Finansowanie Pluto Security sięga 42 mln dolarów, gdy AI tworzone przez pracowników wyprzedza kontrole korporacyjne
Pluto Security wyszło z trybu stealth, pozyskując 42 mln dolarów po odkryciu, że aplikacje AI tworzone przez pracowników mogą generować poważne zagrożenia, zanim zespoły bezpieczeństwa je zauważą. Finansowanie Pluto Security obejmuje rundę seed o wartości 8,5 mln dolarów oraz rundę Series A o wartości 34 mln dolarów, której przewodził Jump Capital. Przekształca też znany problem miejsca pracy w pilne pytanie dotyczące bezpieczeństwa: kto kontroluje oprogramowanie, gdy niemal każdy pracownik może je stworzyć?
Firma twierdzi, że nowo wydane narzędzie AI może pojawić się w środowisku korporacyjnym w ciągu dwóch godzin. Podaje również, że osoby niebędące programistami stworzyły aplikacje powiązane z około 60% ryzyk wykrytych wśród jej klientów. Największy udział miały zespoły finansowe, a za nimi działy marketingu i prawne.
Ten wzorzec zmienia tradycyjną mapę bezpieczeństwa. Programiści niegdyś kontrolowali większość tworzenia oprogramowania, a zespoły bezpieczeństwa oceniały przewidywalne systemy i ścieżki wdrożeń. Kreatory AI, asystenci programowania, rozszerzenia i agenci rozprzestrzeniają dziś tę aktywność na całą organizację.
Pluto nie jest jedyną firmą, która zakłada, że istniejące mechanizmy kontroli pozostawiają istotne luki. Reco, WitnessAI, Prompt Security i inni dostawcy rozwijają sąsiadujące segmenty bezpieczeństwa AI dla przedsiębiorstw. Ich rosnące rundy finansowania sugerują, że inwestorzy spodziewają się, iż aktywność agentów stanie się odrębnym rynkiem bezpieczeństwa, a nie kolejną funkcją w istniejących narzędziach.
Finansowanie Pluto Security wspiera szerszą warstwę kontroli
Finansowanie ma znaczenie, ponieważ Pluto sprzedaje warstwę kontroli dla aktywności, której konwencjonalne produkty bezpieczeństwa nie zostały zaprojektowane do interpretowania.
Pluto ogłosiło publiczny start 13 października 2026 roku. Finansowanie obejmuje rundę seed prowadzoną przez TLV Partners oraz rundę Series A prowadzoną przez Jump Capital. Udział wzięły również Skinos, Ansa Capital, a także kilku założycieli firm cyberbezpieczeństwa i inwestorów aniołów.
Firma rozpoczęła sprzedaż w kwietniu i już przekroczyła 2 mln dolarów rocznych przychodów cyklicznych, powiedział TechCrunch CEO i współzałożyciel Shahar Bahat. Pluto podaje, że ma ponad 30 klientów korporacyjnych, w tym Oscar Health, Workato, Sixt i AlphaSense. Liczby te pozostają deklaracjami firmy, a nie niezależnie audytowanymi wynikami.
Pluto zatrudnia 40 osób w Stanach Zjednoczonych i Izraelu. Planuje wykorzystać kapitał na rozwój produktu, badania nad bezpieczeństwem oraz ekspansję na rynku amerykańskim. Jej nota o uruchomieniu firmy opisuje działalność jako platformę bezpieczeństwa przestrzeni roboczej AI.
To określenie odzwierciedla szerszy zakres produktu niż podstawowy katalog zatwierdzonych usług AI. Pluto twierdzi, że obserwuje narzędzia AI, środowiska programistyczne, rozszerzenia, umiejętności, serwery Model Context Protocol, aplikacje i autonomicznych agentów. Model Context Protocol, czyli MCP, to standard umożliwiający systemom AI łączenie się z zewnętrznymi narzędziami i danymi.
To rozróżnienie jest ważne, ponieważ ryzyko w przedsiębiorstwach nie ogranicza się już do pracowników wklejających poufny tekst do chatbota. Pracownik może teraz złożyć aplikację, przyznać jej dostęp do systemów biznesowych i pozwolić agentowi podejmować działania. Każdy etap wprowadza uprawnienia, zależności, przepływy danych i ścieżki wykonania.
