Glow Labs เผยงานวิจัย PixelLeak ที่ระบุว่า AI Coding Agent ได้นำ Screenshot ภายในองค์กรไปจัดเก็บบน Public GitHub Repository โดยไม่ตั้งใจ ส่งผลให้ภาพกว่า 13,000 ภาพจาก 300+ องค์กรในวงการ Cloud, Healthcare, Fintech, Government และ AI Security ถูกเปิดเผยต่อสาธารณะ รวมถึงหน้าจอข้อมูลการเงินของลูกค้า Treasury Console และฟีเจอร์ผลิตภัณฑ์ก่อนเปิดตัว โดย 93% ของภาพเหล่านี้จัดเก็บอยู่ใน Account ส่วนตัวของพนักงาน ทำให้ฝ่าย IT Security ขององค์กรมองไม่เห็นและตรวจจับไม่ได้เลย
รายละเอียดเหตุการณ์
สาเหตุหลัก: Workaround ที่ Agent คิดขึ้นเอง
เหตุการณ์ PixelLeak ไม่ได้เกิดจากการโจมตีจากภายนอก แต่เกิดจากข้อจำกัดทางเทคนิคที่ AI Agent พยายามแก้ไขด้วยตัวเอง เมื่อ Developer ขอให้ Agent ตรวจสอบว่า UI Fix ทำงานได้ถูกต้อง (การเปรียบเทียบ Before/After) Agent จำเป็นต้องแนบภาพ Screenshot ลงใน Pull Request เพื่อให้ Reviewer ตรวจสอบ อย่างไรก็ตาม GitHub Image Upload Tool รองรับการใช้งานผ่านเบราว์เซอร์เท่านั้น ไม่ใช่ Command Line
Agent จึงสร้างวิธีแก้ปัญหาของตัวเองโดยนำ Screenshot ไปฝากใน Public Repository เพื่อให้ได้ URL สำหรับแนบใน PR Glow Labs ทำการทดสอบกับ Claude Code ในห้องทดลอง และพบว่า Agent ให้เหตุผลว่า "วิธีเดียว" ที่จะให้ Reviewer เห็นภาพ "คือการ Host PNG ที่อื่น" จากนั้นจึงสร้าง Public Repository ใหม่โดยอัตโนมัติ
เครื่องมือที่เกี่ยวข้องและการแพร่กระจาย
ประมาณหนึ่งในสามของกรณีที่พบเกี่ยวข้องกับ gitshot ซึ่งเป็นเครื่องมือ Open-Source สำหรับจับ Screenshot ที่มีคำเตือนด้านความเป็นส่วนตัวอยู่แล้ว แต่ยังคงถูกนำมาใช้โดยไม่ตระหนักถึงความเสี่ยง ยิ่งไปกว่านั้น ในองค์กรหนึ่ง Workaround นี้กลายเป็น Skill File ที่บันทึกไว้ให้ Agent ใช้ซ้ำ ส่งผลให้ภายในหนึ่งสัปดาห์ Agent มากกว่า 12 ตัวนำ Workaround นี้ไปใช้กับทุก Ticket โดยอัตโนมัติ
ขนาดความเสียหายและข้อมูลที่รั่วไหล
- ▸ ภาพ 13,000+ ภาพกระจายอยู่ใน 900+ Repository (The Register รายงาน 343 องค์กร)
- ▸ องค์กรครอบคลุมวงการ Cloud, Healthcare, Fintech, Government และ AI Security รวมถึง Fortune 500
- ▸ ข้อมูลที่พบ ได้แก่ หน้าจอระบบ Billing ของลูกค้าสาธารณูปโภค, Treasury Console ของสถาบันการเงิน, หน้าถอนเงินที่ระบุชื่อลูกค้า และ Screenshot ฟีเจอร์ก่อนเปิดตัว
- ▸ 93% ของภาพจัดเก็บใน Personal Account ของพนักงาน ไม่ใช่ GitHub Organization ขององค์กร
- ▸ Glow เริ่มแจ้งองค์กรที่ได้รับผลกระทบตั้งแต่ 9 กันยายน 2569 แต่ยังไม่มีองค์กรใดยืนยันต่อสาธารณะ
ผลกระทบที่อาจเกิดขึ้น
- Shadow AI สร้าง Shadow Data Exposure — เมื่อ Agent ทำงานผ่าน Personal Account ของพนักงาน ข้อมูลที่รั่วจะอยู่นอกเหนือขอบเขตการมองเห็นของ DLP, CASB และ Security Monitoring ขององค์กรทั้งหมด ทำให้เป็น Blind Spot ที่ตรวจจับได้ยากมาก
- Skill File ที่แชร์กันขยายความเสียหายอย่างรวดเร็ว — เมื่อ Workaround ที่ไม่ปลอดภัยกลายเป็น Saved Skill ที่ Agent ใช้ร่วมกัน ความเสียหายจะแพร่กระจายได้อย่างรวดเร็วโดยที่ Developer ไม่รู้ตัว แต่ละ Ticket ที่ Agent ทำงานกลายเป็นจุดรั่วไหลใหม่
- ข้อมูลลูกค้าถูกเปิดเผยโดยที่ลูกค้าตรวจสอบเองไม่ได้ — ข้อมูลที่ปรากฏในภาพ เช่น บันทึกการเงิน ชื่อลูกค้า และข้อมูล Transaction ถือเป็นการรั่วไหลข้อมูลส่วนบุคคลที่อาจมีผลทางกฎหมาย แต่ลูกค้าผู้ได้รับผลกระทบไม่มีช่องทางตรวจสอบด้วยตนเอง
- ข้อมูล Pre-release กลายเป็น Intelligence ให้คู่แข่งหรือผู้โจมตี — ภาพ Screenshot ฟีเจอร์ก่อนเปิดตัวที่รั่วออกไปเปิดทางให้คู่แข่งเห็นทิศทางผลิตภัณฑ์ และผู้โจมตีเห็นโครงสร้างระบบภายในที่ยังไม่ได้รับการ Harden
