Exaforce AI Security startet mit einem Kill Switch für außer Kontrolle geratene Agents
Exaforce hat am 15. September Exaforce AI Security mit einem klaren Versprechen eingeführt: außer Kontrolle geratene Agents finden und stoppen, bevor ihre Aktionen zu einem Sicherheitsvorfall werden. Die Veröffentlichung ergänzt Exaforce’ bestehende Plattform für Security Operations um agentenlose Erkennung, Risikoanalyse, Runtime-Erkennung und einen Kill Switch für Agents.
Die entscheidende Veränderung ist nicht ein weiteres Dashboard zur Nachverfolgung der KI-Nutzung. Exaforce will Sicherheitsteams ermöglichen, die Aktionen eines Agents mit den dahinterstehenden Mitarbeitenden, Geräten, Zugangsdaten, Dateien und Cloud-Ressourcen zu verknüpfen. Diese Korrelation ist wichtig, weil ein Agent einzeln legitime Aktionen ausführen kann, die zusammen eine gefährliche Abfolge bilden.
Exaforce betritt einen Markt, in dem Microsoft, Cisco und Palo Alto Networks bereits konkurrierende Ansätze für Agent-Erkennung und Runtime-Kontrolle anbieten. Das Unterscheidungsmerkmal ist ein agentenloses Modell, das bestehende Integrationen und Endpoint-Telemetrie nutzt. Die zentrale Frage ist, ob dieses Modell bösartige Absichten präzise genug erkennen kann, um automatisierte Eingriffe zu rechtfertigen.
Exaforce AI Security verbindet Agent-Aktionen zu einem Vorfall
Die Einführung betrachtet das Verhalten eines KI-Agents als zusammenhängende Abfolge statt als Sammlung isolierter Log-Einträge.
Exaforce AI Security wurde über die selbst betriebene Plattform des Unternehmens und seinen Managed-Detection-and-Response-Service allgemein verfügbar. Die Details zur Einführung des Unternehmens beschreiben drei Hauptfunktionen: KI-Aktivitäten erkennen, riskante Konfigurationen identifizieren und Bedrohungen während des Agent-Betriebs aufspüren.
Die Erkennung umfasst KI-Anwendungen, Desktop-Agents, Modellnutzung, Model Context Protocol-Server, Skills, Plugins und zugehörige Zugangsdaten. Model Context Protocol, üblicherweise MCP genannt, ist ein Standard, der KI-Systeme mit externen Tools und Datenquellen verbindet.
Die Plattform nutzt Berichten zufolge APIs von Modellanbietern, SaaS-Diensten, Produktivitätssuiten und Identitätssystemen. Außerdem analysiert sie Endpoint-Detection-and-Response-Daten, die Exaforce bereits erfasst. Dieses Design bedeutet, dass Kunden nicht allein für die neuen Funktionen einen weiteren Endpoint-Agent installieren müssen.
Exaforce gibt an, einen KI-Agent von anderen Prozessen auf einem Gerät unterscheiden zu können. Anschließend verknüpft es diesen Prozess mit einer Mitarbeiteridentität, dem verwendeten Gerät und den Berechtigungen dieser Person.
Die Plattform kann nachfolgende Aktivitäten verfolgen, darunter eine von einem Agent geöffnete Shell, eine gelesene Datei oder eine kontaktierte externe Adresse. Sie überwacht zudem Logs von Modellanbietern und KI-Chat-Sitzungen auf sensible Informationen, verdächtige Absichten, Prompt Injection und ungewöhnliche Nutzung.
Dieser Kontext fließt in einen Agent-Graphen ein. Der Graph verbindet Mitarbeitende, Agents, KI-Anwendungen, OAuth-Freigaben, Zugangsdaten, MCP-Server, Dateien und erreichbare Ressourcen. OAuth-Freigaben sind delegierte Berechtigungen, die einer Anwendung Zugriff auf einen anderen Dienst erlauben, ohne ihr das Passwort des Nutzers zu übermitteln.
Dieser Ansatz löst ein praktisches Logging-Problem. Ein Agent handelt häufig über die Zugangsdaten der Person, die ihn gestartet hat. Ein Cloud-Audit-Log kann daher zeigen, dass ein autorisierter Mitarbeiter eine Datei liest, einen Schlüssel rotiert oder Code aktualisiert.
