30. juli 2026 flyttede Check Point AI‑overvågning ind i selve firewallen. Produktet hedder AI Network Firewall og udgives med firewall‑softwaren R82.20. Formålet er ikke kun at se, at en bruger kontakter en AI‑tjeneste, men at se hvad der faktisk sendes: prompts, filer og spor af agenthandlinger.
Timingen er praktisk. Generativ AI er flettet ind i værktøjer, scripts og små agenter – ofte uden at nogen kalder det “AI”. Hvis netværket kun ser destinationer og ikke indhold eller hensigt, opstår et hul. Her siger Check Point, at de kan give synlighed og kontrol i realtid fra eksisterende gateways, uden nyt udstyr.
Hurtigt overblik
Produktet er ifølge Check Point og dækningen hos Unite.ai tilgængeligt nu i R82.20. Det kører på eksisterende gateways og kræver ikke ny infrastruktur. Fokus er inspektion på prompt‑ og agentniveau i firewall‑laget for at lukke et AI‑blindspot, hvor traditionelle firewalls mangler sprog for prompts, modelkald og agentkontekst.
Lad os gøre det konkret. En klassisk firewall kan typisk se, at en medarbejder går til en AI‑tjeneste, men ikke hvad der postes derind. Den nye funktion vil gøre selve indholdet, mønstre og handlinger ved AI‑brug synlige og håndterbare. Ikke trylleri – men et skifte i, hvor overvågningen ligger.
Hvad produktet gør og hvordan det leveres
- Inspektion på prompt‑ og agentniveau: vurderer prompts, filer og autonome agenthandlinger i trafikken.
- Leveres i Check Point firewall‑software R82.20.
- Kører på eksisterende gateways; ingen ny infrastruktur, ifølge producenten.
- Positioneres som en del af et “AI Defense Plane” på netværket.
For drift betyder det en almindelig softwareopgradering fremfor et nyt sidestillet produkt. Mindre capex, mere konfiguration og policyarbejde. Og test, før det rammer produktion.
Hvorfor traditionelle firewalls ikke ser prompts
Krypteret webtrafik og API’er skjuler indhold for klassisk netværksinspektion. Uden indblik i applikationslaget ser en firewall forbindelser, domæner, måske SNI og certifikater – ikke teksten i en prompt eller strukturen i en filupload. Det rækker ikke til AI‑misbrug, datalæk i prompts eller autonome agenter, der går ud over planen.
Med generativ AI bliver nyttelasten sproglig og kontekstbåret: tekst, kode, bilag. Signaturer rækker kun et stykke. Her handler “inspektion” om semantik og adfærd – højere i stacken end en firewall normalt kigger.
Hvad Check Point selv siger
Check Point beskriver AI Network Firewall som en måde at lukke et AI‑blindspot ved at bringe synlighed og kontrol ind i den firewall, kunder allerede driver. Ifølge presseteksten konvergerer hver prompt, hvert modelkald og hver agentinteraktion i netværket, mens traditionelle firewalls ikke var bygget til at se eller styre det. Løftet er realtidskontrol uden ny infrastruktur og uden at rive arkitekturen op.
Dækningen hos Unite.ai bekræfter de centrale fakta: produktnavn, R82.20, datoen 30. juli 2026 og målet om at inspicere indhold, ikke kun destinationer. Ingen fuld teknisk manual endnu – det må komme senere.
Hvad branchen peger på
Unite.ai fremhæver hullet: virksomheder kan se forbindelser til AI‑tjenester, men ikke hvad der forlader virksomheden i prompts og filer. Det er her, værktøjet prøver at gøre en forskel.
Towards AI peger samtidig på en strukturel svaghed i Model Context Protocol‑integrationer: agenter kan beholde (for) brede rettigheder for længe, fordi der mangler et eksplicit tilbagekaldelseslag. Det er ikke Check Points løfte at fikse autorisation i MCP, men konteksten er vigtig: netværksinspektion kan bremse og alarmerere – den ændrer ikke selve gearkassen.
Konsekvens for governance og synlighed
Når prompts bliver synlige i netværkslaget, kan politikker skrives mere granuleret. Ikke kun “tillad eller blokér domæne,” men fx “stop deling af personoplysninger i fritekst” eller “advar ved upload af kundelister til en offentlig model.” Logning ændrer sig også: man kan eftervise, hvad der blev sendt ud, og hvornår. Hændelsesrespons kan gå hurtigere, hvis logningen er korrekt og beskyttet.
Det kræver nye kategorier. Hvad er “skadelig promptadfærd” i salg kontra udvikling? Hvordan ser legitim deling af syntetiske data ud i loggen? Uden taksonomier bliver regler enten for brede og støjende eller for snævre og blinde.
Implementering og drift i praksis
En typisk vej: opgradér til R82.20, aktiver AI‑inspektion, og start i “monitor only” for at basel ine mønstre, før der håndhæves. Det lyder ligetil, men påvirkning af performance, hukommelse og latency er sandsynlig, når inspektionen bevæger sig højere i stacken og bruger mere avanceret klassifikation.
Der er også datapolitik. Når en gateway ser prompter, ser den potentielt persondata og forretningshemmeligheder. Det forudsætter dataminimering, maskering hvor muligt og stram rollebaseret adgang til logs. Ellers løser man ét problem og skaber to. Falske positiver kommer også. Et staging‑miljø med gennemprøvede regler er ikke pynt – det er nødvendigt for ikke at stoppe forretningen en tirsdag formiddag.
Agent‑ og MCP‑problemet
MCP giver agenter en fælles måde at tale med værktøjer på. Smart – men uden udløb og konsekvent tilbagekaldelse kan agenter få mere adgang end nødvendigt, længere end nødvendigt. Towards AI beskriver det som en udbredt arkitektonisk svaghed.
