Mave Series A 融資 2,800 萬美元，為現有保安工具提供 AI 調查能力
Mave 完成 2,800 萬美元 Series A 融資，旨在毋須企業先集中其保安數據的情況下，自動化保安調查。於 10 月 22 日公布的 Mave Series A，押注一項特定架構：軟件可跨現有工具串連證據，同時讓人員保留對重大回應的控制權。是次融資令其累計融資額達 3,400 萬美元。
核心張力在於蒐集資訊與作出可辯護決定之間。機構即使擁有功能強大的保安產品，仍可能依賴分析員整合互相矛盾的發現。Mave 提出將這類串連工作自動化，令其產品介乎匯報可疑活動的系統，以及須為採取行動負責的人員之間。
Dropzone AI 等競爭對手早已推動自動化調查，因此 Mave 加入的是一場已建立、爭取保安團隊信任的競爭。其機會在於讓零散工具協同運作。關鍵問題涉及調查質素、營運權限，以及在計入人手審核後，自動化是否真正減少工作量。
Mave Series A 實際資助甚麼
這筆投資支援跨現有系統的調查層，並同時推進企業市場擴展及技術開發。
Red Dot Capital Partners 領投本輪融資，Lumir Growth Partners 參投。較早前的 600 萬美元種子輪由 Dell Technologies Capital 及 Emerge Ventures 領投。CTech 對這筆保安調查融資的報道指出，資金計劃用於 AI 研究、企業產品及國際擴張。
新一輪融資與累計融資之間的分別十分重要。Mave 公布的是 3,400 萬美元累計融資，而非規模為該金額的 Series A。這項公布顯示投資者支持及資金運用優先次序，卻未能證明產品在可比條件下相對競爭方案的表現。
Mave 由行政總裁 Raziel Oren 及技術總監 Guy Eshel 於 2025 年創立。這意味著公司營運歷史尚短，儘管其目標是要求嚴格的企業環境。融資為開發及市場推廣提供資源，但客戶仍需要證據證明系統適合其特定保安營運。
Mave Series A 亦支援模型開發以外的工作。企業部署需要可靠連接、權限管理、文件、支援，以及底層工具改動時可預期的行為。這些責任之所以重要，是因為調查產品會承襲其所接觸每個系統的依賴關係。
有說服力的示範可以展示軟件如何拼湊出關於可疑活動的連貫敘述。穩健的部署則必須在存取政策改變、工具升級及機構重組後，持續產生有用結果。投資者為處理這些問題的能力提供資金，但融資公告本身無法證明問題已獲解決。
當中亦有商業層面的含意。可跨現有系統運作的產品，或可讓買方在毋須承諾更換整體基礎設施的情況下測試自動化。這令初步方案較易評估，但實際部署負擔仍取決於各機構所需的整合及控制措施。
因此，對本輪融資最有力的解讀相當具體：投資者正支持一項嘗試，將保安產品之間的調查工作自動化。這會促使供應商說明其自動化從何開始、引入哪些依賴關係，以及客戶如何驗證所得決定。
這亦讓 Mave 有空間同時推進技術及商業發展。在部署尚未可重複進行前擴展銷售，可能會拉緊支援資源；只專注研究，則可能令有效產品難以被採用。已公布的開支優先次序反映建立企業保安業務的兩面。
保安主管面對協調問題
Mave 的定位針對串連保安工具的人工工作，而非任何單一警報來源。
保安營運中心，即 SOC，是負責監察威脅及協調調查的團隊與營運職能。其工作不僅是閱讀警告訊息。分析員必須判斷哪些證據互有關聯、事件是否可疑，以及業務可承受何種回應。
設想一宗涉及可疑員工登入的示例調查。身分系統可顯示驗證活動，端點產品則記錄員工裝置上的行為。資產清單或可識別裝置擁有人。分析員需要將這些觀察結果連結起來，才能對同一事件作出判斷。
