איך מנהלים סיכוני AI בארגון? הכירו את NIST AI Risk Management Framework

מערכות בינה מלאכותית כבר אינן ניסוי צדדי של מחלקת החדשנות. הן מסכמות מסמכים, מנתחות מידע, כותבות קוד, מתקשרות עם לקוחות, מסייעות בקבלת החלטות, ובמקרים של AI Agents גם מתחברות למערכות ארגוניות ומבצעות פעולות בפועל.

הבעיה היא שככל שהיכולות גדלות, גם מודל הסיכון משתנה.

אבטחת מידע מסורתית יודעת לשאול האם המערכת מוגנת, מי רשאי לגשת אליה והאם הנתונים מוצפנים. אבל במערכת AI נדרשות שאלות נוספות:

• האם התוצאה אמינה?
• האם המודל עלול לייצר מידע שגוי?
• איזה מידע מוזן אליו?
• האם קיימת הטיה?
• מי אחראי על החלטות שמתקבלות באמצעותו?
• ומה קורה כאשר המודל משתנה לאחר שכבר אושר לשימוש?

בדיוק לפער הזה נועד NIST AI Risk Management Framework – AI RMF.

המסגרת של המכון הלאומי האמריקאי לתקנים וטכנולוגיה – NIST, נועדה לסייע לארגונים לנהל את הסיכונים של מערכות AI באופן שיטתי לאורך מחזור החיים שלהן – בלי להפוך את ניהול הסיכון למחסום בפני שימוש בטכנולוגיה.

מהו NIST AI Risk Management Framework?

NIST פרסם את AI RMF 1.0 בינואר 2023 כמסגרת וולונטרית לניהול סיכוני AI. מאז הורחבה המסגרת באמצעות משאבים ו־Profiles ייעודיים, ובהם Generative AI Profile שפורסם ב־2024, ונכון ל-2026 גם AI RMF 1.0 עצמו נמצא בתהליך עדכון.

המטרה אינה להגדיר מוצר אבטחה מסוים או רשימת Controls קשיחה, אלא לתת לארגון שפה ותהליך משותפים שבאמצעותם ניתן לזהות, להעריך, לתעד ולנהל את הסיכונים הנובעים מפיתוח, רכישה, הטמעה ושימוש במערכות AI.

נכון לאוגוסט 2026, NIST מציין כי AI RMF 1.0 נמצא בתהליך עדכון, ולכן ארגונים שעובדים עם המסגרת צריכים לעקוב גם אחר הגרסה המתפתחת ולא להתייחס למסמך מ־2023 כאל מסגרת סטטית.

אחד היתרונות החשובים של ה-AI RMF הוא שהוא אינו מיועד רק למדעני נתונים.

המסגרת רלוונטית ל-CISO, DPO, מנהלי IT, מנהלי סיכונים, משפטנים, הנהלה, בעלי תהליכים עסקיים, צוותי פיתוח, רכש וספקים, למעשה לכל מי שמעורב בהחלטה כיצד AI נכנס לארגון ומה מותר לו לעשות.

לא כל מערכת AI "אמינה" רק משום שהיא עובדת

NIST מסתכל על Trustworthy AI בצורה רחבה.

לפי המסגרת, מערכת AI אמינה צריכה להיבחן בין היתר לפי מאפיינים של:

• Validity ו־Reliability
• Safety
• Security ו־Resilience
• Accountability ו־Transparency
• Explainability ו־Interpretability
• Privacy
• Fairness וניהול הטיות מזיקות

הנקודה החשובה היא שלא ניתן לבחון כל מאפיין בנפרד.

מערכת יכולה להיות מדויקת מאוד אבל לפגוע בפרטיות. היא יכולה להיות מאובטחת טכנולוגית אבל בלתי שקופה. היא יכולה לעבוד מצוין במעבדה ולהציג ביצועים שונים לחלוטין כאשר משתמשים בה באוכלוסייה, בשפה או בתהליך עסקי אחרים.

NIST מדגיש לכן שיש לאזן בין מאפייני האמינות בהתאם להקשר השימוש של כל מערכת.

ומה חשוב לדעת נכון ל-2026?

