Swimlane voegt aangepaste AI-dreigingsdetecties en tweerichtingsondersteuning voor MCP toe aan Turbine

Een AI-beveiligingsanalist kan een waarschuwing snel onderzoeken, maar geen waarschuwing die nooit is gegenereerd. Swimlane wil die lacune dichten met nieuwe, door klanten gedefinieerde detectiemogelijkheden in het Turbine-platform. Beveiligingsteams kunnen daarmee hun eigen logica toepassen op operationele gegevens en de daaruit voortkomende waarschuwingen rechtstreeks naar Swimlane AI SOC sturen.

De release van 28 oktober introduceert ook tweerichtingsondersteuning voor Model Context Protocol (MCP) en een Hero AI Application Builder Agent. Samen breiden deze toevoegingen het automatiseringsplatform van het bedrijf uit naar drie onderling verbonden taken: bepalen welke activiteit onderzoek verdient, agents met tools verbinden en de applicaties bouwen die een beveiligingsworkflow ondersteunen.

Volgens Swimlane zijn de mogelijkheden algemeen beschikbaar. De aankondiging presenteert ze als uitbreidingen van bestaande beveiligingsinfrastructuur, waaronder oplossingen voor beveiligingsinformatie- en gebeurtenisbeheer (SIEM), detectie en respons op endpoints (EDR) en cloudbeveiliging.

Beveiligingsteams zelf laten bepalen wat een waarschuwing oplevert

Veel AI-SOC-producten richten zich op triage, onderzoek en respons nadat een detectiesysteem verdacht gedrag heeft vastgesteld. Die taakverdeling wordt lastiger wanneer organisaties sneller nieuwe agents, copilots, lokale modellen en MCP-servers inzetten dan bestaande detectieproducten daarop kunnen inspelen.

Een bedrijf moet mogelijk onderzoeken of gevoelige informatie is ingevoerd in een niet-goedgekeurde AI-dienst, of een lokaal model onverwacht wordt gebruikt, een beveiligingsmaatregel is uitgeschakeld of een agent veel meer middelen verbruikt dan het daarvoor bedoelde budget. Sommige van die situaties zijn specifiek voor het beleid en de omgeving van de organisatie, en komen dus niet overeen met een universele signatuur die een leverancier vooraf kan definiëren.

Met de nieuwe mogelijkheden van Turbine kunnen teams hun eigen detectielogica toepassen op gegevens die voor het platform beschikbaar zijn. Swimlane zegt dat één big-data-actie tienduizenden records kan beoordelen op parallelle rekenknooppunten en vervolgens een waarschuwing kan doorsturen naar AI SOC voor onderzoek en een gecontroleerde respons.

Dankzij deze architectuur sluit de detectielogica beter aan op de automatisering die op de resultaten ervan reageert. In plaats van een situatie afzonderlijk vast te stellen en de vervolgstappen handmatig samen te stellen, kan een team zijn organisatiespecifieke regel koppelen aan een bestaande onderzoeksworkflow. De bruikbaarheid van een detectie hangt nog steeds af van de vraag of de relevante activiteit voorkomt in de gegevens waartoe Turbine toegang heeft.

‘De beveiligingssector heeft de afgelopen twee jaar gediscussieerd over de mate waarin AI zelfstandig een waarschuwing kan afhandelen, maar daarmee slaan we een fundamentelere vraag over: waar kwam die waarschuwing vandaan?’ zei Cody Cornell, medeoprichter en CEO van Swimlane.

De release beschrijft ook AI-ondersteunde ontwikkeling van detecties. Teams kunnen aangeven welke detectie ze willen en de playbookgeneratiemogelijkheden van Turbine gebruiken om die op te bouwen. Die logica genereren en vaststellen dat ze het beoogde gedrag betrouwbaar herkent, zijn afzonderlijke taken: organisatiespecifieke regels moeten aansluiten op de gegevens, machtigingen en omstandigheden van de omgeving waarin ze worden uitgevoerd.

AI-systemen onderzoeken als mogelijke bron van incidenten

Swimlane omschrijft deze scenario’s als AI-detectie en -respons, of AIDR: het AI-systeem zelf wordt het onderwerp van het incident. Dat is iets anders dan een AI-model gebruiken om een traditionele phishing- of endpointwaarschuwing samen te vatten.

Promptinjectie maakt het verschil duidelijk. Een agent kan instructies tegenkomen die zijn ingesloten in inhoud die hij verwerkt, waardoor het risico ontstaat dat materiaal van buitenaf zijn gedrag beïnvloedt. Voor een nuttig onderzoek kan het nodig zijn de invoer van de agent, zijn toolactiviteit en de daaruit voortkomende acties te bekijken, in plaats van alleen te zoeken naar een bekende malware-indicator.

