Swimlane ajoute à Turbine des détections personnalisées des menaces liées à l’IA et la prise en charge bidirectionnelle de MCP

Un analyste de sécurité assisté par l’IA peut examiner rapidement une alerte, mais il ne peut pas enquêter sur un avertissement qui n’a jamais été généré. Swimlane entend combler cette lacune grâce à de nouvelles capacités de détection définies par les clients dans sa plateforme Turbine. Les équipes de sécurité peuvent ainsi appliquer leurs propres règles aux données opérationnelles et transmettre directement les alertes qui en résultent à Swimlane AI SOC.

La version du 28 octobre introduit également la prise en charge bidirectionnelle de Model Context Protocol (MCP) et un agent Hero AI Application Builder. Ensemble, ces nouveautés étendent la plateforme d’automatisation de l’entreprise à trois tâches complémentaires : déterminer quelles activités méritent une enquête, connecter les agents aux outils et créer les applications qui soutiennent les processus de sécurité.

Swimlane indique que ces fonctionnalités sont généralement disponibles. L’annonce les présente comme des ajouts à l’infrastructure de sécurité existante, notamment aux systèmes de gestion des informations et des événements de sécurité (SIEM), aux solutions de détection et de réponse sur les terminaux (EDR) et aux outils de sécurité cloud.

Donner aux équipes de sécurité le contrôle sur ce qui déclenche une alerte

De nombreux produits de centre opérationnel de sécurité (SOC) dopés à l’IA se concentrent sur le triage, l’enquête et la réponse, une fois qu’un système de détection a repéré un comportement suspect. Cette répartition des tâches devient plus difficile à maintenir lorsque les organisations déploient de nouveaux agents, copilotes, modèles locaux et serveurs MCP plus vite que les solutions de détection établies ne peuvent les prendre en charge.

Une entreprise peut avoir besoin d’enquêter sur la soumission d’informations sensibles à un service d’IA non autorisé, l’utilisation inattendue d’un modèle local, la désactivation d’un garde-fou ou un agent qui consomme des ressources bien au-delà du budget prévu. Certaines de ces situations dépendent des politiques et de l’environnement propres à l’organisation, plutôt que d’une signature universelle qu’un fournisseur pourrait définir à l’avance.

Les nouvelles fonctionnalités de Turbine permettent aux équipes d’exécuter leurs propres règles de détection sur les données auxquelles la plateforme a accès. Selon Swimlane, une seule action sur les mégadonnées peut évaluer des dizaines de milliers d’enregistrements sur des nœuds de calcul parallèles, puis acheminer une alerte vers AI SOC afin qu’elle fasse l’objet d’une enquête et d’une réponse encadrée.

Cette architecture rapproche les règles de détection de l’automatisation qui agit en fonction de leurs résultats. Au lieu de repérer séparément une situation et d’assembler manuellement les étapes suivantes, une équipe peut associer sa règle, propre à l’organisation, à un processus d’enquête existant. L’utilité de chaque détection dépend toutefois toujours de la présence de l’activité concernée dans les données auxquelles Turbine peut accéder.

« Depuis deux ans, le secteur de la sécurité débat de la mesure dans laquelle l’IA peut traiter une alerte de façon autonome, mais cela élude une question plus fondamentale : d’où vient l’alerte ? », a déclaré Cody Cornell, cofondateur et PDG de Swimlane.

La version présente également la création de règles de détection assistée par l’IA. Les équipes peuvent décrire la détection qu’elles souhaitent mettre en place et s’appuyer sur les capacités de Turbine à générer des playbooks pour contribuer à sa création. Générer cette logique et établir qu’elle identifie de manière fiable le comportement visé restent deux tâches distinctes : les règles propres à une organisation doivent tenir compte des données, des autorisations et des conditions de l’environnement dans lequel elles s’exécutent.

Enquêter sur les systèmes d’IA en tant que sources potentielles d’incidents

Swimlane qualifie ces scénarios de détection et de réponse aux incidents liés à l’IA, ou AIDR : le système d’IA lui-même devient l’objet de l’incident. Cela diffère de la simple utilisation d’un modèle d’IA pour résumer une alerte classique de phishing ou de sécurité des terminaux.

L’injection de prompt illustre cette distinction. Un agent peut rencontrer des instructions intégrées au contenu qu’il traite, ce qui crée un risque que des éléments externes influencent son comportement. Une enquête utile peut nécessiter l’examen des entrées de l’agent, de l’activité de ses outils et des actions qui en résultent, plutôt que la seule recherche d’un indicateur de logiciel malveillant connu.

