Hva er agentisk KI i cybersikkerhet?

Agentiske KI-systemer er ofte utformet med innebygd menneskelig overvåking for å balansere autonomi med kontroll.

I Microsoft-tilnærmingen til agentisk KI for cybersikkerhet er dette utformet som en samarbeidsmodell der menneskelige operatører kan overvåke og styre systematferden.

Vanlige eksempler inkluderer:

• Transparent resonnering. Microsoft-systemer gir støtte-kontekst og begrunnelse sammen med anbefalinger for å hjelpe analytikere med å forstå systemoutput og beslutningsveier.

• Godkjenning og justering. Team kan gjennomgå, godkjenne, avvise eller finjustere systemhandlinger, og ta inn tilbakemeldinger for kontinuerlig å forbedre resultatene.

• Reviderbare kontroller. Aktiviteter styres av sikkerhetskontroller i virksomheten, som rollebasert tilgang, overvåkingslogger og arbeidsflytsikringer, for å støtte krav til ansvarlighet og samsvar.

Agentisk KI kan reagere dynamisk på skiftende forhold og justere atferden basert på kontekst på grunn av en prosess som kalles agentløkka – en sekvens av trinn som agenten gjentar til målet er nådd.

Oppfatt → Resonner → Planlegg → Utfør → Lær

• Oppfatt. Systemet samler inn informasjon fra miljøet sitt, inkludert logger, varsler, brukeraktivitet, trusselinformasjon og data fra tilkoblede verktøy og systemer.
• Årsak. Det analyserer informasjonen, identifiserer mønstre, vurderer risiko og finner ut hva dataene betyr i kontekst.
• Planlegg. Basert på målene sine utvikler systemet en sekvens av handlinger for å oppnå et ønsket resultat.
• Handling. Agenten utfører oppgaver, som å isolere en enhet, åpne en sak, eskalere et varsel eller samle inn ytterligere bevis, ved å samhandle med verktøy, systemer eller arbeidsflyter.
• Lær. Systemet evaluerer resultatene av handlingene sine og bruker tilbakemeldinger, nye data og tidligere resultater til å forbedre fremtidige beslutninger og responser.

For å få agentisk KI til å fungere effektivt, må team også bestemme om de vil bruke énagentssystem eller et fleragentsystem. Énagentssystemer er avhengige av én agent til å håndtere oppgaver og beslutninger, noe som fungerer bra når arbeidsflytene er relativt avgrensede og beslutningene er sentraliserte. Hvis arbeidsflytene er komplekse eller krever ulike typer ekspertise, setter organisasjoner ofte opp et fleragentsystem som bruker flere spesialiserte KI-agenter for cybersikkerhet som jobber sammen mot et felles mål.

Selv med autonome funksjoner er det fortsatt viktig med menneskelig overvåking. Mange organisasjoner bruker kontrollpunkter med menneskelig involvering og godkjenningsporter for sensitive eller risikofylte handlinger for å bidra til å opprettholde styring, ansvarlighet og operasjonell kontroll.

Forskjellene mellom tradisjonell automatisering, generativ KI og agentisk KI blir tydeligere når de sammenlignes på tvers av sentrale dimensjoner.

Dessverre er det ikke bare virksomheter og myndigheter som tar i bruk KI i høyt tempo. Trusselaktører bruker agentiske systemer for å øke hastigheten og omfanget av cyberangrepene sine, noe som skaper eller forsterker flere cybersikkerhetsutfordringer, inkludert:

• Skalerings-utfordringen. Sikkerhetsteam møter ofte enorme mengder varsler, økende datakompleksitet og vedvarende mangel på analytikere.
• Hastighets-utfordringen. Cyberangripere automatiserer i økende grad driften sin, mens mange forsvarere fortsatt er avhengige av manuell sortering og svar på hendelse-prosesser.
• Pålitelighets- og nøyaktighets-utfordringen. Langvarig eksponering for nattskift og store mengder gjentakende oppgaver kan føre til analytikertretthet og utbrenthet, noe som øker risikoen for inkonsistens og menneskelige feil.
• Robusthets-utfordringen. Moderne organisasjoner opererer på tvers av hybride miljøer som omfatter skyplattformer, enheter, identiteter, apper og tredjepartstjenester. Denne voksende angrepsflaten øker den operasjonelle risikoen og gir cyberangripere flere muligheter.