Zo kan een onverwachte stijging van de uitgaven wijzen op een defecte of verkeerd aangestuurde agent, zonder op een traditionele inbraak te lijken. Met zelfgedefinieerde logica kunnen teams vastleggen wat binnen hun eigen implementatie als afwijkend geldt, mits de benodigde gebruiks- en operationele signalen beschikbaar zijn.

De aangekondigde verwerkingscapaciteit is een bedrijfsspecificatie, geen gepubliceerde benchmark voor het detecteren van alle vormen van promptinjectie of ongeoorloofd AI-gebruik. De praktische verandering is dat teams er een manier bij krijgen om hun eigen waarnemingen om te zetten in concrete zaken, naast waarschuwingen van bestaande beveiligingsproducten.

MCP verbindt agents en automatisering in beide richtingen

MCP biedt een gemeenschappelijke interface waarmee AI-applicaties tools kunnen gebruiken. De release van Swimlane in oktober ondersteunt beide kanten van die verbinding.

Als MCP-host kan Turbine Hero AI verbinden met MCP-servers van derden en hun tools gebruiken tijdens onderzoeken en in playbooks, met gecentraliseerd identiteitsbeheer en toegangsbeheer. Een beveiligingsworkflow kan daardoor naast de API-integraties die al in gebruik zijn ook een externe MCP-compatibele functie aanroepen.

Als MCP-server stelt Turbine gecontroleerde automatisering beschikbaar aan externe AI-clients. In de aankondiging worden Claude, ChatGPT, Cursor, Gemini CLI en Microsoft Copilot genoemd als voorbeelden van clients die Turbine-componenten, waaronder playbooks met meerdere stappen, kunnen aanroepen binnen bestaande rolgebaseerde toegangscontroles.

Dit onderscheid heeft belangrijke gevolgen. In de eerste richting neemt de agent van Swimlane contact op met een ander systeem. In de tweede kan een externe assistent een goedgekeurde Turbine-workflow starten. Door een assistent te verbinden met een bestaand draaiboek kan een organisatie haar bestaande automatisering en machtigingen hergebruiken, in plaats van het operationele proces in elke AI-client opnieuw op te bouwen.

Volgens Swimlane kan Turbine MCP-tools combineren met conventionele API’s. Daardoor is deze release relevant voor omgevingen waarin slechts een deel van de systemen MCP ondersteunt: teams kunnen het protocol in een bredere workflow opnemen zonder dat alle bestaande integraties in één keer moeten worden aangepast.

Beveiligingstoepassingen bouwen met menselijke controle

De Hero AI Application Builder Agent pakt een andere bron van werk aan: het configureren van de recordstructuren, lay-outs en workflows die nodig zijn voor een nieuwe beveiligingstoepassing. Gebruikers beschrijven in natuurlijke taal wat ze nodig hebben, waarna de agent de bijbehorende toepassing maakt of aanpast.

Volgens de aankondiging worden gegenereerde wijzigingen pas opgeslagen nadat iemand ze heeft beoordeeld. Wijzigingen worden gemarkeerd en gebruikers kunnen ze accepteren of afwijzen voordat ze definitief worden opgeslagen. Dat goedkeuringsmoment is belangrijk, omdat de structuur van een toepassing van invloed kan zijn op de manier waarop analisten bewijs vastleggen, zaken naar een volgende fase verplaatsen en een reactie uitvoeren.

De nieuwe agent bouwt voort op het bredere Hero AI-portfolio. In het productmateriaal van Swimlane worden bestaande agents beschreven voor gegevensinname, het genereren van draaiboeken, visualisaties en onderzoek, evenals de mogelijkheid om voor afzonderlijke agents modellen te selecteren. Met het bouwen van toepassingen wordt die ondersteuning uitgebreid naar de operationele werkruimte rond deze taken.

AI-redenering combineren met voorspelbare automatisering

Deze toevoegingen maken deel uit van het routeringsmodel van Swimlane AI SOC, dat werk op basis van de vereiste redeneercapaciteit verdeelt over deterministische automatisering, AI-ondersteund onderzoek en volledig agentgestuurd onderzoek. Bestaande draaiboeken kunnen vertrouwde stappen afhandelen, terwijl complexere zaken kunnen steunen op agentgestuurd onderzoek en menselijke controle.

Dit is een belangrijk onderdeel van het productontwerp: een workflow hoeft niet elke taak door een model te laten uitvoeren. Een bekende responsprocedure kan gewone automatisering blijven, terwijl een agent helpt onbekend bewijsmateriaal te interpreteren of een onderzoeksplan op te stellen.

Detecties die klanten zelf definiëren, voegen een eerdere beslissingsstap toe aan dit operationele model: wat moet het proces in eerste instantie in gang zetten? Voor beveiligingsteams die AI in hun hele organisatie invoeren, biedt de release van oktober een manier om hun eigen kennis van aanvaardbaar gedrag te verbinden met de tools die activiteiten onderzoeken en erop reageren wanneer die buiten de norm vallen.