חשוב גם להבין ש־AI RMF 1.0 אינו מסמך שקפא בזמן. נכון לאוגוסט 2026, NIST מציין באופן רשמי כי המסגרת נמצאת בתהליך Revision וכי גרסה מעודכנת נמצאת בפיתוח. גם ה־AI RMF Playbook צפוי להתעדכן לאחר השלמת העדכון למסגרת עצמה.

עבור ארגונים שכבר אימצו את AI RMF, המשמעות אינה שצריך להמתין לגרסה הבאה. ניתן ואף נכון לעבוד כיום עם AI RMF 1.0 ועם ה־Generative AI Profile, אך במקביל לבנות את תהליך ה־AI Governance כך שיהיה ניתן לעדכן מדיניות, Risk Assessments ובקרות בהתאם להתפתחות ההנחיות.

זהו עיקרון חשוב בפני עצמו: ניהול סיכוני AI אינו פרויקט חד־פעמי אלא מסגרת שצריכה להתפתח יחד עם הטכנולוגיה, השימושים הארגוניים וההנחיות המקצועיות.

ארבע הפונקציות של NIST AI RMF

בלב המסגרת נמצאות ארבע פונקציות:

1. GOVERN
2. MAP
3. MEASURE
4. MANAGE

הן אינן Checklist ליניארי שמבצעים פעם אחת ומסיימים. NIST מדגיש שמדובר בתהליך מחזורי ורציף, כאשר GOVERN היא שכבה רוחבית שמלווה את יתר הפונקציות לאורך מחזור החיים של המערכת.

1. GOVERN – מי אחראי על ה-AI?

לפני שבודקים מודל, צריך לדעת מי מנהל אותו.

פונקציית GOVERN עוסקת במסגרת הארגונית שבתוכה מתקבלות החלטות לגבי AI: מדיניות, אחריות, תהליכים, Risk Appetite, תיעוד, דרישות משפטיות ורגולטוריות והגדרת תפקידים.

זו למעשה שכבת ה-AI Governance.

ארגון צריך לשאול:

• מי רשאי לאשר מערכת AI חדשה?
• מי אחראי על הסיכון העסקי שלה?
• מי בוחן פרטיות ואבטחת מידע?
• מי קובע מהו סיכון מקובל?
• מי רשאי לחבר Agent למידע ארגוני?
• ומהו התהליך כאשר הספק משנה את המודל?

NIST קובע במפורש כי דרישות משפטיות ורגולטוריות הנוגעות ל-AI צריכות להיות מובנות, מנוהלות ומתועדות, וכי מדיניות ותהליכים צריכים לשקף את סדרי העדיפויות ורמת הסיכון שהארגון מוכן לקבל.

זו נקודה משמעותית במיוחד עבור ארגונים שבהם AI כבר נכנס דרך עשרות SaaS, Copilots וכלי Generative AI שונים.

ללא GOVERN, קל מאוד להגיע למצב שבו כל מחלקה מנהלת AI לפי כללים אחרים.

2. MAP – להבין את ההקשר לפני שמדרגים סיכון

אי אפשר להעריך סיכון של AI בלי להבין למה המערכת משמשת.

פונקציית MAP נועדה לבנות את ההקשר.

לדוגמה, אותו מודל Generative AI יכול לשמש ארגון אחד לכתיבת רעיונות שיווקיים וארגון אחר לסיכום מידע רפואי או להמלצה על החלטות אשראי.

הטכנולוגיה עשויה להיות זהה – רמת הסיכון אינה זהה.

בשלב הזה נכון למפות בין היתר:

• מה מטרת המערכת?
• מי המשתמשים?
• איזה מידע נכנס אליה?
• איזה מידע היא מחזירה?
• האם היא מקבלת מידע אישי או רגיש?
• באילו החלטות נעזרים בתוצאה שלה?
• האם אדם בודק את הפלט?
• אילו ספקים וצדדים שלישיים מעורבים?
• לאילו מערכות היא מחוברת?
• מה עלול לקרות במקרה של שימוש שגוי או כשל?

NIST מגדיר את הקשר השימוש, המשתמשים, ההשפעות האפשריות, החוקים הרלוונטיים וההנחות לגבי המערכת כחלק מרכזי מפונקציית MAP.

מבחינה ארגונית, זהו השלב שבו AI Inventory הופך לכלי ניהולי חשוב.

לפני שאפשר לנהל סיכונים צריך לדעת אילו מערכות AI קיימות בכלל בארגון.

