MIND B 轮融资为 AI 数据安全押注注入 7200 万美元

MIND 融资 7200 万美元，其 B 轮融资提出了一项紧迫主张：企业数据控制必须以 AI 传递信息的速度运行。本轮融资为这家由以色列创立的网络安全公司提供了更多资源，以推进这一主张。但它并未解决一个问题：自主防护能否优于成熟的数据泄露防护系统。

Crosspoint Capital Partners 领投本轮融资，现有投资者 YL Ventures 和 Paladin Capital Group 也参与其中。MIND 表示，这笔融资使其总融资额达到 1.12 亿美元。该公告距离其 3000 万美元 A 轮融资刚过去一年多。

竞争压力不仅来自其他初创公司。Microsoft、Forcepoint、Netskope、Palo Alto Networks、Proofpoint 和 Broadcom 已经在终端、云应用、电子邮件和企业网络中销售数据保护产品。MIND 必须说服买家，AI 原生平台提供的不只是针对熟悉控制功能的全新界面。

其时机颇为有利。员工如今会将信息粘贴到 AI 助手中，将模型与业务应用连接，并把多步骤工作交给智能体。这些行为为敏感数据离开获批系统创造了更快、更难察觉的路径。

更棘手的问题在于运营层面。企业需要能够识别上下文、阻止真实威胁，并避免中断合法工作的控制措施。MIND 押注于 AI 智能体能够比人工调校的策略更好地把握这一平衡。

MIND B 轮融资带来了哪些变化

这笔新资金使 MIND 从一家新兴 DLP 厂商，进入了一场资金更充裕、争夺企业级数据控制权的竞争。

MIND 于 2026 年 9 月 17 日宣布 B 轮融资。根据其融资公告，公司计划扩大产品开发、企业销售、合作伙伴关系和人员配置。

这笔融资延续了紧凑的募资节奏。MIND 于 2024 年结束隐身模式，并在 2025 年 6 月宣布完成 3000 万美元 A 轮融资。此前一轮融资使其披露的融资总额超过 4000 万美元。

最新投资将披露总额提升至 1.12 亿美元。这笔资金让 MIND 有空间招聘工程师、支持更大规模的部署，并争取那些期待广泛集成和服务能力的买家。

MIND 还表示，公司已经建立了年收入达八位数的业务，并服务数十家客户。该公司尚未公开经审计的营收、客户留存率、合同期限或覆盖全部部署范围的使用数据。

这些缺失的细节很重要，因为企业安全合同可能从范围有限的部署开始。客户标识并不能说明该平台实际覆盖了多少终端、应用、业务部门或数据存储库。

尽管如此，公开点名的客户仍为生产环境中的使用提供了一些证据。Children’s Hospital Los Angeles 表示，其使用 MIND 阻止受保护健康信息通过企业终端进入 AI 工具。National Geographic Society 表示，该系统有助于识别敏感文档、限制公开共享，并揭示与 AI 智能体的交互。

这些案例将融资与一个具体问题联系起来。医疗工作者、研究人员、工程师和其他员工正越来越多地使用可接收文件、提示词、数据库结果和复制文本的 AI 工具。安全团队往往缺乏对这些流动的统一视图。

MIND 将其平台描述为 AI 原生的数据泄露防护，即 DLP。DLP 软件识别敏感信息，并应用能够警告、隔离、脱敏或阻止不安全操作的策略。

传统 DLP 产品已经能够执行其中许多功能。MIND 的差异化取决于其软件能够在多大程度上自动化调查、策略调整和响应流程。

其平台监控终端、电子邮件、软件即服务应用、生成式 AI 工具及其他企业环境中的数据。MIND 表示，多层分类会在执行控制前同时分析内容和上下文。

这一定位解释了为何本轮融资的重要性并不止于金额。该公司并非仅仅销售另一个仪表盘，而是在挑战这样一种假设：安全团队必须人工维护大量静态 DLP 规则。

这笔融资如今使 MIND 能够在更多客户和更复杂的环境中检验这一挑战。同时，它也提高了预期。投资者将希望看到部署速度、分类准确性和客户扩展能力的证据，以证明在上一轮融资后如此迅速地再进行一轮大额融资是合理的。