Według oryginalnego opisu finansowania, Pluto znalazło aplikację finansową stworzoną przez pracownika w spółce z listy Fortune 500, która przetwarzała informacje o klientach i rezygnacji z usług. Aplikacja była podobno wystawiona do publicznego internetu. TechCrunch nie podał nazwy firmy, a szczegóły incydentu przekazało Pluto.
Przykład pokazuje, dlaczego oprogramowaniem tworzonym przez pracowników trudno zarządzać. Analityk finansowy może rozumieć dane klientów i logikę biznesową, nie rozumiejąc uwierzytelniania, ekspozycji sieciowej ani bezpieczeństwa zależności. AI obniża wysiłek potrzebny do złożenia działającej aplikacji, lecz nie zapewnia automatycznie tych brakujących kompetencji.
Pluto nazywa to rozszerzające się środowisko przestrzenią roboczą AI. Każdy endpoint może stać się miejscem, w którym pracownicy tworzą oprogramowanie, instalują komponenty agentów lub łączą wewnętrzne dane z usługami zewnętrznymi. Zespoły bezpieczeństwa muszą więc śledzić, co istnieje, zanim zdecydują, co należy zablokować, ograniczyć lub zatwierdzić.
To wyzwanie nadaje finansowaniu Pluto Security wyraźniejszy cel. Firma nie tylko chroni nowy interfejs chatbota. Próbuje zarządzać rozproszoną fabryką oprogramowania, która pojawiła się w różnych działach szybciej, niż mogą za nią nadążyć formalne procesy rozwoju.
Osoby niebędące programistami poszerzają powierzchnię ataku
AI przesunęła tworzenie oprogramowania w stronę pracowników, których celem jest szybkość operacyjna, a nie bezpieczne wdrażanie.
Dawny problem shadow IT polegał na tym, że pracownicy przyjmowali niezatwierdzone subskrypcje oprogramowania lub usługi przechowywania w chmurze. Shadow AI dodaje systemy zdolne generować kod, łączyć się z narzędziami biznesowymi i działać za pośrednictwem uprawnień użytkownika. Wynikające z tego zagrożenia są bardziej dynamiczne niż niezatwierdzona aplikacja działająca za ekranem logowania.
Pluto twierdzi, że działy finansowe są największym źródłem wykrywanych przez nie ryzyk AI. Następne są zespoły marketingowe i prawne, podczas gdy programiści zajmują czwarte miejsce. Ta kolejność jest uderzająca, ponieważ programy bezpieczeństwa tradycyjnie koncentrują kontrole rozwoju wokół organizacji inżynieryjnych.
Osoby niebędące programistami często pracują z cennymi informacjami. Zespoły finansowe mają dostęp do prognoz, rejestrów transakcji i danych o ekonomice klientów. Zespoły marketingowe zarządzają listami klientów i systemami publikacji, a zespoły prawne obsługują umowy i poufną komunikację.
Gdy ci pracownicy tworzą narzędzia wspierane przez AI, mogą przypadkowo utworzyć aplikacje o istotnym dostępie. Zagrożenie nie wymaga złośliwych intencji. Użyteczny prototyp może wejść do działania, zanim ktokolwiek sprawdzi jego poświadczenia, konfigurację przechowywania danych lub publiczną ekspozycję.
Szybkie wdrażanie utrudnia wykrywanie. Bahat twierdzi, że nowe narzędzie AI może pojawić się w ciągu dwóch godzin od wydania. Takie tempo pozostawia niewiele czasu na zakupy, ocenę prawną, klasyfikację danych lub tradycyjne testy bezpieczeństwa.
Niezależne badania potwierdzają szersze obawy dotyczące nieautoryzowanego wdrażania. Badanie AI w miejscu pracy z 2025 roku wykazało, że 44% pracowników wykorzystywało AI w pracy w nieautoryzowany sposób. Wśród tych pracowników 46% zgłosiło przesyłanie wrażliwych informacji firmowych lub własności intelektualnej na publiczne platformy.
