Swimlane Menambahkan Deteksi Ancaman AI Kustom dan Dukungan MCP Dua Arah ke Turbine

Analis keamanan AI dapat menyelidiki peringatan dengan cepat, tetapi tidak dapat menyelidiki peringatan yang tidak pernah dibuat. Swimlane berupaya mengatasi kesenjangan ini dengan kemampuan deteksi baru yang ditentukan pelanggan di platform Turbine. Kemampuan ini memungkinkan tim keamanan menerapkan logika mereka sendiri pada data operasional dan mengirimkan peringatan yang dihasilkan langsung ke Swimlane AI SOC.

Rilis pada 28 Oktober ini juga memperkenalkan dukungan Model Context Protocol (MCP) dua arah dan Hero AI Application Builder Agent. Secara bersama-sama, penambahan ini memperluas platform otomasi perusahaan untuk mendukung tiga tugas yang saling terhubung: menentukan aktivitas mana yang perlu diselidiki, menghubungkan agen dengan alat, serta membangun aplikasi yang mendukung alur kerja keamanan.

Swimlane menyatakan bahwa kemampuan tersebut telah tersedia secara umum. Pengumuman itu menempatkannya sebagai tambahan bagi infrastruktur keamanan yang sudah ada, termasuk manajemen informasi dan peristiwa keamanan (SIEM), deteksi dan respons titik akhir (EDR), serta alat keamanan cloud.

Memberi Tim Keamanan Kendali atas Hal yang Menjadi Peringatan

Banyak produk SOC berbasis AI berfokus pada triase, penyelidikan, dan respons setelah sistem deteksi mengidentifikasi perilaku mencurigakan. Pembagian tugas ini menjadi lebih sulit ketika organisasi menerapkan agen baru, kopilot, model lokal, dan server MCP lebih cepat daripada kemampuan produk deteksi yang sudah mapan untuk mengakomodasinya.

Perusahaan mungkin perlu menyelidiki informasi sensitif yang dikirimkan ke layanan AI tanpa izin, penggunaan model lokal yang tidak terduga, mekanisme pengaman yang dinonaktifkan, atau agen yang menggunakan sumber daya jauh melampaui anggaran yang ditetapkan. Sebagian kondisi tersebut bergantung pada kebijakan dan lingkungan organisasi tertentu, bukan pada pola universal yang dapat ditetapkan vendor sebelumnya.

Kemampuan Turbine yang baru memungkinkan tim menjalankan logika deteksi mereka sendiri terhadap data yang tersedia di platform. Swimlane menyatakan bahwa satu tindakan big data dapat mengevaluasi puluhan ribu catatan di sejumlah simpul komputasi paralel, lalu meneruskan peringatan ke AI SOC untuk diselidiki dan ditangani melalui respons yang terkelola.

Arsitektur ini mendekatkan logika deteksi ke otomasi yang menindaklanjuti hasilnya. Alih-alih mengidentifikasi suatu kondisi secara terpisah lalu menyusun langkah berikutnya secara manual, tim dapat menghubungkan aturan khusus organisasinya ke alur kerja penyelidikan yang sudah ada. Kegunaan setiap deteksi tetap bergantung pada apakah aktivitas terkait tercakup dalam data yang dapat diakses Turbine.

“Selama dua tahun terakhir, industri keamanan memperdebatkan seberapa otonom AI dapat menangani suatu peringatan, tetapi perdebatan itu melewatkan pertanyaan yang lebih mendasar: dari mana peringatan itu berasal?” kata Cody Cornell, salah satu pendiri sekaligus CEO Swimlane.

Rilis ini juga menjelaskan penyusunan deteksi dengan bantuan AI. Tim dapat menjelaskan deteksi yang mereka inginkan, lalu memanfaatkan kemampuan Turbine untuk membuat playbook guna membantu menyusunnya. Menghasilkan logika tersebut dan memastikan bahwa logika itu secara andal mengidentifikasi perilaku yang dimaksud merupakan dua tugas yang berbeda: aturan khusus organisasi harus mencerminkan data, izin, dan kondisi lingkungan tempat aturan itu dijalankan.

Menyelidiki Sistem AI sebagai Sumber Insiden Potensial

Swimlane menyebut skenario ini sebagai deteksi dan respons AI, atau AIDR: sistem AI itu sendiri menjadi sasaran insiden. Hal ini berbeda dari sekadar menggunakan model AI untuk merangkum peringatan phishing konvensional atau peringatan titik akhir.

Injeksi prompt menggambarkan perbedaan tersebut. Agen mungkin menemukan instruksi yang disisipkan dalam konten yang sedang diprosesnya, sehingga muncul risiko bahwa materi dari luar memengaruhi perilakunya. Penyelidikan yang efektif mungkin perlu memeriksa masukan agen, aktivitas alat, dan tindakan yang dihasilkannya, alih-alih hanya mencari indikator malware yang sudah dikenal.

Demikian pula, lonjakan pengeluaran yang tak terduga dapat menandakan agen yang mengalami malafungsi atau salah arah, tanpa menyerupai penyusupan tradisional. Logika yang ditentukan pelanggan memberi tim cara untuk merumuskan hal-hal yang dianggap tidak normal dalam penerapan mereka sendiri, asalkan sinyal penggunaan dan operasional yang diperlukan tersedia.