這個例子屬假設情境，而非已披露的 Mave 客戶事件。它說明收到警報並不會自動完成調查。每項觀察回答不同問題，而這些答案之間的關係決定事件是否值得升級處理。
保安資訊及事件管理系統，即 SIEM，會在中央平台收集及分析保安事件。集中收集有助建立歷史紀錄並跨記錄搜尋。不過，買方仍需評估調查是否包含該平台以外的相關背景資料。
壓力首先落在須同時解釋漏報威脅及營運干擾的保安主管身上。更快處理固然吸引，但停用存取權的決定可能中斷正當工作。自動化調查需要支援該行動背後的判斷，而不只是更快交付建議。
分析員亦面對相關的責任轉變。若軟件蒐集證據，他們的注意力便轉向檢查尚未解決的假設及處理例外情況。只有在審閱輸出所需工夫少於手動重建調查時，這種轉變才會創造價值。
託管保安服務供應商，即 MSSP，為其他機構營運保安服務。對它們而言，調查自動化會帶來不同客戶環境之間一致性的問題。在標準化環境下表現良好的方案，面對採用不同產品及存取政策的客戶時，仍須進一步評估。
這引出一個即時採購問題：產品實際移除了哪一部分工作？檢索記錄、識別關係、建議行動及執行回應，是各自獨立的能力。在銷售簡報中將它們合併，不應掩蓋它們在生產環境中的不同後果。
較長遠的壓力會延伸至保安平台供應商。若獨立調查層變得有用，客戶便多了一種協調現有產品的方法。既有供應商則需要證明，為何其自身的連接工作流程可提供更佳證據、更簡單管理或更清晰問責。
這種結果仍取決於採用情況。Mave 的融資並不代表客戶會轉移預算或取代既有流程。它讓公司獲得資源，去論證協調值得成為獨立產品層，並帶來超越新增介面的可量度效益。
原地調查改變了依賴關係
避免建立新的中央資料庫，會將整合挑戰轉向即時存取、一致解讀及可重現的證據。
Mave 描述一套系統，可查詢已連接工具、蒐集當前背景資料，並隨證據浮現調整其調查。其所述方法毋須建立新的集中遙測資料庫。遙測是指系統針對自身運作所產生的活動記錄。
公司在其關於代理式保安營運的公告中，描述可跨現有系統調查並執行獲授權任務的代理。在此，代理是透過已連接工具執行任務的軟件元件。這些能力仍屬公司聲稱，而非獨立確立的比較結果。
在資訊原有位置工作帶來吸引人的方案。買方可評估調查層是否毋須重建整個收集流程，便能存取有用背景資料。架構問題由所有記錄應存放何處，轉為系統可在需要時檢索哪些證據。
這種轉變帶來值得檢視的依賴關係。若已連接工具無法使用，調查需要區分搜尋不完整與不存在可疑活動。否則，缺少答案可能變成沒有根據的結論。
同一問題亦適用於權限。基於保安理由，有限存取可以是合適做法，但也會限制系統可確立的內容。調查應清楚呈現這條界線，讓審閱者明白哪些問題仍未得到解答。
時間亦增加另一重複雜性。即時資訊可協助解釋活躍事故，歷史記錄則有助重建較早前發生的事情。買方應評估產品如何連繫不同時間收集的觀察結果，尤其是在調查期間帳戶狀態或裝置設定有所改變時。
審計軌跡，即保留調查步驟及證據的記錄，有助審閱者檢視這種關係。Mave 表示會記錄查詢、證據、推理及行動。實際問題是，這些記錄是否讓審閱者毋須重複整個工作流程，便可檢驗結論。
例如，建議應可與支持該建議的觀察結果區分開來。記錄存取權已被撤銷，與帳戶已遭入侵的證據並不相同。將這些元素分開，有助審閱者識別分歧是關乎事實、其解讀，還是回應政策。
這是評估準則，而非對已展示的 Mave 限制作出的聲稱。由於該架構依賴多個已連接系統，這些問題尤其相關。可靠性除語言模型外，亦必須涵蓋連接及對它們的解讀。
避免集中化亦不會消除數據管治問題。買方仍需要清楚知道檢索哪些資訊、處理在何處進行，以及保留哪些調查記錄。這些細節決定設計是否符合機構的責任。