Wyniki ankiety opisują zachowania pracowników, a nie potwierdzone incydenty bezpieczeństwa. Mimo to pokazują, dlaczego blokowanie krótkiej listy popularnych domen chatbotów nie rozwiąże problemu. Pracownicy mogą korzystać z kont prywatnych, rozszerzeń przeglądarki, modeli lokalnych, narzędzi programistycznych i nowych usług, których zespoły bezpieczeństwa nigdy nie oceniły.
Presja na dyrektorów ds. bezpieczeństwa informacji płynie z obu stron. Liderzy biznesowi chcą szerszego wdrażania AI, ponieważ pracownicy mogą automatyzować badania, analizę, komunikację i wewnętrzne przepływy pracy. Liderzy bezpieczeństwa muszą kontrolować związane z tym dane i działania, nie stając się działem odrzucającym każdy eksperyment.
Całkowity zakaz często przenosi aktywność do mniej widocznych kanałów. Pracownicy mogą korzystać z prywatnych urządzeń lub kont, gdy zatwierdzone narzędzia wydają się niewystarczające. Takie zachowanie ogranicza zdolność organizacji do identyfikowania ekspozycji danych, cofania dostępu lub badania incydentu.
Nieograniczony dostęp powoduje odwrotną porażkę. Pracownicy mogą łączyć agentów z bazami danych klientów, systemami komunikacji, repozytoriami kodu i zasobami chmurowymi. Agent może wówczas działać z uprawnieniami odziedziczonymi po użytkowniku, nawet gdy jego zadanie wymaga tylko wąskiego ich podzbioru.
W tym miejscu bezpieczeństwo AI dla przedsiębiorstw odchodzi od podstawowych polityk dopuszczalnego użycia. Pisemna zasada nie ujawni, którego konektora użył agent ani czy rozszerzenie wprowadziło złośliwy kod. Nie może też przerwać niebezpiecznego działania w trakcie jego wykonywania.
Zespoły bezpieczeństwa potrzebują więc aktualnego inwentarza narzędzi, komponentów, agentów i aplikacji tworzonych przez pracowników. Potrzebują również kontekstu dotyczącego zamierzonego zachowania. To samo polecenie może być rutynowe dla programisty i podejrzane, gdy zostaje wywołane przez niezwiązany z nim przepływ pracy marketingu.
Bezpieczeństwo Pluto AI zostało zaprojektowane wokół tego problemu kontekstowego. Firma twierdzi, że łączy wykrywanie narzędzi z analizą ryzyka i interwencją w czasie rzeczywistym. Jej szansa zależy od tego, czy takie podejście zapewni obrońcom użyteczną kontrolę bez gromadzenia nadmiernej ilości danych pracowników lub zakłócania legalnej pracy.
Bezpieczeństwo Pluto AI przechodzi od użytkowników do agentów
Główny zakład Pluto polega na tym, że narzędzia bezpieczeństwa muszą oceniać zachowanie agenta podczas jego działania, a nie jedynie uwierzytelniać osobę, która go uruchomiła.
Tradycyjne systemy endpointowe i tożsamościowe pozostają niezbędne. Mogą wykrywać złośliwe oprogramowanie, zarządzać urządzeniami, uwierzytelniać użytkowników i ograniczać dostęp do chronionych zasobów. Jednak autoryzowany agent nadal może wykonać niezamierzone działanie w ramach prawidłowej sesji użytkownika.
Bahat podsumowuje tę zmianę jako przejście od zachowania użytkownika do zachowania agenta. Pracownik może na przykład legalnie uzyskać dostęp do systemu klientów. Agent działający dla tego pracownika może próbować eksportować rekordy, kontaktować się z usługą zewnętrzną lub żądać szerszych uprawnień.
Pluto integruje się z systemami bezpieczeństwa endpointów i zarządzania urządzeniami. Może wdrażać sensory za pośrednictwem tych systemów lub instalować je bezpośrednio na urządzeniach. Platforma podobno zbiera sygnały takie jak prompty, polecenia, procesy, uprawnienia i wcześniejsza aktywność użytkownika.
