Artemis presenterar Orion-1, en cyberförsvarsmodell byggd för att rekonstruera attacker

En misstänkt inloggning kan vara början på ett intrång—eller en anställd som arbetar från en okänd plats. Det svåra är att fastställa vad som hände härnäst, vilka system som var inblandade, och om bevisen motiverar att avbryta någons åtkomst. Artemis Security satsar på att en modell som tränats specifikt för defensiva operationer kan fatta dessa beslut mer effektivt.

Företaget har annonserade Orion-1, en proprietär grundmodell för cybersäkerhet som undersöker hot över företagsystem och producerar ett utlåtande med angivet förtroende. Den kan rekommendera ett svar eller utföra ett inom kunddefinierade autonomigränser. Orion-1 är tillgänglig via Artemis-plattformen i privat förhandsgranskning för utvalda kunder; detta är inte en allmän offentlig lansering.

Tillkännagivandet väcker en praktisk fråga för säkerhetsteam: kan specialiserad AI koppla ihop spridda bevis till en försvarbar incidentberättelse, samtidigt som befogenheten att agera hålls under kontroll?

Från en signal till ett försvarbart konto av en attack

Artemis beskriver Orion-1 som att den arbetar sig igenom ett hot från dess första signal, följer undersökningen över drabbade system, når en slutsats och föreslår eller genomför ett svar. Distinktionen är viktig eftersom att känna igen ett misstänkt händelse och att förstå en incident är olika uppgifter.

Tänk dig en hypotetisk sekvens som involverar en ovanlig inloggning via identitetsleverantör, en förändring av molnbehörighet och en ny postlådesregel. Varje händelse kan ha en oskyldig förklaring. Tillsammans kan de indikera ett komprometterat konto som rör sig mellan tjänster. En användbar försvarare måste avgöra om samma aktör kopplar ihop dessa händelser, fastställa deras ordning och testa alternativa förklaringar. En flytande sammanfattning räcker inte för att besvara dessa frågor.

Artemis technical introduction to Orion-1 beskriver efterträning för defensiva uppgifter, informerad av miljontals operationer såsom undersökningar, hotjakter, detectionsutveckling och återställning. Företaget säger att kunddata inte användes i den träningen. Den beskriver också en modell som kan ändra undersökningsriktning när ett initialt tillvägagångssätt misslyckas.

Dessa avslöjanden hjälper till att förklara den avsedda specialiseringen, men de fastställer inte den underliggande modellarkitekturen, antalet parametrar eller grundmodellens härkomst. Grundmodell‑etiketten bör därför läsas tillsammans med den mer konkreta beskrivningen av defensiv efterträning, snarare än att tolkas som bevis för att Artemis tränat en helt ny allmän modell från grunden.

Benchmark‑ledaren – och vad den faktiskt mäter

Artemis säger att de jämförde Orion-1 med Claude Opus 5.5, GPT-6 Sol, Grok 4.7 och Kimi K3 över fem defensiva uppgifter: detektering, undersökning, attackrekonstruktion, hotjakt och aktivitetskorrelation. Enligt företaget presterade Orion-1 i framkant på dessa uppgifter.

Det mest framträdande resultatet gäller attackrekonstruktion: att placera en angripares handlingar i den ordning de inträffade.

Skillnaden är 22.5 score points. Detta är leverantörsrapporterade benchmark‑resultat, inte en oberoende fastställd procentandel av verkliga attacker som stoppats. Resultatet visar inte heller överlägsenhet över alla cybersäkerhetsfall.

Artemis kallar sin utvärdering Decision-Grade Readiness, eller DGR. Den beskriver tusentals uppgifter med ground truth, jämförbara startsignaler och miljökonttext, samt samma avgränsade källor och tillåtna åtgärder för de modeller som jämförs. Utvärderingen inkluderar ofarliga scenarier som liknar attacker och bedömer bevis som stödjer ett beslut.

Den designen adresserar ett viktigt problem: ett system som märker allt som skadligt kan verka vaksamt men skapa en ohanterlig kö. Att korrekt känna igen ett ofarligt fall är en del av defensiv kompetens. På samma sätt kan kronologi avslöja om en föreslagen förklaring faktiskt passar den tillgängliga dokumentationen.

Den återstående frågan är hur väl benchmarken överförs till en specifik organisation. Offentliga lanseringsmaterial ger inte tillräckligt med detaljer för att oberoende reproducera huvudjämförelsen. Köpare skulle ha nytta av insyn i uppgiftskomposition, poängsättningsregler, variabilitet vid upprepade körningar, modellkonfigurationer och prestanda i okända miljöer. Ett aggregerat resultat kan inte avslöja om de svåraste misslyckandena handlar om missade intrång, onödig isolering eller ofullständiga bevis.

