Jazz pozyskuje 61 mln USD na rozwój DLP wspieranego przez AI

securitybeztabu.pl 11 godzin temu

Wprowadzenie do problemu / definicja

Segment Data Loss Prevention od lat walczy z ograniczeniami klasycznych modeli detekcji. Tradycyjne systemy DLP bazują głównie na sztywnych regułach, sygnaturach i politykach, co często prowadzi do nadmiaru alertów o niskiej wartości operacyjnej. W efekcie zespoły bezpieczeństwa mają trudność z odróżnieniem realnego incydentu wycieku danych od legalnej aktywności użytkownika.

Startup Jazz proponuje inne podejście: wykorzystanie sztucznej inteligencji do analizy nie tylko samego dostępu do danych, ale również intencji, kontekstu operacyjnego i poziomu ryzyka związanego z konkretnym działaniem. To istotna zmiana w sposobie myślenia o ochronie danych w nowoczesnych środowiskach enterprise.

W skrócie

Jazz ogłosił wyjście z trybu stealth i poinformował o pozyskaniu łącznie 61 mln USD w rundach seed oraz Series A. Firma została założona w 2024 roku i rozwija platformę DLP wspieraną przez AI, zaprojektowaną z myślą o ograniczaniu szumu alertowego oraz poprawie trafności wykrywania incydentów.

Spółka koncentruje się na ochronie danych z użyciem analizy kontekstowej.
Platforma wykorzystuje agent endpointowy o charakterze forensic.
Kluczowym elementem jest autonomiczny mechanizm analityczny interpretujący działania użytkowników i procesów.
Celem rozwiązania jest skupienie uwagi zespołów bezpieczeństwa na incydentach o rzeczywistym znaczeniu.

Kontekst / historia

Rynek DLP znajduje się w tej chwili w fazie transformacji. Dawne rozwiązania były projektowane pod bardziej statyczne środowiska, w których dane przemieszczały się pomiędzy ograniczoną liczbą systemów, a polityki bezpieczeństwa można było stosunkowo łatwo zamknąć w zestawie przewidywalnych reguł.

Współczesne organizacje funkcjonują jednak w znacznie bardziej rozproszonym modelu. Obejmuje on aplikacje SaaS, pracę hybrydową, rozbudowane integracje, automatyzację procesów biznesowych i coraz szersze wykorzystanie narzędzi generatywnej AI. W takim środowisku samo wykrycie kopiowania, przenoszenia lub modyfikacji danych nie daje jeszcze pełnego obrazu ryzyka.

Dwa technicznie podobne działania mogą mieć zupełnie inne znaczenie z perspektywy bezpieczeństwa, zależnie od roli użytkownika, typu danych, systemu docelowego, czasu operacji i celu biznesowego. Jazz pozycjonuje swój produkt jako odpowiedź na ten problem, przesuwając punkt ciężkości z prostego egzekwowania reguł na analizę kontekstu i intencji.

Analiza techniczna

Z ujawnionych informacji wynika, iż platforma Jazz opiera się na dwóch głównych komponentach. Pierwszym jest agent endpointowy o charakterze śledczym, zapewniający widoczność sposobu użycia danych na stacjach roboczych i innych punktach końcowych. Taki model sugeruje zbieranie bogatszej telemetrii niż w klasycznych systemach DLP, które często skupiają się głównie na kanałach exfiltracji, takich jak poczta elektroniczna, przeglądarka, nośniki USB czy usługi chmurowe.

Drugim komponentem jest autonomiczny moduł analityczny określany jako Agentic Investigator. Jego zadaniem jest uczenie się procesów biznesowych, korelowanie aktywności użytkowników z typami danych oraz systemami, a następnie ocena, czy dana operacja wpisuje się w uzasadniony workflow, czy może stanowić anomalię lub próbę nadużycia.

Z architektonicznego punktu widzenia takie podejście może przynieść kilka korzyści. Po pierwsze, analiza kontekstowa może ograniczyć problem false positives, który od lat obciąża zespoły SOC i programy insider risk. Po drugie, rozwiązanie może lepiej wykrywać sytuacje, które formalnie nie łamią sztywnych reguł, ale odbiegają od normalnych wzorców działania. Po trzecie, model uczący się procesów biznesowych może być bardziej elastyczny w środowiskach, które gwałtownie się zmieniają.