Jede Aktion kann für sich betrachtet akzeptabel erscheinen. Die Gefahr wird erst sichtbar, wenn das System die Aktionen verknüpft und eine ungewöhnliche Entwicklung erkennt.
Ein Agent könnte Browser-Cookies lesen, eine gespeicherte Sitzung für den Zugriff auf einen Cloud-Dienst nutzen und Daten an eine unbekannte Domain senden. Herkömmliche Tools können jeden Schritt protokollieren, ohne zu erkennen, dass die Schritte einen einzelnen Vorfall bilden.
Exaforce zufolge kombiniert sein Knowledge Graph Informationen zu Identitäten, Endpoints, Cloud, SaaS, Code und KI-Anbietern. Die Erkennungsmodelle können anschließend die gesamte Abfolge mit dem normalen Verhalten der jeweiligen Identität vergleichen.
Das Unternehmen gibt Sicherheitsteams außerdem die Wahl über den Grad der Reaktionsautonomie. Eine Aktion kann eine Analystenfreigabe erfordern, automatisch ausgeführt werden oder gemäß Unternehmensrichtlinie zwischen diesen beiden Modi liegen.
Der unabhängige Bericht zur Einführung nennt als Reaktionsoptionen das Widerrufen von Sitzungen, das Deaktivieren von Schlüsseln bei Modellanbietern, die Isolierung von Geräten und das Beenden von Agent-Prozessen. Exaforce fasst diese Maßnahmen unter dem Begriff „Agent Kill Switch“ zusammen.
Diese Bezeichnung klingt nach einem universellen Ausschalter. In der Praxis handelt es sich um eine Sammlung von Eindämmungsmaßnahmen, die auf die Ressourcen angewendet werden, welche einen Agent unterstützen.
Ein Prozess kann beendet werden, doch derselbe Workflow könnte Zugangsdaten behalten oder an anderer Stelle neu starten. Wirksame Eindämmung erfordert daher eine koordinierte Kontrolle über Prozesse, Sitzungen, Schlüssel, Geräte und verbundene Dienste.
Die Erkennung außer Kontrolle geratener Agents wird zu einem Identitätsproblem
Die Sicherheitsherausforderung beginnt, wenn autonome Software vertrauenswürdige menschliche Zugriffe übernimmt, aber schneller und weniger vorhersehbar als ihr Eigentümer agiert.
Ein Enterprise-Agent arbeitet selten isoliert. Er kann eine Aufgabe erhalten, interne Dokumente lesen, APIs aufrufen, lokale Tools ausführen, Code erstellen und mit anderen Diensten kommunizieren.
Diese Fähigkeiten verleihen Agents operativen Nutzen. Sie können jedoch auch eine fehlerhafte Anweisung, kompromittierte Integration oder einen bösartigen Prompt in eine Kette authentifizierter Aktionen verwandeln.
Deshalb konzentriert sich Exaforces Erkennung außer Kontrolle geratener Agents stark auf Identität. Das System muss beantworten, wer den Agent gestartet hat, welche Identität er repräsentiert, welche Zugangsdaten er verwenden kann und auf welche Ressourcen diese Zugangsdaten zugreifen können.
Eine herkömmliche Mitarbeiteridentität weist ein vergleichsweise nachvollziehbares Muster auf. Sicherheitsteams kennen die Rolle der Person, ihre üblichen Geräte, normalen Anwendungen und erwarteten Arbeitszeiten.
Ein Agent verkompliziert dieses Modell. Er kann kontinuierlich arbeiten, viele Aktionen schnell abschließen und Tools auswählen, ohne bei jedem Schritt um Genehmigung zu bitten. Er könnte zudem lokale Prozesse starten oder Berechtigungen nutzen, die für einen umfassenderen menschlichen Workflow erteilt wurden.
Das Ergebnis ist eine Zuordnungslücke. Das Log identifiziert den Mitarbeiter, doch dieser hat nicht jede protokollierte Aktion manuell ausgelöst. Ermittler müssen menschliche Absicht von der Ausführung durch den Agent trennen.
Exaforce argumentiert, dass bestehende Endpoint- und SaaS-Tools nicht für diese Unterscheidung entwickelt wurden. Chief Executive Ankur Singla sagte, Sicherheitsteams benötigten Agent-Aktivitäten in Verbindung mit den Identitäts-, Cloud- und Endpoint-Informationen, die sie bereits erfassen.
