Onit Security Samlar In 11 Miljoner Dollar För Att Avskaffa Flaskhalsen Som Sakta Ner Cybersäkerheten

Onit Security har kommit ut ur stealth-läget med en seedrunda på 11 miljoner dollar som leds av Hetz Ventures och Brightmind Partners, och positionerar sig i centrum av en växande förändring inom cybersäkerhet: från upptäckt till autonom reparation.

Företagets grundningsberättelse har sina rötter i ett verkligt misslyckande. Ett tidigare företag som lett av medgrundaren Ofer Amitai blev hackat efter att en känd sårbarhet hade legat gömd i en kö, vilket belyste ett systematiskt problem inom branschen. Idag är organisationer överväldigade av tiotusentals olösta sårbarheter, medan angripare bara behöver några minuter för att utnyttja dem.

Varför SårbarhetsHantering Bryter Samman

Det grundläggande problemet är inte bristen på verktyg. Det är den växande klyftan mellan att identifiera risker och faktiskt åtgärda dem.

Säkerhetsplattformar har blivit mycket effektiva för att identifiera sårbarheter, men reparationen förblir långsam, manuell och fragmenterad. Team måste fastställa ägarskap, bedöma affärspåverkan och samordna över avdelningar – ofta genom frånkopplade system. Den processen kan ta veckor, medan angripare opererar i nästan realtid.

Omständigheternas omfattning accelererar. Sårbarhetsdatabaser förväntas överstiga en miljon poster innan årtiondets slut, vilket förvärrar en redan ohanterlig kö.

Det som framkommer är en strukturell obalans: försvarare opererar fortfarande med arbetsflöden som är utformade för en långsammare era, medan angripare blir alltmer automatiserade.

Från Biljetter Till Autonom Reparation

Onit Security försöker stänga den klyftan genom att omdefiniera hur exponeringshantering fungerar på en grundläggande nivå.

I stället för att generera biljetter och förlita sig på mänsklig samordning, använder plattformen AI-agenter för att ta ägarskap för hela reparationens livscykel. Målet är att ersätta upprepade triage och prioritering med ett beslutsbaserat modell där en enda mänskligt definierad åtgärd kan lösa tusentals liknande problem automatiskt.

Denna tillvägagångssätt introducerar flera nyckeländringar:

• Business-context prioritization: Sårbarheter rankas baserat på verklig påverkan snarare än generiska poängsystem
• Automatiserad ägarskapskarta: Plattformen identifierar vem som är ansvarig för varje tillgång genom att analysera fragmenterad intern data
• Utförande, inte orkestrering: AI-agenter utför reparationsskeden i stället för att bara tilldela uppgifter
• Kumulativ lösning: När en fixstrategi är definierad, återanvänds den över liknande exponeringar i framtiden

Resultatet är ett system som inte bara minskar arbetsbelastningen utan syftar till att eliminera den upprepade naturen hos sårbarhets hantering helt och hållet.

Uppgången Av Agentic Säkerhet

Onit Security är en del av en bredare rörelse mot agentic AI, där system inte bara analyserar data utan aktivt vidtar åtgärder.

I cybersäkerhet är denna förändring särskilt betydelsefull. AI-agenter kan kontinuerligt övervaka miljöer, samla in hotinformation och föreslå eller utföra reparationer i en hastighet som är mer i linje med angripare. I praktiken behåller de flesta distributioner fortfarande en mänsklig operatör i slingan för slutgiltig godkännande, vilket speglar både teknisk och organisatorisk försiktighet.

Det som förändras är rollen för den mänskliga operatören. I stället för att hantera enskilda larm definierar team policys och beslut som AI-systemen upprätthåller i stor skala.

En Framtid Av Självläkande Säkerhetssystem

Om denna modell visar sig vara effektiv, kunde den i grunden förändra hur organisationer tänker om cybersäkerhet.

I stället för att behandla sårbarheter som en alltmer växande kö av problem att triage, kunde system kontinuerligt lösa exponeringar som en del av normala operationer. Köerna kan börja försvinna, ersatta av en dynamisk miljö där risker hanteras nästan lika snabbt som de upptäcks.

Detta har bredare implikationer bortom effektivitet. Säkerhetsteam kunde skifta från reaktiv brandbekämpning till strategisk tillsyn, fokusera på att definiera policys, utvärdera gränsfall, och förstå systematisk risk snarare än att jaga enskilda problem. Samtidigt kan organisationer börja förvänta sig nästan omedelbar reparation som standard, inte undantag.

Det finns också en kumulativ effekt. När AI-system lär sig från varje reparation, bygger de institutionell kunskap som skalar över miljöer. Över tiden kan detta leda till infrastruktur som inte bara fixar sig själv, utan också blir alltmer motståndskraftig utan att kräva proportionella ökningar av personal.

Den långsiktiga banan pekar mot autonoma säkerhetsarkitekturer, där upptäckt, prioritering och reparation är tätt integrerade i en kontinuerlig loop. I den världen skiftar fördelen till organisationer som kan agera snabbast, inte bara de som kan se mest.

För en bransch som har tillbringat årtionden med att förbättra synlighet utan att lösa utförande, kan den förändringen vara den viktigaste förändringen hittills.