• Custom Classifier Agent – bygger och finjusterar klassificerare som är anpassade till organisationens egna känsliga datatyper. Funktionen var redan tillgänglig .
• Issue Investigator Agent – utreder DLP-incidenter och minskar behovet av manuell första granskning. Även denna agent var redan tillgänglig .
• Policy Producer Agent – översätter säkerhetsavsikter till policyregler och förbättrar reglerna utifrån faktisk dataaktivitet .
• Rapid Response Agent – automatiserar åtgärder när en exponering av data upptäcks .
• Reason Reviewer Agent – granskar och behandlar begäranden om undantag och överstyrningar, sådant som annars riskerar att bli liggande i en kö .

Tillsammans täcker agenterna klassificering, incidentutredning, policyarbete, åtgärder och hantering av undantag .

Säkerhetsarbete med vanligt språk

MCP-gränssnittet gör att säkerhetsteam kan ge instruktioner till agenterna från valfri AI-klient som är ansluten till MCP . I stället för att öppna en separat administrationskonsol kan en användare exempelvis skriva: ”Utred gårdagens PII-larm” eller ”Uppdatera klassificeraren för kreditkortsdata” .

MCP, eller Model Context Protocol, är ett protokoll som gör det möjligt för AI-klienter att koppla upp sig mot externa verktyg och tjänster. I MIND:s upplägg används kopplingen för att skicka dataskyddsuppgifter till de specialiserade agenterna.

Kunder uppger stora tidsbesparingar

Enligt uppgifter som återges av MIND har organisationer minskat tiden för att utreda en incident från tre–fyra timmar till några minuter. Mike Morrato, CISO på Noname Security, uppgav att det motsvarar tidsbesparingar på 25–50 procent per incident och dag .

Al Faiella, Senior Director of Security Engineering på ThoughtSpot, beskrev värdet som ”sinnesro”: incidenterna kommer in med utredningen redan genomförd, samtidigt som policyerna förfinas löpande .

AI flyttar data snabbare än människor hinner styra den

MIND placerar lanseringen i en bredare utmaning för företagens AI-styrning. Generativa AI-applikationer, agentbaserad AI och autonoma arbetsflöden skapar och flyttar data snabbare än säkerhetsteam hinner hantera den manuellt, enligt företaget .

Säkerhetsmedarbetare lägger fortfarande mycket av sin tid på uppgifter som att bygga klassificerare, utreda larm, justera policyer och hantera undantag – snarare än på långsiktig strategi .

”AI har i grunden förändrat hur data skapas och förflyttas, men den har inte förändrat hur de flesta organisationer skyddar den”, sade MIND:s vd Eran Barak .

Ett nästa steg efter DLP för agentbaserad AI

I januari 2026 lanserade MIND DLP for Agentic AI, en datacentrerad säkerhetsmodell som skulle hjälpa organisationer att upptäcka vilka AI-agenter som är aktiva, se vilka känsliga uppgifter de får åtkomst till och förhindra läckor i interaktioner mellan AI-system .

Den tidigare lanseringen gav därmed en grund för insyn och kontroll över AI-agenternas arbetsflöden . Juli-lanseringen lägger ett automatiseringslager ovanpå denna grund: där den tidigare lösningen gav insyn och policykontroller för AI-agenters dataåtkomst, ska de nya agenterna automatisera det operativa genomförandet – bland annat genom att bygga klassificerare, utreda incidenter, skapa policyer och åtgärda exponeringar .

För MIND innebär utvecklingen en förflyttning från att enbart visa vad AI-agenter gör till att låta AI-agenter driva delar av själva DLP-programmet.

• Custom Classifier Agent – bygger och finjusterar klassificerare som är anpassade till organisationens egna känsliga datatyper. Funktionen var redan tillgänglig .
• Issue Investigator Agent – utreder DLP-incidenter och minskar behovet av manuell första granskning. Även denna agent var redan tillgänglig .
• Policy Producer Agent – översätter säkerhetsavsikter till policyregler och förbättrar reglerna utifrån faktisk dataaktivitet .
• Rapid Response Agent – automatiserar åtgärder när en exponering av data upptäcks .
• Reason Reviewer Agent – granskar och behandlar begäranden om undantag och överstyrningar, sådant som annars riskerar att bli liggande i en kö .

Tillsammans täcker agenterna klassificering, incidentutredning, policyarbete, åtgärder och hantering av undantag .

Säkerhetsarbete med vanligt språk

MCP-gränssnittet gör att säkerhetsteam kan ge instruktioner till agenterna från valfri AI-klient som är ansluten till MCP . I stället för att öppna en separat administrationskonsol kan en användare exempelvis skriva: ”Utred gårdagens PII-larm” eller ”Uppdatera klassificeraren för kreditkortsdata” .

MCP, eller Model Context Protocol, är ett protokoll som gör det möjligt för AI-klienter att koppla upp sig mot externa verktyg och tjänster. I MIND:s upplägg används kopplingen för att skicka dataskyddsuppgifter till de specialiserade agenterna.

Kunder uppger stora tidsbesparingar

Enligt uppgifter som återges av MIND har organisationer minskat tiden för att utreda en incident från tre–fyra timmar till några minuter. Mike Morrato, CISO på Noname Security, uppgav att det motsvarar tidsbesparingar på 25–50 procent per incident och dag .

Al Faiella, Senior Director of Security Engineering på ThoughtSpot, beskrev värdet som ”sinnesro”: incidenterna kommer in med utredningen redan genomförd, samtidigt som policyerna förfinas löpande .

AI flyttar data snabbare än människor hinner styra den

MIND placerar lanseringen i en bredare utmaning för företagens AI-styrning. Generativa AI-applikationer, agentbaserad AI och autonoma arbetsflöden skapar och flyttar data snabbare än säkerhetsteam hinner hantera den manuellt, enligt företaget .

Säkerhetsmedarbetare lägger fortfarande mycket av sin tid på uppgifter som att bygga klassificerare, utreda larm, justera policyer och hantera undantag – snarare än på långsiktig strategi .

”AI har i grunden förändrat hur data skapas och förflyttas, men den har inte förändrat hur de flesta organisationer skyddar den”, sade MIND:s vd Eran Barak .

Ett nästa steg efter DLP för agentbaserad AI

I januari 2026 lanserade MIND DLP for Agentic AI, en datacentrerad säkerhetsmodell som skulle hjälpa organisationer att upptäcka vilka AI-agenter som är aktiva, se vilka känsliga uppgifter de får åtkomst till och förhindra läckor i interaktioner mellan AI-system .

Den tidigare lanseringen gav därmed en grund för insyn och kontroll över AI-agenternas arbetsflöden . Juli-lanseringen lägger ett automatiseringslager ovanpå denna grund: där den tidigare lösningen gav insyn och policykontroller för AI-agenters dataåtkomst, ska de nya agenterna automatisera det operativa genomförandet – bland annat genom att bygga klassificerare, utreda incidenter, skapa policyer och åtgärda exponeringar .

För MIND innebär utvecklingen en förflyttning från att enbart visa vad AI-agenter gör till att låta AI-agenter driva delar av själva DLP-programmet.