为什么 AI 智能体让数据泄露更难控制

AI 的采用将数据泄露从一系列可见的员工操作，转变为一连串自动化决策。

员工可能会意外附上错误文档、将源代码粘贴进未经批准的聊天机器人，或通过公开链接暴露文件。安全团队了解这些风险，即便现有控制措施对它们的处理并不理想。

AI 智能体带来了不同的运行模式。一个智能体可以从多个系统检索数据、将其组合、调用另一项服务，并生成外部响应，而无需为每个步骤分别获得人工批准。

该智能体可能对每个系统都拥有有效访问权限。风险来自于它如何在工作流中结合权限、信息和操作。

这种区别削弱了主要依赖文件签名、关键词或目标地址列表的控制措施。当与客户记录、产品计划或内部通信结合时，看似无害的片段也可能变得敏感。

提示词注入又增加了一层复杂性。智能体可能在文档或网页中遇到恶意指令，随后以非预期的方式使用其获授权的工具。

新加坡和韩国 AI 安全研究所的研究评估了 12 项真实智能体任务中的泄露风险。该智能体泄露研究考察了涉及数据感知、受众感知、策略合规、最小化原则和访问边界的失败情况。

其意义体现在实际层面。AI 系统无需具有恶意意图也可能错误处理数据。它可能因误解受众、使用超出必要范围的数据，或遵循相互冲突的指令而暴露信息。

企业 AI 使用还会跨越多个控制点。员工可能从浏览器开始，检索一份云端文档，调用外部模型，然后通过协作平台发送结果。

只看到初始提示词的工具无法掌握完整链路。仅聚焦于静态数据的产品，可能会在信息已经流动后才识别出暴露问题。

MIND 认为，企业需要同时保护静态和流动中的数据。其系统旨在发现敏感材料、跟踪其流动，并在某项操作产生不可接受的风险时执行策略。

这正是公司 AI 原生标签背后的机制。MIND 表示，其自身的智能体可以调查事件、调校控制措施，并处理部分修复流程。

这一承诺颇具吸引力，因为策略维护仍是 DLP 的主要负担。组织可能积累数千条规则、例外、告警和分类标签。软件或工作流的每一次变化，都可能带来新的调校任务。

AI 智能体通过在系统之间创建新路径而加重这一负担。安全团队无法现实地为模型、应用、用户和数据集的每一种可能组合分别编写人工规则。

然而，自动化策略管理也带来了自身的依赖条件。防御型智能体必须正确理解敏感内容、业务上下文、用户授权以及目标位置的风险。

错误可能发生在任一方向。漏报会让信息外泄，而误报会阻止获批工作，并促使员工绕过控制措施。

MIND 自身条款承认，该平台无法保证检测或阻止每一次披露、策略违规或安全事件。条款也承认，误报和漏报仍有可能发生。

这类表述是安全软件的标准内容，但它指出了核心问题。AI 可以扩大 DLP 覆盖范围并减少人工工作量，却无法消除数据保护核心中的判断问题。

MIND 正在挑战成熟的 DLP 模式

MIND 的主要对手并非某一家初创公司，而是需要持续人工调校、重度依赖策略的成熟 DLP 模式。

传统 DLP 系统围绕相对可预测的渠道发展而来。它们检查电子邮件、网页上传、可移动存储、网络流量，以及通过受管终端传输的文件。

这些渠道仍然重要。但企业信息如今还会通过云协作套件、浏览器应用、个人 AI 账户、模型 API、副驾助手和自主智能体流动。

成熟厂商并未忽视这一转变。Microsoft 可以将 Purview 策略与 Microsoft 365 身份、标签、终端和应用连接起来。Netskope 和 Zscaler 则通过安全服务边缘基础设施检查云端和网页流量。

Forcepoint 强调具备行为感知能力的执行控制。Palo Alto Networks、Proofpoint、Broadcom 和 Trellix 则带来了各自的终端、网络、电子邮件和云端集成。