Skala pemrosesan yang diumumkan merupakan spesifikasi perusahaan, bukan tolok ukur yang dipublikasikan untuk mendeteksi setiap bentuk injeksi prompt atau penggunaan AI tanpa izin. Perubahan praktisnya adalah tim memperoleh jalur tambahan untuk mengubah pengamatan mereka sendiri menjadi kasus yang dapat ditindaklanjuti, selain melalui peringatan dari produk keamanan yang sudah mapan.

MCP Menghubungkan Agen dan Otomasi dalam Dua Arah

MCP menyediakan antarmuka umum yang memungkinkan aplikasi AI menggunakan alat. Rilis Swimlane pada Oktober mendukung kedua sisi koneksi tersebut.

Sebagai host MCP, Turbine memungkinkan Hero AI terhubung ke server MCP pihak ketiga dan menggunakan alatnya selama penyelidikan serta dalam playbook, dengan autentikasi dan kontrol akses terpusat. Dengan demikian, alur kerja keamanan dapat memanggil kemampuan eksternal yang kompatibel dengan MCP, selain integrasi API yang sudah digunakannya.

Sebagai server MCP, Turbine menyediakan otomasi terkelola bagi klien AI eksternal. Pengumuman tersebut menyebut Claude, ChatGPT, Cursor, Gemini CLI, dan Microsoft Copilot sebagai contoh klien yang dapat menjalankan komponen Turbine, termasuk playbook multi-langkah, dengan tetap menggunakan kontrol akses berbasis peran yang sudah ada.

Pembedaan ini membawa konsekuensi penting. Pada arah pertama, agen Swimlane menghubungi sistem lain. Pada arah kedua, asisten eksternal dapat memulai alur kerja Turbine yang telah disetujui. Menghubungkan asisten ke pedoman otomatisasi yang sudah ada memberi perusahaan cara untuk menggunakan kembali otomatisasi dan izin yang telah dimilikinya, alih-alih membuat ulang proses operasional di setiap klien AI.

Swimlane menyatakan bahwa Turbine dapat menggabungkan alat MCP dengan API konvensional. Karena itu, rilis ini relevan bagi lingkungan yang hanya sebagian sistemnya mendukung MCP: tim dapat menyertakan protokol tersebut dalam alur kerja yang lebih luas tanpa harus mengubah semua integrasi yang ada sekaligus.

Membangun Aplikasi Keamanan dengan Tinjauan Manusia

Agen Pembuat Aplikasi Hero AI menangani sumber pekerjaan lainnya: mengonfigurasi struktur rekaman, tata letak, dan alur kerja yang dibutuhkan untuk kasus penggunaan keamanan baru. Pengguna menjelaskan kebutuhan mereka dalam bahasa alami, lalu agen membuat atau mengubah aplikasi yang sesuai.

Menurut pengumuman tersebut, perubahan yang dihasilkan belum disimpan sampai ditinjau oleh seseorang. Perubahan ditandai, dan pengguna dapat menerima atau menolaknya sebelum perubahan tersebut tersimpan. Tahap persetujuan ini penting karena struktur aplikasi dapat memengaruhi cara analis mengumpulkan bukti, memindahkan kasus dari satu tahap ke tahap lain, dan melakukan penanganan.

Agen baru ini dikembangkan berdasarkan portofolio Hero AI yang lebih luas. Materi produk Swimlane menjelaskan bahwa sudah ada agen untuk pemasukan data, pembuatan pedoman otomatisasi, visualisasi, dan investigasi, serta kemampuan untuk memilih model bagi setiap agen. Pembuatan aplikasi memperluas bantuan tersebut ke ruang kerja operasional yang mendukung tugas-tugas itu.

Menggabungkan Penalaran AI dengan Otomatisasi yang Terprediksi

Fitur-fitur tambahan ini terintegrasi dengan model perutean Swimlane AI SOC, yang mengarahkan pekerjaan ke otomatisasi deterministik, investigasi berbantuan AI, atau investigasi yang sepenuhnya dijalankan agen, sesuai dengan tingkat penalaran yang diperlukan. Pedoman otomatisasi yang sudah ada dapat menangani langkah-langkah yang lazim, sementara kasus yang lebih rumit dapat ditangani melalui investigasi berbasis agen dan tinjauan manusia.

Ini merupakan bagian penting dari rancangan produk: alur kerja tidak harus mengirim setiap tugas melalui model. Urutan penanganan yang sudah diketahui dapat tetap dijalankan dengan otomatisasi konvensional, sementara agen membantu menafsirkan bukti yang tidak lazim atau menyusun rencana investigasi.

Deteksi yang ditentukan pelanggan menambahkan satu keputusan lebih awal ke dalam model operasional tersebut: apa yang seharusnya memicu proses sejak awal? Bagi tim keamanan yang menerapkan AI di seluruh organisasi, rilis Oktober menawarkan cara untuk menghubungkan pemahaman mereka sendiri tentang perilaku yang dapat diterima dengan alat yang menyelidiki dan merespons ketika aktivitas menyimpang dari batas tersebut.