پرش به محتوای اصلی
پرش به محتوای مقاله

سرمایه‌گذاری ۱۹۰ میلیون دلاری ThreatLocker برای مهار عامل‌های هوش مصنوعی

·۷ مرداد ۱۴۰۵۴ دقیقه مطالعه۱ بازدید
ThreatLocker ۱۹۰ میلیون دلار جمع‌آوری کرد تا Zero Trust را به عامل‌های هوش مصنوعی گسترش دهد
ThreatLocker ۱۹۰ میلیون دلار جمع‌آوری کرد تا Zero Trust را به عامل‌های هوش مصنوعی گسترش دهد
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

انتقال متمرکز سرمایه از استارتاپ‌های تخصصی امنیتِ عامل‌ها به پلتفرم‌های زیرساختی گسترده‌ای مثل ThreatLocker که پیش از این پایگاه مشتریان بزرگی داشتند و حالا لایه‌های کنترلی Agentic را به آن‌ها اضافه می‌کنند.

تا به حال فکر کرده‌اید چه اتفاقی می‌افتد اگر یک عامل هوشمند، دسترسی به فایل‌های محرمانه شرکت شما پیدا کند در حالی که هرگز نباید آن‌ها را می‌دید؟ برای حل این شکاف امنیتی، شرکت ThreatLocker در ۲۹ جولای ۲۰۲۶، موفق به جذب ۱۹۰ میلیون دلار سرمایه در راند Series F شد تا به دروازه‌بان اصلی موج جدید عامل‌های هوش مصنوعی تبدیل شود.

ابزارهای امنیتی سنتی معمولاً سعی می‌کنند نفوذ را «بعد از وقوع» تشخیص دهند. اما ThreatLocker منطق بازی را عوض کرده است. تصور کنید در یک گاوصندوق فوق‌امنیتی هستید که تمام درها به‌صورت پیش‌فرض بسته شده‌اند و شما فقط برای اتاقی که واقعاً نیاز دارید، کلید دریافت می‌کنید. این رویکرد که اعتماد صفر (Zero Trust) یا «رد پیش‌فرض» (deny-by-default) نامیده می‌شود — شبیه به سیستم نظارتی سخت‌گیرانه در بانک‌ها که هیچ‌کس را بدون شناسنامه قبول نمی‌کند — برای عامل‌های هوش مصنوعی (AI Agents) بسیار مؤثرتر است. دلیل این برتری آن است که عامل‌های هوشمند می‌توانند هزاران اقدام و دستور را در هر ثانیه اجرا کنند و عملاً زمانی برای واکنش‌های انسانی یا تشخیص‌های دستی باقی نمی‌گذارند. این نیاز به کنترل دقیق، یادآور تلاش‌های شرکت‌هایی مانند Enigma است که در راستای ساده‌سازی کنترل ربات‌ها و سیستم‌های خودکار سرمایه‌گذاری‌های کلانی انجام داده‌اند.

همان‌طور که در پوشش پیشین ما درباره‌ی امنیت مدل‌های بازمتن دیدیم، کنترل دسترسی در سطح زیرساخت، تنها راه مقابله با رفتارهای غیرقابل‌پیش‌بینی مدل‌هاست.

جزئیات جذب سرمایه

به نقل از گزارش رسمی شرکت، این سرمایه‌گذاری توسط Elephant رهبری شد؛ شرکتی مستقر در بوستون که پیش‌تر در می ۲۰۲۱ راند Series B این شرکت را با مبلغ ۲۰ میلیون دلار مدیریت کرده بود. طبق مستندات، جرمی دالی، شریک ارشد این مجموعه که پیش‌تر قرارداد راند Series B را امضا کرده بود، برای رهبری این راند بازگشت. او معتقد است ThreatLocker جایگاهی منحصربه‌فرد برای پاسخ به نیاز بازار در زمینه «امنیت پیش‌گیرانه» دارد و به‌طور ویژه‌ای برای تصاحب این بازار موقعیت‌یافته است.

