XBOW samler inn 120 millioner dollar i serie C for å bringe autonom hacking til bedriftssikkerhet

Cybersikkerhetsstartup XBOW har samlet inn 120 millioner dollar i serie C-finansiering, og nådde en verdi på over 1 milliard dollar mens de driver fremover en ny kategori de kaller “autonom offensiv sikkerhet”. Runden ble ledet av DFJ Growth og Northzone, med deltakelse fra Sofina, Alkeon Capital, Altimeter, NFDG Ventures og Sequoia Capital.

Økningen reflekterer en bredere skift i cybersikkerhet: mens AI muliggjør at angripere kan skalerer sine bestrebelser, vender forsvarerne seg stadig mer mot AI-drevne systemer som kan operere kontinuerlig i stedet for å stole på periodiske, menneskeledede tester.

Fra manuell pentesting til autonom sikkerhet

Tradisjonell penetreringstesting – hvor menneskelige eksperter tester systemer for sårbarheter – har lenge vært en hjørnesten i bedriftssikkerhet. Men denne modellen sliter med å holde tritt med moderne utviklingscykler og AI-drevne trusler.

XBOWs tilnærming erstatter enkelttesting med kontinuerlig, automatisert offensiv sikkerhet. Deres plattform fungerer som en autonom “hacker”, som konstant tester applikasjoner, identifiserer svakheter og validerer om disse svakhetene kan utnyttes.

Dette skiftet er betydelig. I stedet for statiske vurderinger som gjennomføres noen ganger om året, kan organisasjoner nå kjøre kontinuerlig testing som speiler hvordan virkelige angripere oppfører seg – persistent, adaptiv og alltid på.

Hvordan XBOWs autonome hacker fungerer

I kjernen av XBOWs plattform ligger et system av koordinerte AI-agenter designet for å oppføre seg som virkelige motstandere.

Systemet kombinerer flere nøkkelkomponenter:

• Autonome agenter som uavhengig utforsker applikasjoner og forsøker å angripe i parallell
• En sentral koordinator som kartlegger angrepsflaten og velger strategi
• Et angrepsmiljø med virkelige verktøy, inkludert nettlesere og utnyttelsesrammer
• Valideringslag som bekrefter om en sårbarhet er virkelig utnyttbar før den rapporteres

Dette arkitekturen tillater XBOW å kjøre tusenvis av samtidige angrepsveier, som tilpasser seg i sanntid basert på hvordan en applikasjon reagerer.

Det er kritisk at plattformen skiller discovery fra verifisering. AI håndterer den kreative utforskingen av potensielle angrepsveier, mens deterministisk logikk sikrer at bare beviste, reproduserbare utnyttelser blir fremhevet – og reduserer de falske positivene som ofte plager tradisjonelle sikkerhetsverktøy.

Resultatet er et system som ikke bare flagger teoretiske risiko, men gir konkrete bevis for virkelige sårbarheter.

Bygget på AI-resonnering, ikke bare automatisering

XBOWs teknologi går utenfor konvensjonelle skanningsverktøy ved å inkorporere AI-resonnering i offensiv sikkerhetsarbeidsflyter.

I stedet for å følge forhåndsdefinerte sjekklister, planlegger og utfører systemet angrep dynamisk, og justerer sin strategi når det avdekker ny informasjon. Dette muliggjør det å identifisere komplekse, flertrinns sårbarheter som statiske verktøy ofte missar.

Plattformen har allerede blitt validert i virkelige miljøer, inkludert produksjonssystemer og konkurranse-sikkerhetstestmiljøer, hvor den har demonstrert evnen til å avdekke utnyttbare sårbarheter i stor skala.

Denne kombinasjonen av resonnering, automatisering og validering posisjonerer XBOW som et system som approksimerer hvordan angripere tenker og opererer, i stedet for bare å skanne etter kjente problemer.

Hva autonom offensiv sikkerhet betyr for fremtiden

Oppkomsten av autonom offensiv sikkerhet signaliserer en dypere strukturell skift i hvordan programvare bygges og forsvares.

Hvis systemer som XBOW fortsetter å modnes, kan sikkerhetstesting bli integrert direkte i programvareutviklingslivssyklusen. I stedet for å vente på planlagte auditor, kan applikasjoner bli kontinuerlig stress-testet i parallell med hver kodeendring, og skape en tilbakemeldingsløkke hvor sårbarheter blir identifisert og adressert nesten umiddelbart.

Dette introduserer også muligheten for “alltid-på-angripere” innen bedriftsmiljøer – kontrollerte systemer som oppfører seg som angripere, men opererer trygt innen definerte grenser. Over tid kan dette redusere avhengigheten av eksterne pentest-sykluser og omforme compliance-rammer som ble bygget rundt periodiske vurderinger.

På samme tid kan den bredere adopsjonen av autonome offensivverktøy føre til nye utfordringer. Organisasjoner må sikre at disse systemene blir deployet trygt, unngå uventede avbrudd i produksjonsmiljøer og etablere tydelig styring over hvordan autonome agenter opererer. Det er også det bredere spørsmålet om hvordan defensive og offensivt AI-systemer vil samhandle når begge sider blir stadig mer automatisert.

Mer bredt sett reflekterer oppkomsten av denne kategorien en våpenkappløp som blir mindre menneske-drevet og mer system-drevet. Mens angripere adopterer AI for å skalerer sine evner, responderer forsvarerne med systemer designet for å matche den skalaen. Den langtidsutfallet kan ikke bli definert av hvem som har flest sikkerhetsanalytikere, men av hvem bygger de mest effektive autonome systemene.