנו מתרחבת מעבר למודלים לשוניים אל תחום ראיית המחשב והאוטומציה התעשייתית. עבור לקוחות הביטוח והייצור שלנו, אנו בונים ארכיטקטורות עצביות „מונחות-פיזיקה".²¹ בפורנזיקה ביטוחית, במקום להשתמש ב-API ראייה כללי כדי „לנחש" נזק לרכב, המודלים שלנו משתמשים ב-פילוח סמנטי וב-הערכת עומק מונוקולרית כדי לחשב את הנפח הממשי של שקע ולאמת רציפות פני שטח באמצעות ניתוח השתקפות ספקולרית.²¹

בסביבות תעשייתיות אנו פותרים את „משבר ההשהיה" על ידי התרחקות מארכיטקטורות התלויות בענן.²² בינה מלאכותית מסורתית מבוססת-ענן סובלת מריצוד רשת, מה שהופך בקרה דטרמיניסטית של מכונות במהירות גבוהה לבלתי אפשרית.²² אנו פורסים מודלים שעברו קוונטיזציה ישירות על התקני קצה (למשל NVIDIA Jetson), ומפחיתים את השהיית ההסקה מ-800ms ל-12ms.²² לניטור אקוסטי אנו מיישמים מודלי TinyML על מיקרו-בקרים שיכולים להפעיל מתג חירום תוך 5ms בלבד בעת זיהוי החתימה הספקטרלית של כשל מיסב.²²

$$Latency_{Edge} \ll Latency_{Cloud} + Network\ Jitter$$

על ידי השבת זמן דטרמיניסטי לרצפת הייצור, Veriprajna מבטיחה שהבינה המלאכותית היא כלי לשליטה, לא מקור לסיכון סטוכסטי.

NIST AI RMF 2.0 והדרך לבשלות

כדי לסייע לארגונים לנווט בנוף מורכב זה, Veriprajna מיישרת את הפריסות שלה עם מסגרת ניהול סיכוני הבינה המלאכותית המתפתחת של NIST (AI RMF) ועם עשרת הגדולים של OWASP ל-2025 ליישומי LLM.²³ השגת „בשלות בינה מלאכותית" אינה עניין של תיקון פגיעויות בודדות; היא עניין של הקמת מחזור חיים רציף של ממשל, מדידה וניהול.

עשרת הגדולים של OWASP ל-2025 ליישומי LLM

עדכון OWASP ל-2025 משקף את הבשלת איומי הבינה המלאכותית, ומעלה חששות כמו „סוכנות מופרזת" ו„דליפת פרומפט מערכת" לראש רשימת העדיפויות.²⁴

דירוג	מזהה סיכון	קטגוריית איום	הפחתה עיקרית
1	LLM01:2025	הזרקת פרומפט	סינון קלט ופענוח מרוסן.24
2	LLM02:2025	חשיפת מידע רגיש	אנונימיזציה של תגובות ומיסוך נתונים.24
3	LLM03:2025	שרשרת אספקה	AIBOM וזיהוי אנומליות אצל מתחזקים.10
4	LLM04:2025	הרעלת נתונים ומודלים	בדיקות מוצא והערכה רציפה.24
6	LLM06:2025	סוכנות מופרזת	הרשאה מזערית ושערי אדם-בלולאה.24

²⁴

ה-RCE של Copilot היה ביטוי ישיר של סוכנות מופרזת (LLM06), בעוד שהרחבת Amazon Q הייתה כשל באבטחת שרשרת אספקה (LLM03).¹³ הארכיטקטורה של Veriprajna מתוכננת למפות ישירות לסיכונים אלה, ומספקת הגנה מאוחדת שמגשרת על הפער בין AppSec מסורתי לאבטחת בינה מלאכותית מודרנית.

יישום מחזור החיים המאובטח לפיתוח תוכנת בינה מלאכותית (SSDLC)

אסטרטגיית בינה מלאכותית בוגרת דורשת הטמעת אבטחה בכל שלב של תהליך הפיתוח—מאיסוף דרישות ועד ניטור בזמן ריצה.²⁶

