Pluto Security lämnar stealth-läget med totalt 42 miljoner dollar i finansiering för att skydda AI-arbetsytor

En medarbetares AI-assistent kan numera göra mer än att besvara en fråga. Den kan ansluta till företagets system, installera tillägg, köra kommandon och bygga applikationer. För säkerhetsteam är utmaningen att avgöra vilka av dessa åtgärder som ska tillåtas – och behålla möjligheten att ingripa när sammanhanget förändras.

Pluto Security lämnar stealth-läget med 42 miljoner dollar i total finansiering för att hantera problemet. Företaget meddelade att den senaste finansieringsrundan på cirka 34 miljoner dollar leddes av Jump Capital, efter en tidigare såddrunda ledd av TLV Partners. I tillkännagivandet anges inte vilken fas den senaste rundan tillhör.

Pluto grundades 2025 och uppger att företaget har nått årliga återkommande intäkter på flera miljoner dollar, säkrar över 1 miljon slutpunkter globalt och betjänar fler än 40 företagskunder. Bland de namngivna kunderna finns Oscar Health, Workato, Sixt och AlphaSense samt organisationer på Fortune 500-listan. Det nya kapitalet ska finansiera produktutveckling, säkerhetsforskning och expansion i USA.

AI-arbetsytan blir en säkerhetsgräns

Pluto beskriver sin kategori som säkerhet för AI-arbetsytor. Den omfattar de AI-verktyg som medarbetarna använder, komponenterna som ansluts till dessa verktyg samt de applikationer, agenter och automatiseringar som medarbetarna skapar.

Detta omfattning återspeglar en förändring i hur programvara introduceras i en organisation. En medarbetare kan sätta samman ett arbetsflöde av en AI-assistent, en färdighet från communityn och en koppling till affärsdata utan att gå igenom ett konventionellt utvecklingsprojekt. Varje tillägg kan förändra vad assistenten kan komma åt eller utföra.

Model Context Protocol, eller MCP, är ett exempel. Det gör det möjligt för AI-applikationer att ansluta till verktyg och datakällor. Säkerhetsfrågan handlar inte bara om huruvida själva AI-applikationen är godkänd: teamen behöver också förstå behörigheterna och beteendet hos de servrar och integrationer som den använder.

Detta är en del av den bredare utmaningen med programvaruförsörjningskedjan bakom styrning av AI-agenter. Om man granskar en modell eller assistent isolerat förbiser man beroenden som kan påverka dess beteende eller utöka dess räckvidd.

Upptäckt, riskbedömning och kontroll i realtid

Pluto uppger att plattformen kombinerar insyn i slutpunkter, kontextuell riskanalys och tillämpning av säkerhetsregler i realtid. Målet är att ge säkerhetsteam tillräcklig information för att begränsa en farlig åtgärd utan att automatiskt förbjuda hela verktyget som utför den.

På sin webbplats delar Pluto in plattformen i fyra funktioner: Explorer upptäcker AI-aktivitet, Risk Radar bedömer det som upptäcks med hjälp av företagets riskdatabas, Space Shield tillämpar säkerhetsregler och Marketspace erbjuder ett kurerat urval av AI-tillägg. Företaget beskriver en täckning som omfattar verktyg, komponenter i försörjningskedjan, beteende vid körning och AI-genererade artefakter.

Exemplen på webbplatsen omfattar att kräva godkännande innan en agent får åtkomst till ett betalnings-API, begränsa åtkomst till känsliga data och tillåta betrodda MCP-servrar samtidigt som andra sätts i karantän. Detta är beskrivningar av produktens avsedda funktion, inte oberoende testade garantier.

Skillnaden mellan upptäckt och tillämpning av säkerhetsregler är viktig. En inventering kan visa ett säkerhetsteam att en koppling finns. Effektiv kontroll kräver också kunskap om vad den kan nå och möjlighet att begränsa den aktuella åtgärden. Ett tillåtet verktyg kan ändå stöta på ett osäkert tillägg, en autentiseringsuppgift med alltför omfattande behörigheter eller en uppgift som går utöver användarens befogenheter.