Das Unternehmen veranschaulicht das Problem mit einem KI-Desktop-Agent, der mit deaktivierten Sicherheits-Prompts lief. Laut Exaforce öffnete der Agent eine Shell, kopierte eine Browser-Cookie-Datenbank und durchsuchte sie nach Sitzungs-Cookies des Unternehmens.
Der Endpoint blockierte die Aktivität nicht. Exaforce sagt, seine Plattform habe den Prozessbaum verfolgt, die Aktivität einer externen Adresse zugeordnet und sie mit 15 früheren Findings desselben Nutzers und derselben Adresse verknüpft.
Das Unternehmen klassifizierte den Vorfall als Priority-One-Finding und gibt an, er sei in 11 Minuten triagiert worden. Diese Angaben stammen aus der eigenen Umgebung oder Kundentelemetrie von Exaforce und wurden nicht unabhängig verglichen.
Dennoch zeigt das Szenario, warum die Analyse von Runtime-Sequenzen wichtig ist. Das Lesen einer Browser-Datenbank kann verdächtig sein, doch das umgebende Identitäts- und Netzwerkverhalten bestimmt das tatsächliche Risikoniveau.
Ein zweites Beispiel betrifft übermäßige OAuth-Berechtigungen. Exaforce gibt an, eine OpenAI-Anwendung gefunden zu haben, die berechtigt war, Daten in einer gesamten Google Workspace-Umgebung zu schreiben, zu ändern, zu senden oder zu löschen.
Außerdem identifizierte es eine Claude-Kalenderintegration mit weitergehenden Schreib- und Sendeberechtigungen, als ihre erwartete Aufgabe erforderte. Diese Findings stellen Risiken in der Sicherheitslage dar, keine bestätigten Angriffe.
Diese Unterscheidung ist wichtig. Eine weitreichende Berechtigung schafft potenziellen Schadensradius, während bösartiges Runtime-Verhalten darauf hinweist, dass dieses Risiko aktiv genutzt wird.
Exaforce AI Security versucht, beide Seiten zu verknüpfen. Seine Risikokomponente identifiziert anfällige Konfigurationen vor einem Vorfall, während die Runtime-Erkennung nach aktivem Missbrauch sucht.
Für Sicherheitsteams entsteht dadurch eine neue Anforderung an die Inventarisierung. Sie müssen nicht nur verstehen, auf welche Modelle Mitarbeitende zugreifen, sondern auch, welche Agents, Skills, Plugins und MCP-Server Modellausgaben in Aktionen umsetzen können.
Das Inventar muss aktuell bleiben. Mitarbeitende können eine KI-Coding-Erweiterung installieren oder einen neuen SaaS-Assistenten verbinden, ohne dass ein zentralisiertes Bereitstellungsprojekt stattfindet.
Sicherheitsverantwortliche kennen ähnliche Shadow-IT-Probleme seit Jahren. Agentische Software erhöht den Einsatz, weil die nicht genehmigte Anwendung handeln kann, statt Informationen lediglich zu speichern oder anzuzeigen.
Das agentenlose Design ist Exaforces wichtigste Wette
Exaforce setzt darauf, dass bestehende Telemetrie Agent-Verhalten sichtbar machen kann, ohne jeder Endpoint-Umgebung eine weitere Überwachungskomponente hinzuzufügen.
Die Behauptung der Agentenlosigkeit erfordert eine sorgfältige Einordnung. Exaforce arbeitet nicht ohne Datensammler oder Integrationen. Es ist auf Informationen aus bestehenden Endpoint-Sicherheitsprodukten, Modellanbietern, Identitätssystemen, Cloud-Diensten und Produktivitätsplattformen angewiesen.
„Agentenlos“ bedeutet, dass Kunden keine zusätzliche Exaforce-Komponente speziell zur Überwachung von KI-Agents installieren. Die Plattform analysiert Daten, die Exaforce bereits aufnimmt oder über Anbieter-APIs beziehen kann.
Diese Architektur bietet einen offensichtlichen betrieblichen Vorteil. Enterprise-Sicherheitsteams verwalten bereits überfüllte Endpoint-Stacks, und jeder zusätzliche Agent bringt Bedenken hinsichtlich Bereitstellung, Wartung, Kompatibilität und Leistung mit sich.