1. דרישות/עיצוב: אנו מבצעים מידול איומים ייעודי ליכולות סוכניות, ומזהים „גבולות אמון" שבהם הבינה המלאכותית מקיימת אינטראקציה עם ממשקי API חיצוניים או קבצים מקומיים.²⁷
2. פיתוח: אנו אוכפים הנחיות קידוד מאובטח ומשתמשים ב-SAST (בדיקת אבטחת יישומים סטטית) כדי לסרוק מבני פרומפט לא בטוחים ודליפת אישורים בנתוני אימון.²⁷
3. בדיקות/QA: אנו מתקדמים מעבר לבדיקות יחידה פשוטות של „עבר/נכשל", ומיישמים בדיקות מוטציה ו-פאזינג כדי לחשוף כיצד סוכן עשוי להתנהג בתנאים אדוורסריים או במקרי קצה בלתי צפויים.²⁶
4. פריסה: כל ארטיפקט בנייה נחתם, והגיבוב שלו נרשם בנתיב ביקורת ניתן לאימות. אנו משתמשים בשערי תשתית כקוד (IaC) כדי להבטיח שאף פריסה מונעת-בינה-מלאכותית לא תוכל להתקדם בלי לעמוד ברשימות ההיתר של מדיניות האבטחה.²⁶
5. ניטור: אנו בונים „פרופילי התנהגות בסיס" לכל סוכן בינה מלאכותית, ועוקבים אחר דפוסי קריאות API, נפחי גישה לנתונים וצריכת משאבים כדי לזהות אנומליות בזמן אמת.²⁸

סיכום: השבת הריבונות בעידן האוטונומיה

פריצות 2025 סיפקו קריאת השכמה מכרעת להנהלה הבכירה: מודל ה„עטיפה" של בינה מלאכותית אינו עוד אסטרטגיה ארגונית בת-קיימא. הסיכונים של הרצת קוד מרחוק, חשיפת „נתוני זומבי" והרעלת שרשרת אספקה אינם תיאורטיים; הם תקריות שהתממשו והשפיעו על כמעט מיליון מפתחים ועל 16,000 ארגונים.⁸

Veriprajna מספקת את הדרך קדימה. על ידי התרחקות מקופסאות שחורות הסתברותיות והתקדמות לעבר תשתית נוירו-סימבולית וריבונית, אנו מאפשרים לארגון להשיב את חפיר הנתונים שלו ואת הוודאות התפעולית שלו. אנו מאמינים שבינה מלאכותית לא צריכה להיות מקור ל„עיוורון פקודות", שבו פריצות נותרות בלתי מזוהות ובלתי ניתנות למעקב.¹⁰ במקום זאת, היא צריכה להיות הרחבה ניתנת לביקורת ודטרמיניסטית של חוכמה אנושית.

עתיד הבינה המלאכותית בדרגה תעשייתית טמון בארכיטקטורה, לא רק בממשקים. הוא טמון בפתרונות Deep AI שמוכיחים את החשיבה שלהם, מגנים על הנתונים שלהם ומבצעים בדיוק פיזי. Veriprajna היא האדריכל של אותו עתיד.²