Agentisk KI i cybersikkerhet hjelper sikkerhetsteam med å jobbe mer effektivt i miljøer som blir for komplekse, raske og sammenkoblede for helt manuelle sikkerhetsoperasjoner (SecOps). Dette er noe annet enn bredere agentisk KI-sikkerhet, som handler om å beskytte KI-systemene selv.

I stedet for å erstatte sikkerhetsteam, fungerer agentisk KI som en kraftmultiplikator på tvers av cybersikkerhetsoperasjoner, noe som gir fordeler som:

• Raskere gjennomsnittlig tid til å oppdage og svare (MTTD/MTTR). Agentisk KI kan undersøke varsler, korrelere signaler og koordinere svarhandlinger raskt, noe som hjelper team med å redusere tid til oppdagelse og svar.
• Mindre tretthet blant analytikere og mer tid til arbeid med høy verdi. Ved å håndtere repeterende og tidkrevende oppgaver hjelper agentisk KI med å redusere varslingsutmattelse og lar analytikere fokusere på mer strategiske undersøkelser og beslutninger.
• Konsistent og repeterbar sortering og respons. Agentisk KI bruker arbeidsflyter og prosesser konsekvent på tvers av hendelser, noe som forbedrer driftsstabiliteten ved å redusere variasjoner som oppstår ved manuelle operasjoner.
• Døgnkontinuerlig dekning og elastisk skalerbarhet. I motsetning til menneskelige team kan agentisk KI kjøre kontinuerlig og skalere for å håndtere store volumer av varsler, hendelser og data uten at det trengs mer personell.
• Bedre signal-til-støy-forhold og prioritering. Agentisk KI kan analysere store mengder kontekstdata for å hjelpe med å identifisere de viktigste truslene, redusere unødvendige varsler og forbedre prioriteringen.
• Sterkere motstandsdyktighet og proaktiv risikostyring. Agentisk KI kan overvåke miljøer kontinuerlig, identifisere mulige svakheter og støtte proaktive sikkerhetstiltak som hjelper organisasjoner med å redusere risiko og forbedre den driftsmessige motstandsdyktigheten over tid.

Flere brukstilfeller viser hvordan mennesker og agenter kan jobbe sammen for å styrke sikkerheten.

Sikkerhetsteam får ofte flere varsler enn de kan undersøke manuelt, så prioritering er avgjørende for effektiv respons.

Agentens rolle:

• Beriker varsler med trusselinformasjon, enhetskontekst og data om brukeradferd.
• Prioriterer hendelser basert på risiko- og tillitsscore.
• Anbefaler neste steg for undersøkelse eller utbedring.

Analytikerens rolle:

• Gjennomgår hendelser med høy prioritet.
• Verifiserer funn og beslutninger om eskalering.
• Håndterer komplekse eller sensitive undersøkelser.

Sikkerhetsteam er avhengige av store mengder trusseldata, noe som gjør det vanskelig å raskt trekke ut relevant og handlingsrettet innsikt.

Agentens rolle:

• Samler inn og oppsummerer trusselinformasjon fra flere kilder.
• Gir sanntidsoversikt over situasjonen og rask rapportering.
• Korrelérer trusselaktivitet på tvers av miljøer.

Analytikerens rolle:

• Tolker strategisk risiko og trusseltrender.
• Verifiserer relevansen og konsekvensen av trusselinformasjon.
• Styrer responsprioriteringer og planlegging.

Å identifisere skjulte eller nye trusler krever kontinuerlig analyse på tvers av store og komplekse datasett.

Agentens rolle:

• Genererer hypoteser for jakt og spør etter data kilder.
• Itererer på tvers av store datasett for å identifisere mistenkelig aktivitet.
• Utfører kontinuerlig bakgrunnsjakt etter nye trusler.