Die Wiederverwendung etablierter Telemetrie kann die Implementierungszeit verkürzen. Sie kann KI-Aktivitäten zudem in dieselbe Untersuchungswarteschlange einordnen, die für Identitäts-, Cloud-, Endpoint- und SaaS-Vorfälle genutzt wird.
Diese einheitliche Sicht ist der Kernmechanismus hinter Exaforce AI Security. Die Plattform beurteilt einen Agent nicht allein anhand des an ein Modell gesendeten Prompts oder der zurückgegebenen Antwort.
Stattdessen untersucht sie die umgebenden Aktivitäten. Dazu gehören Geräteprozesse, Netzwerkverbindungen, Dateizugriffe, Kontoauthentifizierung, Cloud-Aufrufe, Code-Kontext und Anbieternutzung.
Ein Coding-Assistent, der eine Shell öffnet, ist nicht automatisch bösartig. Das Öffnen einer Shell, das Lesen von Zugangsdaten-Dateien, das Kontaktieren einer unbekannten Domain und der Versuch einer Cloud-Anmeldung ergeben ein aussagekräftigeres Muster.
Dasselbe Prinzip gilt für Geschäftsanwendungen. Ein Kalenderassistent, der auf Termine zugreift, erfüllt seinen Zweck. Derselbe Assistent verdient eine genauere Prüfung, wenn er weitreichende Befugnisse zum Senden von E-Mails oder Ändern nicht verwandter Workspace-Daten erhält.
Exaforces Risikokomponente bewertet außerdem Skills und Plugins vor ihrer Ausführung. Das Unternehmen beschrieb den Fund eines kochbezogenen Skills, dessen Analysefunktion sensible Umgebungsvariablen suchte und exfiltrierte.
Die Diskrepanz zwischen dem angegebenen Zweck des Skills und seinem Code-Verhalten erhöhte das Risiko. Es handelt sich um ein Software-Lieferkettenproblem, das sich über eine KI-Erweiterung manifestiert.
Skills und MCP-Server können die Fähigkeiten eines Agents schnell erweitern. Sie können aber auch ungeprüften Code, Remote-Abhängigkeiten und Zugriffspfade einführen, die Nutzer nicht verstehen.
Exaforce zufolge weist seine Plattform diesen Komponenten Risikobewertungen und Empfehlungen zu. Eine solche Bewertung kann helfen, Prüfungen zu priorisieren, doch ihr Nutzen hängt von der Erkennungsqualität und dem verfügbaren Kontext ab.
Das agentenlose Modell schafft zugleich seine wichtigste Einschränkung. Exaforce kann nur Aktivitäten analysieren, die in der empfangenen Telemetrie abgebildet sind.
Ein Endpoint-Produkt könnte zeigen, dass ein Prozess eine Datei gelesen hat, aber nicht die vollständige Schlussfolgerungskette des Agents oder den Prompt offenlegen, der die Aktion ausgelöst hat. Ein Modellanbieter könnte Nutzungslogs bereitstellen, ohne jeden lokalen Tool-Aufruf zu erfassen.
Anbieter-APIs unterscheiden sich ebenfalls bei Abdeckung und Aktualität. Einige bieten umfangreiche Audit-Trails, während andere nur begrenzte Verwaltungsinformationen bereitstellen. Lokal gehostete Modelle oder benutzerdefinierte Agents können wiederum andere Aufzeichnungen erzeugen.
Verschlüsselter Datenverkehr, nicht unterstützte Tools, nicht verbundene Geräte und kurzlebige Prozesse können blinde Flecken schaffen. Ein aus bestehenden Logs zusammengesetztes System muss diese Lücken eindeutig identifizieren und offenlegen.
Das entkräftet die Architektur nicht. Es bedeutet, dass „agentless“ den Komfort der Bereitstellung beschreibt, nicht vollständige Beobachtbarkeit.
Ein Käufer, der das Produkt bewertet, sollte fragen, welche Signale für jeden Agent-Typ verfügbar sind. Die Antwort wird sich bei ChatGPT, Gemini, Copilot, Claude, lokalen Coding-Agents, benutzerdefinierten Workflows und selbst gehosteten Modellen unterscheiden.
