Onit Security збирає $11 млн для ліквідації бутлянки, яка сповільнює кіберзахист

Onit Security вийшла з режиму стелс з раундом сіяння у розмірі $11 млн під керівництвом Hetz Ventures та Brightmind Partners, позиціонуючи себе в центрі зростаючої зміни в кібербезпеці: переходу від виявлення до автономної ліквідації.

Історія створення компанії корениться в реальній невдачі. Попередній бізнес під керівництвом співзасновника Офера Амітаї був порушений після того, як відома вразливість залишилася похованою в черзі, підкреслюючи системну проблему в галузі. Сьогодні організації перевантажені десятками тисяч невирішених вразливостей, тоді як нападникам потрібно лише хвилин, щоб їх використати.

Чому управління вразливостями руйнується

Основна проблема не полягає в відсутності інструментів. Це зростаючий розрив між ідентифікацією ризику та фактичним його виправленням.

Платформи безпеки стали надзвичайно ефективними у виявленні вразливостей, але виправлення залишається повільним, ручним і фрагментованим. Команди повинні визначити володіння, оцінити вплив на бізнес та координувати дії між відділами – часто через відключені системи. Цей процес може тривати тижнями, тоді як нападники діють майже в реальному часі.

Масштаб проблеми прискорюється. Бази даних вразливостей очікується, що перевищать один мільйон записів до кінця десятиліття, посилюючи вже неможливу чергу.

Виникає структуральна дисбаланс: захисники все ще діють за робочими процесами, розробленими для повільнішої епохи, тоді як нападники стають все більш автоматизованими.

Від тикетів до автономної ліквідації

Onit Security намагається закрити цей розрив, переглядаючи, як працює управління вразливостями на фундаментальному рівні.

Натомість генерації тикетів та залежності від людської координації платформа використовує агенти штучного інтелекту для взяття на себе всього циклу ліквідації. Метою є заміна повторювальної тріажі та пріоритезації моделлю, заснованою на рішеннях, де одна людська дія може автоматично вирішити тисячі подібних проблем.

Цей підхід вводить кілька ключових зрушень:

• Пріоритезація на основі бізнес-контексту: Вразливості ранжуються на основі реального впливу, а не загальних систем оцінки
• Автоматичне визначення володіння: Платформа ідентифікує, хто відповідає за кожен актив, аналізуючи фрагментовані внутрішні дані
• Виконання, а не оркестрування: Агенти штучного інтелекту виконують кроки ліквідації, а не просто призначенням завдань
• Послідовне рішення: Як тільки стратегія виправлення визначена, вона повторно використовується для подібних вразливостей у майбутньому

Результатом є система, яка не тільки зменшує робоче навантаження, але й спрямована на ліквідацію повторюваної природи управління вразливостями зовсім.

Зростання агентської безпеки

Onit Security є частиною більш широкого руху до агентського штучного інтелекту, де системи не тільки аналізують дані, але й активно діють.

У сфері кібербезпеки цей зсув особливо значимий. Агенти штучного інтелекту можуть безперервно моніторити середовища, збирають розвіддані про загрози та пропонують або виконують виправлення з швидкістю, яка більш тісно відповідає діям нападників. На практиці більшість розгортань все ще зберігає людину в циклі для остаточного затвердження, відображаючи як технічну, так і організаційну обережність.

Що змінюється, це роль людини-оператора. Замість управління окремими сповіщеннями команди визначають політики та рішення, які системи штучного інтелекту виконують у масштабі.

Майбутнє самозахисних систем безпеки

Якщо ця модель виявиться ефективною, вона могла б фундаментально змінити те, як організації думають про кібербезпеку.

Натомість лікування вразливостей як постійно зростаючої черги проблем для тріажу системи могли б безперервно вирішувати вразливості як частина нормальних операцій. Сама черга могла б почати зникати, замінившись динамічним середовищем, де ризики адресуються майже так само швидко, як вони виявляються.

Це має ширші наслідки за межами ефективності. Команди з кібербезпеки могли б перейти від реактивного гасіння пожеж до стратегічного нагляду, зосереджуючись на визначенні політики, оцінці країв випадків та розумінні системного ризику, а не переслідуванні окремих питань. Водночас організації могли б почати очікувати майже миттєве виправлення як стандарт, а не виняток.

Є також зсуви. Коли системи штучного інтелекту вчаться з кожної дії ліквідації, вони будують інституційне знання, яке масштабується по середовищам. З часом це могло б привести до інфраструктури, яка не тільки виправляє себе, але й стає все більш стійкою без потреби пропорційних збільшень штату.

Довгострокова траєкторія вказує на автономні архітектури безпеки, де виявлення, пріоритезація та ліквідація тісно інтегровані в безперервний цикл. У цьому світі перевага зсувається до організацій, які можуть діяти найшвидше, а не тих, хто може бачити найбільше.

Для галузі, яка витратила десятиліття на покращення видимості без вирішення виконання, цей зсув міг би бути найважливішою зміною.