Anaconda koppelt AI‑agentzwermen aan autonoom beveiligingstesten

Een AI‑agent meer gereedschap geven kan het nuttiger maken. Meerdere agenten tegelijk dat gereedschap geven schept een moeilijkere vraag: hoe kan een onderneming bijhouden wat elke agent doet, en een slechte handeling stoppen voordat deze een echt systeem bereikt?

Anaconda’s platformuitbreiding van 6 oktober lost dat probleem op door gecoördineerde AI‑ontwikkeling te koppelen aan autonoom beveiligingstesten. Het brengt technologie van Kilo Code, Enkrypt AI en Outerbounds samen in ontwikkelwerkruimtes, beveiligingscontroles en productie‑orchestratie.

Het strategische idee is om de plaatsen waar agenten software bouwen, waar hun gedrag wordt uitgedaagd, en waar de resulterende workflows worden uitgevoerd, met elkaar te verbinden. Anaconda noemt dit een AI‑Dev‑Factory. Voor ondernemingen is de praktische vraag of die verbindingen het makkelijker maken om de groeiende agentautonomie te inspecteren en te beheersen.

Hoe de agenten van Kilo hun werk coördineren

Een agentzwerm verdeelt gerelateerde taken over meerdere AI‑agenten. De een kan een authenticatie‑ontwerp onderzoeken terwijl een ander tests schrijft of een afzonderlijk component implementeert. Het potentiële voordeel is parallelle voortgang, mits de agenten ontdekkingen kunnen delen en niet tegenstrijdig werken.

Kilo’s technische beschrijving van Swarm legt het coördinatiemechanisme uit: een hoofdsessie en de afgeleide agenten delen een prikbord. Agenten kunnen bevindingen plaatsen en het prikbord lezen terwijl het werk doorgaat, in plaats van te wachten tot elke subtaak is voltooid voordat resultaten worden uitgewisseld.

Die onderscheiding is belangrijk. Een test‑agent kan leren over een authenticatie‑beslissing voordat hij een suite schrijft die iets anders veronderstelt. Kilo zegt dat vroege interne evaluaties suggereren dat minder dubbel werk het tokenverbruik kan verminderen, maar het heeft geen numerieke resultaten voor die bewering gepubliceerd.

Dezelfde documentatie definieert ook een grens die het waard is te begrijpen: prikbordberichten wekken agenten niet, hervatten ze niet en keuren ze niet goed, en adviserende hold‑ of veto‑berichten stoppen hen niet automatisch. Iedereen die deelneemt kan de volledige prikbordgeschiedenis lezen. Coördinatie moet daarom worden onderscheiden van afdwingbare permissies en uitvoeringscontroles.

Anaconda’s lanceerpagina plaatst deze workflows in VS Code en beschrijft parallel werk over worktrees. Het introduceert ook Kilo Desktop in bèta, dat engineering, data‑wetenschap en Python‑omgevingsbeheer combineert met toegang tot meer dan 500 modellen en lokale inferentie.

Beveiligingstesten die tactieken aanpassen

Enkrypt AI levert de adversariale testzijde van het platform. Anaconda zegt dat het uitgebreide beveiligingsaanbod modellen, agenten en MCP‑integraties test over meer dan 300 aanvalscategorieën, naast runtime‑bescherming.

In zijn technische uitleg van autonoom red teaming beschrijft Anaconda dat men begint met bekende aanvalspatronen en vervolgens agenten gebruikt om hun aanpak aan te passen aan de reacties van het doelwit. Een agent vormt een hypothese over een zwakte, test deze, onderzoekt het resultaat en beslist wat vervolgens geprobeerd moet worden.

Een weigering kan bijvoorbeeld een wijziging van strategie teweegbrengen in plaats van een nieuwe parafrasering van dezelfde aanvraag. Het systeem gebruikt sessie‑geheugen om het herhalen van mislukte benaderingen te voorkomen en parallelle verkenning om verschillende risico’s tegelijk te onderzoeken. Anaconda zegt dat deze tests binnen de omgeving van de klant draaien en zijn afgestemd op het dreigingsmodel van de implementatie.

Deze aanpak is relevant voor agenten die informatie uit tools en externe bronnen consumeren. Het risico beperkt zich niet tot een onveilig antwoord: een instructie die verborgen zit in opgehaald materiaal kan een latere tool‑aanroep sturen. Testen moet ketens van gedrag onderzoeken, inclusief welke informatie de agent vertrouwt en welke acties daarop volgen.

Runtime‑guardrails pakken een ander probleem aan

Het vinden van een zwakte tijdens het testen en het voorkomen van een onveilige handeling tijdens de operatie zijn afzonderlijke taken. Enkrypt AI’s Guardrails-product is ontworpen om riskant gedrag over agenten, tools, retrieval‑augmented generation en Model Context Protocol‑verbindingen goed te keuren, aan te passen of te blokkeren.

Het bedrijf identificeert prompt‑injectie, onveilige tool‑acties, schendingen van privilege‑grenzen en exfiltratie van gevoelige gegevens als risico’s waarop het zich richt. De nadruk op controleerbare beslissingen maakt de controlelaag relevant voor incidentonderzoek evenals preventie.

De lancering van Anaconda bevat ook model‑risicoscores binnen Kilo en een Agent Incident Registry met bron‑ondersteunde openbare incidentrapporten. Deze kunnen de modelkeuze en testprioriteiten informeren. Ze moeten worden beschouwd als invoer in een beveiligingsproces, in plaats van als bewijs dat een specifieke implementatie veilig is.

De schaalcijfers vereisen dezelfde zorg. Anaconda meldt dat 63 % van de respondenten op haar enquête onder AI‑native ontwikkelaars zich in enige vorm naar zwermen beweegt. De aankondiging citeert ook Enkrypt‑onderzoek dat kwetsbaarheden vond in 73 % van de 25.264 MCP‑servers die gedurende vier maanden werden gescand. Dit zijn door de leverancier gerapporteerde bevindingen over de ondervraagde personen en systemen, geen meting van elke enterprise‑agent‑implementatie.

Waarom de productie‑omgeving in het verhaal thuishoort

Anaconda’s AI Orchestration-platform, voorheen Outerbounds, behandelt wat er gebeurt na de ontwikkeling. De website beschrijft reproduceerbare workflow‑runs, artifact‑tracking en lineage, met rekenkracht beschikbaar over meerdere clouds en governance toegepast op pakketten en modellen.

Dat biedt een manier om een output te koppelen aan de omgeving en afhankelijkheden die het hebben geproduceerd. Wanneer een workflow verandert, moeten teams weten welk model, pakket of beleid daarmee is veranderd. Reproduceerbaarheid maakt onderzoek en vergelijking praktischer.

De lancering in oktober voegt native toegang toe tot beheerde artefacten binnen orchestratie‑workflows. De bredere release‑pagina beschrijft ook Fast Bakery, dat container‑images bouwt vanuit conda‑ en PyPI‑afhankelijkheden, inclusief native bibliotheken, en een uitgebreidere catalogus van meer dan 19.000 samengestelde pakketten en 77 getoetste open‑source‑modellen.

De uitbreiding geeft Anaconda een bredere rol dan alleen het leveren van Python‑componenten. Het aanbod omvat nu agent‑ondersteunde ontwikkeling, adversariële evaluatie, runtime‑controles en herhaalbare levering. De doorslaggevende test zal zijn of die onderdelen teams een betrouwbaar overzicht bieden van wat agents hebben gebouwd, wat er is getest en wat ze mochten doen toen de software in werking trad.