Swimlane erweitert Turbine um kundenspezifische KI-Bedrohungserkennungen und bidirektionale MCP-Unterstützung

Ein KI-Sicherheitsanalyst kann eine Warnmeldung schnell untersuchen, aber keine Warnung, die nie erzeugt wurde. Swimlane will diese Lücke mit neuen, kundendefinierten Erkennungsfunktionen in seiner Turbine-Plattform schließen. Damit können Sicherheitsteams eigene Logik auf Betriebsdaten anwenden und die daraus entstehenden Warnmeldungen direkt an Swimlane AI SOC weiterleiten.

Die am 28. Oktober veröffentlichte Version bietet außerdem bidirektionale Unterstützung für Model Context Protocol (MCP) und einen Hero AI Application Builder Agent. Zusammen erweitern diese Neuerungen die Automatisierungsplattform des Unternehmens um drei miteinander verbundene Aufgaben: zu entscheiden, welche Aktivitäten untersucht werden sollten, Agenten mit Tools zu verbinden und Anwendungen zu erstellen, die Sicherheitsabläufe unterstützen.

Swimlane zufolge sind die Funktionen allgemein verfügbar. Die Ankündigung stellt sie als Ergänzungen zur bestehenden Sicherheitsinfrastruktur dar, darunter Sicherheitsinformations- und Ereignismanagement (SIEM), Endpoint Detection and Response (EDR) und Cloud-Sicherheitstools.

Sicherheitsteams entscheiden selbst, was eine Warnmeldung auslöst

Viele KI-SOC-Produkte konzentrieren sich auf die Priorisierung, Untersuchung und Reaktion, nachdem ein Erkennungssystem verdächtiges Verhalten festgestellt hat. Diese Aufgabenteilung wird schwieriger, wenn Unternehmen neue Agenten, Copiloten, lokale Modelle und MCP-Server schneller einsetzen, als etablierte Erkennungsprodukte sie berücksichtigen können.

Ein Unternehmen muss möglicherweise untersuchen, ob sensible Informationen an einen nicht autorisierten KI-Dienst übermittelt wurden, ob ein lokales Modell unerwartet genutzt wird, eine Schutzmaßnahme deaktiviert wurde oder ein Agent weit mehr Ressourcen verbraucht als vorgesehen. Manche dieser Bedingungen hängen von den Richtlinien und der Umgebung des jeweiligen Unternehmens ab und lassen sich nicht durch eine allgemeingültige Signatur abbilden, die ein Anbieter im Voraus festlegen könnte.

Mit den neuen Funktionen von Turbine können Teams ihre eigene Erkennungslogik auf Daten anwenden, die der Plattform zur Verfügung stehen. Swimlane zufolge kann eine einzelne Big-Data-Aktion Zehntausende Datensätze über parallel arbeitende Rechenknoten hinweg auswerten und anschließend eine Warnmeldung zur Untersuchung und kontrollierten Reaktion an AI SOC weiterleiten.

Durch diese Architektur rückt die Erkennungslogik näher an die Automatisierung heran, die auf ihren Ergebnissen aufbaut. Statt einen Sachverhalt zunächst separat zu identifizieren und die nächsten Schritte manuell zusammenzustellen, kann ein Team eine unternehmensspezifische Regel mit einem bestehenden Untersuchungsablauf verknüpfen. Wie nützlich eine Erkennung ist, hängt weiterhin davon ab, ob die betreffenden Aktivitäten in den Daten abgebildet sind, auf die Turbine zugreifen kann.

„Die Sicherheitsbranche hat in den vergangenen zwei Jahren darüber diskutiert, wie autonom KI eine Warnmeldung bearbeiten kann. Dabei wurde eine grundlegendere Frage übersprungen: Woher stammt die Warnmeldung?“, sagte Cody Cornell, Mitgründer und CEO von Swimlane.

Die Veröffentlichung beschreibt außerdem die KI-gestützte Erstellung von Erkennungsregeln. Teams können erläutern, welche Erkennung sie benötigen, und Turbines Funktionen zur Playbook-Erstellung nutzen, um sie umzusetzen. Die entsprechende Logik zu erzeugen und sicherzustellen, dass sie das beabsichtigte Verhalten zuverlässig erkennt, sind jedoch zwei getrennte Aufgaben: Unternehmensspezifische Regeln müssen die Daten, Berechtigungen und Bedingungen der Umgebung berücksichtigen, in der sie ausgeführt werden.

KI-Systeme als mögliche Quelle eines Sicherheitsvorfalls untersuchen

Swimlane bezeichnet solche Szenarien als KI-Erkennung und -Reaktion (AIDR): Das KI-System selbst wird zum Gegenstand des Sicherheitsvorfalls. Das unterscheidet sich davon, ein KI-Modell lediglich dazu zu verwenden, eine herkömmliche Phishing- oder Endpoint-Warnmeldung zusammenzufassen.

Prompt-Injection veranschaulicht diesen Unterschied. Ein Agent kann in den von ihm verarbeiteten Inhalten auf eingebettete Anweisungen stoßen. Dadurch besteht das Risiko, dass externes Material sein Verhalten beeinflusst. Für eine aussagekräftige Untersuchung müssen möglicherweise die Eingaben des Agenten, seine Tool-Aktivitäten und die daraus resultierenden Aktionen geprüft werden, statt nur nach einem bekannten Malware-Indikator zu suchen.