Analytikerens rolle:

• Verifiserer funn og fastsetter forretningsmessig konsekvens.
• Undersøker avansert eller målrettet aktivitet fra cyberangrep.
• Finjusterer jaktstrategier og prioriteringer.

Å svare på sikkerhetshendelser krever rask koordinering mellom oppdagelse, undersøkelse og inneslutning.

Agentens rolle:

• Automatiserer innsamling av bevis og dokumentasjon av hendelser.
• Utkaster tidslinjer og oppsummerer aktivitet fra cyberangrep.
• Fullfører inneslutningstiltak med godkjenning fra analytikere.
• Hjelper med å beskytte endepunkter og automatisere arbeidsflyter for utbedring av sårbarheter.

Analytikerens rolle:

• Godkjenner responshandlinger med høy risiko.
• Overvåker utbedrings- og gjenopprettingsarbeid.
• Koordinerer kommunikasjon og gjennomgang etter hendelser.

Organisasjoner må identifisere og prioritere sikkerhetssvakheter før de utnyttes av trusselaktører.

Agentens rolle:

• Prioriterer sårbarheter basert på risikonivå og verdien av enhetene som står i fare.
• Identifiserer eksponeringer på tvers av sky-, endepunkt- og identitetsmiljøer.
• Anbefaler utbedringsbaner og tiltak for redusering av risiko.

Analytikerens rolle:

• Bestemmer prioriteringer for utbedring basert på forretningsrisiko.
• Verifiserer anbefalte handlinger.
• Koordinerer oppdateringer og tiltak for risikoredusering.

Overvåking av identitetsaktivitet er avgjørende for å oppdage uautorisert tilgang og forhindre misbruk av privilegier.

Agentens rolle:

• Oppdager uvanlige påloggings- og tilgangsmønstre.
• Identifiserer risikable tillatelser og risiko for eskalering av privilegier.
• Overvåker kontinuerlig identitetsrelaterte trusler.

Rollen til identitets- og tilgangsadministratoren:

• Gjennomgår tilgangshendelser med høy risiko.
• Godkjenner endringer i policyer eller tillatelser.
• Undersøker mulig aktivitet knyttet til interne trusler eller konto-kompromittering.

Sikkerhetsteam må kontinuerlig bygge og finjustere oppdagelseslogikk for å holde tritt med trusler som stadig utvikler seg.

Agentens rolle:

• Skriver og tester oppdagelseslogikk.
• Verifiserer oppdagelsesdekning og identifiserer mangler.
• Foreslår justeringsforbedringer for å redusere falske positiver.

Analytikerens rolle:

• Gjennomgår og godkjenner oppdateringer av oppdagelser.
• Tilpasser oppdagelser til organisasjonens prioriteringer.
• Har ansvar for langsiktig sikkerhetsarkitektur og strategi.

Beskyttelse av sensitive data krever kontinuerlig overvåking, klassifisering og håndheving av sikkerhetspolicyer.

Agentens rolle:

• Undersøker og prioriterer risiko knyttet til hindring av datatap og interne trusler.
• Automatiserer oppdagelse og analyse av risiko for sensitive data på tvers av miljøer.
• Identifiserer policybrudd og samsvarshull.

Rollen til dataadministrator for sikkerhet:

• Gjennomgår hendelser med høy risiko for dataeksponering.
• Fastsetter krav til samsvar og styring.
• Har ansvar for beslutninger om utbedring og håndheving av policyer.

Agentisk KI i cybersikkerhet gir mest verdi når den hjelper team med å analysere data, berike varsler og svare på sårbarheter og trusler på tvers av hele miljøet. For å gjøre dette bruker organisasjoner API-er til å koble sikkerhetsagenter til verktøyene de allerede bruker, for eksempel SOAR, utvidet oppdagelse og svar (XDR), administrasjon av sikkerhetsstatus i skyen (CSPM), identitets- og tilgangsadministrasjon (IAM), sikkerhetsinformasjon og hendelsesadministrasjon (SIEM), verktøy for endepunktsoppdagelse og -svar (EDR), og løsninger for saksbehandling. Dette gjør at agentiske KI-systemer kan hente informasjon, koordinere arbeidsflyter, utløse handlinger og oppdatere systemer i sanntid.