Firma twierdzi, że lekkie modele działające na endpointach pomagają interpretować intencje agenta. Jeśli agent żąda uprawnień wykraczających poza pozorny cel użytkownika, Pluto może zablokować działanie. Może też wstawiać instrukcje wymagające, aby agent poprosił o potwierdzenie.
Ten model interwencji wykracza poza obserwację. Wiele narzędzi zarządzania koncentruje się na wykrywaniu, klasyfikacji i raportowaniu polityk. Pluto chce wpływać na aktywną sesję, zanim agent ukończy ryzykowne zadanie.
Prosty przykład pokazuje potencjalną wartość. Pracownik może poprosić agenta o podsumowanie niedawnych rezygnacji klientów. Odczyt zatwierdzonych rekordów wspiera to zadanie, podczas gdy eksport całej bazy danych klientów już nie.
Kontrola w czasie wykonywania mogłaby rozróżnić te ścieżki, analizując uprawnienia, polecenia i kontekst. Mogłaby zezwolić na operację odczytu, jednocześnie zatrzymując zewnętrzny transfer. Trudność polega na konsekwentnym podejmowaniu tej decyzji w narzędziach o różnych interfejsach i modelach wykonania.
Pluto prowadzi również Plutonium, bezpłatną usługę do badania publicznie dostępnych umiejętności AI, serwerów MCP, konektorów i dodatków. Usługa obejmuje skaner MCP oraz katalog ocenionych komponentów. Firma twierdzi, że korzystają z niej tysiące specjalistów ds. bezpieczeństwa, choć liczba ta nie została niezależnie zweryfikowana.
Plutonium służy dwóm celom. Dostarcza badań bezpieczeństwa dotyczących komponentów, z którymi mogą zetknąć się przedsiębiorstwa, oraz daje potencjalnym klientom punkt wejścia do komercyjnej platformy Pluto. Bahat twierdzi, że zainteresowanie przychodzące generuje obecnie 70% lejka sprzedażowego firmy.
Strategia platformy odzwierciedla szybkość, z jaką mogą rozprzestrzeniać się komponenty AI. Pracownik nie musi pisać całej aplikacji od podstaw. Może połączyć model, konektor, pobraną umiejętność i poświadczenia dostępu w działającą automatyzację.
Każdy importowany komponent rozszerza łańcuch zaufania. Przejęty pakiet może wykraść sekrety, zmieniać prompty, przekierowywać wyniki lub wykonywać niepożądane polecenia. Serwer MCP może również udostępniać możliwości wykraczające poza zamierzone zadanie agenta.
Ten mechanizm wyjaśnia, dlaczego zabezpieczenia AI od Pluto koncentrują się zarówno na komponentach, jak i aktywności w czasie wykonywania. Skanowanie konektora przed instalacją może wykryć znane problemy. Monitorowanie agenta podczas działania może natomiast przeciwdziałać niebezpiecznym zachowaniom, które ujawniają się dopiero po współdziałaniu kilku zaufanych komponentów.
To podejście rodzi również istotne pytanie o prywatność. Prompty, polecenia i wcześniejsza aktywność mogą zawierać wrażliwe informacje osobiste lub biznesowe. Przedsiębiorstwa muszą wiedzieć, jakie dane Pluto zbiera, gdzie je przetwarza i jak długo je przechowuje.
Modele działające na urządzeniach końcowych mogłyby ograniczyć część ekspozycji, jeśli przetwarzałyby sygnały lokalnie. Pluto nie opublikowało jednak wystarczająco szczegółów architektury, by ustalić dokładne kompromisy dotyczące prywatności we wszystkich wariantach wdrożenia. Kupujący będą potrzebować technicznej weryfikacji, a nie wyłącznie opisów produktu.
Prawdziwa rywalizacja to umożliwianie działania kontra kontrola
Główny konflikt nie rozgrywa się między Pluto a jednym rywalem; dotyczy autonomii pracowników i systemów bezpieczeństwa tworzonych z myślą o scentralizowanym rozwoju oprogramowania.
