Wprowadzenie do problemu / definicja
Rosnąca skala wdrożeń sztucznej inteligencji w firmach sprawia, że kluczowe stają się nie tylko same modele, ale także jakość, spójność i kontekst danych wykorzystywanych przez zespoły bezpieczeństwa. W wielu organizacjach informacje pozostają rozproszone między systemami tożsamości, narzędziami telemetrycznymi, platformami chmurowymi, repozytoriami konfiguracji oraz rozwiązaniami ochrony punktów końcowych.
W takim środowisku architektura typu data fabric pełni rolę warstwy integracyjnej, która porządkuje dane, odwzorowuje relacje między nimi i dostarcza wiarygodny kontekst analityczny. To szczególnie istotne tam, gdzie przedsiębiorstwa chcą wykorzystywać agentów AI do wsparcia operacji bezpieczeństwa.
W skrócie
Brytyjska spółka Prevalent AI ogłosiła pozyskanie 22 mln dolarów finansowania wzrostowego na rozwój swojej platformy data fabric. Rozwiązanie firmy ma przekształcać rozproszone dane przedsiębiorstwa w graf wiedzy, który może być używany zarówno przez zespoły bezpieczeństwa, jak i przez agentów AI.
Nowy kapitał ma wesprzeć ekspansję na rynku amerykańskim, rozwój działań komercyjnych, rozszerzenie zastosowań platformy poza obszar cyberbezpieczeństwa oraz rozbudowę kadry zarządzającej. Dla rynku jest to wyraźny sygnał, że integracja danych i zarządzanie kontekstem stają się fundamentem bezpiecznego wdrażania AI na większą skalę.
Kontekst / historia
Prevalent AI została założona w 2017 roku przez osoby związane wcześniej z GCHQ i Darktrace. Firma rozwijała produkt bez zewnętrznego finansowania aż do momentu obecnego ogłoszenia, co może wskazywać na długofalowe budowanie technologii wokół realnych potrzeb operacyjnych przedsiębiorstw.
Rynek, na którym działa spółka, rozwija się równolegle z upowszechnianiem generatywnej AI i systemów agentowych. Jednocześnie wiele organizacji nadal zmaga się z problemem fragmentacji danych bezpieczeństwa. To oznacza, że analitycy SOC, zespoły GRC i mechanizmy automatyzacji często działają na niepełnym obrazie środowiska, co ogranicza skuteczność reakcji i zwiększa ryzyko błędnych decyzji.
Analiza techniczna
Platforma rozwijana przez Prevalent AI realizuje kilka istotnych funkcji technicznych. Najpierw zbiera dane z różnych systemów przedsiębiorstwa i normalizuje je do wspólnego modelu. Następnie czyści i łączy informacje, redukując niespójności wynikające z tego, że te same zasoby, tożsamości lub kontrole bezpieczeństwa są opisywane odmiennie w różnych narzędziach.
Kolejnym elementem jest warstwa kontekstowa, która pozwala zrozumieć zależności między aktywami, użytkownikami, uprawnieniami, podatnościami, konfiguracjami oraz sygnałami telemetrycznymi. W praktyce centralną rolę odgrywa tu graf wiedzy, umożliwiający modelowanie relacji zamiast przechowywania odizolowanych rekordów.
Z perspektywy bezpieczeństwa taka architektura może wspierać wiele kluczowych zastosowań:
- korelację sygnałów pochodzących z różnych systemów ochrony,
- identyfikację luk operacyjnych i brakujących kontroli,
- mapowanie ekspozycji zasobów na realne ryzyko biznesowe,
- dostarczanie agentom AI uporządkowanego i wiarygodnego kontekstu,
- automatyzację działań naprawczych przy mniejszym ryzyku błędnej interpretacji danych.
To ważne, ponieważ w wielu przypadkach incydent nie wynika z pojedynczego alertu, lecz z sekwencji powiązanych zdarzeń i zależności zaufania. Agent AI działający bez pełnego kontekstu może wygenerować logicznie poprawną odpowiedź, ale operacyjnie błędną. Właśnie dlatego data fabric może stać się warstwą zaufania dla automatyzacji bezpieczeństwa.
Konsekwencje / ryzyko
Informacja o finansowaniu nie dotyczy nowej podatności ani incydentu, ale pokazuje istotny kierunek rozwoju całego sektora. Jednym z największych wyzwań nie jest dziś sam brak danych, lecz ich rozproszenie, niska jakość i brak wspólnego znaczenia semantycznego. Taki stan może prowadzić do błędnej priorytetyzacji zagrożeń, wydłużenia czasu wykrycia incydentów i trudności z remediacją.
Istnieje również ryzyko, że systemy AI utrwalą błędne założenia, jeśli będą działać na niespójnych źródłach danych. W środowiskach hybrydowych i wielochmurowych przekłada się to bezpośrednio na gorszą ocenę powierzchni ataku i słabszą widoczność krytycznych zależności między systemami.
Jednocześnie sama centralizacja danych w ramach platformy integracyjnej również rodzi wyzwania. Organizacje muszą zadbać o governance danych, kontrolę dostępu, integralność informacji, aktualność modelu relacji oraz odporność całej warstwy na manipulację danymi wejściowymi. Jeśli taki system stanie się podstawą decyzji podejmowanych przez AI, jego audytowalność i bezpieczeństwo będą miały znaczenie krytyczne.
Rekomendacje
Firmy planujące rozwój automatyzacji bezpieczeństwa i wdrożenia agentów AI powinny traktować warstwę danych jako strategiczny element architektury. W praktyce warto podjąć następujące działania:
- zinwentaryzować główne źródła danych bezpieczeństwa, tożsamości i konfiguracji,
- ocenić jakość, kompletność i spójność danych używanych przez SOC oraz narzędzia AI,
- wdrożyć model relacyjny lub warstwę kontekstową łączącą zasoby, użytkowników i kontrole,
- ustanowić zasady data governance dla danych wykorzystywanych przez automatyzację,
- ograniczyć uprawnienia agentów AI do minimum niezbędnego operacyjnie,
- zapewnić pełny logging, ścieżkę audytu i możliwość wyjaśnienia decyzji podejmowanych przez systemy automatyczne,
- weryfikować, czy rekomendacje AI opierają się na aktualnym i zaufanym stanie środowiska,
- testować odporność architektury danych na błędy integracji, opóźnienia synchronizacji i manipulację wejściem.
Istotne jest także powiązanie inicjatyw AI z istniejącą architekturą IAM, CMDB, EDR/XDR, CSPM, SIEM oraz systemami zarządzania podatnościami. Bez takiej integracji nawet najbardziej zaawansowane modele będą operować na fragmentarycznym obrazie rzeczywistości.
Podsumowanie
Pozyskanie 22 mln dolarów przez Prevalent AI pokazuje, że rynek cyberbezpieczeństwa coraz mocniej koncentruje się na warstwie integracji, jakości i kontekstu danych. W erze agentów AI to właśnie zdolność do uporządkowania rozproszonej informacji może decydować o skuteczności operacji bezpieczeństwa.
Dla przedsiębiorstw oznacza to konieczność inwestowania nie tylko w modele i automatyzację, ale również w architekturę danych, która pozwoli tym technologiom działać bezpiecznie, audytowalnie i użytecznie z operacyjnego punktu widzenia.