Artemis lanserer Orion-1, en cybersikkerhetsmodell bygget for å rekonstruere angrep

Et mistenkelig innlogging kan være starten på et innbrudd—eller en ansatt som arbeider fra en ukjent lokasjon. Det vanskelige er å fastslå hva som skjedde videre, hvilke systemer som var involvert, og om bevisene rettferdiggjør å avbryte noens tilgang. Artemis Security satser på at en modell som er trent spesielt for defensive operasjoner kan ta disse beslutningene mer effektivt.

Selskapet har kunngjort Orion-1, en proprietær grunnlagsmodell for cybersikkerhet som undersøker trusler på tvers av bedriftsystemer og gir en dom med angitt sikkerhet. Den kan anbefale et svar eller utføre ett innenfor kundedefinerte autonomigrenser. Orion-1 er tilgjengelig via Artemis-plattformen i privat forhåndsvisning for utvalgte kunder; dette er ikke en generell offentlig lansering.

Kunngjøringen reiser et praktisk spørsmål for sikkerhetsteam: kan spesialisert AI knytte sammen spredt bevis til en forsvarlig hendelsesfortelling, samtidig som myndigheten til å handle holdes under kontroll?

Fra et signal til en forsvarlig redegjørelse for et angrep

Artemis beskriver Orion-1 som å arbeide gjennom en trussel fra det første signalet, følge etterforskningen på tvers av berørte systemer, nå en konklusjon, og foreslå eller gjennomføre et svar. Skillet er viktig fordi å gjenkjenne en mistenkelig hendelse og å forstå en hendelse er forskjellige oppgaver.

Vurder en hypotetisk sekvens som involverer en uvanlig innlogging via identitetsleverandør, en endring av skyrettigheter og en ny e-postboksregel. Hver hendelse kan ha en uskyldig forklaring. Sammen kan de indikere en kompromittert konto som beveger seg mellom tjenester. En dyktig forsvarer må fastslå om samme aktør knytter disse hendelsene, etablere deres rekkefølge, og teste alternative forklaringer. En flytende oppsummering alene kan ikke besvare disse spørsmålene.

Artemis’ tekniske introduksjon til Orion-1 beskriver etter‑trening for defensive oppgaver, basert på millioner av operasjoner som etterforskninger, trusseljakter, deteksjonsutvikling og utbedring. Selskapet sier at kundedata ikke ble brukt i den treningen. Den beskriver også en modell som kan endre etterforskningsretning når en innledende tilnærming mislykkes.

Disse opplysningene bidrar til å forklare den tiltenkte spesialiseringen, men de fastslår ikke den underliggende modellarkitekturen, antall parametere eller grunnmodellens opphav. Merkingen som grunnlagsmodell bør derfor leses i sammenheng med den mer konkrete beskrivelsen av defensiv etter‑trening, i stedet for å bli betraktet som bevis på at Artemis har trent en helt ny generell modell fra bunnen av.

Benchmark‑ledelsen – og hva den faktisk måler

Artemis sier at de sammenlignet Orion-1 med Claude Opus 5.5, GPT-6 Sol, Grok 4.7 og Kimi K3 på fem defensive oppgaver: deteksjon, etterforskning, angrepsrekonstruksjon, trusseljakt og aktivitetskorrelasjon. Ifølge selskapet presterte Orion-1 på frontlinjen på disse oppgavene.

Det mest fremtredende resultatet gjelder angrepsrekonstruksjon: å plassere en angripers handlinger i den rekkefølgen de skjedde.

Forskjellen er 22,5 poeng. Dette er leverandørrapporterte benchmark‑poeng, ikke en uavhengig fastsatt prosentandel av stoppede angrep i virkeligheten. Resultatet viser heller ikke overlegenhet på tvers av alle cybersikkerhetsbrukstilfeller.

Artemis kaller sin evaluering Decision-Grade Readiness, eller DGR. Den beskriver tusenvis av oppgaver med sannhetsdata, sammenlignbare start‑signal og miljøkontekst, samt de samme avgrensede kildene og tillatte handlinger for modellene som sammenlignes. Evalueringen inkluderer godartede scenarier som ligner angrep og vurderer bevis som støtter en beslutning.

Dette designet tar tak i et viktig problem: et system som merker alt som ondsinnet kan virke årvåkent samtidig som det skaper en ubrukelig kø. Å korrekt gjenkjenne et godartet tilfelle er en del av defensiv kompetanse. På samme måte kan kronologi avdekke om en foreslått forklaring faktisk passer til de tilgjengelige opplysningene.

Det gjenværende spørsmålet er hvor godt benchmarken overføres til en bestemt organisasjon. Offentlig lanseringsmateriell gir ikke nok detaljer til å uavhengig gjenskape hovedsammenligningen. Kjøpere ville ha nytte av innsikt i oppgave‑sammensetning, poengsettingsregler, variasjon ved gjentatte kjøringer, modellkonfigurasjoner og ytelse i ukjente miljøer. En samlet poengsum kan ikke avsløre om de vanskeligste feilene involverer savnede inntrengninger, unødvendig innkapsling eller ufullstendige bevis.

