Pluto Security sai do sigilo com US$ 42 milhões em financiamento total para proteger espaços de trabalho de IA

O assistente de IA de um funcionário já pode fazer mais do que responder a perguntas. Ele pode se conectar aos sistemas da empresa, instalar extensões, executar comandos e criar aplicativos. Para as equipes de segurança, o desafio é decidir quais dessas ações devem ser permitidas — e manter a capacidade de intervir quando o contexto mudar.

Pluto Security sai do sigilo com US$ 42 milhões em financiamento total para resolver esse problema. A empresa anunciou uma rodada de financiamento mais recente de aproximadamente US$ 34 milhões, liderada por Jump Capital, após uma rodada seed anterior liderada por TLV Partners. O anúncio não especifica o estágio da rodada mais recente.

Fundada em 2025, a Pluto afirma ter alcançado uma receita recorrente anual de vários milhões de dólares, proteger mais de 1 milhão de endpoints em todo o mundo e atender a mais de 40 clientes corporativos. Entre os clientes citados estão Oscar Health, Workato, Sixt e AlphaSense, além de organizações da Fortune 500. O novo capital financiará o desenvolvimento de produtos, pesquisas em segurança e a expansão nos EUA.

O espaço de trabalho de IA se torna uma fronteira de segurança

A Pluto descreve sua categoria como segurança para espaços de trabalho de IA. Seu escopo abrange as ferramentas de IA usadas pelos funcionários, os componentes conectados a essas ferramentas e os aplicativos, agentes e automações criados pelos funcionários.

Esse escopo reflete uma mudança na forma como o software entra em uma organização. Um funcionário pode montar um fluxo de trabalho com um assistente de IA, uma habilidade da comunidade e um conector para dados corporativos sem passar por um projeto de desenvolvimento convencional. Cada adição pode alterar o que o assistente consegue acessar ou executar.

O Model Context Protocol, ou MCP, é um exemplo. Ele oferece uma forma de conectar aplicativos de IA a ferramentas e fontes de dados. A questão de segurança vai além de saber se o próprio aplicativo de IA foi aprovado: as equipes também precisam entender as permissões e o comportamento dos servidores e das integrações que ele usa.

Isso faz parte do desafio mais amplo de governança de agentes de IA relacionado à cadeia de suprimentos de software. Avaliar um modelo ou assistente isoladamente deixa de fora dependências que podem influenciar seu comportamento ou ampliar seu alcance.

Descoberta, avaliação de riscos e controle em tempo de execução

A Pluto afirma que sua plataforma combina visibilidade dos endpoints, análise contextual de riscos e aplicação de políticas em tempo real. O objetivo é fornecer às equipes de segurança informações suficientes para restringir uma ação perigosa sem proibir automaticamente toda a ferramenta que a executa.

O site da empresa divide a plataforma em quatro funções: Explorer identifica atividades de IA; Risk Radar avalia o que foi identificado usando seu banco de dados de riscos; Space Shield aplica políticas de segurança; e Marketspace oferece uma seleção organizada de complementos de IA. A empresa afirma que a cobertura abrange ferramentas, componentes da cadeia de suprimentos, comportamento em tempo de execução e artefatos gerados por IA.

Entre os exemplos apresentados no site estão exigir aprovação antes que um agente acesse uma API de pagamentos, restringir o acesso a dados confidenciais e permitir servidores MCP confiáveis enquanto outros são colocados em quarentena. Essas são descrições do comportamento pretendido do produto, não garantias verificadas de forma independente.

A distinção entre descoberta e aplicação de políticas é importante. Um inventário pode informar à equipe de segurança que existe um conector. Para exercer um controle eficaz, também é preciso saber a que ele pode ter acesso e conseguir limitar a ação pertinente. Mesmo uma ferramenta permitida pode encontrar uma extensão insegura, uma credencial com privilégios excessivos ou uma tarefa que ultrapasse a autoridade do usuário.

