MINDのシリーズB資金調達、AIデータセキュリティへの賭けに7,200万ドルを投入
MINDは7,200万ドルを調達した。今回のMINDのシリーズB資金調達は、AIによる情報移動と同じ速さでエンタープライズのデータ管理が機能しなければならない、という差し迫った主張を前面に掲げるものだ。このラウンドにより、イスラエルで創業されたサイバーセキュリティ企業は、その主張を追求するための資源をさらに得た。ただし、自律的な保護が既存のデータ損失防止システムを上回れるかどうかについて、決着がついたわけではない。
このラウンドはCrosspoint Capital Partnersが主導し、既存投資家のYL VenturesとPaladin Capital Groupも参加した。MINDによると、今回の資金調達で累計調達額は1億1,200万ドルに達したという。発表は、3,000万ドルのシリーズAから1年余り後に行われた。
競争圧力は他のスタートアップだけにとどまらない。Microsoft、Forcepoint、Netskope、Palo Alto Networks、Proofpoint、Broadcomはすでに、エンドポイント、クラウドアプリケーション、メール、企業ネットワークにまたがるデータ保護製品を販売している。MINDは、AIネイティブのプラットフォームが、既存の管理機能を新しいインターフェースで提供するだけのものではないと、購入者に納得させる必要がある。
タイミングは追い風だ。従業員はAIアシスタントに情報を貼り付け、モデルを業務アプリケーションに接続し、複数段階の作業をエージェントに委任するようになった。こうした行為は、機密データが承認済みシステムの外へ出るための、より速く見えにくい経路を生み出す。
より難しいのは運用上の問題である。企業には、文脈を認識し、実際の脅威を阻止し、正当な業務を妨げない管理機能が必要だ。MINDは、AIエージェントが手動で調整されたポリシーよりも、そのバランスをうまく管理できると賭けている。
MINDのシリーズB資金調達が変えること
今回の資金は、MINDを新興DLPベンダーから、全社規模のデータ管理をめぐる、より潤沢な資金を持つ競争へと押し上げる。
MINDは2026年9月17日にシリーズBを発表した。同社の資金調達発表によると、製品開発、エンタープライズ営業、パートナーシップ、人員拡充を進める計画だという。
今回の資金調達は、短期間に集中した調達スケジュールに続くものだ。MINDは2024年にステルス状態を脱し、2025年6月には3,000万ドルのシリーズAを発表した。この先行ラウンドにより、報告上の調達額は4,000万ドルを超えた。
最新の投資により、開示済みの累計額は1億1,200万ドルに増えた。この規模の資金は、エンジニアの採用、大規模な導入の支援、広範な統合とサービス提供能力を期待する購入者への対応に余地を与える。
MINDはまた、8桁ドル規模の売上事業を構築し、数十社の顧客にサービスを提供していると述べている。同社は、監査済みの売上高、顧客維持率、契約期間、導入全体での利用状況のデータを公表していない。
こうした不足情報は重要である。エンタープライズ向けセキュリティ契約は、限定的な導入から始まる場合がある。顧客ロゴだけでは、プラットフォームが実際にカバーしているエンドポイント、アプリケーション、事業部門、データリポジトリの数は分からない。
それでも、公開されている顧客名は、本番環境での利用を示す一定の証拠となる。Children’s Hospital Los Angelesは、企業エンドポイント経由で保護対象の医療情報がAIツールに入力されるのを阻止するためにMINDを利用しているとしている。National Geographic Societyは、このシステムが機密文書の特定、公開共有の制限、AIエージェントとのやり取りの可視化に役立つとしている。
これらの事例は、資金調達を具体的な問題と結びつける。医療従事者、研究者、エンジニアなどの従業員は、ファイル、プロンプト、データベースの結果、コピーしたテキストを受け取れるAIツールをますます利用している。セキュリティチームは、こうした移動を統合的に把握できないことが多い。
MINDは、自社プラットフォームをAIネイティブのデータ損失防止、すなわちDLPと説明している。DLPソフトウェアは機密情報を識別し、警告、隔離、マスキング、危険な操作のブロックを行えるポリシーを適用する。
従来のDLP製品も、すでにその多くの機能を実行している。MINDの差別化は、自社ソフトウェアが調査、ポリシー調整、対応のプロセスをどこまで自動化できるかにかかっている。