Die stärksten Bereitstellungen werden wahrscheinlich Aufzeichnungen von Anbietern mit Endpoint-, Netzwerk-, Identitäts- und Cloud-Telemetrie kombinieren. Fehlt eine dieser Ebenen, kann dies die Attribution schwächen oder die Eindämmung verzögern.
Für Teams, die diese Signale bereits an Exaforce senden, könnte die Integration relativ direkt sein. Unternehmen, die nicht unterstützte Endpoint- oder Identitätsprodukte einsetzen, könnten eine andere Erfahrung machen.
Microsoft, Cisco und Palo Alto kontrollieren bereits zentrale Ebenen
Exaforce schafft nicht die Kategorie Agent-Sicherheit; das Unternehmen fordert größere Anbieter darin heraus, wo die Kontrolle liegen sollte.
Microsoft hat Agent 365 als Control Plane für die Überwachung, Steuerung und Absicherung von Agents positioniert. Es deckt Agents ab, die mit delegiertem Mitarbeiterzugriff arbeiten, ebenso wie Agents, die mit eigenen Zugangsdaten agieren.
Die Agent Control Plane des Unternehmens kombiniert Microsoft Defender, Intune, Entra und die Administration von Microsoft 365. Sie kann lokale und Cloud-Agents erkennen, Identitäten und Ressourcen zuordnen sowie Richtlinien auf unterstützte Agents anwenden.
Microsoft sagt zudem, dass Defender einen Agent seinem Gerät, der zugehörigen Identität, konfigurierten MCP-Servern und erreichbaren Cloud-Ressourcen zuordnen kann. Das klingt ähnlich wie der graphbasierte Kontext, den Exaforce bewirbt.
Der strategische Unterschied liegt im Vertrieb. Microsoft kontrolliert in vielen Unternehmen bereits Identität, Produktivität, Geräteverwaltung und Endpoint-Sicherheit.
Agent 365 kann die Agent-Governance daher zu einer Funktion einer bestehenden Microsoft-Verwaltungsumgebung machen. Exaforce muss zeigen, warum eine unabhängige Sicherheitsebene breiteren oder nützlicheren Kontext bietet.
Microsofts Vorteil kann zugleich eine Einschränkung sein. Unternehmen nutzen Agents und Dienste über mehrere Clouds, Modellanbieter, Endpoints und SaaS-Plattformen hinweg. Ein Sicherheitsteam bevorzugt möglicherweise einen Anbieter, der nicht auf ein einzelnes Software-Ökosystem ausgerichtet ist.
Palo Alto Networks nähert sich dem Problem über Prisma AIRS, seine Plattform für KI-Sicherheit. Prisma AIRS 3.0 umfasst Agent-Erkennung, Artefakt-Scanning, Red Teaming, Identitätskontrollen und Runtime-Durchsetzung.
Sein AI Agent Gateway ist als zentraler Punkt für Governance und Runtime-Kontrolle konzipiert. Palo Alto Networks verknüpft KI-Sicherheit zudem mit Netzwerk-, Cloud-, Browser- und Endpoint-Produkten.
Cisco verfolgt mit AI Defense einen anderen Ansatz. Sein Runtime-Schutz deckt Prompts, Antworten, Datenflüsse, MCP-Interaktionen und Agent-Workflows ab.
Cisco kann auf Netzwerksichtbarkeit und Threat Intelligence zurückgreifen. Diese Position hilft dem Unternehmen, den Datenverkehr zwischen Agents, Modellen, Nutzern und externen Diensten zu prüfen.
Diese Wettbewerber zeigen, dass der Markt um mehrere gemeinsame Funktionen herum konvergiert:
Genehmigte und nicht genehmigte Agents erkennen.
Agents Eigentümern und Identitäten zuordnen.
Tools, Berechtigungen, Daten und erreichbare Ressourcen abbilden.
Skills, Modelle, Prompts und Integrationen bewerten.
Verhalten überwachen, während Agents arbeiten.
Gefährliche Aktionen blockieren oder Zugriffe entziehen.
Beweise für Untersuchungen sichern.
Exaforce unterscheidet sich dadurch, dass diese Funktionen in seine agentische Plattform für Security Operations eingebettet sind. Das Unternehmen argumentiert, dass Agent-Aktivitäten im selben Untersuchungskontext erscheinen sollten wie alle anderen Unternehmenssignale.
