MIND lanserer fem AI-agenter for automatisert datatapssikring

Fem agenter med hver sin oppgave

Agentene er utviklet for ulike deler av DLP-arbeidet og skal fungere som et samlet, autonomt team :

• Custom Classifier Agent – bygger og justerer klassifikatorer som er tilpasset virksomhetens egne sensitive data. Denne agenten var allerede tilgjengelig .
• Issue Investigator Agent – undersøker DLP-hendelser og reduserer behovet for manuell sortering og førstegangsgranskning. Også denne var allerede tilgjengelig .
• Policy Producer Agent – oversetter sikkerhetsintensjoner til policy-syntaks og forbedrer reglene basert på faktisk dataaktivitet .
• Rapid Response Agent – automatiserer tiltak når en mulig dataeksponering blir oppdaget .
• Reason Reviewer Agent – gjennomgår forespørsler om unntak og overstyring, som tidligere kunne hope seg opp hos sikkerhetsteamet .

De tre sistnevnte agentene er de nye delene av lanseringen .

Kan styres med vanlig språk

MCP-grensesnittet gjør det mulig å styre agentene fra en MCP-tilkoblet AI-klient som teamet allerede bruker. I stedet for å åpne en separat konsoll kan en sikkerhetsanalytiker for eksempel skrive «undersøk gårsdagens varsler om personopplysninger» eller «oppdater klassifikatoren for kredittkort» .

MCP, eller Model Context Protocol, er en standard for å koble AI-klienter til eksterne verktøy og datakilder. I MINDs løsning brukes protokollen til å sende sikkerhetsoppgaver til de ulike DLP-agentene med naturlig språk .

MIND viser til kortere granskningstid

Selskapet viser til tilbakemeldinger fra organisasjoner som bruker plattformen. Mike Morrato, sikkerhetssjef i Noname Security, oppga at tiden brukt på å undersøke én hendelse ble redusert fra tre–fire timer til noen få minutter. Det tilsvarte ifølge ham en tidsbesparelse på 25–50 prosent per hendelse per dag .

Al Faiella, senior direktør for sikkerhetsingeniørarbeid i ThoughtSpot, beskrev verdien som «sinnsro»: Hendelsene kommer inn med granskningen allerede utført, mens policyene gradvis forbedres basert på aktiviteten i virksomheten .

Et svar på raskere AI-arbeidsflyter

MIND rammer inn lanseringen i en utvikling der generativ AI, agentisk AI og autonome arbeidsflyter kan opprette og flytte data raskere enn sikkerhetsteam rekker å kontrollere dem manuelt .

Sikkerhetsarbeidet består fortsatt i stor grad av oppgaver som å bygge klassifikatorer, undersøke varsler, finjustere policyer og behandle unntak. Det kan begrense tiden teamene har til mer strategisk sikkerhetsarbeid .

MINDs toppsjef Eran Barak oppsummerte utfordringen slik: «AI har fundamentalt endret hvordan data blir opprettet og flyttet, men den har ikke endret hvordan de fleste virksomheter sikrer dataene» .

Bygger videre på DLP for agentisk AI

Lanseringen bygger videre på MINDs tidligere satsing på DLP for Agentic AI, som ble presentert i januar 2026. Den dataorienterte tilnærmingen skulle gi virksomheter oversikt over hvilke AI-agenter som er aktive, hvilke sensitive data de får tilgang til, og hvordan lekkasjer i samspill mellom AI-systemer kan oppdages og stanses .

Den tidligere løsningen etablerte dermed et grunnlag for synlighet og kontroll over agentiske arbeidsflyter . De nye agentene legger et automatiseringslag oppå dette grunnlaget. Der den første satsingen ga sikkerhetsteamene innsikt og policykontroller for AI-agenters datatilgang, skal de nye agentene automatisere gjennomføringen: De bygger klassifikatorer, gransker hendelser, oppretter og forbedrer policyer, håndterer unntak og iverksetter tiltak ved eksponeringer .

Kort sagt forsøker MIND å flytte DLP fra å bare vise hva AI-agenter gjør, til at AI-agentene også kan utføre store deler av selve sikkerhetsarbeidet.