بین این دو راند سرمایه‌گذاری، General Atlantic رهبری راند Series C و همچنین راند Series D با مبلغ ۱۱۵ میلیون دلار در تاریخ ۲۴ آوریل ۲۰۲۴ را بر عهده داشت. در کنار Elephant، بازوی سرمایه‌گذاری گروه صنعتی کوچ با نام Koch Disruptive Technologies (KDT) حضور پررنگی داشت. سایر شرکت‌های سرمایه‌گذار شامل پشتیبانان فعلی مانند D. E. Shaw Ventures و Arthur Ventures بودند. در این عملیات مالی, BofA Securities به عنوان تنها عامل جای‌گذاری (placement agent) فعالیت کرد و موسسه حقوقی Latham & Watkins نیز خدمات مشاوره قانونی را بر عهده داشت.

لایه‌های دفاع فنی

استراتژی این شرکت برای خنثی کردن ریسک‌های هوش مصنوعی بر دو مکانیسم کلیدی استوار است:

  • لیست سفید (Allowlisting): این قابلیت هرگونه ابزار غیرمجاز یا کدهای تولید شده توسط هوش مصنوعی را از اجرا روی سیستم به‌کلی منع می‌کند.
  • حصارکشی (Ringfencing): یک لایه محصورکننده که دقیقاً تعیین می‌کند یک عامل تأییدشده در حین اجرا به کدام منابع دسترسی داشته باشد، چه چیزی را تغییر دهد یا با چه عناصری تعامل کند.

علاوه بر این، پلتفرم امکان کنترل دقیق روی این موضوع را فراهم می‌کند که کارکنان مجاز به استفاده از کدام وب‌سایت‌های خاص هوش مصنوعی باشند و همچنین محدودیت‌هایی را بر داده‌هایی که اجازه دارند محیط سازمان را ترک کنند، اعمال می‌کند. این رویکرد سخت‌گیرانه در تضاد با فلسفه برخی استارت‌آپ‌های جدید است؛ برای مثال شرکت Venice AI با تمرکز بر حریم خصوصی در حال ایجاد محیط‌هایی است که آزادی عمل بیشتری را در عین حفظ محرمانگی داده‌ها فراهم می‌کند.

این قابلیت‌ها بر پایه پلتفرمی توسعه یافته‌اند که در ۵ مارس ۲۰۲۶ به‌روز شد و دسترسی‌های شبکه و ابر را تحت مدل Zero Trust مدیریت می‌کند (Zero Trust Network Access و Zero Trust Cloud Access). به همین دلیل، حتی اگر هکری رمز عبور را بدزدد و کد تأیید دو مرحله‌ای را از طریق فیشینگ به دست آورد، بدون داشتن دستگاهی که توسط پلتفرم تأیید شده باشد، نمی‌تواند به برنامه‌های SaaS مثل Microsoft 365، Salesforce یا GitHub نفوذ کند. این ساختار، یک سطح کنترل واحد را ایجاد می‌کند که نقاط انتهایی (Endpoints)، شبکه‌ها و منابع ابری را در بر می‌گیرد.

فوریت بازار

دنی جنکینز، مدیرعامل ThreatLocker، تأکید می‌کند که این مأموریت بسیار فوری است، زیرا عامل‌های جدید به‌طور مداوم معرفی شده و به منابع حساس دسترسی پیدا می‌کنند. او اشاره می‌کند که این ریسک صرفاً تئوری نیست؛ طبق تحقیقات اخیر IBM، در حدود یک‌چهارم از نفوذهای مخرب، هوش مصنوعی نقش داشته است. تیم‌های امنیتی اکنون باید هم با عامل‌های خودگردانی که درون شبکه خودشان فعال‌اند و هم با مهاجمانی که از هوش مصنوعی برای تسریع عملیات بهره‌برداری (Exploitation) استفاده می‌کنند، مقابله کنند.

مقیاس و توزیع استراتژیک

تعداد سازمان‌های تحت حمایت ThreatLocker از ۵۰ هزار مورد در راند Series D به بیش از ۷۰ هزار سازمان رسیده است. همچنین این شرکت در هر دو سال گذشته در رده‌بندی Inc. 5000 fastest-growing (شرکت‌های خصوصی سریع‌الرشد ایالات متحده) حضور داشته است.