这些厂商拥有结构性优势。它们已经深度嵌入大型技术体系，持有长期企业合同，并与身份和安全运营系统集成。

它们的产品还能够在多个渠道中保留统一的策略框架。对于需要一致执行和审计证据的受监管组织而言，这一点至关重要。

MIND 则提出了一个更聚焦的论点。它认为，旧有的 DLP 运行模式对于 AI 驱动的工作流而言过于人工化、碎片化且迟缓。

该公司在一个平台中结合了数据发现、分类、泄露防护和内部风险功能，随后使用智能体调查活动并调整策略。

这一方法旨在缩小发现敏感数据与阻止其外流之间的运营缺口。数据安全态势管理产品通常强调发现和暴露；DLP 产品则强调在数据流动过程中应用控制措施。

MIND 希望将这些功能连接起来。该平台必须了解存在哪些信息、为何其敏感、谁在使用它，以及某一次特定流动是否违反策略。

因此，竞争的核心在于运营负担，而非功能数量。成熟厂商可以向广泛的安全平台增加 AI 检查能力。MIND 则必须证明，围绕自动化重建工作流能够带来更好的日常结果。

一个可衡量的结果是部署时间。买家应询问，MIND 需要多长时间来发现数据、建立可用策略、集成主要渠道并开始执行控制。

另一个是调查工作量。如果每条告警都需要大量人工验证，那么产生更少告警的产品价值有限。

最有力的检验是策略质量能否随时间维持。MIND 的智能体应减少重复调校，而不是在悄然扩大例外范围或阻止更多合法操作。

买家还应比较覆盖范围。一款现代 DLP 产品需要能够覆盖终端、浏览器、获批应用、未经批准的服务、电子邮件、云存储和 AI 系统。

没有任何供应商在所有领域都具备同等深度。初创公司可能在 AI 工作流中行动更快，而现有厂商可能在自身平台内部提供更强的覆盖能力。

这正是为什么 MIND 的融资并不意味着传统 DLP 将消失。它意味着，人们正试图改变 DLP 的运营方式。

如果 MIND 能证明自动化调查和调优能够减少管理工作量，老牌厂商将面临压力，需要提供同等体验。如果做不到，买家可能更倾向于选择已在使用的平台中提供的渐进式 AI 功能。