Automatisering sparer teamene for mye tid, men det er fortsatt viktig å beholde kontroll og ansvarlighet for å unngå utilsiktede handlinger. Sikkerhetsteam krever vanligvis at analytikere vurderer avgjørelser med høy risiko, samtidig som de gir mer autonomi for handlinger med lavere risiko. I begge tilfeller er det viktig å etablere datastyring og tilgangskontroller for å bidra til at KI bare samhandler med godkjente systemer og data.

Sikkerhetsteamene som lykkes best med agentisk KI, tar i bruk måleverktøy for å evaluere hvor godt de når målene sine. Dette gir dem informasjonen de trenger for å justere og forbedre implementeringene sine.

Viktige suksessmålinger inkluderer:

Data som bidrar til å vurdere effektiviteten til sikkerhetsoperasjoner, omfatter:

• MTTD og MTTR.
• Antall varsler som blir sortert eller lukket automatisk.
• Reduksjon i andel falske positiver.
• Tid brukt på å undersøke og løse hendelser.

Disse måleverdiene gir ledelsen innsikt i hvordan agentisk KI endrer måten sikkerhetsteam bruker tiden sin på:

• Analytikertimeverk vunnet tilbake fra manuell undersøkelse og prioritering.
• Eskaleringsrate for varsler som krever inngripen fra analytiker.
• Tid til pålasting for nye analytikere som bruker KI-støttede arbeidsflyter.
• Reduksjon i repetitive eller lavverdige oppgaver.

Ledere kan også se hvordan forbedringer i sikkerheten påvirker hele organisasjonen med måleverdier som:

• Kostnad per sikkerhetshendelse.
• Dekning på tvers av miljøer, identiteter, endepunkter og skyressurser
• Samlet samsvarsstatus og beredskap for revisjon.
• Reduksjon i operasjonell risikoutsatthet over tid.

Fordi agentiske systemer opererer med ulike nivåer av autonomi, er styring, åpenhet og kontroll avgjørende for trygg utrulling.

• Skyggeagenter og uadministrert automatisering. Når agentiske systemer skaleres, kan organisasjoner utilsiktet skape uadministrerte eller dupliserte agenter. Uten riktig overvåking kan disse «skyggeagentene» føre til inkonsekvent atferd eller uautoriserte handlinger.
• Hallusinasjoner og falske positiver. Som andre KI-systemer kan agentisk KI gi feilaktige konklusjoner eller feiltolke data, noe som potensielt kan føre til unødvendige varsler eller feilaktige handlinger hvis det ikke blir validert.
• Overautomatisering og tap av oversikt. For stor avhengighet av automatisering kan redusere innsynet i beslutningsprosesser og øke risikoen for at kontekst går tapt eller at upassende handlinger utføres.
• Datapersonvern og tilgangskontroll. Agentiske KI-systemer krever tilgang til sensitive sikkerhetsdata, så strenge kontroller rundt tillatelser, datagrenser og tilgang med minste privilegium er avgjørende.
• Modelldrift og fiendtlig manipulasjon. Over tid kan modellytelsen bli dårligere etter hvert som miljøene endrer seg. I tillegg kan angripere forsøke å manipulere input eller måleverdier for å påvirke agentatferd.

• NIST KI Risk Management Framework ( KI RMF) gir veiledning for å håndtere KI-relaterte risikoer gjennom hele livssyklusen, inkludert styring, kartlegging, måling og håndtering.
• ISO/IEC 42001 fastsetter krav til et styringssystem for KI, med fokus på ansvarlig utvikling og bruk av KI-systemer.
• EU KI Act innfører risikobasert klassifisering og krav til samsvar for KI-systemer som er i bruk i eller påvirker EU.
• Bransjespesifikke reguleringer er unike krav for enkelte bransjer, som den amerikanske loven Health Insurance Portability and Accountability Act (HIPAA) for beskyttelse av helsedata, Payment Card Industry Data Security Standard (PCI DSS) for betalingssikkerhet og Sarbanes-Oxley Act (SOX) for kontroller for finansrapportering.

