MIND доручає ШІ-агентам розслідувати інциденти та запобігати витокам даних

П’ять агентів для різних завдань DLP

Кожен агент відповідає за окрему ділянку роботи, яка раніше вимагала значного ручного втручання з боку фахівців із безпеки :

• Custom Classifier Agent — автоматично створює та налаштовує класифікатори для специфічних типів чутливих даних конкретної організації. Агент уже доступний .
• Issue Investigator Agent — автоматизує розслідування DLP-інцидентів і скорочує обсяг ручного первинного аналізу. Також уже доступний .
• Policy Producer Agent — перетворює задум або вимоги безпеки на синтаксис політик і вдосконалює ці політики на основі реальної активності з даними .
• Rapid Response Agent — автоматично запускає заходи реагування, коли виявлено розкриття або потенційний витік даних .
• Reason Reviewer Agent — переглядає та опрацьовує запити на винятки й перевизначення політик, які могли накопичуватися в черзі .

Три останні агенти — Policy Producer, Rapid Response і Reason Reviewer — компанія представила саме в межах нового запуску .

Керування звичайною мовою через MCP

MIND додала до платформи інтерфейс Model Context Protocol — протокол, який дає змогу під’єднувати ШІ-інструменти до зовнішніх систем і передавати їм необхідний контекст. Завдяки цьому команди безпеки можуть керувати агентами з будь-якого MCP-сумісного ШІ-клієнта, яким вони вже користуються .

Замість окремої консолі фахівець може написати, наприклад, «розслідуй учорашні сповіщення про персональні дані» або «онови класифікатор номерів банківських карток». Агент виконає відповідний сценарій природною мовою .

Що кажуть про результати клієнти

За словами Майка Моратто, директора з інформаційної безпеки Noname Security, використання агентів скоротило час розслідування одного інциденту з 3–4 годин до кількох хвилин. Він пов’язав це з економією 25–50% часу на інцидент щодня .

Ал Файелла, старший директор із розробки систем безпеки ThoughtSpot, описав головну цінність для своєї команди як «спокій»: інциденти надходять уже з виконаним розслідуванням, а політики можуть самостійно вдосконалюватися на основі нових даних .

Ці показники та оцінки наведені в матеріалах MIND і висловлюваннях представників клієнтів; вони не є незалежним порівняльним дослідженням ефективності платформи.

Чому компанії потрібна така автоматизація

MIND пояснює запуск тим, що генеративні ШІ-застосунки, автономний ШІ та автоматизовані робочі процеси створюють і переміщують дані швидше, ніж команди безпеки встигають керувати ними вручну .

У такому середовищі фахівці й далі витрачають значну частину часу на побудову класифікаторів, перевірку сповіщень, налаштування політик і розгляд винятків, а не на стратегічні завдання .

«ШІ докорінно змінив те, як створюються та переміщуються дані, але не змінив підходи, за допомогою яких більшість організацій їх захищає», — заявив генеральний директор MIND Еран Барак .

Як новий реліз продовжує попередню DLP-платформу для автономного ШІ

У січні 2026 року MIND представила DLP for Agentic AI — підхід до захисту, зосереджений на самих даних. Він передбачає виявлення активних ШІ-агентів, контроль того, до яких чутливих даних вони звертаються, а також запобігання витокам під час взаємодії між агентами .

Цей рівень дає організаціям видимість і контроль над робочими процесами автономного ШІ. Нові агенти MIND працюють поверх нього та автоматизують практичне виконання політик: створюють класифікатори, розслідують інциденти, формують і вдосконалюють політики, обробляють винятки та усувають наслідки розкриття даних .

Отже, платформа рухається від завдання «побачити, що роблять ШІ-агенти» до ширшої моделі — «доручити ШІ-агентам самостійно виконувати значну частину DLP-програми».