MIND stellt fünf KI-Agenten für DLP und eine MCP-Schnittstelle vor

Fünf Agenten für die wichtigsten DLP-Aufgaben

Die Agenten sind jeweils auf einen bestimmten, bislang besonders manuellen Teil eines DLP-Programms spezialisiert :

• Custom Classifier Agent: erstellt und optimiert Datenklassifizierer, die auf die sensiblen Informationen eines Unternehmens zugeschnitten sind. Dieser Agent war bereits verfügbar .
• Issue Investigator Agent: untersucht DLP-Vorfälle und reduziert damit den Aufwand für die manuelle Erstbewertung. Auch dieser Agent war bereits verfügbar .
• Policy Producer Agent: übersetzt Sicherheitsanforderungen in Richtliniensyntax und verfeinert die Regeln anhand realer Datenaktivitäten .
• Rapid Response Agent: leitet automatisch Gegenmaßnahmen ein, wenn eine Offenlegung oder ein anderes Datenrisiko erkannt wird .
• Reason Reviewer Agent: bearbeitet Anträge auf Ausnahmen und Regelübersteuerungen, die sich in vielen Sicherheitsteams bislang aufstauen .

Die drei zuletzt genannten Agenten – Policy Producer, Rapid Response und Reason Reviewer – wurden mit der Ankündigung neu eingeführt .

Steuerung per natürlicher Sprache über MCP

Die neue MCP-Schnittstelle soll die Bedienung in bestehende Arbeitsabläufe integrieren. Sicherheitsteams können die Agenten aus jedem MCP-kompatiblen KI-Client heraus anweisen, den sie bereits verwenden . Statt eine separate Sicherheitskonsole zu öffnen, könnte ein Team beispielsweise formulieren: „Untersuche die PII-Warnungen von letzter Nacht“ oder „Aktualisiere den Kreditkarten-Klassifizierer“ .

MCP steht für Model Context Protocol. Das Protokoll ermöglicht es KI-Anwendungen, standardisiert mit externen Werkzeugen und Diensten zu interagieren. Im Fall von MIND soll dadurch nicht nur die Analyse, sondern auch die operative Arbeit an DLP-Aufgaben über natürliche Sprache ausgelöst werden.

Anwender berichten von deutlich kürzeren Untersuchungen

Nach Angaben von Mike Morrato, CISO bei Noname Security, verkürzten die Agenten die Untersuchung eines Vorfalls von drei bis vier Stunden auf wenige Minuten. Daraus ergäben sich Zeiteinsparungen von 25 bis 50 Prozent pro Vorfall und Tag .

Al Faiella, Senior Director of Security Engineering bei ThoughtSpot, beschrieb den Nutzen für sein Team als „peace of mind“ – also mehr Sicherheit im Arbeitsalltag. Vorfälle kämen bereits mit einer abgeschlossenen Untersuchung an, während sich Richtlinien laufend weiterentwickelten .

Die Angaben stammen aus den von MIND zitierten Kundenbeispielen. Sie sind daher als Erfahrungswerte einzelner Anwender und nicht als unabhängige Branchenmessung einzuordnen.

Warum Unternehmen bei KI-Governance unter Druck geraten

MIND begründet die Erweiterung mit der wachsenden Geschwindigkeit, mit der generative KI, agentische KI und autonome Workflows Daten erzeugen und verschieben. Diese Prozesse könnten schneller ablaufen, als Sicherheitsteams sie manuell überwachen und steuern können .

Zu den zeitaufwendigen Aufgaben zählen laut MIND der Aufbau von Klassifizierern, die Untersuchung von Warnmeldungen, die Anpassung von Richtlinien und die Bearbeitung offener Ausnahmen . Dadurch bleibt weniger Zeit für strategische Fragen – etwa dafür, welche Daten ein KI-Agent überhaupt verwenden darf und unter welchen Bedingungen.

MIND-CEO Eran Barak fasste die Herausforderung so zusammen: „KI hat grundlegend verändert, wie Daten erstellt und bewegt werden – aber nicht, wie die meisten Unternehmen sie schützen“ .

Aufbauend auf DLP für agentische KI

Die aktuelle Ankündigung setzt auf einer früheren Produktlinie auf. Im Januar 2026 stellte MIND DLP for Agentic AI vor, einen datenorientierten Ansatz für die Absicherung agentischer KI. Dabei geht es darum, aktive KI-Agenten zu erkennen, ihren Zugriff auf sensible Daten zu überwachen und Datenabflüsse aus Interaktionen zwischen KI-Systemen zu verhindern .

Mit den im März 2026 angekündigten Funktionen Custom Classifier und Issue Investigator begann MIND außerdem, operative DLP-Arbeit durch vorgefertigte Fähigkeiten zu automatisieren .

Der Juli-Ausbau erweitert diese Grundlage um weitere Automatisierung: Während DLP for Agentic AI vor allem Sichtbarkeit und Kontrollen für den Datenzugriff von KI-Agenten schaffen sollte, übernehmen die neuen Agenten nun auch die praktische Ausführung – vom Erstellen eines Klassifizierers über die Untersuchung eines Vorfalls bis zur Richtlinienpflege und zur Reaktion auf eine erkannte Datenoffenlegung .

Damit verschiebt sich der Anspruch der Plattform von „sehen, was KI-Agenten tun“ zu „KI-Agenten einen Teil des DLP-Programms selbst ausführen lassen“. Wie viel davon in der Praxis vollständig autonom erfolgen kann, hängt weiterhin von den eingerichteten Regeln und den Freigaben des jeweiligen Unternehmens ab.