3. MEASURE – לא רק "נראה לנו שזה בטוח"

אחרי שהבנו את ההקשר ואת הסיכונים האפשריים, צריך לבדוק אותם.

פונקציית MEASURE עוסקת במדידה, הערכה, בדיקה וניטור של סיכוני AI באמצעות כלים כמותיים, איכותניים או שילוב ביניהם.

המדדים תלויים במערכת.

• במערכת אחת נרצה לבחון שיעור שגיאות
• באחרת – חשיפה של מידע רגיש.
• במערכת שלישית – Bias, Robustness או יכולת להתמודד עם קלט חריג.

במערכות Generative AI ייתכן שנרצה לבחון גם תרחישים כמו Hallucinations, שימוש לא נכון במידע, Prompt Injection או יצירת תוכן שאינו עומד במדיניות הארגון.

NIST מדגיש כי מערכות AI צריכות להיבדק לפני הפריסה וגם באופן שוטף לאחר שהן כבר פועלות. המסגרת ממליצה לתעד מדדים, מגבלות ותוצאות ולבחון מחדש את יעילות הבקרות לאורך זמן.

וזה הבדל חשוב מאוד לעומת פרויקט IT מסורתי:

אישור לעלות לייצור אינו סוף תהליך הערכת הסיכון.

AI יכול להשתנות בעקבות עדכון מודל, שינוי Data, שינוי Prompt, חיבור כלי נוסף או שינוי באופן שבו המשתמשים מפעילים אותו.

4. MANAGE – ומה עושים עם הסיכון שמצאנו?

זיהוי סיכון אינו ניהול סיכון.

פונקציית MANAGE מחברת את כל המידע שנאסף להחלטה עסקית.

הארגון צריך לתעדף את הסיכונים ולהחליט כיצד להגיב להם.

האפשרויות מוכרות מעולמות Risk Management:

• Mitigate – לצמצם
• Avoid – להימנע
• Transfer – להעביר
• Accept – לקבל

אבל NIST מוסיף שאלה חשובה במיוחד:

האם בכלל נכון להמשיך בפיתוח או בהטמעה של מערכת ה-AI?

ב-MANAGE 1.1 נדרש הארגון לבחון האם המערכת אכן משיגה את מטרתה, והאם נכון שהפיתוח או הפריסה שלה יימשכו.

זו נקודה מהותית.

לפעמים הפתרון הנכון לסיכון אינו עוד Control.
לפעמים המסקנה היא שהשימוש הספציפי אינו מצדיק את הסיכון.

איך זה נראה בארגון בפועל?

נניח שמחלקת משאבי אנוש רוצה להטמיע מערכת Generative AI שתסכם קורות חיים ותסייע בתהליך המיון.

ב-GOVERN נגדיר מי אחראי למערכת, אילו מדיניות ודרישות פרטיות חלות עליה ומי מאשר אותה.

ב-MAP נבין שהמערכת מעבדת מידע אישי של מועמדים, משפיעה על תהליך תעסוקתי ומסתמכת על ספק חיצוני.

ב-MEASURE נבחן איכות, שגיאות, הטיות, פרטיות, אבטחה והתנהגות בתרחישים שונים.

וב-MANAGE נחליט אילו בקרות נדרשות – לדוגמה פיקוח אנושי, צמצום מידע, מגבלות שימוש, ניטור או אפילו החלטה שלא לאפשר למערכת לקבל החלטה עצמאית.

זו בדיוק העוצמה של ה-AI RMF:

הוא מאלץ את הארגון לעבור מ־"מצאנו כלי AI טוב" ל-"האם אנחנו מבינים ומנהלים את הסיכון של השימוש הספציפי הזה?"

ומה לגבי Generative AI?

לאחר פרסום AI RMF 1.0, יכולות Generative AI התרחבו במהירות.

ביולי 2024 פרסם NIST את NIST AI 600-1 – Generative Artificial Intelligence Profile, מסמך משלים שמיישם את עקרונות ה-AI RMF באופן ממוקד לסיכוני GenAI.

ה-Profile אינו מחליף את ה־AI RMF.

הוא מאפשר לארגונים להתאים את פונקציות GOVERN, MAP, MEASURE ו-MANAGE למאפיינים ולסיכונים של Generative AI.