同社のプラットフォームは、エンドポイント、メール、software-as-a-serviceアプリケーション、生成AIツール、その他のエンタープライズ環境にまたがってデータを監視する。MINDによると、多層的な分類により、適用前にコンテンツと文脈の両方を分析するという。
この位置付けは、資金調達額を超えて今回のラウンドが重要である理由を説明する。同社は単に別のダッシュボードを売っているのではない。セキュリティチームが多数の静的なDLPルールを手作業で維持しなければならないという前提に挑戦している。
今回の資金調達により、MINDはその挑戦をより多くの顧客と、より複雑な環境で試せるようになる。同時に、期待も高まる。投資家は、導入速度、分類精度、顧客拡大が、前回ラウンドから間もない時期の次なる大型ラウンドを正当化する証拠を求めるだろう。
AIエージェントがデータ損失の管理を難しくしている理由
AIの導入は、データ漏えいを可視的な従業員行動の連続から、自動化された意思決定の連鎖へと変える。
従業員は誤って間違った文書を添付したり、未承認のチャットボットにソースコードを貼り付けたり、公開リンクを通じてファイルを公開したりする可能性がある。既存の管理機能が不十分にしか対処できない場合でも、セキュリティチームはこうしたリスクを理解している。
AIエージェントは異なる運用パターンをもたらす。エージェントは複数のシステムからデータを取得し、それを組み合わせ、別のサービスを呼び出し、各段階で個別の人間の承認を得ることなく外部向けの応答を生成できる。
エージェントは各システムに対して正当なアクセス権を持っている可能性がある。リスクは、ワークフロー全体で権限、情報、操作をどのように組み合わせるかから生じる。
この違いにより、主にファイルシグネチャ、キーワード、宛先リストに基づく管理機能は弱まる。一見無害な断片も、顧客記録、製品計画、社内コミュニケーションと組み合わさると機密になり得る。
プロンプトインジェクションは、さらに別の複雑さを加える。エージェントは文書やウェブページ内で悪意のある指示に遭遇し、認可されたツールを意図しない方法で使用する可能性がある。
Singapore and Korea AI Safety Institutesの研究は、現実的なエージェントタスク12件にわたる漏えいリスクを評価した。エージェント漏えいに関する研究では、データ認識、対象者認識、ポリシー準拠、最小化、アクセス境界に関する失敗を検証した。
重要なのは実用面にある。AIシステムは、データを不適切に扱うために悪意を持つ必要はない。対象者を誤解したり、必要以上のデータを使用したり、相反する指示に従ったりすることで、情報を公開してしまう可能性がある。
企業でのAI利用は、複数の管理ポイントもまたぐ。従業員はブラウザで開始し、クラウド文書を取得し、外部モデルを呼び出し、その結果をコラボレーションプラットフォームで送信する場合がある。
最初のプロンプトだけを見ているツールには、連鎖全体は把握できない。保存データだけに焦点を当てた製品では、情報がすでに移動した後にしか露出を特定できない可能性がある。
MINDは、企業には保存中と移動中の両方のデータを保護する仕組みが必要だと主張する。同社のシステムは、機密データを発見し、その移動を追跡し、ある操作が許容できないリスクを生む場合にポリシーを適用するよう設計されている。
これが、同社のAIネイティブというラベルの根拠となる仕組みだ。MINDによると、自社のエージェントはイベントを調査し、管理機能を調整し、修復プロセスの一部を処理できるという。
ポリシーの保守は依然としてDLPの大きな負担であるため、この約束は魅力的だ。組織には、数千のルール、例外、アラート、分類ラベルが蓄積し得る。ソフトウェアやワークフローが変わるたびに、新たな調整作業が発生する可能性がある。
AIエージェントは、システム間に新しい経路を作り出すことで、その負担を増大させる。セキュリティチームが、モデル、アプリケーション、ユーザー、データセットの考え得るすべての組み合わせごとに、個別の手動ルールを書くことは現実的ではない。
しかし、自動化されたポリシー管理には、それ自体の依存関係がある。防御側のエージェントは、機密コンテンツ、業務上の文脈、ユーザーの認可、宛先のリスクを正しく理解しなければならない。
誤りはどちらの方向にも起こり得る。偽陰性は情報の流出を許し、偽陽性は承認された業務を妨げ、従業員に管理機能の回避を促す。
MIND自身の利用規約は、このプラットフォームがすべての情報開示、ポリシー違反、セキュリティインシデントの検知または防止を保証できないことを認めている。また、偽陽性と偽陰性が依然として起こり得ることも認識している。