ورود KDT فراتر از تأمین وجه است؛ این مجموعه به عنوان بازوی سرمایه‌گذاری یک گروه صنعتی جهانی با درآمد سالانه بیش از ۱۲۵ میلیارد دلار، شبکه شرکای گسترده و واحد Koch Labs خود را به کار می‌گیرد. برای فروشنده‌ای که مشتریانش عمدتاً دپارتمان‌های IT بازارهای متوسط و ارائه‌دهندگان خدمات مدیریت‌شده (MSP) هستند، KDT به عنوان یک کانال توزیع حیاتی عمل می‌کند.

گسترش جهانی

شرکت در حال حاضر دفتر مرکزی در اورلاندو و شعباتی در دوبلین، بریزبن و دبی دارد و اکنون برای پوشش مستقیم بازار بریتانیا، دفتر جدیدی در شهر ریدینگ (Reading) تأسیس می‌کند تا حضور بین‌المللی خود را گسترش دهد.

در حالی که رقبایی مانند Hush Security (۳۰ میلیون دلار برای مدیریت هویت عامل‌ها)، Mate Security (۳۵ میلیون دلار برای عملیات امنیتی AI) و Geordie AI (راند Series A با ۳۰ میلیون دلار) در حال ساخت محصولات امنیتی برای عامل‌ها از صفر هستند، ThreatLocker در حال گسترش پلتفرمی است که قبلاً پایگاه نصب عظیمی داشته است. این موضوع مسیر رسیدن به درآمد و نفوذ در بازار را برای آن‌ها بسیار کوتاه‌تر می‌کند و یک پیش‌تازی قابل توجه به آن‌ها می‌بخشد.

باید نظاره‌گر باشیم که دفتر ریدینگ چگونه حضور اروپایی شرکت را مقیاس‌بندی می‌کند و آیا مدل «رد پیش‌فرض» با تبدیل شدن عامل‌ها از چت‌بات‌های ساده به کارکنان خودگردان کامل، به استاندارد صنعت تبدیل خواهد شد یا خیر.

گام بعدی شما

  • اگر در سازمان خود از عامل‌های خودگردان استفاده می‌کنید، مدل دسترسی آن‌ها را از «اجازه برای همه» به «رد پیش‌فرض» تغییر دهید.
  • بررسی کنید آیا ابزارهای فعلی شما قابلیت حصارکشی (Ringfencing) را برای جلوگیری از دسترسی مدل به دیتابیس‌های حساس دارند یا خیر.
  • برای پیاده‌سازی معماری Zero Trust در سطح دستگاه‌ها و برنامه‌های SaaS اقدام کنید.

اما تأثیر این تغییر رویکرد بر کاهش هزینه‌های زیرساختی امنیت حتی پیچیده‌تر است — به تحلیل ما درباره‌ی بهینه‌سازی هزینه استنتاج در مدل‌های امنیتی مراجعه کنید.

چرا این موضوع مهم است؟

این تحول با تکیه بر اعتبار معماری Zero Trust، تعریف امنیت را از «شناسایی دشمن» به «کنترل دقیق دسترسی‌ها» تغییر می‌دهد. با توجه به افزایش حملات مبتنی بر AI، این رویکرد برای جلوگیری از فجایع داده‌ای در مقیاس سازمانی ضروری است.

تأثیر برای ایران

به‌دلیل تحریم‌ها و محدودیت‌های لایسنسینگ، دسترسی سازمان‌های ایرانی به پلتفرم‌های جامع Zero Trust دشوار است و این خبر بیشتر برای تیم‌های DevOps ایرانی که به دنبال پیاده‌سازی مدل‌های مشابه در محیط‌های On-premises هستند، درس‌آموز است.

·نگاه ما
تحریریه دات‌هوش

تمرکز ThreatLocker بر «رد پیش‌فرض» به‌جای «تشخیص نفوذ»، نشان می‌دهد که مدل‌های امنیتی در عصر عامل‌ها از حالت واکنشی به حالت پیش‌گیرانه تغییر می‌کنند. در دنیای عامل‌های خودگردان که سرعت اجرای دستورات از توان نظارتی انسان فراتر می‌رود، تنها راه نجات، حذف هرگونه دسترسی پیش‌فرض است. این استراتژی احتمالاً استاندارد جدیدی برای سازمان‌های Enterprise خواهد بود تا ریسک توهمات مدل در لایه عملیاتی را به صفر نزدیک کنند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.