מבחינת ארגונים, זה חשוב במיוחד עבור מערכות כמו Chatbots, Copilots, כלי יצירת תוכן, מודלי שפה פנימיים ופתרונות מבוססי LLM.

NIST הרחיב את המסגרת גם ל-Generative AI

עם התרחבות השימוש ב-Generative AI, NIST פרסם ביולי 2024 מסמך משלים ייעודי:

NIST AI 600-1 – Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.

ה-Profile אינו מחליף את AI RMF 1.0, אלא מתאים ומרחיב את עקרונות המסגרת עבור מערכות Generative AI. הוא נועד לסייע לארגונים ליישם את פונקציות GOVERN, MAP, MEASURE ו-MANAGE על סיכונים אופייניים למודלים גנרטיביים ולמערכות המבוססות עליהם.

NIST מגדיר את המסמך כ-Cross-Sectoral Profile וכמשאב נלווה ל-AI RMF 1.0. הפרופיל מתמקד ב-12 קטגוריות סיכון ייחודיות ל-Generative AI או כאלה שהשימוש ב-GenAI עלול להחריף, ומציע פעולות לניהולן במסגרת ארבע פונקציות ה־AI RMF: Govern, Map, Measure ו-Manage

12 קטגוריות הסיכון ב-NIST AI 600-1 – Generative Artificial Intelligence Profile הן:

1. CBRN Information or Capabilities – סיכון להנגשת ידע או יכולות הקשורות לחומרים או נשק כימי, ביולוגי, רדיולוגי וגרעיני.
2. Confabulation – יצירת מידע שגוי או כוזב בביטחון גבוה; מה שמכונה לעיתים Hallucinations.
3. Dangerous, Violent, or Hateful Content – יצירה או הנגשה של תוכן מסוכן, אלים, מסית או שונא.
4. Data Privacy – דליפה, שימוש בלתי מורשה, חשיפה או De-anonymization של מידע אישי או רגיש.
5. Environmental Impacts – השפעות סביבתיות הנובעות מצריכת משאבי מחשוב, אנרגיה ומים.
6. Harmful Bias and Homogenization – הטיות מזיקות, אפליה והאחדה של תוצרים ודפוסי החלטה.
7. Human-AI Configuration – סיכונים הנובעים מהאינטראקציה בין אדם ל-AI, כגון Automation Bias, הסתמכות יתר או Anthropomorphism.
8. Information Integrity – פגיעה באמינות ובשלמות המידע, כולל Disinformation ו-Misinformation בקנה מידה גדול.
9. Information Security – הרחבת יכולות תקיפה, Phishing, Malware, גילוי וניצול חולשות והגדלת משטח התקיפה.
10. Intellectual Property – זכויות יוצרים, סימני מסחר, סודות מסחריים ושימוש או שכפול בלתי מורשה של תוכן.
11. Obscene, Degrading, and/or Abusive Content – יצירת תוכן פוגעני, משפיל או מנצל.
12. Value Chain and Component Integration – סיכונים בשרשרת האספקה של AI: מודלים, נתונים, APIs ורכיבי צד שלישי, כולל חוסר שקיפות ויכולת מעקב.

מבחינת ארגונים המשתמשים ב-LLMs, Copilots, Chatbots ומערכות Generative AI, המשמעות היא שלא צריך להסתפק ב-AI Risk Assessment כללי. נכון לבחון גם סיכונים ייחודיים לעולם הגנרטיבי, ובהם אמינות התוצרים, חשיפת מידע, שימוש לרעה, אבטחת המודל והמערכת, פרטיות, מקור ואותנטיות של תוכן, וכן בדיקות לפני הטמעה וניטור לאחר העלייה לייצור.

והשלב הבא: AI Agents

AI Agents הופכים את ניהול הסיכון למורכב עוד יותר.

צ'אט ארגוני יכול לייצר תשובה.

Agent יכול להשתמש ב-Tools, לקרוא מידע ממערכות ארגוניות ולבצע פעולות.

לכן, בעת יישום AI RMF על Agentic AI, MAP צריך לכלול לא רק את המודל אלא גם את סביבת הפעולה שלו:

• לאילו APIs הוא מחובר?
• באיזו זהות הוא פועל?
• אילו הרשאות יש לו?
• אילו פעולות הוא רשאי לבצע ללא אישור?
• מה דורש Human-in-the-Loop?
• כיצד מתועדות הפעולות שלו?
• ומהו ה-Blast Radius במקרה שבו הסוכן פועל באופן בלתי צפוי?