この表現はセキュリティソフトウェアでは標準的だが、中心的な問題を示している。AIはDLPのカバレッジを拡大し、手作業を減らせる。しかし、データ保護の中心にある判断の問題をなくすことはできない。
MINDは既存のDLPモデルに挑戦している
MINDの主な競争相手は一社のスタートアップではない。絶え間ない人手による調整を要求する、ポリシー重視の既存DLPモデルそのものだ。
従来のDLPシステムは、比較的予測可能なチャネルを中心に発展してきた。メール、ウェブアップロード、リムーバブルストレージ、ネットワークトラフィック、管理対象エンドポイントを移動するファイルを検査していた。
こうしたチャネルは今も重要である。しかし、企業情報は現在、クラウドコラボレーションスイート、ブラウザアプリケーション、個人用AIアカウント、モデルAPI、コパイロット、自律エージェントを通じても移動している。
既存ベンダーもこの変化を見過ごしてはいない。MicrosoftはPurviewポリシーをMicrosoft 365のID、ラベル、エンドポイント、アプリケーションと接続できる。NetskopeとZscalerは、security service edgeインフラを通じてクラウドとウェブのトラフィックを検査する。
Forcepointは行動認識型の適用を強調している。Palo Alto Networks、Proofpoint、Broadcom、Trellixは、それぞれ独自のエンドポイント、ネットワーク、メール、クラウド統合を提供している。
これらのベンダーには構造的な優位性がある。すでに大規模なテクノロジー環境に組み込まれ、長期的なエンタープライズ契約を持ち、IDおよびセキュリティ運用システムと統合している。
各社の製品は、複数チャネルにまたがる単一のポリシーフレームワークも維持できる。一貫した適用と監査証跡を必要とする規制対象組織にとって、これは重要だ。
MINDは、より絞り込んだ主張で対抗する。従来のDLP運用モデルは、AI主導のワークフローに対して手作業が多すぎ、断片的で、遅すぎるというものだ。
同社は、データ発見、分類、損失防止、インサイダーリスクの機能を一つのプラットフォームに統合する。その上で、エージェントを使って活動を調査し、ポリシーを調整する。
このアプローチは、機密データの発見と、その流出阻止の間にある運用上の隔たりを縮めることを目指す。データセキュリティポスチャ管理製品は、発見と露出を重視することが多い。DLP製品は、データ移動時に適用される管理機能を重視する。
MINDはこれらの機能をつなごうとしている。プラットフォームは、どのような情報が存在するか、なぜ機密なのか、誰が利用しているのか、特定の移動がポリシーに違反するかを理解しなければならない。
したがって競争の中心は、機能数ではなく運用負担にある。既存ベンダーは、広範なセキュリティプラットフォームにAI検査を追加できる。MINDは、自動化を軸にワークフローを再構築することで、日常的な成果がより良くなることを示す必要がある。
測定可能な成果の一つは導入時間だ。購入者は、MINDがデータを発見し、利用可能なポリシーを確立し、主要チャネルと統合し、管理機能の適用を開始するまでに、どれほどの時間を要するかを問うべきだ。
もう一つは調査の負担である。アラート数を減らしても、各アラートに広範な手作業による検証が必要なら、その製品の価値は限られる。
最も厳しい試験は、時間の経過に伴うポリシー品質だ。MINDのエージェントは、例外を静かに拡大したり、より多くの正当な操作をブロックしたりせずに、反復的な調整を減らすべきである。
購入者はカバレッジも比較すべきだ。現代的なDLP製品には、エンドポイント、ブラウザ、承認済みアプリケーション、未承認サービス、メール、クラウドストレージ、AIシステムにまたがる可視性が必要となる。
すべてのベンダーがあらゆる領域で同等の深さを持つわけではない。スタートアップはAIワークフローでより速く動ける可能性がある一方、既存企業は自社プラットフォーム内でより強力なカバレッジを提供する場合がある。
これが、MINDの資金調達が従来型DLPの消滅を意味しない理由です。DLPの運用方法を変えようとする試みを示しています。
MINDが自動調査とチューニングによって管理業務を減らせると証明すれば、既存ベンダーは同等の体験を提供するよう迫られるでしょう。実現できなければ、買い手はすでに利用しているプラットフォーム内の段階的なAI機能を選ぶかもしれません。
真の試金石は、ワークフローの摩擦を生まずに精度を実現できるか