Twórcy narzędzi AI obiecują, że pracownicy mogą rozwiązywać problemy operacyjne bez oczekiwania na zasoby zespołów inżynieryjnych. Ta obietnica już zmienia to, kto tworzy aplikacje wewnątrz firm. Osłabia też punkty kontrolne, które wcześniej zapewniały widoczność aktywności związanej z oprogramowaniem.
Zespoły bezpieczeństwa mogłyby zareagować blokowaniem niezatwierdzonych narzędzi, wyłączaniem konektorów i ograniczaniem agentów do wąskich środowisk. Takie podejście zmniejsza natychmiastową ekspozycję, ale ogranicza również korzyści produktywnościowe, których oczekują liderzy biznesowi. Może też zachęcać pracowników do obchodzenia oficjalnych kontroli.
Alternatywą jest nadzorowane wdrażanie. Pracownicy zachowują dostęp do narzędzi AI, podczas gdy systemy bezpieczeństwa wykrywają komponenty, sprawdzają uprawnienia i interweniują, gdy zachowanie narusza politykę. Pluto zbudowało produkt i komunikację wokół tej ścieżki.
Kompromis jest trudniejszy, niż się wydaje. Kontrole czasu wykonywania muszą podejmować decyzje wystarczająco szybko, aby nie spowalniać pracowników. Muszą też rozumieć wystarczająco dużo kontekstu, by odróżnić prawidłową automatyzację od niebezpiecznej.
Fałszywe alarmy mogą zmienić platformę umożliwiającą działanie w kolejny system blokujący. Jeśli użytkownicy wielokrotnie napotykają niepotrzebne procesy zatwierdzania, mogą porzucić zatwierdzony przepływ pracy. Zespoły bezpieczeństwa mogą wtedy utracić widoczność, dla której kupiły produkt.
Fałszywe negatywy tworzą przeciwny problem. Agent może wykonać szkodliwe działanie, zanim obrońcy zrozumieją jego intencję. Model oceniający taką aktywność może mieć niepełny kontekst, zwłaszcza gdy przepływy pracy obejmują urządzenia lokalne, aplikacje chmurowe i usługi zewnętrzne.
Konkurenci podchodzą do rynku z różnych punktów wyjścia. Reco kładzie nacisk na tożsamości, uprawnienia, połączone aplikacje oraz dane, do których mogą dotrzeć agenci. Jego niedawna runda finansowania w obszarze bezpieczeństwa agentów przyniosła 55 mln USD i podkreśliła zatłoczony kierunek rozwoju rynku.
WitnessAI koncentruje się na zarządzaniu interakcjami między użytkownikami korporacyjnymi, systemami AI, danymi i agentami. Jego finansowanie dla AI w przedsiębiorstwach wyniosło 58 mln USD, a wśród inwestorów znalazły się Sound Ventures, Fin Capital, Qualcomm Ventures i Samsung Ventures. Firma podkreśla również kontrolę przepływu danych i zarządzanie agentami.
Inni dostawcy skupiają się na bezpieczeństwie modeli, atakach na prompty, testowaniu aplikacji AI lub zapobieganiu utracie danych. Ugruntowane firmy z obszaru bezpieczeństwa endpointów, tożsamości i chmury mogą rozszerzyć swoje platformy na ten sam obszar. Mają już relacje z klientami i dostęp do użytecznej telemetrii.
Pluto musi więc udowodnić, że warstwa kontroli specyficzna dla AI zapewnia lepsze decyzje niż rozszerzenia produktów obecnych dostawców. Potrzebuje też integracji wystarczająco szerokich, by śledzić agenta w rozproszonym stosie technologii przedsiębiorstwa. Nowe narzędzia AI mogą pojawiać się szybciej, niż pojedynczy dostawca jest w stanie stworzyć dla nich natywne wsparcie.
Wczesne przychody firmy i deklaracje dotyczące klientów sugerują realny popyt. Popyt nie ustanawia jednak jeszcze trwałej kategorii. Kupujący mogą ostatecznie skonsolidować kontrolę nad agentami w platformach bezpieczeństwa endpointów, tożsamości, przeglądarek, chmury lub danych.