Dieses Design könnte Managed Security Provider und schlanke Sicherheitsteams ansprechen. Sie bevorzugen möglicherweise eine operative Warteschlange statt einer weiteren spezialisierten Konsole für KI-Sicherheit.
Größere Plattformanbieter können jedoch dasselbe Konsolidierungsargument vorbringen. Microsoft kann rund um seine administrative Control Plane konsolidieren. Palo Alto Networks kann rund um sein Sicherheitsportfolio konsolidieren. Cisco kann rund um Netzwerk- und Runtime-Durchsetzung konsolidieren.
Die Wettbewerbsfrage lautet daher nicht, wer zuerst ein Agent-Inventar oder einen Kill Switch anbietet. Entscheidend ist, wer den relevantesten Kontext erfassen und daraus präzise Entscheidungen ableiten kann.
Exaforce betreibt zudem eigene KI-Sicherheits-Agents namens Exabots für Erkennung, Triage, Untersuchung, Hunting und Reaktion. Seine Plattform nutzt nun KI-Agents, um andere KI-Agents abzusichern.
Diese Symmetrie schafft Nutzen und Risiken. Automatisierte Analysen können komplexe Aktivitäten schneller verarbeiten als ein menschliches Team, doch eine fehlerhafte Modellentscheidung kann eine unnötige Eindämmungsmaßnahme auslösen.
Einstellungen für menschliche Freigaben geben Kunden eine Möglichkeit, dieses Risiko zu steuern. Eine Freigabe für jede Reaktion zu verlangen, kann jedoch den Geschwindigkeitsvorteil schmälern, den Automatisierung verspricht.
Der Markt entwickelt sich letztlich in Richtung abgestufter Autonomie. Aktionen mit geringem Risiko können automatisch ausgeführt werden, während einschneidende Reaktionen stärkere Belege oder menschliche Bestätigung erfordern.
Ein Agent Kill Switch kann schwache Erkennung nicht ausgleichen
Eine Reaktionskontrolle ist nur so vertrauenswürdig wie die Belege, mit denen sie aktiviert wird.
Der Ausdruck „Agent Kill Switch“ suggeriert Gewissheit. Ein System erkennt einen kompromittierten Agent, ein Operator drückt einen Knopf, und die Bedrohung endet.
Unternehmensumgebungen sind weniger übersichtlich. Agents sind auf Prozesse, Zugangsdaten, Konten bei Modellanbietern, Integrationen, Browsersitzungen und Cloud-Ressourcen angewiesen. Das Beenden einer Komponente entfernt nicht immer den Rest.
Ein Angreifer kann ein OAuth-Token behalten, nachdem ein Agent-Prozess beendet wurde. Ein geplanter Workflow kann den Prozess erneut starten. Eine kompromittierte Identität kann dieselben Aktionen über ein anderes Tool ausführen.
Deshalb reichen die Reaktionsoptionen von Exaforce über die Prozessbeendigung hinaus. Der Entzug von Sitzungen, die Deaktivierung von Schlüsseln, Geräteisolierung und Identitätskontrollen können mehrere Wege gleichzeitig schließen.
Diese Maßnahmen können auch legitime Arbeit unterbrechen. Die Isolierung des Geräts eines Entwicklers oder der Entzug einer Produktionsberechtigung hat operative Folgen, insbesondere wenn die Erkennungssicherheit unsicher ist.
Fehlalarme sind daher genauso wichtig wie übersehene Angriffe. Eine Plattform, die bei jeder Shell-Ausführung, jedem großen Dateizugriff oder jeder unbekannten Domain warnt, wird Analysten überfordern und automatische Reaktionen unattraktiv machen.
Exaforce sagt, seine Kontextmodelle verringerten dieses Problem, indem sie zusammenhängendes Verhalten verknüpfen. Die Behauptung ist plausibel, doch die Materialien zur Einführung liefern keine unabhängigen Messungen der Erkennungsraten.
Sie legen auch keine Fehlalarmraten für die neuen Funktionen zur Agent-Sicherheit offen. Kein öffentlicher Benchmark vergleicht die Erkennung kompromittierter Agents durch Exaforce mit Microsoft, Cisco, Palo Alto Networks oder spezialisierten Anbietern.
