本期聚焦兩項 AI 資安動向：Checkmarx 推出結合多種分析方式的程式碼掃描工具，以及 Qualys 提出涵蓋 Shadow GenAI、MCP 與代理式 AI 工作負載的治理方案。以下內容均依據原始資訊整理。
Checkmarx Fusion 開放早期存取
Checkmarx 發表 Checkmarx Fusion，目前以 early access 形式提供給既有客戶使用。原文：https://ift.tt/r9dQ2zH
採用混合式掃描設計
Checkmarx 將 Fusion 定位為混合式掃描產品，重點在於整合應用程式安全分析能力，而非僅依賴單一掃描方式。
瞄準 AI 產生程式碼的安全需求
Fusion 的應用情境包含 AI 產生的程式碼，反映企業在導入 AI 輔助開發後，仍需將產出納入既有 AppSec 檢測流程。
早期存取階段宜審慎驗證
由於產品目前仍處於 early access，導入團隊可優先檢視掃描結果是否符合內部開發流程與既有安全管控需求；原始資訊並未提供正式上市時程或成效數據。
企業 AI 導入速度超前治理控制
Qualys TotalAI 相關內容指出，AI 與大型語言模型工作負載的出現速度，可能快於資安團隊完成盤點或核准的速度。原文：https://ift.tt/fS4B6mr
Shadow GenAI 增加資產盤點難度
未經正式核准或未被集中管理的生成式 AI 使用情境，可能形成 Shadow GenAI，使資安團隊難以掌握實際存在的 AI 與 LLM 工作負載。
AI 治理需要可驗證證據
相關內容將 AI 治理描述為「證據問題」：只有政策、問卷與風險登錄資料，未必足以證明實際工作負載已符合組織要求。
治理範圍延伸至 MCP
Qualys TotalAI 將 MCP 納入治理範圍，顯示企業除了管理模型與應用程式，也需關注 AI 系統連接外部工具、服務及資料來源的使用情境。
代理式 AI 工作負載成為治理對象
Agentic AI 工作負載同樣被列為治理重點，反映 AI 系統具備自主執行能力後，其資產識別、核准狀態與風險證據需要納入持續管理。
治理工作應由文件走向落地執行
Qualys TotalAI 所強調的方向，是將 Shadow GenAI、MCP 與代理式 AI 的治理作業化；企業需能盤點實際工作負載，並取得足以支持稽核與風險判斷的證據。