Når sikkerhetsteam ruller ut og skalerer agentisk KI for cybersikkerhet på tvers av organisasjonen, bidrar en gjennomtenkt strategi til å forbedre sikkerhetsresultatene samtidig som den opprettholder åpenhet, ansvarlighet og tillit på tvers av team.

Organisasjoner innfører vanligvis agentisk KI i kontrollerte faser, og starter med lavrisiko brukstilfeller som støtter, før de går videre til handlinger med større konsekvens. Det er også viktig å prioritere åpenhet i hvordan sikkerhetsagenter tar avgjørelser.

Godt definerte sikkerhetsbarrierer bidrar til å begrense agentatferd til trygge og forventede rammer. For å redusere risikoen for uventet atferd definerer team hvilke handlinger KI-agenter for cybersikkerhet kan utføre selvstendig, etablerer godkjenningsarbeidsflyter for operasjoner med høy påvirkning eller sensitiv karakter, og setter terskler for når sikkerhetsagenter må eskalere til analytikere.

Rollebasert tilgangskontroll (RBAC) bidrar til å redusere risikoen for utilsiktet aktivitet ved å begrense agenttilgang til systemene, dataene og handlingene som trengs for den spesifikke funksjonen. Av den grunn bruker identitetsteam de samme prinsippene om minste privilegium på agenter som på mennesker.

For å beholde innsyn i agentatferd logger og reviderer sikkerhetsteam alle agenthandlinger, inkludert avgjørelser, bruk av verktøy og resultater. Dette hjelper dem med å undersøke hendelser, oppfylle samsvarskrav og oppdage implementeringsproblemer som må finjusteres.

Analytikere er mer tilbøyelige til å ta i bruk agentisk KI hvis de føler seg informert og i kontroll. Organisasjoner kan bygge tillit ved å sørge for at agentanbefalinger er tydelige og lette å forstå. De lykkes også bedre når de bruker KI til å styrke, ikke erstatte, beslutningstakingen til analytikere.

Sikkerhetsoperasjonssentre (SOC-er), IT- og samsvarsteam spiller alle en rolle i å ta i bruk agentisk KI på en trygg og effektiv måte, og i tråd med organisasjonens risikotoleranse. Et tverrfaglig team hjelper organisasjoner med å definere operasjonelle brukstilfeller, håndtere integrasjon og infrastruktur og oppfylle regulatoriske krav.

Å bygge fullt agentiske arbeidsflyter som fungerer på tvers av sikkerhetsdomener, er en prosess med flere faser. Når organisasjoner øker modenheten i driften, trenger de sterkere styring og mer overvåking.

I den tidligste fasen bruker organisasjoner forhåndsdefinerte skript og arbeidsflyter til å håndtere repeterende sikkerhetsoppgaver.

Slik ser suksess ut:

• Konsekvent fullføring av rutineoppgaver, for eksempel supplering av varsler eller oppretting av saker.
• Mindre manuelt arbeid i arbeidsflyter med lav kompleksitet.
• Avhengighet av statiske regler og kjøreregler.

Beredskapsindikatorer:

• Stabile integrasjoner med SIEM, SOAR og saksbehandling.
• Tydelig definerte og repeterbare sikkerhetsprosesser.
• Et høyt volum av repetitive oppgaver for analytikere.

På dette stadiet støtter KI analytikere ved å forbedre synlighet, oppsummering og beslutningstaking, men tar ikke direkte handling.

Slik ser suksess ut:

• Raskere undersøkelse gjennom KI-genererte oppsummeringer og innsikter.
• Bedre forståelse av varsler og mer kontekst gjennom supplering.
• Analytikere er fortsatt fullt ansvarlige for avgjørelser og handlinger.

Beredskapsindikatorer:

• Modne datapipelines og sentraliserte målinger.
• Etablerte prosesser for sikkerhetsoperasjoner.
• Behov for raskere støtte til sortering og undersøkelser.

