• Custom Classifier Agent rakentaa ja hienosäätää organisaation omiin arkaluonteisiin tietoihin sopivia dataluokittimia. Agentti auttaa määrittelemään, millaista arkaluonteista dataa yrityksen ympäristössä esiintyy .
• Issue Investigator Agent tutkii DLP-hälytyksiä ja -tapauksia automaattisesti, mikä vähentää tietoturvatiimin manuaalista esikarsintaa .
• Policy Producer Agent muuttaa tietoturvaa koskevan tavoitteen käytännön sääntökieleksi ja tarkentaa käytäntöjä todellisen dataliikenteen perusteella .
• Rapid Response Agent automatisoi korjaavat toimet, kun järjestelmä havaitsee datan paljastumisen tai muun altistumisen .
• Reason Reviewer Agent käsittelee poikkeus- ja ohituspyyntöjä, jotka aiemmin saattoivat kasaantua tietoturvatiimin jonoon .

Agentit on tarkoitettu toimimaan yhdessä: yksi määrittelee suojattavan datan, toinen selvittää tapahtumat ja muut auttavat käytäntöjen laatimisessa, poikkeusten käsittelyssä ja riskien korjaamisessa .

MCP tuo ohjauksen luonnolliselle kielelle

MINDin uusi Model Context Protocol -rajapinta mahdollistaa agenttien ohjaamisen luonnollisella kielellä mistä tahansa MCP-yhteensopivasta tekoälyasiakkaasta . Tietoturva-asiantuntija voi esimerkiksi pyytää agenttia tutkimaan edellisen yön henkilötietohälytykset tai päivittämään maksukorttitietojen luokittimen ilman erillisen hallintakonsolin käyttöä .

MCP on avoimeen yhteentoimivuuteen tähtäävä tapa välittää tekoälymallille työssä tarvittavaa kontekstia ja toimintoja. Tässä tapauksessa se toimii siltana yrityksen käyttämiin tekoälytyökaluihin ja MINDin DLP-agentteihin.

Asiakkaat raportoivat tuntien sijaan minuuteista

MINDin julkaisussa esiteltyjen asiakaskokemusten mukaan agentit ovat lyhentäneet yhden tietoturvatapauksen tutkintaan kuluvan ajan kolmesta tai neljästä tunnista muutamiin minuutteihin . Noname Securityn tietoturvajohtaja Mike Morraton mukaan tämä on merkinnyt 25–50 prosentin ajansäästöä tapausta kohti päivässä .

ThoughtSpotin tietoturvatekniikan johtaja Al Faiella kuvasi hyödyn olevan ennen kaikkea mielenrauhaa: tapaukset saapuvat tiimille jo valmiiksi tutkittuina, ja käytännöt tarkentuvat itsestään .

Luvut ovat yrityksen julkaisussa esitettyjä asiakasarvioita, eivät riippumattoman vertailututkimuksen tuloksia. Ne kuvaavat kuitenkin sitä manuaalisen työn kohtaa, johon MIND pyrkii automaatiolla vaikuttamaan.

Tekoälyn nopeus haastaa yritysten hallinnan

MIND perustelee julkaisua sillä, että generatiiviset tekoälysovellukset, toiminnalliset tekoälyagentit ja autonomiset työnkulut luovat ja siirtävät dataa nopeammin kuin tietoturvatiimit pystyvät hallitsemaan sitä käsin .

Tietoturvan arjessa aikaa kuluu edelleen luokittimien rakentamiseen, hälytysten tutkimiseen, käytäntöjen säätämiseen sekä poikkeuspyyntöjen käsittelyyn. MINDin mukaan tämä vie huomiota strategisemmalta tietoturvatyöltä .

MINDin toimitusjohtaja Eran Barak tiivisti yhtiön näkemyksen näin: ”Tekoäly on muuttanut perusteellisesti sitä, miten dataa luodaan ja siirretään, mutta se ei ole muuttanut sitä, miten useimmat organisaatiot suojaavat dataansa” .

Uusi julkaisu jatkaa DLP for Agentic AI -linjaa

MIND julkisti tammikuussa 2026 DLP for Agentic AI -ratkaisun, joka perustuu datakeskeiseen lähestymistapaan tekoälyn tietoturvassa. Sen painopisteitä olivat käytössä olevien tekoälyagenttien tunnistaminen, agenttien käsittelemän arkaluonteisen datan havaitseminen sekä tekoälyagenttien välisistä vuorovaikutuksista aiheutuvien vuotojen estäminen .

Aiempi julkaisu loi näkyvyyden ja hallinnan perustan agenttipohjaisille työnkuluille . Nyt julkistetut agentit rakentuvat tämän perustan päälle ja automatisoivat käytännön toteutusta: ne rakentavat luokittimia, tutkivat tapauksia, laativat käytäntöjä ja korjaavat havaittuja altistumisia .

Kokonaisuus kuvaa siirtymää siitä, että organisaatio vain näkee, mitä tekoälyagentit tekevät, siihen, että tekoälyagentit hoitavat osan koko DLP-ohjelman päivittäisestä toiminnasta.