כאן AI Governance מתחבר ישירות ל-Identity, Zero Trust, Non-Human Identities ואבטחת מידע.

NIST AI RMF אינו תקן הסמכה

חשוב לעשות הבחנה.

NIST AI RMF הוא Framework וולונטרי לניהול סיכונים- לא תקן Certification.

לעומתו, ISO/IEC 42001:2023 הוא תקן בינלאומי למערכת ניהול בינה מלאכותית, AIMS, שמגדיר דרישות להקמה, יישום, תחזוקה ושיפור מתמיד של מערכת ניהול AI.

הם אינם סותרים זה את זה.

להפך: ארגון יכול להשתמש ב-NIST AI RMF כמתודולוגיה מעמיקה לניהול והערכת סיכוני AI, ובמקביל לבנות מערכת ניהול ארגונית בהתאם ל-ISO/IEC 42001.

NIST אף מפרסם ספריית Crosswalks המאפשרת להשוות את ה-AI RMF למסגרות ותקנים אחרים, אם כי הוא מבהיר שעצם פרסום Crosswalk שהוגש על ידי צד שלישי אינו מהווה אישור של NIST לאותה מסגרת.

AI Risk Management לצד דרישות NIST SP 800-171

חשוב לזכור שניהול סיכוני AI אינו מחליף את מסגרות אבטחת המידע הקיימות בארגון. ארגונים שעובדים עם מידע מסוג CUI או עם גופים ממשלתיים בארה״ב עשויים להידרש גם לעמוד בדרישות NIST SP 800-171, שמגדירות בקרות להגנה על מידע רגיש במערכות שאינן פדרליות. כאשר מערכות AI ניגשות למידע כזה, נדרש לחבר בין ניהול סיכוני ה־AI לבין דרישות ההגנה על המידע עצמו.

ואיפה נכנס ה-EU AI Act?

גם כאן חשוב להבחין בין Framework לבין חוק.

ה-EU AI Act הוא רגולציה אירופית מחייבת ולא מסגרת וולונטרית.

עבור High-Risk AI Systems, סעיף 9 של ה-AI Act דורש הקמה, יישום, תיעוד ותחזוקה של מערכת ניהול סיכונים לאורך מחזור חיי המערכת. התהליך כולל זיהוי וניתוח סיכונים, הערכתם ויישום אמצעים מתאימים לטיפול בהם.

לכן ארגונים שפועלים באירופה יכולים לראות ב-NIST AI RMF כלי שימושי לבניית מתודולוגיית Risk Management – אבל הוא אינו מחליף בחינה משפטית של הדרישות הספציפיות החלות על הארגון לפי ה-EU AI Act.

אפשר לחשוב על שלושת הרבדים כך:

1. NIST AI RMF – איך לנהל סיכוני AI
2. ISO/IEC 42001 – איך להקים מערכת ניהול AI ארגונית
3. EU AI Act – אילו חובות משפטיות חלות במקרים שנמצאים בתחולת הרגולציה

ומה המשמעות לארגונים בישראל?

גם ארגון ישראלי שאינו כפוף ישירות לרגולציה אמריקאית יכול להשתמש ב־NIST AI RMF.

המסגרת אינה מוגבלת לסקטור או למדינה מסוימת, והערך שלה הוא ביצירת תהליך שיטתי סביב מערכות AI.

בישראל היא יכולה להשתלב לצד תהליכים קיימים של:

• ניהול סיכוני סייבר
• Privacy ו-Data Protection
• סקרי סיכונים
• ניהול ספקים
• אבטחת מידע
• Secure Development
• ניהול הרשאות וזהויות
• המשכיות עסקית
• ISO/IEC 27001
• ISO/IEC 42001
• דרישות רגולטוריות וסקטוריאליות רלוונטיות

היתרון הגדול הוא שהארגון אינו צריך להמציא תהליך AI Governance מאפס.

איפה ארגונים נוטים לטעות?

מנהלים את המוצר ולא את ה-Use Case

אישור של ChatGPT Enterprise, Microsoft Copilot או פלטפורמת AI אחרת אינו אומר שכל שימוש בה מאושר אוטומטית.
הסיכון נקבע גם לפי מה עושים עם הכלי.