真正的考验是兼顾准确性与工作流顺畅性

MIND 必须证明，自主执行能够在不以不透明的机器决策取代人工策略工作的前提下降低风险。

数据安全产品处于企业技术栈中容错率极低的领域。遗漏敏感数据传输的系统，无法实现其安全目标。阻断正常工作的系统，则会失去用户支持。

误报对 DLP 的危害尤其显著。反复遇到错误警告的员工，可能会转向未受监控的渠道、使用个人账户，或申请范围过宽的例外。

过于宽泛的例外会削弱保护力度。它们还可能通过将棘手流量排除在执行范围之外，让性能统计数据看起来更好。

AI 分类能够优于简单的模式匹配。即便公开产品宣传册和机密路线图包含相似术语，它也能区分两者。

但基于上下文的分类并不天然可靠。模型可能在更新后表现不同，难以处理陌生的文档格式，或误解专业领域语言。

全球性企业还会带来更多复杂性。策略必须考虑区域隐私法规、数据驻留义务、语言、业务角色和合同限制。

负责调优这些策略的自主代理需要严格边界。安全团队必须知道它可以做出哪些变更、每项变更有哪些证据支持，以及如何撤销错误决定。

可审计性变得与分类能力同等重要。被阻止的操作应当给出清晰解释，让安全分析师、员工、监管机构或客户都能理解。

MIND 表示，其平台提供自动化调查和修复功能。该公司尚未公开足够的独立基准测试数据，以便将其误报率、检测准确性或处理延迟与主要竞争对手进行比较。

已披露的客户案例很有参考价值，但它们仍属于经过筛选的客户证言，无法替代在买家自身应用和数据环境中进行的受控测试。

洛杉矶儿童医院提供了一个有意义的应用案例，因为受保护健康信息具有严格的处理要求。该机构表示，MIND 可阻止此类信息进入 AI 工具，同时不影响端点性能。

这一表述支持了产品的实际相关性。但它仍应被视为 MIND 展示的客户说法，而非独立性能审计。

National Geographic 的案例则凸显了另一项要求。该机构描述了对组织数据与 AI 代理之间交互的可见性，以及文档标记和共享限制。

这些案例共同说明了企业为何感兴趣。但它们无法证明该产品在所有数据类型、应用或对抗性场景中的表现。

潜在买家应开展具有代表性的试用。测试应包括常规上传、复制文本、生成式摘要、源代码、截图、多语言内容以及由代理发起的传输。

他们还应测试规避行为。敏感信息可能被重新格式化、拆分到多个提示中、编码、改写，或嵌入更大的文档中。

可信的评估需要同时衡量安全性和生产力指标。检测率固然重要，但用户中断情况、分析师审查时间、例外数量以及解释一项决策所需时间同样重要。

企业还应考察故障处理方式。当平台失去连接或置信度不足时，买家需要知道它会阻止活动、允许活动，还是将其转交审查。

这轮 7200 万美元融资为 MIND 改进这些方面提供了资源。但资本本身并不能证明其已解决底层权衡问题。

私募融资可能反映市场时机、投资者信念、营收增长或竞争定位。它并不能独立验证产品准确性。

这种区分很重要，因为 AI 安全正吸引紧迫支出。企业担心数据泄露，但紧迫性可能缩短评估周期，并让激进的主张获得回报。

MIND 的最佳路径是提供透明证据。公开的方法论、部署指标、客户扩展情况和第三方评估，将帮助买家区分自动化能力与营销说辞。

MIND 的融资对企业买家意味着什么

这轮融资为买家提供了又一个严肃选择，但采购决策应取决于控制覆盖范围和可衡量的工作量减少。

最直接的好处是竞争压力。对具备 AI 感知能力的 DLP 的更多投资，将使企业更有筹码要求每家供应商提供更好的集成、更清晰的策略和更快的部署。

MIND 可以利用这笔融资加深渠道覆盖。这项工作至关重要，因为数据流动很少局限于单一供应商环境。

员工可能从 Microsoft 365 获取文档，通过第三方模型处理，然后将输出发布到另一项云服务中。代理也可能通过 API 执行相同序列。

安全团队需要覆盖这条链路的连续性。只控制浏览器或端点的产品可能会遗漏服务器端代理活动。纯云端产品则可能遗漏从本地应用复制的信息。

买家应从数据流而非供应商标签开始。他们需要确定敏感信息的来源、哪些身份可以访问，以及 AI 系统可能将其发送到哪里。

下一个问题是执行方式。一些组织需要针对低风险行为发出警告，并对受监管数据进行强制阻断。另一些组织则需要脱敏、隔离、审批或详细审计记录。

MIND 的平台旨在自动化这些决策。买家应验证其策略模型是否符合自身对自主行动的容忍度。

集成深度同样值得关注。DLP 产品必须与身份平台、端点工具、云服务、安全运营系统和事件响应工作流交换上下文信息。

即使技术上准确的警报，若没有责任人或无法触发有用响应，在运营上仍可能失败。

安全负责人还应审查管理控制能力。他们需要角色分离、策略版本控制、审批工作流，以及能够说明自动化变更原因的记录。

采购团队可能会认为 MIND 的 Series B 融资令人安心，因为它延长了公司的财务承载能力。大型客户希望确信，安全供应商能够支持多年期部署。

不过，总融资额不应替代业务连续性审查。买家仍需评估合同保障、支持覆盖范围、产品依赖关系，以及策略和证据的导出选项。

竞争比较应涵盖既有厂商和新兴数据安全公司。Microsoft Purview 可能适合以 Microsoft 服务为核心的组织。Netskope 或 Zscaler 可能更适合已经通过其安全基础设施路由流量的企业。