Jednocześnie skuteczność takiego systemu zależy od jakości telemetrii, poprawności modelowania procesów oraz umiejętności ograniczania błędnych ocen intencji. Istotne pozostają także kwestie prywatności, transparentności działania oraz integracji z istniejącymi narzędziami bezpieczeństwa, w tym SIEM, XDR, CASB, UEBA i platformami DSPM.

Konsekwencje / ryzyko

Pojawienie się kolejnego gracza rozwijającego DLP wspierane przez AI potwierdza, iż ochrona danych coraz silniej opiera się na analizie behawioralnej i semantycznej, a nie wyłącznie na klasyfikacji treści oraz blokowaniu kanałów transmisji. Dla organizacji może to oznaczać skuteczniejsze wykrywanie prób wycieku danych i lepszą identyfikację zagrożeń wewnętrznych.

Ryzyko polega jednak na rosnącej złożoności takich rozwiązań. o ile model błędnie zinterpretuje zachowanie użytkownika, może dojść zarówno do pominięcia realnego incydentu, jak i do eskalacji działań całkowicie legalnych z perspektywy biznesowej. W środowiskach regulowanych dodatkowym wyzwaniem pozostają zasady monitorowania pracowników, retencja danych telemetrycznych i możliwość wyjaśnienia automatycznych decyzji.

Samo finansowanie na poziomie 61 mln USD pokazuje również, iż inwestorzy widzą potencjał w rozwiązaniach łączących DLP, insider risk management i analitykę opartą na AI. To może przyspieszyć konkurencję w segmencie narzędzi mających redukować przeciążenie alertami i zwiększać precyzję detekcji.

Rekomendacje

Organizacje rozważające wdrożenie nowoczesnego DLP opartego na AI powinny zacząć od oceny własnej dojrzałości w obszarze telemetrii, klasyfikacji danych i mapowania procesów biznesowych. Bez spójnej widoczności nad użytkownikami, zasobami i przepływami informacji choćby zaawansowane silniki analityczne będą miały ograniczoną wartość.

Zinwentaryzować krytyczne dane, najważniejsze procesy i role uprzywilejowane.
Określić najważniejsze scenariusze wycieku danych z perspektywy ryzyka biznesowego.
Uruchomić rozwiązanie najpierw w trybie monitoringu, przed włączeniem automatycznych blokad.
Zweryfikować poziom false positives i false negatives w realnych workflow.
Sprawdzić, czy platforma zapewnia czytelne uzasadnienia alertów i decyzji.
Ocenić wpływ agenta endpointowego na wydajność, prywatność i zgodność regulacyjną.
Zintegrować nowe sygnały z procesami SOC, IR i programem insider risk.

Warto także pamiętać, iż AI-DLP nie powinno być traktowane jako samodzielne remedium. Najlepsze efekty osiąga się przez połączenie takiego rozwiązania z kontrolą dostępu, segmentacją danych, zasadą least privilege, monitoringiem aktywności uprzywilejowanej oraz edukacją użytkowników.

Podsumowanie

Wyjście Jazz z ukrycia i ogłoszenie finansowania pokazują, iż rynek DLP coraz wyraźniej zmierza w stronę platform analizujących kontekst i intencję, a nie jedynie same zdarzenia techniczne. Startup chce odpowiedzieć na jeden z największych problemów klasycznego DLP, czyli nadmiar alertów i ograniczone zrozumienie legalnych procesów biznesowych.

Jeżeli podejście oparte na telemetrycznym wglądzie endpointowym i autonomicznej analizie rzeczywiście przełoży się na lepszą jakość detekcji, może to wyznaczyć istotny kierunek rozwoju ochrony danych w środowiskach enterprise. Ostateczna wartość takich rozwiązań będzie jednak zależeć od precyzji modeli, jakości integracji i umiejętnego pogodzenia bezpieczeństwa z prywatnością oraz użytecznością operacyjną.