De même, une hausse inattendue des dépenses peut signaler un agent défaillant ou mal orienté sans ressembler à une intrusion classique. Les règles définies par les clients permettent aux équipes de préciser ce qui constitue une anomalie dans leur propre déploiement, à condition que les indicateurs nécessaires sur l’utilisation et le fonctionnement soient disponibles.

L’échelle de traitement annoncée est une spécification de l’entreprise, et non un résultat de référence publié pour la détection de toutes les formes d’injection de prompt ou d’utilisation non autorisée de l’IA. En pratique, les équipes disposent d’un moyen supplémentaire de transformer leurs propres observations en cas exploitables, en complément des alertes fournies par les produits de sécurité établis.

MCP connecte les agents et l’automatisation dans les deux sens

MCP fournit une interface commune permettant aux applications d’IA d’utiliser des outils. La version d’octobre de Swimlane prend en charge les deux côtés de cette connexion.

En tant qu’hôte MCP, Turbine permet à Hero AI de se connecter à des serveurs MCP tiers et d’utiliser leurs outils pendant les enquêtes et dans les playbooks, avec une authentification et des contrôles d’accès centralisés. Un processus de sécurité peut ainsi faire appel à une fonctionnalité externe compatible avec MCP, en plus des intégrations d’API qu’il utilise déjà.

En tant que serveur MCP, Turbine met des automatisations encadrées à la disposition de clients d’IA externes. L’annonce cite Claude, ChatGPT, Cursor, Gemini CLI et Microsoft Copilot comme exemples de clients capables d’utiliser des composants de Turbine, notamment des playbooks en plusieurs étapes, dans le cadre des contrôles d’accès fondés sur les rôles déjà en place.

Cette distinction a des conséquences importantes. Dans le premier cas, l’agent de Swimlane contacte un autre système. Dans le second, un assistant externe peut lancer un workflow Turbine approuvé. Connecter un assistant à un playbook existant permet à une entreprise de réutiliser ses automatisations et ses autorisations actuelles, plutôt que de recréer le processus opérationnel dans chaque client d’IA.

Selon Swimlane, Turbine peut combiner des outils MCP avec des API classiques. Cette annonce concerne donc les environnements où seuls certains systèmes prennent en charge MCP : les équipes peuvent intégrer le protocole à un workflow plus vaste sans devoir modifier simultanément toutes les intégrations existantes.

Créer des applications de sécurité avec validation humaine

L’agent Hero AI Application Builder s’attaque à une autre source de travail : la configuration des structures de données, des mises en page et des workflows nécessaires à un nouveau cas d’usage en sécurité. Les utilisateurs décrivent leurs besoins en langage naturel, et l’agent crée ou modifie l’application correspondante.

Selon le communiqué, les modifications générées ne sont pas enregistrées tant qu’une personne ne les a pas examinées. Elles sont mises en évidence, et les utilisateurs peuvent les accepter ou les rejeter avant leur enregistrement. Cette étape de validation est importante, car la structure d’une application peut influer sur la manière dont les analystes recueillent les éléments de preuve, font passer les dossiers d’une étape à l’autre et mettent en œuvre une intervention.

Le nouvel agent s’appuie sur l’offre plus vaste Hero AI. La documentation produit de Swimlane décrit des agents existants pour l’ingestion de données, la génération de playbooks, les visualisations et les enquêtes, ainsi que la possibilité de sélectionner des modèles pour chaque agent. La création d’applications étend cette assistance à l’espace de travail opérationnel associé à ces tâches.

Associer le raisonnement de l’IA à une automatisation prévisible

Ces nouveautés s’intègrent au modèle d’orientation de Swimlane AI SOC, qui répartit le travail entre l’automatisation déterministe, l’enquête assistée par l’IA et l’enquête entièrement agentique, selon le raisonnement requis. Les playbooks existants peuvent prendre en charge les étapes courantes, tandis que les cas plus complexes peuvent faire appel à une enquête agentique et à une validation humaine.

Il s’agit d’un aspect important de la conception du produit : un workflow n’a pas à faire passer chaque tâche par un modèle. Une séquence de réponse bien connue peut rester une automatisation classique, tandis qu’un agent aide à interpréter des éléments de preuve inhabituels ou à élaborer un plan d’enquête.

La détection définie par le client ajoute une décision en amont à ce modèle opérationnel : qu’est-ce qui doit déclencher le processus au départ ? Pour les équipes de sécurité qui déploient l’IA dans toute leur organisation, la version d’octobre leur permet de relier leur propre connaissance des comportements acceptables aux outils qui enquêtent et interviennent lorsque l’activité s’en écarte.