Osobne ryzyko dotyczy dojrzałości samych agentów korporacyjnych. Firmy eksperymentują z agentami, ale wiele z nich nie wdrożyło ich szeroko w krytycznych przepływach pracy. Wydatki na bezpieczeństwo mogą wyprzedzić wdrożenia produkcyjne, jeśli ambitne projekty agentowe pozostaną ograniczone lub zawodne.
Nie eliminuje to obecnego problemu shadow AI. Aplikacje tworzone przez pracowników i niezatwierdzone narzędzia już tworzą luki w widoczności. Oznacza to jednak, że Pluto musi obsługiwać dzisiejsze chaotyczne użycie, jednocześnie przygotowując się na bardziej autonomiczne systemy.
Mechanizm interwencji firmy jest jej najważniejszą deklaracją i najtrudniejszym testem. Zablokowanie nadmiernego żądania uprawnień brzmi prosto podczas demonstracji. Stosowanie tej decyzji w tysiącach różnorodnych przepływów pracy wymaga precyzyjnego kontekstu, stabilnych integracji i polityk zrozumiałych dla pracowników.
Kupujący rozwiązania bezpieczeństwa AI dla przedsiębiorstw powinni oczekiwać mierzalnych wyników. Przydatne wskaźniki obejmują wykryte narzędzia, potwierdzone ekspozycje, zablokowane działania, wskaźniki fałszywych alarmów, czas dochodzenia oraz wykorzystanie zatwierdzonych przepływów pracy przez pracowników. Logotypy klientów i sumy finansowania nie mogą zastąpić takich dowodów operacyjnych.
Czego nie dowodzi 42 mln USD
Finansowanie Pluto Security potwierdza zainteresowanie inwestorów i wczesny popyt klientów, ale nie potwierdza każdej deklaracji dotyczącej wykrywania lub zapobiegania zagrożeniom.
Większość szczegółowych danych dotyczących ryzyka w relacjach z premiery pochodzi od samego Pluto. Obejmuje to twierdzenie, że osoby niebędące programistami odpowiadają za około 60% wykrytych zagrożeń. Dotyczy to również zgłoszonej aplikacji z listy Fortune 500, która była dostępna w internecie.
Te ujawnienia są wiarygodnymi wskazówkami, ale publiczne dowody nie zawierają szczegółów metodologicznych. Pluto nie ujawniło wielkości ani składu zbioru danych stojącego za wskaźnikiem 60%. Nie wyjaśniło też, czy każde ustalenie miało taką samą wagę ani jak traktowano zduplikowane problemy.
Firma twierdzi również, że każdy proof of concept wykrył złośliwą zawartość. Bahat powiedział TechCrunch, że niektóre pakiety rozszerzeń lub umiejętności wykazywały aktywne ataki podczas ocen. Bez nazwanych incydentów lub niezależnego potwierdzenia czytelnicy powinni traktować to stwierdzenie jako deklarację firmy.
„Złośliwy” może obejmować kilka sytuacji. Komponent może zawierać celowo umieszczone złośliwe oprogramowanie, łączyć się z podejrzaną domeną, ujawniać dane uwierzytelniające albo odpowiadać ryzykownemu wzorcowi zachowania. Każda kategoria wymaga innej reakcji i wiąże się z innym poziomem pewności.
Dostawcy rozwiązań bezpieczeństwa mają motywację, aby przedstawiać niejednoznaczne zachowania jako pilne. Klienci również mają motywację, aby ostrożnie klasyfikować niepewną aktywność. Niezależne studia przypadków pomogłyby oddzielić powszechne błędy konfiguracji od aktywnej kompromitacji.
Kwestie prywatności i pracy zasługują na równie dużą uwagę. Monitorowanie promptów, poleceń, procesów i historycznej aktywności może ujawniać wrażliwe wzorce pracy. Może również rejestrować dane osobowe, gdy pracownicy korzystają z mieszanych środowisk prywatnych i firmowych.
Organizacje potrzebują jasnych granic dotyczących gromadzenia i przeglądu danych. Powinny określić, które sygnały są przetwarzane lokalnie, które trafiają do centralnej usługi i kto może je przeglądać. Ważne są też informowanie pracowników i regionalne obowiązki dotyczące prywatności.