מקורות שצוטטו

1. State of AI 2025: Year in Review & Analysis - Lumenova AI, אוחזר ב-9 בפברואר 2026, https://www.lumenova.ai/blog/state-of-ai-2025/
2. About Us - Veriprajna, אוחזר ב-9 בפברואר 2026, https://Veriprajna.com/about
3. Beyond the Visible: Hyperspectral Deep Learning in Agriculture - Veriprajna, אוחזר ב-9 בפברואר 2026, https://Veriprajna.com/technical-whitepapers/agtech-hyperspectral-deep-learning
4. CVE-2025-53773 - Exploits & Severity - Feedly, אוחזר ב-9 בפברואר 2026, https://feedly.com/cve/CVE-2025-53773
5. CVE-2025-53773 Impact, Exploitability, and Mitigation Steps | Wiz, אוחזר ב-9 בפברואר 2026, https://www.wiz.io/vulnerability-database/cve/cve-2025-53773
6. GitHub Copilot: Remote Code Execution via Prompt Injection (CVE ..., אוחזר ב-9 בפברואר 2026, https://embracethered.com/blog/posts/2025/github-copilot-remote-code-execution-via-prompt-injection/
7. CVE-2025-53773 Detail - NVD - NIST, אוחזר ב-9 בפברואר 2026, https://nvd.nist.gov/vuln/detail/CVE-2025-53773
8. Lasso Finds Exposed GitHub Repos via Bing Copilot Cache, אוחזר ב-9 בפברואר 2026, https://www.lasso.security/resources/lasso-uncovers-sensitive-private-github-repositories-exposed-in-microsoft-copilot
9. Microsoft's Copilot found exposing thousands of private GitHub repositories, אוחזר ב-9 בפברואר 2026, https://www.nudgesecurity.com/post/microsofts-copilot-found-exposing-thousands-of-private-github-repositories
10. Supply Chain Vulnerabilities - Nocturnalknight's Lair, אוחזר ב-9 בפברואר 2026, https://nocturnalknight.co/category/information-security/supply-chain-vulnerabilities/
11. Exposed GitHub Repositories: How Copilot's Cache Created a Security Risk - FrozenLight, אוחזר ב-9 בפברואר 2026, https://www.frozenlight.ai/post/kobi/341/github-copilot-bing-leak/
12. Microsoft Copilot flaw exposes thousands of private GitHub repositories | Ctech, אוחזר ב-9 בפברואר 2026, https://www.calcalistech.com/ctechnews/article/hjuo8f25kl
13. The Amazon Q VS Code Prompt Injection Explained: Impact and Learnings for DevOps, אוחזר ב-9 בפברואר 2026, https://medium.com/@ismailkovvuru/the-amazon-q-vs-code-prompt-injection-explained-impact-and-learnings-for-devops-3a9d2f752dea
14. Hacker Injects Destructive Commands into Amazon Q AI Coding ..., אוחזר ב-9 בפברואר 2026, https://oecd.ai/en/incidents/2025-07-23-581e
15. How AWS averted an AI coding supply chain disaster | ReversingLabs, אוחזר ב-9 בפברואר 2026, https://www.reversinglabs.com/blog/aws-amazonq-ai-incident
16. When AI Assistants Turn Against You: The Amazon Q Security Wake-Up Call - DevOps.com, אוחזר ב-9 בפברואר 2026, https://devops.com/when-ai-assistants-turn-against-you-the-amazon-q-security-wake-up-call/
17. Hacker inserts destructive code in Amazon Q tool as update goes live - CSO Online, אוחזר ב-9 בפברואר 2026, https://www.csoonline.com/article/4027963/hacker-inserts-destructive-code-in-amazon-q-as-update-goes-live.html
18. The Cognitive Enterprise: Neuro-Symbolic Truth vs. Stochastic ..., אוחזר ב-9 בפברואר 2026, https://Veriprajna.com/technical-whitepapers/cognitive-enterprise-neuro-symbolic-truth
19. Glossary of AI Terms in Security Solutions, אוחזר ב-9 בפברואר 2026, https://www.securityindustry.org/report/glossary-of-ai-terms-in-security-solutions/
20. Safeguard your generative AI workloads from prompt injections | AWS Security Blog, אוחזר ב-9 בפברואר 2026, https://aws.amazon.com/blogs/security/safeguard-your-generative-ai-workloads-from-prompt-injections/
21. The Forensic Imperative: Deterministic Computer Vision in Insurance - Veriprajna, אוחזר ב-9 בפברואר 2026, https://Veriprajna.com/technical-whitepapers/insurance-ai-computer-vision-forensics
22. The Latency Kill-Switch: Industrial AI Beyond the Cloud - Veriprajna, אוחזר ב-9 בפברואר 2026, https://Veriprajna.com/technical-whitepapers/industrial-ai-latency-edge-computing
23. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, אוחזר ב-9 בפברואר 2026, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
24. OWASP Top 10 for LLMs 2025: Key Risks and Mitigation Strategies - Invicti, אוחזר ב-9 בפברואר 2026, https://www.invicti.com/blog/web-security/owasp-top-10-risks-llm-security-2025
25. OWASP Top 10 Risks for Large Language Models: 2025 updates - Barracuda Blog, אוחזר ב-9 בפברואר 2026, https://blog.barracuda.com/2024/11/20/owasp-top-10-risks-large-language-models-2025-updates
26. What Is SDLC Security? - Palo Alto Networks, אוחזר ב-9 בפברואר 2026, https://www.paloaltonetworks.com/cyberpedia/what-is-secure-software-development-lifecycle
27. Secure SDLC: A Comprehensive Guide | Secure Software Development Life Cycle - Snyk, אוחזר ב-9 בפברואר 2026, https://snyk.io/articles/secure-sdlc/
28. Security for AI Agents: Protecting Intelligent Systems in 2025, אוחזר ב-9 בפברואר 2026, https://www.obsidiansecurity.com/blog/security-for-ai-agents
29. Agentic AI Security: A Guide to Threats, Risks & Best Practices 2025 | Rippling, אוחזר ב-9 בפברואר 2026, https://www.rippling.com/blog/agentic-ai-security