Considere um assistente a quem foi pedido que resumisse o registro de um cliente. Ler um registro permitido e exportar todo um banco de dados de clientes são ações diferentes, mesmo que ambas partam do mesmo aplicativo aprovado. As políticas contextuais pretendem distinguir essas situações. Seu valor prático depende da precisão das observações e da confiabilidade da aplicação das políticas.

Plutonium analisa os componentes ao redor do agente

Uma parte central da abordagem da Pluto é o Plutonium, um catálogo gratuito de segurança da cadeia de suprimentos de IA que, segundo o anúncio, é alimentado pelo RisksDB proprietário da empresa. Ele ajuda profissionais a avaliar componentes como habilidades, extensões e servidores MCP antes de adotá-los.

O hub público descreve um mecanismo de avaliação de riscos para agentes que combina informações sobre os editores, mapeamento de compatibilidade, análise do código-fonte e varredura de código. Suas categorias de avaliação incluem execução de comandos, tokens de acesso persistentes, compartilhamento de dados com terceiros, modificação e exclusão de dados. O hub também oferece um MCP Inspector e orientações para o uso seguro.

Essas categorias transformam uma pergunta ampla — se um complemento é seguro — em perguntas mais concretas sobre capacidades e acesso. Um conector que pode ler um documento representa uma exposição diferente da de outro que pode modificar registros ou executar comandos. A mesma capacidade também pode ser apropriada para um fluxo de trabalho empresarial e excessiva para outro.

A avaliação de um catálogo e a proteção em tempo de execução tratam de partes diferentes do problema. A inspeção pode embasar decisões de adoção; os controles contínuos precisam levar em conta como um componente é realmente usado. Nenhum dos dois deve ser considerado prova de que todas as ações futuras serão inofensivas.

Tração comercial inicial, com resultados ainda a serem mensurados

Os números de clientes e receita divulgados pela Pluto sugerem uma demanda inicial por essa categoria. A empresa afirma ter impulsionado a adoção por meio de pesquisas de segurança, recursos gratuitos e participação de profissionais da área, com milhares de especialistas usando e contribuindo para o Plutonium.

Esses números de adoção foram divulgados pela própria empresa. O comunicado não apresenta medições independentes da cobertura de detecção, dos falsos positivos, da latência de aplicação das regras nem da prevenção de ataques. Proteger mais de 1 milhão de endpoints descreve a escala de implantação divulgada; isso não demonstra que todos os possíveis fluxos de trabalho de IA nesses dispositivos estejam cobertos.

Para os compradores corporativos, as questões operacionais são específicas: quais ferramentas e caminhos de execução são visíveis, quais ações podem ser bloqueadas, como as exceções são aprovadas e quais evidências são mantidas quando uma política é aplicada. Um sistema que interrompe atividades arriscadas, mas atrapalha rotineiramente o trabalho legítimo, cria um problema diferente para a empresa.

Uma equipe de segurança que se orienta pela intenção dos usuários

O CEO e cofundador Shahar Bahat fundou a Pluto com Tal Ofer Regev e Gil Maman. Bahat ocupou anteriormente cargos de liderança em cibersegurança na Microsoft e na Palo Alto Networks. Regev foi vice-presidente de P&D na Palo Alto Networks, enquanto Maman passou mais de seis anos na Inteligência Militar Israelense, em funções técnicas de liderança. A Pluto afirma que agora emprega mais de 50 pessoas nos Estados Unidos e em Israel.

Bahat descreve a abordagem da empresa como centrada em entender o que os usuários estão tentando realizar e fornecer às equipes de segurança o contexto necessário para viabilizar esse trabalho com segurança. O desafio do produto é traduzir essa filosofia em controles precisos e confiáveis à medida que os funcionários adotam novas ferramentas e montam novos fluxos de trabalho.

O anúncio do financiamento insere a Pluto em uma disputa crescente para proteger o uso da IA quando ela opera em sistemas corporativos. Seu próximo desafio é demonstrar que a descoberta, a avaliação de componentes e a aplicação de controles em tempo de execução podem funcionar em conjunto na escala já representada por sua base inicial de clientes.