Warstwa bezpieczeństwa AI sama może stać się celem o wysokiej wartości. System obserwujący prompty, uprawnienia, narzędzia i zachowania użytkowników może przechowywać informacje użyteczne dla atakujących. Pluto musi wykazać silną izolację, kontrolę dostępu, rejestrowanie zdarzeń i praktyki reagowania na incydenty.
Technika korygująca firmy wprowadza kolejną niepewność. Wstrzykiwanie instrukcji do sesji agenta może zmieniać zachowanie, ale odpowiedzi modelu mają charakter probabilistyczny. Kontrola nie może opierać się wyłącznie na dobrowolnym zastosowaniu się modelu do nowej instrukcji.
Deterministyczne egzekwowanie pozostaje kluczowe dla działań o wysokim wpływie. Mechanizm polityk może odrzucić żądanie sieciowe, unieważnić token lub zablokować proces niezależnie od tego, co agent wygeneruje później. Kupujący powinni sprawdzić, gdzie Pluto stosuje ocenę modelu, a gdzie egzekwowalne granice techniczne.
Zakres integracji stanowi dodatkowe wyzwanie. Wartość Pluto rośnie, gdy może ono jednocześnie obserwować endpointy, narzędzia przeglądarkowe, usługi chmurowe, konektory i agentów. Pominięcie jednej ścieżki wykonania może dać niepełny obraz tego, co się wydarzyło.
Firma musi również dotrzymywać kroku szybko zmieniającemu się ekosystemowi komponentów. Nowe narzędzia do programowania, frameworki agentowe, umiejętności i serwery MCP pojawiają się nieustannie. Katalog wykrywania może się zdezaktualizować, jeśli zespoły badawcze i produktowe nie będą go szybko aktualizować.
Te ograniczenia nie oznaczają, że podejście Pluto jest nieuzasadnione. Określają, co klienci powinni testować podczas proof of concept. Najsilniejsza ocena obejmowałaby znane bezpieczne przepływy pracy, celowo wprowadzone ryzyka, nieoczekiwane zachowanie agentów oraz scenariusze wrażliwe pod względem prywatności.
Kupujący powinni również porównać Pluto z kontrolami, które już posiadają. Obecne systemy wykrywania zagrożeń na endpointach, zarządzania tożsamością, bezpieczne przeglądarki, rozwiązania zapobiegania utracie danych i systemy dostępu do chmury mogą obejmować część problemu. Nowa platforma powinna zmniejszać martwe pola bez tworzenia kolejnej odłączonej konsoli.
Kluczowy test ma charakter operacyjny, a nie koncepcyjny. Zespoły bezpieczeństwa już zgadzają się, że niekontrolowana aktywność AI stwarza ryzyko. Pluto musi pokazać, że jego kontekst poprawia decyzje na tyle, by uzasadnić wdrożenie na urządzeniach pracowników i w systemach biznesowych.
Trzy sygnały pokażą, czy zakład Pluto się sprawdzi
Kolejna faza pokaże, czy bezpieczeństwo świadome agentów stanie się trwałą warstwą kontroli, czy funkcją wchłoniętą przez większe platformy.
Pierwszym sygnałem będzie niezależnie udokumentowana skuteczność u klientów. Pluto potrzebuje klientów, którzy opiszą wykrytą niebezpieczną aktywność, powstrzymane działania oraz liczbę wygenerowanych fałszywych alarmów. Nazwane studia przypadków miałyby większą wagę niż zagregowane deklaracje.
Dowody z branż regulowanych byłyby szczególnie użyteczne. Opieka zdrowotna, usługi finansowe i organizacje prawnicze przetwarzają wrażliwe dane pod rygorystycznymi wymogami. Udane wdrożenia w tych sektorach pokazałyby, że Pluto potrafi równoważyć obserwację, prywatność i egzekwowanie zasad.
Drugim sygnałem będzie zasięg produktu w szybko zmieniających się środowiskach AI. Pluto musi wykazać, że może śledzić aktywność od endpointu, przez konektor, aż do aplikacji biznesowej. Potrzebuje również szybkiego wsparcia dla nowo wydanych narzędzi i typów komponentów.
