DeepKeep voegt runtime-beveiligingsrails toe voor AI-coderingsagents met AI Lens voor ontwikkelaars

DeepKeep heeft AI Lens voor Ontwikkelaars geïntroduceerd, een beveiligingslaag die is ontworpen om CISOs zichtbaarheid en beleidscontrole te geven over AI-coderingsagents die op ontwikkelaarsmachines opereren. Het product breidt de bestaande AI-gebruikcontrole- en runtime-beschermingsmogelijkheden van DeepKeep uit naar tools zoals Cursor en Claude Code, met ondersteuning voor GitHub Copilot, OpenAI Codex, Lovable, Windsurf en extra coderingsagents die gepland zijn.

De lancering richt zich op een beveiligingsprobleem dat is ontstaan door de groeiende autonomie van ontwikkeltools. Moderne coderingsagents kunnen lokale bestanden inspecteren en wijzigen, shell-commando’s uitvoeren en externe services aanroepen via het Model Context Protocol (MCP). Die permissies maken de tools nuttig, maar ze stellen een agent ook in staat om inloggegevens bloot te stellen, gevoelige code te wijzigen of te communiceren met systemen buiten de controles die beveiligingsteams traditioneel toepassen op cloudapplicaties.

Het resultaat is een groeiende zichtbaarheidsgat. Een bedrijf kan een coderingsassistent goedkeuren als product terwijl er weinig bewijs is van wat een individuele agent tijdens een bepaalde sessie heeft gedaan. Zoals Unite.AI onlangs onderzocht, beveiligingsteams moeten steeds vaker agent-toolaanroepen, commando-uitvoeringen en systeemveranderende gebeurtenissen traceren, en niet alleen een lijst van goedgekeurde AI-diensten bijhouden.

Inspectie van agentacties vóór en na uitvoering

AI Lens voor Ontwikkelaars is gebouwd als een lichtgewicht plug‑in in plaats van een volledige endpoint‑agent. DeepKeep zegt dat het zich koppelt aan de coderings‑agent workflow om prompts, bestandslezingen, shell‑commando’s en MCP‑toolaanroepen vóór en na uitvoering te inspecteren. Elke activiteit kan via het beleidsysteem van het bedrijf worden geleid voor een toestaan‑, blokkeren‑ of auditbeslissing.

Het onderscheid tussen monitoring vóór uitvoering en monitoring na uitvoering is belangrijk. Een auditlog kan verklaren waarom een incident heeft plaatsgevonden, maar het kan geen destructief commando voorkomen of voorkomen dat een geheim de omgeving van een ontwikkelaar verlaat. DeepKeep positioneert AI Lens zowel als een preventieve controle als een bron van bewijs voor incidentrespons en naleving.

Het product kan inloggegevens, toegangstokens en wachtwoorden die in prompts of bijgevoegde bestanden staan markeren. Het onderzoekt ook door de agent gegenereerde code op onveilige patronen, zoals functies die authenticatie weglaten. Commando’s die als destructief worden beoordeeld, kunnen worden vastgehouden voor menselijke goedkeuring, terwijl beheerders aangepaste sleutelwoordregels kunnen maken om verwijzingen naar gevoelige repositories, code‑secties of interne projecten te identificeren.

DeepKeep zegt dat elke sessie een gedetailleerd auditrecord genereert dat het apparaat‑ID, de promptinhoud en het gebruikers‑ID kan bevatten. Dat biedt beveiligingsteams een manier om de activiteit van een agent te reconstrueren, zelfs als een ontwikkelaar een geblokkeerd verzoek wijzigt en opnieuw probeert.

Centraal beleid voor AI gericht op ontwikkelaars

Beheerders beheren regels via DeepKeep’s Policy Hub. Beleidsregels kunnen worden toegepast per rol of over een hele organisatie en kunnen categorieën omvatten zoals persoonlijk identificeerbare informatie, inloggegevens en destructieve commando’s. De aanpak is bedoeld om bedrijven een consistente beveiligingshouding te laten instellen, terwijl engineering‑teams de agent‑gebaseerde ontwikkelworkflows kunnen blijven gebruiken.

De focus van het product op MCP is bijzonder actueel. Het protocol biedt AI‑applicaties een standaard manier om verbinding te maken met tools en bedrijfsdata, maar elke server en aanroepbare actie kan het aanvalsoppervlak dat een agent kan bereiken vergroten. Unite.AI’s gids voor het Model Context Protocol merkt op dat MCP‑hosts en -servers afzonderlijke beveiligingsgrenzen vormen, inclusief blootstelling aan prompt‑injectie en onbetrouwbare tool‑output. Het monitoren van alleen het model is daarom onvoldoende wanneer het model via andere systemen actie kan ondernemen.

Ofer Rotberg, vice‑president product bij DeepKeep, stelt dat coderingsagents een ongewoon krachtige ontwikkelaarstoegang overnemen terwijl ze met toenemende autonomie handelen. Vanuit zijn perspectief hebben CISOs continue zichtbaarheid nodig in het gedrag van agents en de mogelijkheid om schadelijke acties in realtime te stoppen in plaats van te wachten om het volgende incident te onderzoeken.

Onderdeel van een breder AI-beveiligingsplatform

AI Lens voor Ontwikkelaars maakt deel uit van het bredere AI-beveiligingsplatform van DeepKeep. Het bedrijf biedt ook een AI Firewall, geautomatiseerde en door mensen geleide AI‑red‑teaming, AI‑gebruikcontroles, agent‑scanning en model‑scanning. DeepKeep zegt dat haar controles kunnen worden toegepast over de volledige AI‑levenscyclus, van ontwikkeling en testen tot productiegebruik van applicaties en agents.

Het bedrijf werd opgericht in 2021 en beschrijft haar platform als model‑agnostisch, met ondersteuning voor implementatie in SaaS, private‑cloud, on‑premises en lucht‑gescheiden omgevingen. De bredere boodschap is dat ondernemingen een gemeenschappelijke beleids­taal nodig hebben voor modellen, applicaties, werknemers en autonome agents, in plaats van afzonderlijke controles voor elk AI‑tool.

Voor CISOs vormen ontwikkelaar‑gerichte agents een dringende proef van dat idee. Traditionele applicatiebeveiliging richt zich sterk op de code die in productie komt. Coderingsagents voegen een extra risicolag toe: het proces dat de repository leest, de code genereert en commando’s uitvoert, kan zelf autonoom zijn. Producten zoals AI Lens proberen dat proces waarneembaar en afdwingbaar te maken zonder de snelheidsvoordelen te verliezen die ontwikkelaars ertoe brachten agents te adopteren.