Varför den omgivande plattformen är viktig

Orion-1 fungerar inom en större säkerhetsplattform. Den kontexten är central för att förstå tillkännagivandet: modellens resonemang beror på den information och de verktyg som tillhandahålls den.

Artemis’ Miljöintelligens-funktion kartlägger användare, konton, enheter, resurser och AI‑agenter, tillsammans med deras relationer och organisatoriska roller. Företaget säger att det bygger den kontexten från källor som identitetsleverantörer, HR‑system, tillgångsregister, service‑hanteringssystem och interna kunskapsbaser. Kunder kan korrigera organisationskontexten och granska ärendets domar.

I praktiska termer är detta ett försök att ge en utredare en referens för förväntat beteende. En privilegierad åtgärd av en administratör under ett godkänt förändringsfönster kan betyda något annat än samma åtgärd utförd av ett vilande konto. Den relevanta frågan blir om aktiviteten passar organisationens roller och relationer.

Det skapar både ett beroende och en fördel. Om en tillgångsinventering är föråldrad eller en relation felaktigt representeras kan modellen resonera utifrån en felaktig premiss. Att hålla miljömodellen korrekt är därför en del av att driva systemet, inte bara en introduktionsövning.

Företagets utredningsdokumentation beskriver incidentfall med aktivitetslinjer och bevarade register över förfrågningar, frågor, slutsatser och stödjande telemetri. Den beskriver också korrigeringar av analytikerdomar som matas in i senare utredningar, med integrationer till verktyg såsom Jira och ServiceNow.

För en analytiker skulle den meningsfulla förbättringen vara att få ett sammanhängande, granskbart ärende istället för att manuellt sätta ihop fragment över olika konsoler. För en granskare är nyckeln att kunna spåra en slutsats tillbaka till bevisen och se var en inferens börjar. Beviscitat gör en utredning lättare att granska; de garanterar dock inte att varje tolkning är korrekt.

Autonomi är ett behörighetsbeslut

Artemis skiljer på utredningsförmåga och tillstånd att vidta åtgärder. Dess lanseringsmaterial beskriver kundinställd autonomi, där mänskligt godkännande som standard krävs för åtgärder med hög påverkan.

Plattformens responsförmågor inkluderar åtgärder såsom att återkalla en session, isolera en värd, inaktivera en e‑postregel eller blockera en domän. Artemis beskriver förhandsvisningar av påverkan, stödjande bevis, audit‑loggar och autonomiinställningar som kan variera per åtgärd och anslutning.

Denna granularitet är mer användbar än en enda autonom på‑eller‑av‑knapp. Ett säkerhetsteam kan tillåta en smal, reversibel åtgärd under definierade villkor samtidigt som affärskritiska ingrepp reserveras för godkännande. Den lämpliga gränsen beror på det påverkade systemet, kostnaden för ett falskt positivt samt återhämtningsförmågan.

Angiven förtroendegrad kräver också tolkning. Ett förtroendevärde är bara användbart om det på ett tillförlitligt sätt motsvarar observerad korrekthet över relevanta fall. Team bör granska om förtroendet förblir meningsfullt när telemetri saknas eller är motsägelsefull, samt om systemet inser att det saknar tillräckligt med bevis för att fatta ett beslut.

Även en tekniskt reversibel åtgärd kan ha konsekvenser som i praktiken inte går att återställa: att återställa åtkomst återfår inte den tid som förlorats under ett avbrott. Att utvärdera responskvalitet kräver därför hänsyn till operativ påverkan utöver hastigheten.

Vad den privata förhandsgranskningen måste fastställa

Orion-1:s starkaste fördel är en kortare väg från spridda signaler till ett evidensbaserat beslut. Dess rekonstruktionspoäng är en lovande, av företaget rapporterad indikation på specialisering, och dess integration med miljökontakt och åtgärdskontroller gör lanseringen mer betydelsefull än en fristående säkerhets‑chatbot.

Förhandsgranskningen måste fastställa om dessa fördelar gäller för kundspecifika incidenter och ofarlig aktivitet. Användbara mätvärden inkluderar missade hot, falska eskaleringar, analytikertid för granskning, bevisens fullständighet och konsekvenserna av föreslagen isolering. Snabbare utredningar är viktigast när team kan verifiera sina slutsatser utan att behöva återskapa dem.

För närvarande representerar Orion-1 ett fokuserat försök att träna AI för det faktiska försvarsarbetet: att förstå en sekvens, testa en förklaring och välja ett lämpligt nästa steg. Dess betydelse kommer att bero på hur konsekvent detta arbete klarar granskning i verkliga miljöer – inte bara var en poäng hamnar på en lanseringsgraf.