Rozrastający się katalog Plutonium może pomóc mierzyć szerokość badań. Ważniejsze sygnały obejmują czas reakcji na nowo wykryte zagrożenia oraz trafność ocen komponentów. Publiczne opracowania techniczne ułatwiłyby ocenę tych możliwości.
Trzecim sygnałem będzie reakcja ugruntowanych dostawców zabezpieczeń. Dostawcy bezpieczeństwa endpointów, tożsamości, przeglądarek, chmury i danych już działają w systemach, w których funkcjonują agenci. Jeśli wprowadzą porównywalne kontrole czasu wykonywania, Pluto będzie potrzebować wyraźnej przewagi w kontekście, trafności lub szybkości wdrożenia.
Finansowanie konkurentów również ma znaczenie, ponieważ wspiera szybszy rozwój produktów. Niedawne finansowanie Reco oraz wcześniejsza runda WitnessAI pokazują, że Pluto mierzy się z dobrze finansowanymi rywalami. Szerszy wyścig startupów będzie wywierać presję na każdego dostawcę, by określił, którą warstwę kontroluje.
Konsolidacja jest kolejnym prawdopodobnym rezultatem. Duże platformy mogą przejmować specjalistów, aby dodać wykrywanie AI lub egzekwowanie zasad wobec agentów. Klienci mogą preferować zunifikowaną płaszczyznę kontroli, jeśli ograniczy ona liczbę integracji i zmęczenie alertami.
Wczesny impet Pluto daje mu wiarygodną pozycję. Ponad 30 zgłoszonych klientów korporacyjnych i wielomilionowe przychody powtarzalne wskazują, że liderzy bezpieczeństwa już przeznaczają budżety. Bezpłatna platforma badawcza firmy może również wzmocnić jej rozpoznawalność wśród praktyków.
Jednak o rynku nie zdecyduje to, kto najbardziej dramatycznie opisze ryzyko. Zadecyduje to, które produkty potrafią rozpoznać rzeczywistą aktywność, zapobiegać błędom o istotnych konsekwencjach i zachować produktywność, która zachęciła firmy do wdrażania AI.
Pracownicy umysłowi również mają interes w takim rozstrzygnięciu. Źle zaprojektowane mechanizmy kontroli mogą zamienić każde działanie AI w prośbę o zatwierdzenie. Dobrze zaprojektowane mechanizmy pozwalają pracownikom tworzyć użyteczne przepływy pracy w ramach jasno określonych granic technicznych.
Zespoły eksperymentujące z AI powinny dokumentować, z jakich narzędzi korzystają, do jakich danych narzędzia te mają dostęp oraz które działania wymagają zgody człowieka. Przeszukiwalna baza wiedzy AI może wspierać taką dokumentację, ale nie zastępuje kontroli dostępu ani przeglądu bezpieczeństwa.
Finansowanie Pluto Security stanowi ważny test nadzorowanego wdrażania AI. Czy przedsiębiorstwa mogą pozwolić pracownikom tworzyć oprogramowanie, zachowując jednocześnie realną kontrolę nad danymi, uprawnieniami i działaniami agentów? Odpowiedź powinny przynieść kolejne dowody od klientów, integracje produktów i reakcje dotychczasowych graczy na rynku.
Dla liderów ds. bezpieczeństwa natychmiastowe działanie jest proste: zanim rozpoczną debatę o tym, która platforma powinna tym zarządzać, powinni zmapować AI tworzoną przez pracowników. Należy ustalić, kto tworzy te narzędzia, z jakimi systemami się łączą oraz co dzieje się, gdy agent wykracza poza powierzone mu zadanie. Następnie warto sprawdzić, czy Pluto lub inny dostawca korporacyjnych rozwiązań bezpieczeństwa AI potrafi wykryć te ścieżki bez utrudniania bezpiecznej pracy. Firmy, które odpowiedzą na te pytania wcześnie, zrozumieją swoją ekspozycję na ryzyko. Te, które zaczekają na widoczny incydent, będą odtwarzać środowisko AI, o którego istnieniu nigdy nie wiedziały.
