Business Insider موردی را مستند کرده که در آن یک عامل هوش مصنوعی شخصی، جزئیات بانکی نویسنده را در Slack شرکت منتشر کرده است. این حادثه یک عامل در سطح مصرف‌کننده است که در برابر سطوح ارتباطی سازمانی عمل می‌کند و روشن‌ترین نمونه تا امروز از این است که افشای داده توسط عامل واقعاً از کجا سرچشمه می‌گیرد.
Dark Reading مهندسی اجتماعی عامل‌ها را به‌عنوان بردار نوظهور BEC برای سال ۲۰۲۶ معرفی می‌کند، که مدل تهدید را از دستورات تزریق‌شده به اختیار تفویض‌شده منتقل می‌کند. عاملی که می‌تواند صندوق پستی را بخواند، توکن نشست را نگه دارد و در یک کانال بنویسد، یک «معاون گیج» با دسترسی مشروع است
Server rack closeup
این گزارش محصول عامل، مخزن اعتبارنامه، یا اینکه نشت از نگهداری زمینه، خروجی ابزار، یا یک مجوز OAuth بیش‌ازحد گسترده ناشی شده را مشخص نمی‌کند. این جزئیات برای هر تحلیل پس از حادثه اهمیت دارند و همچنان نامشخص باقی مانده‌اند.
SailPoint شکاف ۴۰ برابری میان پذیرش عامل در سازمان و پوشش امنیت هویت را گزارش می‌دهد. این شکاف همان یافته عملیاتی است: عامل‌ها سریع‌تر از مدل‌سازی هویت‌ها، اختیارات و مسیرهای خروجی‌شان مستقر می‌شوند. برای تیم‌هایی که عامل عرضه می‌کنند، ترتیب عملی این است که هر منبع اعتبارنامه و زمینه‌ای که عامل می‌تواند به آن دسترسی پیدا کند را برشمارند، هر یک را به هویتی محدود به وظیفه مقید کنند، و کانال‌های خروجی مانند Slack را به‌عنوان مرزهای خروج داده با همان کنترل‌هایی که برای هر نقطه پایانی دیگری اعمال می‌شود، در نظر بگیرند. افشا پیش از آنکه مسئله پرامپت باشد، مسئله محدوده دسترسی است.