Hvorfor den omkringliggende plattformen er viktig

Orion-1 opererer innenfor en større sikkerhetsplattform. Denne konteksten er sentral for å forstå kunngjøringen: modellens resonnering avhenger av informasjonen og verktøyene som leveres til den.

Artemis sin Miljøintelligens-funksjon kartlegger brukere, kontoer, enheter, ressurser og AI‑agenter, samt deres relasjoner og organisatoriske roller. Selskapet sier at den bygger denne konteksten fra kilder som identitetsleverandører, HR‑systemer, eiendomsregistre, tjeneste‑administrasjonssystemer og interne kunnskapsbaser. Kundene kan korrigere organisasjonskonteksten og gjennomgå saksdommer.

I praktiske termer er dette et forsøk på å gi en etterforsker en referanse for forventet atferd. En privilegert handling utført av en administrator i løpet av et godkjent endringsvindu kan bety noe annet enn samme handling utført av en inaktiv konto. Det relevante spørsmålet blir om aktiviteten passer inn i organisasjonens roller og relasjoner.

Dette skaper både en avhengighet og en fordel. Hvis en eiendomsinventar er foreldet eller en relasjon er feilrepresentert, kan modellen resonere fra et feilaktig premiss. Å holde miljømodellen nøyaktig er derfor en del av driften av systemet, ikke bare en innføringsøvelse.

Selskapets etterforskningsdokumentasjon beskriver hendelsestilfeller med aktivitetslinjer og bevarte registre over spørringer, spørsmål, konklusjoner og støttende telemetri. Den beskriver også korrigeringer av analytikerdommer som mates inn i senere etterforskninger, med integrasjoner til verktøy som Jira og ServiceNow.

For en analytiker ville den meningsfulle forbedringen være å motta en sammenhengende, inspiserbar sak i stedet for å manuelt sette sammen fragmenter på tvers av konsoller. For en reviewer er nøkkelen å kunne spore en konklusjon tilbake til bevisene og se hvor en slutning starter. Bevisreferanser gjør en etterforskning lettere å revidere; de gjør ikke automatisk hver tolkning korrekt.

Autonomi er en tillatelsesbeslutning

Artemis skiller etterforskningskapasitet fra tillatelse til å handle. Lanseringsmaterialet beskriver kundesatt autonomi, med menneskelig godkjenning som standard for handlinger med høy påvirkning.

Plattformens responskapasiteter inkluderer handlinger som å tilbakekalle en økt, isolere en vert, deaktivere en e‑postregel eller blokkere et domene. Artemis beskriver påvirkningsforhåndsvisninger, støttende bevis, revisjonslogger og autonomiinnstillinger som kan variere etter handling og tilkobling.

Denne granulariteten er mer nyttig enn en enkelt autonom på/av‑bryter. Et sikkerhetsteam kan tillate en smal, reversibel handling under definerte betingelser, mens forretningskritiske inngrep holdes tilbake for godkjenning. Den passende grensen avhenger av det berørte systemet, kostnaden ved en falsk positiv, og evnen til å gjenopprette.

Angitt konfidens krever også tolkning. En konfidensverdi er kun nyttig dersom den pålitelig samsvarer med observert korrekthet på tvers av relevante tilfeller. Team bør vurdere om konfidensen forblir nyttig når telemetri mangler eller er motstridende, og om systemet erkjenner at det mangler tilstrekkelige bevis til å ta en beslutning.

Selv en teknisk reversibel handling kan ha konsekvenser som i praksis ikke er reverserbare: gjenoppretting av tilgang gjenoppretter ikke tiden som gikk tapt under et avbrudd. Evaluering av responskvalitet krever derfor oppmerksomhet på operasjonell påvirkning i tillegg til hastighet.

Hva den private forhåndsvisningen må fastslå

Orion‑1s sterkeste påstand er en kortere vei fra spredte signaler til en bevisbasert beslutning. Dens rekonstruksjonspoeng er en lovende, av selskapet rapportert indikasjon på spesialisering, og integrasjonen med miljøkontekst og handlingskontroller gjør lanseringen mer betydningsfull enn en frittstående sikkerhets‑chatbot.

Forhåndsvisningen må fastslå om disse fordelene holder på kundespesifikke hendelser og godartet aktivitet. Nyttige målinger inkluderer oversette trusler, falske eskaleringer, analytikertid for gjennomgang, bevisfullstendighet og konsekvensene av foreslått innkapsling. Raskere etterforskninger er viktigst når team kan verifisere sine konklusjoner uten å måtte bygge dem opp på nytt.

Foreløpig representerer Orion‑1 et målrettet forsøk på å trene AI for det faktiske arbeidet med forsvar: å forstå en sekvens, teste en forklaring og velge neste passende steg. Dens betydning vil avhenge av hvor konsistent dette arbeidet holder under gransking i levende miljøer – ikke bare hvor en poengsum ligger på en lanseringsgraf.