Cyera 和 Varonis 等数据导向型厂商，则通过发现、态势、身份和访问上下文来解决该问题。Cyberhaven 强调追踪数据流动和数据血缘。

MIND 的主张位于这些方法之间。它希望发现信息、理解其上下文，并阻止危险流动，同时自动化大量运营工作。

这种组合很有吸引力，但广泛的平台也可能变得复杂。每增加一个渠道，都会带来集成、延迟、策略和支持方面的需求。

因此，企业应比较完整工作流。一次有价值的试用应跟踪敏感数据从发现，到尝试移动、执行、调查、修复和报告的全过程。

团队还需要保留策略决策和例外情况的长期记录。可检索的技术知识库可帮助保存控制措施变更的原因，以及支持每项决策的证据。

这类文档无法替代安全遥测数据。但当分析师、应用负责人或合规人员变更角色时，它能避免机构知识随之消失。

归根结底，这轮融资扩大了买家的选择范围，但并未简化采购决策。

最终胜出的平台，不会是最频繁提及 AI 的平台，而是能减少未经授权的数据流动，同时对用户和安全团队提出更少要求的平台。

三个信号将表明 MIND 的押注是否奏效

MIND 的下一阶段应根据部署证据、客户扩展和独立验证来评判，而不是下一条融资新闻。

第一个信号是更广泛的生产环境部署。MIND 已披露数十家客户和两个具体使用案例，但市场还需要更多关于覆盖范围的细节。

有价值的证据包括受保护端点、应用、AI 服务和代理工作流的数量。还应显示客户是否在初次部署后扩大了使用范围。

扩展部署将加强 MIND 的论点，因为安全买家很少会扩大造成过多摩擦的部署。始终局限于小范围的试点则会削弱这一论点。

第二个信号是可衡量的自动化表现。MIND 表示，其代理会调查事件、调优策略并减少人工 DLP 工作。

公司可以通过分析师节省时间、获接受的策略变更、误报减少幅度、调查时长和例外数量等指标来支持这一主张。

独立测试比精选案例研究更具说服力。安全团队需要基于真实数据、对抗性输入和复杂应用链路的评估。

强有力的结果应表明，自动化能改善结果而不掩盖不确定性。薄弱的结果则会显示，分析师仍承担了大部分困难判断工作。

第三个信号是既有厂商的反应。Microsoft、Netskope、Forcepoint、Palo Alto Networks、Proofpoint 和 Broadcom 都拥有庞大的企业客户基础。

如果它们简化 DLP 运营，并将策略执行扩展至 AI 代理，MIND 将面临更艰难的渠道竞争。现有客户往往更偏好集成式升级，而不是再增加一个安全控制台。

不过，老牌厂商的积极回应也会验证 MIND 的论点。这将表明，AI 驱动的工作流已迫使 DLP 市场重新思考人工策略管理。

买家也应关注收购和合作关系。大型安全平台可能会寻求用于代理可见性、数据血缘或自主策略管理的专业技术。

MIND 表示，新融资将深化技术和渠道合作伙伴关系。这些关系的价值将取决于它们能否建立完整的执行路径，而不仅仅是发布经销商公告。

该公司报告的八位数营收基础提供了一个起点。下一个问题是，它能否在支持更复杂客户的同时维持快速增长。

这一转型往往会暴露运营压力。企业交易需要实施人员、集成能力、区域支持、合规文档，以及在事件发生期间可靠的响应能力。

MIND 现在拥有更多资本来构建这些能力。与此同时，它也更难再将自己定位为未经验证的新进入者。

MIND 的 Series B 融资之所以重要，是因为它为直接挑战传统 DLP 运营方式提供了资金。AI 代理正在加速数据流动，而安全团队仍需为每一次披露负责。

MIND 认为，防御型智能体能够以相近的速度监测这种流动并管理控制措施。企业应在最棘手的工作流中验证这一说法，而不是只看最理想化的演示。

未来几个月，值得关注的是更大范围的部署、透明的准确率指标，以及现有厂商的具体回应。这些信号将揭示，MIND 究竟是在重新定义 DLP 运营，还是带着契合时机的信息加入一个拥挤的市场。

对于安全负责人而言，下一步行动很直接：梳理一个包含 AI 工具或智能体的敏感工作流，然后测试现有控制措施能否从访问环节一路跟踪数据至最终去向。如果不能，就在相同的工作流、策略和失效条件下比较供应商。要求对方提供检测质量、被误拦截的合法工作、分析师投入，以及决策可审计性的证据。MIND 的融资使其成为这项评估中值得认真考虑的参与者。只有生产环境中的结果，才能判断其自主模型是否能够实现更安全的 AI 采用。