因此，架構取捨比舊資料庫與新 AI 之間的選擇更為精確。集中收集與即時調查處理的是重疊需求。Mave 的機會在於證明，其方法可在既有環境中改善決策，同時讓餘下缺口可供檢視。
對手令調查質素成為比較重點
自動化調查已是一個競爭類別，因此 Mave 需要提供買方可在自身環境中觀察到的差異化。
Dropzone AI 提供了一個有用的參考點。GeekWire 對其 AI SOC analysts 的報道指出，該軟件旨在調查警報，並將需要人員關注的事故升級處理。這反映的是產品抱負有所重疊，而非證明任何一家公司表現更佳。
這項比較很重要，因為企業買家可評估多種處理相似工作的方案。泛稱可減少重複調查，並不能說明在甚麼情況下某個系統值得優先選用。整合覆蓋範圍、證據質素及營運配合度，成為作出決定的核心因素。
Mave 強調可跨現有系統進行調查，令其定位更具體。然而，只有當實作方式帶來優勢時，定位才會形成差異化。買家需要了解，產品能否處理其特定的工具組合、不完整記錄及非常規工作流程。
競爭對手的說法同樣應遵循套用於 Mave 的歸因準則。Dropzone 行政總裁 Edward Wu 向 CRN 表示，其產品可在無需人手執行底層服務的情況下完成調查。他亦另行描述，內部有人手質量控制職能審核已完成的工作。
CRN 對 純軟件調查 的討論，突顯了提供服務與檢查服務質素之間一項有用的分別。這是 Wu 對其公司方法的說法，並不能證明 Mave 如何配置其自身營運人手。
對買家而言，這項分別引出一個更廣泛的問題：自動化在營運上究竟意味著甚麼。一款產品可以自動擷取證據，而由人員完成複雜推理。另一款產品則可自動完成調查，卻需要客戶進行大量審核。客戶在比較結果前，兩種安排均須清楚披露。
同樣的審慎態度亦適用於速度聲稱。若不了解調查範圍，快速作出判斷的意義有限。若系統檢查較少相關來源，較短的完成時間不一定代表工作做得更好。
比較亦應計及未能解決的個案。一款能清楚指出不確定性的產品，可能比在證據不足下給出自信答案的產品更有用。若只評估已完成的調查，便會忽略這項差異。
這些考量令競爭框架保持務實。Mave 與 Dropzone 毋須採用完全相同的架構，亦可競爭同一項營運責任。真正相關的競爭在於，哪種方法能協助安全團隊以較少總體工作量作出可辯護的決策。
這亦解釋了為何現有工作流程仍是重要參照。新產品必須改善客戶目前的做法，包括其引入的人手審核。融資及示範有助公司加入這場討論；部署結果則決定它們能否繼續留在其中。
Mave 的 Series A 輪融資為公司提供資源，讓其在這些條件下競爭。這並不足以證明該公司是類別領導者，亦不能假設其架構會產生更優越的結果。這些判斷需要融資本身無法提供的可比較證據。
可追溯性有幫助，但不能證明結論正確
清晰易讀的調查記錄有助問責，但其背後結論仍需獨立審視。
Mave 表示其正在超過 200 個 SOC 中運作，並容許團隊管理自動執行及人手審批。這些說法描述的是其所報告的部署情況及預期控制方式，並未提供調查準確度的共同衡量標準，亦未顯示每項部署實際使用產品的程度。
部署數量可涵蓋營運安排差異很大的組織。有限度試行與廣泛採用的工作流程，代表不同程度的依賴。若缺乏這些背景，該數字較能證明所報告的覆蓋範圍，而非營運深度。
技術上的不確定性不止於部署標籤。美國國家標準與技術研究院指出，confabulation，即自信生成錯誤內容，是生成式 AI 的一項風險。其 生成式 AI 風險 概況亦警告，生成的解釋可能誤導人們信任錯誤輸出。
該指引屬一般風險框架，而非對 Mave 的評估。它的相關性在於買家如何理解 AI 生成的調查。即使解釋聽來連貫，仍需要具支持力的觀察結果，特別是建議的回應會影響存取權限或系統可用性時。
