MIND quiere que los agentes de IA gestionen también la prevención de fugas de datos

La compañía presentó el lanzamiento como una ampliación de su estrategia de seguridad centrada en los datos para entornos con IA generativa, agentes autónomos y flujos de trabajo capaces de actuar por sí mismos.

Cinco agentes para las tareas más repetitivas de DLP

Cada agente se ocupa de una parte específica del ciclo de protección de datos :

• Custom Classifier Agent: ya estaba disponible y automatiza la creación y el ajuste de clasificadores adaptados a los datos sensibles propios de cada organización.
• Issue Investigator Agent: también disponible antes del anuncio, automatiza la investigación de incidentes de DLP y reduce la necesidad de revisar alertas manualmente.
• Policy Producer Agent: nuevo en este lanzamiento, convierte las intenciones de seguridad en sintaxis de políticas y las perfecciona a partir de la actividad real sobre los datos.
• Rapid Response Agent: nuevo, automatiza las medidas de corrección cuando detecta una posible exposición de información.
• Reason Reviewer Agent: nuevo, revisa y procesa solicitudes de excepción y anulaciones de políticas que antes podían acumularse en las colas de los equipos de seguridad.

La idea es que los agentes trabajen como un equipo coordinado, en lugar de limitarse a añadir otra herramienta aislada a la consola de seguridad .

Instrucciones en lenguaje natural mediante MCP

La nueva interfaz MCP permite que los equipos de seguridad dirijan cualquiera de estos agentes desde clientes de inteligencia artificial compatibles con MCP que ya utilicen . En la práctica, una persona podría pedir en lenguaje natural que se investiguen las alertas de datos personales de la noche anterior o que se actualice el clasificador de tarjetas de crédito, sin tener que cambiar a una consola independiente .

MCP, o Model Context Protocol, es un protocolo pensado para conectar modelos y clientes de IA con herramientas y fuentes de datos externas. En el caso de MIND, funciona como una vía para enviar instrucciones a las funciones de DLP desde esas aplicaciones compatibles.

Ahorro de tiempo comunicado por clientes

MIND afirma que las organizaciones que utilizan su plataforma han reducido el tiempo de investigación de un incidente de entre tres y cuatro horas a unos pocos minutos. Mike Morrato, director de seguridad de la información de Noname Security, cifró el ahorro en entre un 25 % y un 50 % de tiempo por incidente y por día .

Al Faiella, director sénior de ingeniería de seguridad de ThoughtSpot, describió el beneficio para su equipo como “tranquilidad”: los incidentes llegan con la investigación ya realizada y las políticas se van ajustando por sí mismas . Estas cifras y valoraciones proceden de los clientes citados en el anuncio de MIND, no de una medición independiente presentada en las fuentes.

El reto: la IA mueve los datos más rápido que los controles manuales

El lanzamiento llega en un momento en que las aplicaciones de IA generativa, la IA agéntica y los flujos autónomos pueden crear, consultar, transformar y compartir información a gran velocidad. Según el planteamiento de MIND, ese ritmo supera la capacidad de muchos equipos para gobernar los datos exclusivamente con procesos manuales .

La clasificación de información, la investigación de alertas, el ajuste de políticas y la gestión de excepciones consumen buena parte del tiempo de los profesionales de seguridad, que disponen de menos margen para tareas estratégicas .

“La IA ha cambiado fundamentalmente cómo se crean y se mueven los datos, pero no ha cambiado cómo la mayoría de las organizaciones los protege”, afirmó Eran Barak, director ejecutivo de MIND .

De vigilar a los agentes de IA a automatizar el programa DLP

El anuncio de julio se apoya en una iniciativa anterior. En enero de 2026, MIND presentó DLP for Agentic AI, un enfoque centrado en identificar qué agentes de IA están activos, detectar qué datos sensibles consultan y prevenir filtraciones derivadas de interacciones entre sistemas de IA .

Esa primera capa aportaba visibilidad y controles sobre el acceso de los agentes a la información. Los nuevos agentes se sitúan encima de esa base para automatizar la ejecución operativa de esas políticas: crear clasificadores, investigar incidentes, producir políticas, corregir exposiciones y revisar excepciones .

En conjunto, MIND intenta pasar de una pregunta de supervisión —“¿qué están haciendo los agentes de IA?”— a un modelo operativo más ambicioso: “¿pueden los propios agentes ejecutar buena parte del programa de prevención de pérdida de datos?”.