MINDは、自律的なポリシー適用が、不透明な機械判断によって手作業のポリシー業務を置き換えることなく、リスクを低減できると示さなければなりません。
データセキュリティ製品は、エンタープライズスタックの中でも容赦のない領域で稼働します。機密データの転送を見逃すシステムは、セキュリティという目的を果たせません。通常業務を阻害するシステムは、ユーザーの支持を失います。
DLPでは、誤検知が特に大きな損害をもたらします。誤った警告に繰り返し遭遇する従業員は、監視されていない経路を探したり、個人アカウントを使ったり、広範な例外措置を求めたりする可能性があります。
広範な例外は保護を弱めます。また、取り締まりが難しいトラフィックを適用対象から外すことで、パフォーマンス統計を実態以上によく見せることにもつながります。
AI分類は、単純なパターンマッチングを上回る可能性があります。たとえば、似た用語を含んでいても、公開済みの製品パンフレットと機密のロードマップを区別できます。
ただし、文脈に基づく分類が自動的に信頼できるとは限りません。モデルは更新後に挙動が変わることがあり、未知の文書形式に苦戦したり、専門用語を誤解したりする場合があります。
グローバル企業では、さらに複雑になります。ポリシーは地域ごとのプライバシー規則、データ所在地に関する義務、言語、職務、契約上の制限を考慮しなければなりません。
そうしたポリシーを調整する自律エージェントには、厳格な境界が必要です。セキュリティチームは、エージェントが変更できる内容、各変更を裏付ける証拠、不正確な判断を取り消す方法を把握していなければなりません。
監査可能性は、分類そのものと同じほど重要になります。ブロックされた操作には、セキュリティアナリスト、従業員、規制当局、顧客が理解できる明確な説明が必要です。
MINDは、自社プラットフォームが自動調査と修復を提供すると述べています。同社は、誤検知率、検知精度、処理遅延を主要な競合他社と比較できるほどの独立したベンチマークデータを、公開していません。
公表された顧客事例は有用ですが、選ばれた顧客の証言にとどまります。買い手自身のアプリケーションとデータを対象とした統制下のテストに代わるものではありません。
Children’s Hospital Los Angelesは、保護対象保健情報には厳格な取り扱い要件があるため、重要なユースケースを示しています。同組織は、MINDがエンドポイントのパフォーマンスに影響を与えず、こうした情報がAIツールに入力されるのをブロックしていると述べています。
この説明は、製品の実用的な関連性を裏付けます。ただし、独立した性能監査ではなく、MINDが提示した顧客の主張として評価すべきです。
National Geographicの事例は別の要件を浮き彫りにしています。組織データとAIエージェントの間のやり取りを可視化し、文書ラベリングと共有制限を行うものだと説明されています。
これらの例は、企業が関心を寄せる理由を示しています。しかし、あらゆるデータタイプ、アプリケーション、敵対的シナリオで製品がどう動作するかを立証するものではありません。
導入を検討する買い手は、代表的なトライアルを実施すべきです。テストには、通常のアップロード、コピーしたテキスト、生成された要約、ソースコード、スクリーンショット、多言語コンテンツ、エージェント主導の転送を含める必要があります。
回避行動も検証すべきです。機密情報は、形式変更、複数プロンプトへの分割、エンコード、言い換え、より大きな文書への埋め込みが可能です。
信頼できる評価には、セキュリティと生産性の両方の指標が必要です。検知率は重要ですが、ユーザーの中断、アナリストのレビュー時間、例外の件数、判断を説明するための所要時間も同様に重要です。
企業は障害時の処理も検討すべきです。プラットフォームが接続性や確信を失った場合、アクティビティをブロックするのか、許可するのか、レビューに回すのかを、買い手は把握する必要があります。
7200万ドルのラウンドにより、MINDはこれらの領域を改善するための資源を得ました。ただし、資金そのものは、根本的なトレードオフが解決された証拠にはなりません。
非公開企業への資金調達は、市場のタイミング、投資家の確信、売上成長、競争上の位置づけを反映する場合があります。製品精度を独立して検証するものではありません。
AIセキュリティには緊急性の高い支出が集まっているため、この違いは重要です。企業はデータ流出を恐れていますが、緊急性は評価期間を短縮し、野心的な主張に報いる可能性があります。