Die Abdeckung stellt eine weitere Unsicherheit dar. Exaforce nennt große Anbieter, darunter OpenAI, Google, Microsoft und Anthropic. Unternehmen betreiben zudem benutzerdefinierte Agents, Open-Source-Modelle, Browser-Erweiterungen und interne Orchestrierungssysteme.
Die Wirksamkeit des Produkts wird davon abhängen, wie zuverlässig es diese unterschiedlichen Implementierungen erkennt. Ein Agent, der in einem nicht unterstützten Tool läuft, könnte als gewöhnlicher Prozess erscheinen.
Verhaltenskontext kann helfen, doch Kontext ist nicht gleich Absicht. Ein Sicherheits-Test-Agent könnte im Rahmen einer autorisierten Übung Cookies sammeln oder Zugriffsgrenzen prüfen.
Ein kompromittierter Agent kann auch normale Arbeit imitieren. Er könnte kleine Datenmengen über einen genehmigten Dienst exfiltrieren oder innerhalb der bestehenden Zugriffsmuster des Nutzers bleiben.
Automatisierte Reaktionen werfen zudem eine Governance-Frage auf. Kunden müssen entscheiden, welche Maßnahmen die Plattform ohne Bestätigung ausführen darf und wer verantwortlich ist, wenn diese Maßnahmen Störungen verursachen.
Eine ausgereifte Richtlinie sollte die Reaktionsbefugnis mit Vertrauen, Sensibilität des Assets und geschäftlichen Auswirkungen verknüpfen. Das Beenden eines experimentellen Prozesses mit geringem Wert unterscheidet sich vom Deaktivieren einer Berechtigung, die von Produktionssystemen genutzt wird.
Sicherheitsteams sollten zudem Fehlermodi testen, bevor sie vollständige Autonomie aktivieren. Übungen können messen, ob ein isolierter Endpoint für Untersuchungen erreichbar bleibt und ob die Sperrung eines Schlüssels nicht zusammenhängende Dienste beeinträchtigt.
Die glaubwürdigsten Belege werden aus dokumentierten Kundenbereitstellungen stammen. Käufer müssen wissen, wie lange die Erkennung dauert, welche Agents unsichtbar bleiben und wie viele Befunde eine Korrektur durch Analysten erfordern.
Sie benötigen außerdem Beispiele mit tatsächlicher gegnerischer Aktivität, nicht nur mit riskanten Berechtigungen oder absichtlich unsicheren Testkonfigurationen. Posture-Befunde und Bedrohungserkennungen lösen unterschiedliche Probleme.
Die von Exaforce berichteten Beispiele aus Live-Tenants bieten einen ersten Einblick. Sie belegen keine allgemeine Leistung in unterschiedlichen Unternehmensumgebungen.
Dies ist der zentrale Zielkonflikt hinter Exaforce AI Security. Eine agentenlose Bereitstellung kann den Rollout vereinfachen, doch die Abhängigkeit von bestehender Telemetrie kann zu uneinheitlicher Sichtbarkeit führen.
Das Produkt könnte dort gut funktionieren, wo Exaforce bereits umfangreiche Endpoint-, Identitäts-, Cloud- und Anbieterdaten erhält. Seine Schlussfolgerungen werden weniger sicher sein, wo diese Signale unvollständig sind.
Woran sich zeigen wird, ob Exaforce AI Security funktioniert
Der nächste Test ist keine weitere Funktionsankündigung, sondern messbare Belege dafür, dass die Plattform gefährliche Abläufe erkennt, ohne legitime Agents zu beeinträchtigen.
Das erste Signal, auf das es zu achten gilt, ist unabhängige Kundenvalidierung. Exaforce benötigt Bereitstellungsberichte, die zeigen, welche Agents das Unternehmen erkannt hat, welche Risiken zunächst übersehen wurden und wie Analysten mit den Befunden umgingen.
Nützliche Belege würden Inventarabdeckung, Posture-Analyse, aktive Bedrohungserkennung und Reaktion voneinander trennen. Diese Ergebnisse zu einer einzigen Erfolgsaussage zusammenzufassen, würde die Bewertung erschweren.