可追溯性可處理這個問題的一部分。審核者可檢視軟件查核了甚麼，並將發現與證據比對。然而，步驟記錄無法證明所有必要問題均已提出，或每項觀察結果均獲正確解讀。
審批控制處理的是另一個問題。它們決定誰可授權行動，但其價值取決於審核者收到甚麼資料。若支持證據不清晰，人手審批步驟可能淪為行政程序，而非具意義的核查。
因此，有用的評估會檢視產品如何傳達不確定性。缺失資料、互相矛盾的觀察結果及身份不明確的情況，都應保持可見。買家需要知道系統會否暫停、要求更多背景資料，或提出有明確界限的發現。
權限亦需要同樣審視。讀取記錄的權限，與隔離裝置或停用帳戶的權限並不相同。客戶應了解這些責任如何分隔，以及例外情況如何影響持續進行的調查。
這些問題並不能證明 Mave 的產品存在缺陷。它們指出評估其預期角色所需的證據。獲准採取的行動愈具後果，便愈有理由檢視由觀察、授權至行動的整個流程。
調查結束後亦存在實際的知識管理問題。團隊需要保存可為日後審核提供參考的決策、例外情況及解釋。一個 可搜尋的知識庫 有助處理這類文檔工作，而安全控制則管限營運存取及回應。
核心不確定性在於，計入這些責任後，自動化是否仍能節省工作量。一個產生更多發現的系統，仍可能令分析員承擔大量驗證工作。要證明自動化有實際價值，必須顯示有多少可靠的調查工作能夠完成。
留意客戶證據、營運邊界及持續採用情況
下一批有用訊號，涉及已證明的結果、已披露的控制措施，以及客戶會否擴大對產品的依賴。
未來數月，首個值得留意的訊號是詳盡的客戶證據。一份有用的說明應交代營運環境、調查範圍、過往工作流程及仍然需要的人手參與。具名案例會比單靠整體部署數字，更容易評估這些說法。
最有力的證據應同時包括棘手個案及例行成功案例。審核者需要了解軟件處理了甚麼、在哪些地方需要協助，以及團隊如何辨識這些界限。一項審慎界定範圍的結果，可能比聲稱可調查每個警報的廣泛說法更具資訊價值。
這類披露將加強以下論點：Mave 的架構能在現有系統間創造實際價值。若有證據顯示需要大量重建或反覆人手修正，該論點便會受限。關鍵在於系統能完成多少可靠工作，而非它能否產出一段調查敘述。
第二個訊號是有關營運邊界的更多細節。買家應留意有否文件說明權限、不可用的連接、保留的證據及審批行為。這些細節可讓人更容易評估平台在成功示範以外的表現。
清晰的邊界將支持 Mave 的定位，因為企業團隊在不完美的條件下需要可預測的行為。模糊的描述會令整合負擔難以評估。這個訊號關乎已披露的行為，而非公司承諾推出的特定功能更新。
第三個訊號是重複採用。有證據顯示客戶續約、擴大調查覆蓋範圍，或委託更多已獲批准的工作流程，將反映其營運依賴程度正在增加。相關問題是實際使用中有何改變，並應與部署數量的任何增長一併考量。
對擴展情況仍應審慎解讀。增加存取權限可能反映信心，但買家需要知道哪些責任仍由人員承擔。更完整的圖像會把增加使用與審核工作量、升級處理質素及例外情況的處理方式連結起來。
這些訊號遵循一個合乎邏輯的次序。客戶證據證明有用性，營運細節說明這種有用性如何在實際條件下維持，而重複採用則顯示這種安排是否持續具價值。它們都不需要預測 Mave 會取代既有平台，或勝過每一個競爭對手。
對於關注 Mave Series A 的安全主管，先從團隊最難可靠完成的工作流程著手。找出證據所在、哪些判斷需要人手問責，以及自動化發現需要多少審核。然後將供應商的說法與這個營運圖像比較。要求查看已完成的調查，當中應呈現不確定性，包括系統停止或升級處理的個案。檢視記錄是否支持建議的回應，以及另一名分析員能否追溯其過程。有用的下一步，是尋找能回答這些問題的證據。你會信任軟件完成調查流程中的哪一部分？在擴大這種信任前，你需要看到甚麼？