MINDにとって最善の道は、透明性のある証拠です。公開された方法論、導入指標、顧客拡大、第三者評価があれば、買い手は自動化とマーケティングを区別しやすくなります。
MINDの資金調達がエンタープライズの買い手に意味すること
このラウンドは買い手に新たな有力な選択肢をもたらしますが、購買判断は統制範囲と測定可能な業務負荷削減に基づくべきです。
目先の利点は競争圧力です。AI対応DLPへの投資が増えることで、企業はすべてのベンダーに対し、より優れた統合、明確なポリシー、迅速な導入を求める交渉力を得ます。
MINDはこの資金を使ってチャネルカバレッジを深められます。データ移動が一社のベンダー環境内にとどまることはめったにないため、この取り組みは不可欠です。
従業員はMicrosoft 365から文書を取得し、サードパーティのモデルで処理したうえで、別のクラウドサービスに出力を公開するかもしれません。エージェントがAPI経由で同じ一連の処理を実行する可能性もあります。
セキュリティチームには、その連鎖を通じた継続性が必要です。ブラウザまたはエンドポイントだけを統制する製品では、サーバー側のエージェント活動を見逃す可能性があります。クラウド専用製品では、ローカルアプリケーションからコピーされた情報を見逃すかもしれません。
買い手はベンダー名ではなく、データフローから始めるべきです。機密情報の発生元、それにアクセスできるID、AIシステムが情報を送信できる先を特定する必要があります。
次の問いはポリシー適用です。低リスク行動には警告を、規制対象データには強制ブロックを必要とする組織もあります。マスキング、隔離、承認、詳細な監査記録を必要とする組織もあります。
MINDのプラットフォームは、こうした判断の自動化を目指しています。買い手は、そのポリシーモデルが自律的な行動に対する自社の許容度と合致するかを検証すべきです。
統合の深さにも同等の注意が必要です。DLP製品は、IDプラットフォーム、エンドポイントツール、クラウドサービス、セキュリティ運用システム、インシデント対応ワークフローとコンテキストをやり取りしなければなりません。
技術的に正確なアラートであっても、担当者が不在だったり、有用な対応を起動できなかったりすれば、運用上は失敗します。
セキュリティリーダーは管理上の統制も検討すべきです。職務分離、ポリシーのバージョン管理、承認ワークフロー、自動変更が発生した理由を示す記録が必要です。
調達チームは、MINDのSeries B資金調達によって同社の財務的な余力が広がるため、安心感を得るかもしれません。大規模顧客は、セキュリティベンダーが複数年にわたる導入を支援できるという確信を求めます。
ただし、資金調達総額を事業継続性のレビューの代わりにしてはなりません。買い手は依然として、契約上の保護、サポート範囲、製品の依存関係、ポリシーと証拠のエクスポート手段を評価する必要があります。
競合比較には既存企業と新興データセキュリティ企業を含めるべきです。Microsoft PurviewはMicrosoftサービスを中心とする組織に適している可能性があります。すでに自社のセキュリティインフラを通じてトラフィックをルーティングしている企業には、NetskopeやZscalerが適する場合があります。
CyeraやVaronisのようなデータ重視ベンダーは、検出、ポスチャ、ID、アクセスのコンテキストを通じてこの問題に取り組みます。Cyberhavenはデータ移動とデータリネージの追跡を重視します。
MINDの提案は、これらのアプローチの中間に位置します。情報を発見し、その文脈を理解し、危険な移動を阻止すると同時に、運用業務の大部分を自動化しようとしています。
この組み合わせは魅力的ですが、広範なプラットフォームは複雑になり得ます。チャネルが増えるごとに、統合、遅延、ポリシー、サポートに関する要求も増えます。
したがって企業は、完全なワークフローを比較すべきです。有用なトライアルは、機密データを検出から移動の試行、ポリシー適用、調査、修復、レポーティングまで追跡します。
チームには、ポリシー判断と例外に関する永続的な記録も必要です。検索可能な技術ナレッジベースは、統制が変更された理由と、各判断を裏付けた証拠を保存するのに役立ちます。
その文書化はセキュリティテレメトリーの代わりにはなりません。しかし、アナリスト、アプリケーション所有者、コンプライアンス担当者が役割を変えた際に、組織の知識が失われることを防げます。
最終的に、この資金調達は買い手の選択肢を広げます。購買判断を簡単にするものではありません。
勝つプラットフォームは、最も頻繁にAIを口にするものではありません。ユーザーとセキュリティチームへの要求を抑えつつ、無許可のデータ移動を最も効果的に減らすプラットフォームです。