Kundenergebnisse sollten auch die in jeder Umgebung verfügbare Telemetrie offenlegen. Erkennungsleistung, die auf umfassender Endpoint- und Identitätsabdeckung beruht, sollte nicht auf Unternehmen mit weniger Integrationen verallgemeinert werden.
Starke Ergebnisse aus der Praxis würden Exaforces Behauptung stützen, dass bestehende Daten agentenlose Runtime-Sicherheit ermöglichen können. Anhaltende blinde Flecken würden das Kernargument des Designs schwächen.
Das zweite Signal ist eine breitere Integrationsabdeckung. Die aktuelle Einführung verbindet sich mit großen Modellanbietern und nutzt bestehende Endpoint- und Unternehmensdaten.
Die Einführung von Enterprise-Agents wird nicht auf wenige Produkte konzentriert bleiben. Interne Teams können Agents aus offenen Modellen, Code-Frameworks, MCP-Servern, Kommandozeilen-Tools und benutzerdefinierten APIs zusammensetzen.
Exaforce muss neue Agent-Formen weiterhin erkennen, ohne für jede einzelne einen dedizierten Sensor zu benötigen. Integrationsankündigungen sind nur dann relevant, wenn sie genügend Daten für Attribution und Reaktion bereitstellen.
Unterstützung allein für die Erkennung reicht nicht aus. Sicherheitsteams benötigen Prozessbeziehungen, Tool-Aufrufe, Berechtigungen, Zugangsdaten, Netzwerkziele und Reaktionskontrollen.
Das dritte Signal ist die Reaktion der Wettbewerber. Microsoft, Palo Alto Networks und Cisco besetzen bereits wertvolle Durchsetzungspunkte bei Identitäten, Endpoints, Netzwerken und Clouds.
Wenn diese Anbieter plattformübergreifenden Agent-Kontext zu einem Standardbestandteil ihrer bestehenden Produkte machen, wird Exaforce stärkerem Vertriebsdruck ausgesetzt sein. Bleiben ihre Tools an enge Ökosysteme gebunden, wird eine unabhängige Korrelationsebene attraktiver.
Der Preis ist nicht der einzige Beschaffungsfaktor. Sicherheitsteams werden Bereitstellungsaufwand, Qualität der Untersuchungen, Integrationstiefe, Optionen für Managed Services und die Folgen fehlerhafter automatisierter Maßnahmen vergleichen.
Exaforces Position ist am klarsten für Unternehmen, die bereits seine Security-Operations-Plattform oder seinen MDR-Service nutzen. Die neuen Funktionen können die Aktivitäten von KI-Agenten in einen etablierten Workflow integrieren.
Neue Kunden stehen vor einer umfassenderen Plattformentscheidung. Sie müssen Exaforce mit den Kontrollen vergleichen, die bereits in ihrem Identity-, Endpoint-, Cloud- oder Netzwerk-Stack enthalten sind.
Die Einführung unterstreicht zudem den wachsenden Bedarf an institutionellem Wissen rund um Agentenaktivitäten. Ermittler benötigen Zugriff auf Entscheidungen, Freigaben, Vorfallsbelege und Erkenntnisse aus früheren Implementierungen.
Eine durchsuchbare KI-Wissensdatenbank kann Teams helfen, diesen Kontext zu bewahren, ersetzt jedoch keine Sicherheitskontrollen zur Laufzeit.
Für Unternehmenskäufer besteht der unmittelbare Schritt darin, Agenten und deren Zugriffe zu inventarisieren, bevor sie eine Sicherheitsplattform auswählen. Ermitteln Sie, wer für jeden Agenten verantwortlich ist, welche Zugangsdaten er verwendet und welche Systeme er verändern kann.
Testen Sie anschließend Exaforce AI Security oder eine konkurrierende Plattform anhand realistischer Szenarien. Berücksichtigen Sie Prompt Injection, übermäßige OAuth-Berechtigungen, verdächtige Tool-Ketten, Zugriff auf Zugangsdaten, Datenbewegungen sowie legitime Workflows, die Angriffen ähneln.
Messen Sie sowohl Erkennung als auch Unterbrechung. Die erfolgreichste Plattform wird nicht diejenige mit der dramatischsten Sprache zu Kill Switches sein. Sie wird gefährliche Autonomie zuverlässig von produktiver Automatisierung unterscheiden und anschließend auf der richtigen Ebene reagieren.