Netværksinspektion kan opdage og blokere mistænkelige agentkald. Fint. Men kilden er rettighedsmodellen. Der er brug for en kontrolplan, hvor agentadgang gives, fornyes og tilbagekaldes eksplicit, og hvor logging ligger tæt på autorisationsbeslutningen. Ellers fanger firewallen symptomet, ikke årsagen. Godt første skridt – ikke nok alene.
Tekniske begrænsninger og usikkerheder
Kilderne siger ikke, hvordan løsningen håndterer krypteret trafik. Termineres TLS på gatewayen for inspektion i klartekst, eller arbejdes der udelukkende med metadata? Hvis førstnævnte, kræver det certifikatstyring og accept af man‑in‑the‑middle. Hvis sidstnævnte, hvor præcis kan indholdsinspektionen så være? Spørgsmålet er åbent.
Der er heller ingen benchmarks for latency eller throughput med AI‑inspektion aktiveret. Hvor mange samtidige sessioner, hvor lange prompts og hvor store filer understøttes – og med hvilken påvirkning? Også åbent. Det samme gælder integrationer: hvordan eksporteres logs til SIEM\/UEBA, i hvilket format, og hvilke felter for kontekst følger med? Uden de svar bliver drift og forensics vanskeligere end ønsket.
Tradeoffs i den virkelige verden
Mere inspektion giver typisk mere latency og kompleksitet – men også en bedre chance for at opdage datalæk i prompts og stoppe en agent, der løber løbsk. Balancen afhænger af, hvor skarpt politikkerne er designet og testet.
Privatliv og compliance er centrale. Overvågning af prompter kan omfatte persondata. Det kræver retligt grundlag, dokumenterede formål og klare retention‑politikker. Maskering og minimering bør være slået til fra dag ét – ellers bliver netværket et nyt persondatalager, ingen bad om.
Næste skridt for organisationer
Start med monitor‑mode for at kortlægge AI‑trafik og risici. Design derefter første bølge af politikker, der undgår forretningskritiske flows, og tilføj allowlists for kendt sikre værktøjer. Kør pilot i et afgrænset segment med klar rollback og kommunikation til brugere.
Gennemgå samtidig privacy‑kontroller: hvem må se promptlogs, hvor længe gemmes de, og er maskering på plads for fx personnumre og kundedata? Til sidst: bind det ind i SOC’et via SIEM – hvis integrationerne tillader det – og sæt faste cadencer for tuning baseret på hændelsesdata. Små skridt, faste ankre.
Konkurrentfeltet og sandsynlige reaktioner
Når en stor firewall‑leverandør flytter AI‑inspektion ind i gatewayen, følger andre efter. Forvent udmeldinger fra firewall‑ og SASE‑spillere om “AI‑aware” inspektion – først i skyen, siden on‑box. XDR‑leverandører vil pege på endpoint‑telemetri som nærmere indholdet. API‑sikkerhedsaktører vil forsøge at eje modelkald og værktøjsintegrationer, særligt omkring MCP‑flows. Mere støj, større behov for verificerbare sammenligninger.
Åbne spørgsmål til opfølgning
- Kryptering: Terminerer AI Network Firewall TLS på gatewayen for at inspicere prompter, og hvordan håndteres certifikater i enterprise‑skala?
- Ydelse: Findes dokumenterede målinger for latency\/throughput med AI‑inspektion, og på hvilke hardwareprofiler?
- Logintegration: Hvilke SIEM\/UEBA‑integrationer er out‑of‑the‑box, hvilket logformat bruges, og hvilke felter eksponeres (fx prompttekst, klassifikation, politik, handling, hash‑id)?
- Datahåndtering: Hvilke funktioner findes for maskering\/anonymisering, retention og adgangskontrol på prompt‑logs?
- False positives: Hvilke mekanismer begrænser støj – thresholds, feedback‑sløjfer, allowlists, manuelle godkendelsesflows?
- Agentstyring: Kan løsningen integrere med autorisationslag for MCP‑agenter for at tvinge tilbagekaldelse af værktøjsadgang, eller er omfanget begrænset til netværksblokering\/alarmer?
- Cloud‑modeller: Hvordan håndteres proprietære API‑protokoller hos store modeludbydere, når formater og endpoints ændres hyppigt?
Kort vurdering
Åbne spørgsmål om kryptering, integrationer og performance kan være forskellen på en god pilot og en rullende frustrator. Og agent‑autorisation forbliver en arkitektonisk udfordring, som ingen firewall alene løser. Det her er et skridt frem. Man mærker forskellen, når man har det i hænderne.
Bilag og metode
Fakta om produktnavn, release R82.20, funktionsbeskrivelse for prompt‑ og agentinspektion samt udsagnet om drift på eksisterende gateways uden ny infrastruktur er verificeret mod Check Points pressemeddelelse og Unite.ai. Annonceringsdatoen 30. juli 2026 er verificeret mod Unite.ai og konsistent med Check Points materiale. Beskrivelsen af det konventionelle firewall‑blindspot – at se forbindelsen men ikke prompt\/filer – er sammenfaldende i de to kilder.
Analytiske tolkninger her – betydning for governance, drift, privacy, mulige performance‑tradeoffs og anbefalet pilotforløb – er redaktionelle vurderinger baseret på de nævnte kilder og kendt praksis i netværkssikkerhed. Diskussionen af MCP‑svagheder bygger på Towards AI’s gennemgang af vedvarende\/for brede rettigheder i MCP‑integrationer. Åbne spørgsmål om TLS, SIEM‑integration, performance og datahåndtering er ikke besvaret i kilderne og markeret som emner til opfølgende interview med Check Points teknikteam eller referencekunder.