מבצעים בדיקת אבטחה חד-פעמית

AI Risk Management צריך להיות תהליך מתמשך.
ספקים, מודלים, משתמשים, תהליכים עסקיים ויכולות משתנים.

משאירים את הנושא רק בידי IT

AI Risk הוא גם Privacy Risk, Legal Risk, Operational Risk, Reputational Risk ולעיתים גם סיכון הנוגע לזכויות ולאנשים.
לכן נדרש צוות רב־תחומי.

מתחילים מה-Control לפני שמבינים את הסיכון

ה-AI RMF מתחיל בהבנת ההקשר.
רק לאחר שיודעים מה המערכת עושה, למי ובאיזו סביבה, ניתן לבחור בקרות נכונות.

איך מתחילים ליישם NIST AI RMF?

הצעד הראשון אינו בהכרח רכישת מערכת.

כדאי להתחיל ב־AI Inventory ארגוני: אילו מערכות AI קיימות, מי הבעלים שלהן, מה מטרתן, איזה מידע הן צורכות ומה רמת ההשפעה שלהן.

משם ניתן לבנות תהליך מסודר:

1. להגדיר AI Governance ובעלי תפקידים
2. למפות מערכות ו־Use Cases
3. לסווג שימושים לפי סיכון
4. לבצע AI Risk Assessment לשימושים מהותיים
5. להגדיר מדדים ובדיקות
6. לבחור Risk Treatment ובקרות
7. לאשר שימוש בהתאם לרמת הסיכון
8. לבצע Monitoring ו־Periodic Review לאורך חיי המערכת

NIST עצמו מדגיש שה-AI RMF Playbook אינו Checklist שיש לבצע במלואו, אלא אוסף פעולות מוצעות שניתן להתאים להקשר ולמשאבים של כל ארגון.

איך אינפוגארד יכולה לסייע?

באינפוגארד אנחנו מלווים ארגונים בבניית AI Governance וניהול סיכוני בינה מלאכותית כחלק ממערך אבטחת המידע, הפרטיות, הציות וניהול הסיכונים הארגוני.

הליווי שלנו יכול לכלול:
מיפוי מערכות ושימושי AI, ביצוע Gap Analysis ו-AI Risk Assessments, בניית מדיניות ונהלים, הגדרת תהליך אישור למערכות AI, בחינת ספקים והיבטי פרטיות, הגדרת תפקידים ואחריות, בניית בקרות ומדדי ניטור והיערכות למסגרות כגון NIST AI RMF ולתקן ISO/IEC 42001.

עבור ארגונים המשתמשים ב-Generative AI וב-AI Agents ניתן להרחיב את הבדיקה גם לסוגיות של הרשאות, Non-Human Identities, גישה למידע ארגוני, Human-in-the-Loop, Audit, ניהול Secrets ו-Third-Party Risk.

המטרה אינה לעצור שימוש ב-AI, אלא ליצור מסגרת שבה הארגון יודע איזה AI הוא מפעיל, איזה סיכון הוא יוצר, מי אחראי עליו ואילו בקרות נדרשות כדי לאפשר את השימוש בו באופן מבוקר.

AI כבר נכנס לארגון. השאלה הבאה היא האם גם ניהול הסיכונים נכנס יחד איתו.

יצירת קשר עם מומחי אבטחת מידע של אינפוגארד

אנחנו באינפוגארד מאמינים שכל ארגון חייב נדרש לבחון את צרכיו, הסיכונים והדרישות החלות עליו באמצעות אנשי מקצוע מתאימים. ואנחנו באינפוגארד כאן ללוות אתכם.

המידע המוצג במאמר זה נועד למטרות מידע והעשרה בלבד ואינו מהווה תחליף לייעוץ מקצועי, רגולטורי, משפטי, סייבר, אבטחת מידע, הגנת הפרטיות או ייעוץ טכנולוגי.

המאמר נכתב בשיתוף מומחי אבטחת המידע והסייבר של Infoguard מקבוצת IDOR, ונערך על ידי רועי קיש, חובב פרטיות, אבטחת מידע, סייבר ומנהל השיווק של קבוצת חברות עידור (Messagent, Infoguard, Idornext).

יצירת קשר עם מומחי אבטחת המידע של אינפוגארד