Ebenso kann ein unerwarteter Ausgabenanstieg auf einen fehlerhaften oder fehlgeleiteten Agenten hindeuten, ohne einem herkömmlichen Angriff zu ähneln. Mit kundendefinierter Logik können Teams festlegen, was in ihrer eigenen Bereitstellung als ungewöhnlich gilt – sofern die erforderlichen Nutzungs- und Betriebssignale verfügbar sind.

Die angekündigte Verarbeitungskapazität ist eine Unternehmensangabe und kein veröffentlichter Benchmark für die Erkennung jeder Form von Prompt-Injection oder unbefugter KI-Nutzung. Die praktische Neuerung besteht darin, dass Teams zusätzlich zu Warnmeldungen etablierter Sicherheitsprodukte eigene Beobachtungen in umsetzbare Fälle überführen können.

MCP verbindet Agenten und Automatisierung in beide Richtungen

MCP bietet eine gemeinsame Schnittstelle, über die KI-Anwendungen Tools nutzen können. Die Oktober-Version von Swimlane unterstützt beide Seiten dieser Verbindung.

Als MCP-Host ermöglicht Turbine Hero AI, eine Verbindung zu MCP-Servern von Drittanbietern herzustellen und deren Tools bei Untersuchungen und in Playbooks zu nutzen – mit zentraler Authentifizierung und Zugriffskontrollen. Ein Sicherheitsablauf kann so neben den bereits verwendeten API-Integrationen auch externe MCP-kompatible Funktionen aufrufen.

Als MCP-Server stellt Turbine externe KI-Clients kontrollierte Automatisierungsfunktionen bereit. In der Ankündigung werden Claude, ChatGPT, Cursor, Gemini CLI und Microsoft Copilot als Beispiele für Clients genannt, die Turbine-Komponenten, darunter mehrstufige Playbooks, innerhalb der bestehenden rollenbasierten Zugriffskontrollen aufrufen können.

Dieser Unterschied ist entscheidend. Im ersten Fall nimmt der Agent von Swimlane Kontakt zu einem anderen System auf. Im zweiten Fall kann ein externer Assistent einen genehmigten Turbine-Workflow anstoßen. Wird ein Assistent mit einem bestehenden Playbook verbunden, kann ein Unternehmen seine vorhandenen Automatisierungen und Berechtigungen wiederverwenden, statt den operativen Ablauf in jedem KI-Client neu abzubilden.

Swimlane zufolge kann Turbine MCP-Tools mit herkömmlichen APIs kombinieren. Das macht die Ankündigung für Umgebungen relevant, in denen nur einige Systeme MCP unterstützen: Teams können das Protokoll in einen umfassenderen Workflow integrieren, ohne alle bestehenden Integrationen gleichzeitig ändern zu müssen.

Sicherheitsanwendungen mit menschlicher Prüfung erstellen

Der Hero AI Application Builder Agent setzt bei einer weiteren Arbeitsquelle an: der Konfiguration von Datensatzstrukturen, Layouts und Workflows, die ein neuer Sicherheitsanwendungsfall erfordert. Nutzer beschreiben in natürlicher Sprache, was sie benötigen, und der Agent erstellt oder ändert die entsprechende Anwendung.

Laut der Ankündigung bleiben generierte Änderungen ungespeichert, bis sie von einer Person geprüft wurden. Änderungen werden hervorgehoben, und Nutzer können sie annehmen oder ablehnen, bevor sie dauerhaft übernommen werden. Dieser Freigabeschritt ist wichtig, weil die Struktur einer Anwendung beeinflussen kann, wie Analysten Belege erfassen, Fälle durch die einzelnen Phasen führen und eine Reaktion umsetzen.

Der neue Agent baut auf dem umfassenderen Portfolio von Hero AI auf. In den Produktunterlagen von Swimlane werden bestehende Agenten für die Datenaufnahme, die Erstellung von Playbooks, Visualisierungen und Untersuchungen beschrieben. Außerdem wird dort die Möglichkeit genannt, für einzelne Agenten Modelle auszuwählen. Die Erstellung von Anwendungen erweitert diese Unterstützung auf den operativen Arbeitsbereich rund um diese Aufgaben.

KI-gestütztes Schlussfolgern mit vorhersehbarer Automatisierung verbinden

Die Erweiterungen fließen in das Weiterleitungsmodell von Swimlane AI SOC ein, das Aufgaben je nach erforderlichem Schlussfolgern zwischen deterministischer Automatisierung, KI-gestützter Untersuchung und vollständig agentengestützter Untersuchung verteilt. Bestehende Playbooks können vertraute Schritte übernehmen, während komplexere Fälle mithilfe agentengestützter Untersuchungen und menschlicher Prüfung bearbeitet werden können.

Dies ist ein wichtiger Bestandteil des Produktdesigns: Ein Workflow muss nicht jede Aufgabe durch ein Modell schicken. Eine bekannte Reaktionsabfolge kann weiterhin herkömmlich automatisiert ablaufen, während ein Agent dabei hilft, ungewohnte Belege zu interpretieren oder einen Untersuchungsplan zu erstellen.

Die von Kunden definierten Erkennungsregeln ergänzen dieses Betriebsmodell um eine vorgelagerte Entscheidung: Was soll den Prozess überhaupt auslösen? Für Sicherheitsteams, die KI in ihrer gesamten Organisation einsetzen, bietet die Oktober-Veröffentlichung eine Möglichkeit, ihr eigenes Wissen über akzeptables Verhalten mit den Tools zu verknüpfen, die Aktivitäten untersuchen und darauf reagieren, wenn sie davon abweichen.