• Custom Classifier Agent rakentaa ja hienosäätää organisaation omiin arkaluonteisiin tietoihin sopivia dataluokittimia. Agentti auttaa määrittelemään, millaista arkaluonteista dataa yrityksen ympäristössä esiintyy .
• Issue Investigator Agent tutkii DLP-hälytyksiä ja -tapauksia automaattisesti, mikä vähentää tietoturvatiimin manuaalista esikarsintaa .
• Policy Producer Agent muuttaa tietoturvaa koskevan tavoitteen käytännön sääntökieleksi ja tarkentaa käytäntöjä todellisen dataliikenteen perusteella .
• Rapid Response Agent automatisoi korjaavat toimet, kun järjestelmä havaitsee datan paljastumisen tai muun altistumisen .
• Reason Reviewer Agent käsittelee poikkeus- ja ohituspyyntöjä, jotka aiemmin saattoivat kasaantua tietoturvatiimin jonoon .

Agentit on tarkoitettu toimimaan yhdessä: yksi määrittelee suojattavan datan, toinen selvittää tapahtumat ja muut auttavat käytäntöjen laatimisessa, poikkeusten käsittelyssä ja riskien korjaamisessa .

MCP tuo ohjauksen luonnolliselle kielelle

MINDin uusi Model Context Protocol -rajapinta mahdollistaa agenttien ohjaamisen luonnollisella kielellä mistä tahansa MCP-yhteensopivasta tekoälyasiakkaasta . Tietoturva-asiantuntija voi esimerkiksi pyytää agenttia tutkimaan edellisen yön henkilötietohälytykset tai päivittämään maksukorttitietojen luokittimen ilman erillisen hallintakonsolin käyttöä .

MCP on avoimeen yhteentoimivuuteen tähtäävä tapa välittää tekoälymallille työssä tarvittavaa kontekstia ja toimintoja. Tässä tapauksessa se toimii siltana yrityksen käyttämiin tekoälytyökaluihin ja MINDin DLP-agentteihin.

Asiakkaat raportoivat tuntien sijaan minuuteista

MINDin julkaisussa esiteltyjen asiakaskokemusten mukaan agentit ovat lyhentäneet yhden tietoturvatapauksen tutkintaan kuluvan ajan kolmesta tai neljästä tunnista muutamiin minuutteihin . Noname Securityn tietoturvajohtaja Mike Morraton mukaan tämä on merkinnyt 25–50 prosentin ajansäästöä tapausta kohti päivässä .

ThoughtSpotin tietoturvatekniikan johtaja Al Faiella kuvasi hyödyn olevan ennen kaikkea mielenrauhaa: tapaukset saapuvat tiimille jo valmiiksi tutkittuina, ja käytännöt tarkentuvat itsestään .

Luvut ovat yrityksen julkaisussa esitettyjä asiakasarvioita, eivät riippumattoman vertailututkimuksen tuloksia. Ne kuvaavat kuitenkin sitä manuaalisen työn kohtaa, johon MIND pyrkii automaatiolla vaikuttamaan.

Tekoälyn nopeus haastaa yritysten hallinnan

MIND perustelee julkaisua sillä, että generatiiviset tekoälysovellukset, toiminnalliset tekoälyagentit ja autonomiset työnkulut luovat ja siirtävät dataa nopeammin kuin tietoturvatiimit pystyvät hallitsemaan sitä käsin .

Tietoturvan arjessa aikaa kuluu edelleen luokittimien rakentamiseen, hälytysten tutkimiseen, käytäntöjen säätämiseen sekä poikkeuspyyntöjen käsittelyyn. MINDin mukaan tämä vie huomiota strategisemmalta tietoturvatyöltä .

MINDin toimitusjohtaja Eran Barak tiivisti yhtiön näkemyksen näin: ”Tekoäly on muuttanut perusteellisesti sitä, miten dataa luodaan ja siirretään, mutta se ei ole muuttanut sitä, miten useimmat organisaatiot suojaavat dataansa” .

Uusi julkaisu jatkaa DLP for Agentic AI -linjaa

MIND julkisti tammikuussa 2026 DLP for Agentic AI -ratkaisun, joka perustuu datakeskeiseen lähestymistapaan tekoälyn tietoturvassa. Sen painopisteitä olivat käytössä olevien tekoälyagenttien tunnistaminen, agenttien käsittelemän arkaluonteisen datan havaitseminen sekä tekoälyagenttien välisistä vuorovaikutuksista aiheutuvien vuotojen estäminen .

Aiempi julkaisu loi näkyvyyden ja hallinnan perustan agenttipohjaisille työnkuluille . Nyt julkistetut agentit rakentuvat tämän perustan päälle ja automatisoivat käytännön toteutusta: ne rakentavat luokittimia, tutkivat tapauksia, laativat käytäntöjä ja korjaavat havaittuja altistumisia .

Kokonaisuus kuvaa siirtymää siitä, että organisaatio vain näkee, mitä tekoälyagentit tekevät, siihen, että tekoälyagentit hoitavat osan koko DLP-ohjelman päivittäisestä toiminnasta.