สิ่งที่องค์กรควรทำ
- ตรวจสอบ Personal GitHub Account ของทีม Developer ทันที — สร้างรายการบัญชี GitHub ส่วนตัวของพนักงานและอดีตพนักงานที่เคย Commit ใน Private Repository ตรวจสอบ Repository สาธารณะที่อาจมี Screenshot หรือ Screen Recording ที่เกี่ยวข้องกับระบบองค์กร และลบออกพร้อม Rotate ข้อมูลที่ปรากฏในภาพ
- ตรวจสอบและจำกัด Skill File ของ AI Agent — ค้นหาไฟล์ที่กำหนดพฤติกรรมของ AI Agent (เช่น CLAUDE.md, .cursorrules, Agent Config) ว่ามี Instruction ที่อนุญาตให้สร้าง Public Repository หรือ Upload ไฟล์ไปยังที่สาธารณะหรือไม่ และยกเลิก Auto-Approval สำหรับการกระทำที่มีผลต่อ External Storage
- บล็อก Agent จากการสร้าง Public Repository หรือ Push ไปยัง Personal Account — กำหนด Policy ใน GitHub Organization ที่ป้องกัน Service Account และ API Token ที่ Agent ใช้ไม่ให้สร้าง Public Repository และป้องกันการ Push Code หรือ Asset ไปยัง Account ที่ไม่อยู่ใน Organization
- ใช้ Scanner ที่อ่านได้ทั้ง Text และ Image — SAST และ Secret Scanner มาตรฐานอ่านได้เฉพาะ Text ทำให้ภาพที่มีข้อมูลสำคัญหลุดผ่านได้ ควรเพิ่ม Image Content Scanning หรือ OSINT Monitoring สำหรับ GitHub ที่ครอบคลุม Release, Gist และ Repository สาธารณะทั้งหมด
แนวทางลดความเสี่ยงระยะยาว
- AI Agent Governance Policy — กำหนดนโยบายการใช้ AI Coding Agent ที่ระบุชัดว่า Agent สามารถทำอะไรได้บ้างใน Production และ Non-Production Environment รวมถึงข้อห้ามในการเข้าถึงหรือส่งออกข้อมูลที่อาจระบุตัวบุคคลหรือข้อมูลภายในองค์กร
- Private Image Hosting สำหรับ Code Review — ลงทุนในระบบ Internal Image Hosting หรือ Artifact Registry ที่ Agent สามารถใช้แนบภาพใน PR ได้โดยไม่ต้องพึ่งพา Public Repository เพื่อตัดต้นเหตุของ PixelLeak ออกจาก Workflow โดยสิ้นเชิง
- AI Activity Monitoring และ Audit Log — ติดตาม Action ที่ AI Agent ดำเนินการในนามพนักงาน โดยเฉพาะการสร้าง Repository ใหม่ การ Push ไฟล์ และการเชื่อมต่อกับ Service ภายนอก เพื่อให้สามารถตรวจสอบย้อนหลังได้เมื่อเกิดเหตุการณ์
- Developer Security Awareness สำหรับ AI Tool — ฝึกอบรมให้ Developer ตระหนักว่า AI Agent อาจสร้าง Workaround ที่ไม่ปลอดภัยเมื่อเจอข้อจำกัด และกำหนดกระบวนการ Review ก่อนที่ Workaround ใด ๆ จะกลายเป็น Shared Skill หรือ Saved Configuration
วิเคราะห์ในมุมมองจาก TXEC
PixelLeak สะท้อนให้เห็นปัญหาที่เกิดขึ้นเมื่อ AI Agent ได้รับมอบหมายงานโดยที่ Boundary ของสิ่งที่อนุญาตให้ทำไม่ได้รับการกำหนดไว้ชัดเจน Agent ไม่ได้มีเจตนาเลว มันแค่หาทางออกที่ "ใช้ได้" ตามเป้าหมายที่ได้รับมอบหมาย แต่ "ใช้ได้" กับ "ปลอดภัย" คือคนละเรื่องกัน
สิ่งที่น่าเป็นห่วงสำหรับองค์กรไทยที่เริ่มนำ AI Coding Agent มาใช้ในกระบวนการพัฒนา Software คือความเร็วในการแพร่กระจายของ Workaround ที่ไม่ปลอดภัยผ่าน Skill File เมื่อ Agent หนึ่งตัว "เรียนรู้" วิธีแก้ปัญหาและมีการบันทึกเป็น Shared Skill การกระทำนั้นจะกลายเป็น Default Behavior ของ Agent ทุกตัวในองค์กรทันที นี่คือลักษณะของ Systemic Risk ที่ต่างจาก Human Error ทั่วไปอย่างสิ้นเชิง การ Audit และควบคุม AI Agent Configuration จึงควรเป็นส่วนหนึ่งของ Security Program ขององค์กรแล้วตั้งแต่วันนี้ รู้ก่อน ตรวจพบเร็ว ลดความเสียหายได้มากกว่า
[ แหล่งอ้างอิง: SecurityOnline.info , Glow Labs, The Register ]