שלושת הסוכנים האחרונים הושקו במסגרת ההכרזה החדשה, והחברה הציגה אותם יחד עם שני הסוכנים שכבר פעלו בפלטפורמה .
ממשק ה-MCP החדש מאפשר לצוותי אבטחה להנחות כל אחד מהסוכנים באמצעות שפה טבעית, מתוך לקוח AI שכבר מחובר ל-MCP . כך, במקום לעבור לקונסולה נפרדת ולבנות תהליך ידני, ניתן לתת הוראות כמו: "בדוק את התראות המידע המאפשר זיהוי אישי מאתמול בלילה" או "עדכן את המסווג של כרטיסי האשראי" .
במילים אחרות, MIND מנסה להפוך את הפעלת כלי ה-DLP לחלק מזרימת העבודה הקיימת של צוותי האבטחה — ולא למערכת נוספת שצריך לנהל בנפרד.
לפי הנתונים שמסרה MIND, ארגונים המשתמשים בפלטפורמה קיצרו את זמן חקירת האירוע משלוש–ארבע שעות לאירוע למספר דקות. מייק מוראטו, מנהל אבטחת המידע הראשי של Noname Security, העריך כי מדובר בחיסכון של 25%–50% בזמן לכל אירוע ביום .
אל פייאלה, מנהל בכיר להנדסת אבטחה ב-ThoughtSpot, תיאר את הערך המרכזי עבור הצוות שלו כ"שקט נפשי": האירועים מגיעים לאחר שהחקירה כבר בוצעה, והמדיניות משתפרת בהתאם לפעילות .
MIND ממקמת את ההכרזה על רקע שינוי רחב יותר בעולם הארגוני: יישומי GenAI, סוכני AI וזרימות עבודה אוטונומיות יוצרים ומעבירים נתונים מהר יותר ממה שצוותי אבטחה יכולים לפקח עליו באופן ידני .
למרות זאת, צוותים רבים עדיין מקדישים חלק גדול מזמנם למשימות תפעוליות — בניית מסווגים, חקירת התראות, כוונון מדיניות וטיפול בחריגים — במקום לעבודה אסטרטגית . מנכ"ל MIND, ערן ברק, ניסח את הפער כך: "AI שינה מן היסוד את האופן שבו מידע נוצר ונע, אך הוא לא שינה את האופן שבו רוב הארגונים מאבטחים אותו" .
בינואר 2026 השיקה MIND את DLP for Agentic AI — גישה ממוקדת-נתונים לאבטחת AI, שנועדה לזהות אילו סוכני AI פעילים בארגון, לאתר לאיזה מידע רגיש הם ניגשים ולמנוע דליפות הנובעות מאינטראקציות בין סוכני AI . המוצר סיפק את שכבת הנראות והשליטה הבסיסית על זרימות עבודה של סוכנים .
הסוכנים שהוצגו ביולי יושבים מעל התשתית הזו. בעוד שההשקה הקודמת סיפקה נראות ובקרות מדיניות על הגישה של סוכני AI לנתונים, הסוכנים החדשים מבצעים באופן אוטונומי את העבודה התפעולית הנדרשת כדי להפעיל את המדיניות: בניית מסווגים, חקירת אירועים, יצירת מדיניות וטיפול בחשיפות .
התוצאה היא מעבר מ"לראות מה סוכני ה-AI עושים" ל"לתת לסוכני AI להפעיל את תוכנית ה-DLP עצמה".