MINDの賭けが機能しているかを示す3つのシグナル
MINDの次の段階は、次の資金調達見出しではなく、導入の証拠、顧客拡大、独立した検証によって評価されるべきです。
第1のシグナルは、本番導入の拡大です。MINDは数十社の顧客と2つの具体的なユースケースを特定していますが、市場にはカバレッジに関するより詳細な情報が必要です。
有用な証拠には、保護対象のエンドポイント、アプリケーション、AIサービス、エージェントワークフローの数が含まれます。また、初期導入後に顧客が利用範囲を拡大したかも示すべきです。
セキュリティの買い手は過度な摩擦を生む導入を広げることが少ないため、拡大はMINDの主張を強化します。限定的なパイロットが限定的なままであれば、その主張は弱まります。
第2のシグナルは、測定可能な自動化の性能です。MINDは、同社のエージェントがインシデントを調査し、ポリシーを調整し、手作業によるDLP業務を削減すると述べています。
同社は、削減されたアナリスト時間、受け入れられたポリシー変更、誤検知の削減、調査期間、例外件数といった指標で、この主張を裏付けられます。
独立したテストは、選択されたケーススタディよりも重みを持ちます。セキュリティチームには、現実的なデータ、敵対的な入力、複雑なアプリケーション連鎖に基づく評価が必要です。
強い結果は、不確実性を隠すことなく自動化が成果を改善することを示すでしょう。弱い結果は、アナリストが依然として難しい判断の大半を担っていることを明らかにします。
第3のシグナルは、既存ベンダーの反応です。Microsoft、Netskope、Forcepoint、Palo Alto Networks、Proofpoint、Broadcomは、大規模なエンタープライズ基盤にアクセスできます。
これらの企業がDLP運用を簡素化し、AIエージェント全体にポリシー適用を拡張すれば、MINDはより厳しい販売チャネル競争に直面します。既存顧客は、別のセキュリティコンソールよりも統合型アップグレードを好むことが多いためです。
ただし、既存ベンダーによる積極的な対応は、MINDの主張を裏付けることにもなります。AI主導のワークフローが、DLP市場に手作業によるポリシー管理の見直しを迫ったことを示すからです。
買い手は買収や提携にも注目すべきです。大規模なセキュリティプラットフォームは、エージェントの可視性、データリネージ、自律的なポリシー管理のための専門技術を求める可能性があります。
MINDは、新たな資金調達を技術提携とチャネル提携の強化に充てると述べています。これらの関係の価値は、単なる再販発表ではなく、完全なポリシー適用経路を生み出せるかにかかっています。
同社が報告する8桁の収益基盤は出発点となります。次の問いは、より複雑な顧客を支援しながら急成長を維持できるかです。
この移行では、しばしば運用上の負荷が明らかになります。エンタープライズ案件には、導入支援人員、統合、地域別サポート、コンプライアンス文書、インシデント時の信頼できる対応が求められます。
MINDは現在、こうした能力を構築するための資本をより多く得ています。同時に、自らを未検証の新興企業として位置づける余地も小さくなりました。
MINDのSeries B資金調達が重要なのは、従来のDLP運用に対する直接的な挑戦に資金を提供するからです。AIエージェントはデータ移動を加速させる一方、セキュリティチームはあらゆる情報開示に対する責任を負い続けています。
MINDは、防御エージェントがその移動を監視し、同等の速度で制御を管理できると考えている。企業は、最も整ったデモではなく、最も難易度の高いワークフローでこの主張を検証すべきだ。
今後数カ月は、導入の拡大、透明性のある精度指標、既存大手による具体的な対応に注目したい。こうしたシグナルによって、MINDがDLP運用を再定義するのか、それとも時宜を得たメッセージを掲げて競争の激しい市場に加わるのかが明らかになる。
セキュリティリーダーにとって、次に取るべき行動は明快だ。AIツールまたはエージェントを含む機密性の高いワークフローを1つ整理し、既存の制御がアクセスから最終的な送信先までデータを追跡できるかを検証する。できない場合は、同じワークフロー、ポリシー、障害条件でベンダーを比較するべきだ。検出品質、正当な業務がブロックされた件数、アナリストの工数、意思決定の監査可能性に関する証拠を求める。MINDの資金調達により、同社はこの評価における信頼に足る参加者となった。その自律型モデルがより安全なAI導入を実現するかどうかは、本番環境での結果によってのみ判断される。
