MIND lanceert vijf AI-agents voor databeveiliging en koppelt ze aan MCP

De aankondiging is een uitbreiding van MINDs bestaande, datagerichte beveiligingsaanpak voor omgevingen waarin AI-agents zelfstandig gegevens aanmaken, benaderen en uitwisselen.

Vijf gespecialiseerde AI-DLP-agents

Elke agent richt zich op een afzonderlijk onderdeel van een DLP-programma :

• Custom Classifier Agent — al beschikbaar — bouwt en verfijnt automatisch dataclassificaties die zijn afgestemd op de gevoelige informatie van een organisatie .
• Issue Investigator Agent — al beschikbaar — onderzoekt DLP-incidenten en vermindert het handmatige werk bij de eerste beoordeling van meldingen .
• Policy Producer Agent — nieuw — vertaalt beveiligingsdoelen naar beleidsregels en scherpt die regels aan op basis van daadwerkelijk datagebruik .
• Rapid Response Agent — nieuw — automatiseert herstelmaatregelen wanneer blootstelling van gegevens wordt vastgesteld .
• Reason Reviewer Agent — nieuw — beoordeelt verzoeken om uitzonderingen en beleidsoverschrijvingen, die eerder gemakkelijk konden opstapelen .

Samen moeten de agents volgens MIND de operationele uitvoering van databeveiliging grotendeels automatiseren: van het definiëren van gevoelige gegevens tot het onderzoeken van waarschuwingen, het bijstellen van beleid en het beperken van risico’s.

Opdrachten in gewone taal via MCP

De nieuwe MCP-interface maakt het mogelijk om iedere agent vanuit een MCP-verbonden AI-client aan te sturen. Een beveiligingsteam hoeft daarvoor niet per se naar een afzonderlijke beheerconsole. Een opdracht als “onderzoek de PII-waarschuwingen van vannacht” of “werk de creditcardclassifier bij” kan in gewone taal worden gegeven .

MCP, voluit Model Context Protocol, is een standaard die AI-toepassingen toegang kan geven tot externe hulpmiddelen en context. In MINDs toepassing dient de interface als verbindingslaag tussen de AI-client die een team al gebruikt en de DLP-agents die het beveiligingswerk uitvoeren .

Gemelde tijdswinst bij klanten

Organisaties die het MIND-platform gebruiken, meldden dat de tijd voor het onderzoeken van een incident daalde van drie à vier uur per incident naar enkele minuten. Volgens Mike Morrato, CISO van Noname Security, komt dat neer op een tijdsbesparing van 25 tot 50 procent per incident per dag .

Al Faiella, Senior Director of Security Engineering bij ThoughtSpot, omschreef de belangrijkste opbrengst voor zijn team als “gemoedsrust”. Incidenten zouden binnenkomen nadat het onderzoek al is uitgevoerd, terwijl beleidsregels zichzelf verder verfijnen . Deze cijfers en ervaringen zijn door MIND en de aangehaalde klanten gerapporteerd; ze vormen geen onafhankelijke vergelijking met andere DLP-platforms.

Waarom AI-governance steeds lastiger wordt

MIND plaatst de lancering tegen de achtergrond van een groeiend governanceprobleem binnen ondernemingen. Generatieve AI, agentic AI en autonome workflows kunnen gegevens sneller aanmaken en verplaatsen dan beveiligingsteams ze handmatig kunnen beheren .

Veel teams besteden daardoor nog steeds een groot deel van hun tijd aan uitvoerend werk: classificaties bouwen, waarschuwingen onderzoeken, beleidsregels bijstellen en uitzonderingsverzoeken afhandelen. Dat laat minder ruimte over voor strategie en toezicht .

“AI heeft fundamenteel veranderd hoe gegevens worden aangemaakt en zich verplaatsen, maar niet hoe de meeste organisaties ze beveiligen”, zei MIND-topman Eran Barak . De nieuwe agents zijn bedoeld om precies die kloof te verkleinen: niet alleen signaleren wat er met gegevens gebeurt, maar ook een deel van de beveiligingsoperatie zelfstandig uitvoeren.

Voortbouwen op DLP for Agentic AI

MIND introduceerde in januari 2026 DLP for Agentic AI, een datagerichte aanpak die organisaties helpt te ontdekken welke AI-agents actief zijn, welke gevoelige gegevens zij benaderen en waar gegevens tussen AI-systemen kunnen weglekken . Die eerdere release legde de basis voor zichtbaarheid en controle over workflows met AI-agents .

De nieuwe agents bouwen daarop voort. Waar DLP for Agentic AI vooral inzicht en beleidscontroles bood rond de toegang van AI-agents tot gegevens, automatiseren de nieuwe agents de dagelijkse uitvoering van die controles: classificaties maken, incidenten onderzoeken, beleid opstellen en blootstelling herstellen .

Daarmee verschuift MIND het uitgangspunt van “zien wat AI-agents doen” naar “AI-agents een deel van het DLP-programma laten uitvoeren”.