Tänk dig att en assistent får i uppgift att sammanfatta en kundpost. Att läsa en tillåten post och att exportera en hel kunddatabas är olika åtgärder, även om båda utförs i samma godkända applikation. Kontextbaserade säkerhetsregler är avsedda att skilja mellan dessa situationer. Deras praktiska värde beror på hur korrekta observationerna är och hur tillförlitligt reglerna tillämpas.

Plutonium granskar komponenterna runt agenten

En central del av Plutos strategi är Plutonium, en kostnadsfri katalog för säkerhet i AI-försörjningskedjan som enligt tillkännagivandet drivs av företagets egenutvecklade RisksDB. Den hjälper yrkesverksamma att bedöma komponenter som färdigheter, tillägg och MCP-servrar innan de börjar använda dem.

Den offentliga plattformen beskriver en agentbaserad riskmotor som kombinerar information om utgivare, kompatibilitetskartläggning, källgranskning och kodskanning. Bedömningskategorierna omfattar kommandokörning, beständiga åtkomsttoken, delning av data med tredje part samt ändring och radering av data. Plattformen erbjuder också MCP Inspector och vägledning för säker användning.

Dessa kategorier omvandlar en bred fråga – om ett tillägg är säkert – till mer konkreta frågor om funktioner och åtkomst. En koppling som kan läsa ett dokument innebär en annan exponering än en som kan ändra poster eller köra kommandon. Samma funktion kan också vara lämplig för ett arbetsflöde i ett företag men gå längre än nödvändigt i ett annat.

En bedömning i en katalog och skydd vid körning hanterar olika delar av problemet. Granskning kan ligga till grund för beslut om användning; löpande kontroller måste ta hänsyn till hur en komponent faktiskt används. Ingetdera bör ses som ett bevis på att alla framtida åtgärder kommer att vara ofarliga.

Tidiga kommersiella framgångar, men resultaten återstår att mäta

De kund- och intäktssiffror Pluto redovisar tyder på en tidig efterfrågan inom den här kategorin. Företaget uppger att det har byggt upp användningen med hjälp av säkerhetsforskning, kostnadsfria resurser och engagemang från yrkesverksamma, och att tusentals experter använder och bidrar till Plutonium.

Dessa användningssiffror kommer från företaget. I tillkännagivandet redovisas inga oberoende mätningar av detekteringstäckning, falska positiva resultat, fördröjning vid tillämpning av regler eller förebyggande av angrepp. Att skydda fler än 1 miljon slutpunkter beskriver den rapporterade omfattningen av driftsättningen, men visar inte att alla tänkbara AI-arbetsflöden på dessa enheter täcks.

För företag som överväger lösningen är de operativa frågorna konkreta: vilka verktyg och körvägar som är synliga, vilka åtgärder som kan blockeras, hur undantag godkänns och vilka underlag som sparas när en policy träder in. Ett system som stoppar riskfylld aktivitet men regelbundet avbryter legitimt arbete skapar ett annat problem för verksamheten.

Ett säkerhetsteam som utgår från användarens avsikt

Vd:n och medgrundaren Shahar Bahat grundade Pluto tillsammans med Tal Ofer Regev och Gil Maman. Bahat har tidigare haft ledande roller inom cybersäkerhet på Microsoft och Palo Alto Networks. Regev var tidigare vice vd för forskning och utveckling på Palo Alto Networks, medan Maman arbetade i mer än sex år i tekniska ledarroller inom Israels militära underrättelsetjänst. Pluto uppger att företaget nu har fler än 50 anställda i USA och Israel.

Bahat beskriver företagets angreppssätt som att förstå vad användarna försöker åstadkomma och ge säkerhetsteamen det sammanhang de behöver för att möjliggöra arbetet på ett säkert sätt. Produktutmaningen är att omsätta den filosofin i precisa och tillförlitliga kontroller när medarbetarna börjar använda nya verktyg och skapa nya arbetsflöden.

Finansieringsbeskedet placerar Pluto i en växande kapplöpning om att säkra AI när tekniken agerar i företagssystem. Nästa prövning blir att visa att upptäckt, komponentbedömning och tillämpning av regler under körning kan fungera tillsammans i den skala som företagets tidiga kundbas redan motsvarar.