Her begynner agentisk KI å ta begrensede handlinger innenfor definerte rammer, mens mennesker beholder godkjenningsansvaret for operasjoner med høyere risiko.

Slik ser suksess ut:

• Automatisert prioritering, supplering og anbefalte utbedringstrinn.
• Redusert arbeidsbelastning for analytikere på repeterende undersøkelsesoppgaver.
• Godkjenning med menneske i sløyfen for inneslutnings- og utbedringstiltak.

Beredskapsindikatorer:

• Sterke identitets- og tilgangskontroller for automatiseringssystemer.
• Godt definerte eskalerings- og godkjenningsarbeidsflyter.
• Tillit til datakvalitet og systemintegrasjoner.

På det mest modne nivået jobber agentisk KI på tvers av flere domener og koordinerer handlinger med minimal innblanding fra analytikere innenfor etablerte rammer. Dette gjør det mulig med sikkerhetsorganisering fra ende til ende på tvers av organisasjonen.

Slik ser suksess ut:

• Kontinuerlig, autonom oppdagelse, undersøkelse og respons på tvers av miljøer.
• Koordinering på tvers av domener mellom sikkerhets-, IT-, identitets- og samsvarssystemer.
• Personer fokuserer på styring, strategi og håndtering av unntak.

Beredskapsindikatorer:

• Modne styringsrammeverk for KI og automatisering.
• Måleverdier med høy tillit og dataintegritet på tvers av systemer.
• Sterk tverrfunksjonell samordning mellom sikkerhets-, IT- og samsvarsteam.
• Etablert tillit til automatiserte beslutninger med sporbarhet og tilsyn.

Agentisk KI er fortsatt tidlig i innføringskurven, men flere tydelige trender former hvordan den vil utvikle seg på tvers av sikkerhet.

• Autonom red teaming. KI-agenter vil i økende grad simulere angriperatferd for å teste forsvar kontinuerlig, finne svakheter og validere sikkerhetskontroller i sanntid.
• Agentløkker. Agentisk KI for sikkerhetsoperasjoner vil bli mer kontinuerlig og selvforbedrende, med agenter som oppfatter, handler og lærer av resultater for å finjustere oppdagelse og svar.
• Cyberkonflikt mellom KI-systemer. Når cyberangripere også tar i bruk KI, kan fremtidige cyberangrep innebære defensive og offensive agentiske systemer som konkurrerer direkte med hverandre.
• Prediktivt forsvar. I stedet for å reagere på hendelser vil agentiske systemer forutse trusler ved å analysere mønstre, eksponeringsdata og angriperatferd for å forhindre cyberangrep før de skjer.
• Samarbeidende KI-agenter. Flere spesialiserte agenter vil koordinere på tvers av oppgaver, som oppdagelse, undersøkelse, utbedring og rapportering, for å skape mer skalerbare og robuste sikkerhetsarbeidsflyter.
• Analytikerens rolle i utvikling. Analytikere vil gå bort fra repetitive undersøkelses- og responsoppgaver og over til mer verdifulle ansvarsområder som tilsyn med agenter, policydesign og strategisk risikostyring.

Organisasjoner kan oppdage, undersøke og svare på trusler på tvers av hele det digitale miljøet med en samlet, KI-drevet sikkerhetsplattform fra Microsoft. I sentrum står Microsoft Security Copilot, en naturlig språkbasert, KI-assistert sikkerhetsløsning som lar analytikere resonere rundt hendelser, oppsummere trusler og koordinere responshandlinger på tvers av miljøer. Innebygde agenter utvider disse egenskapene på tvers av Microsoft Sikkerhet-løsninger.

Sikkerhetsteam blir ofte overveldet av varslingsvolum, manuell sortering og fragmenterte undersøkelser. I Microsoft Defender XDR hjelper agentisk KI med å prioritere risikoer med høy risiko, undersøke hendelser raskere og forbedre effektiviteten i responsen.

• Agent for sikkerhetsvarselsortering – Prioriterer varsler for å redusere støy og hjelpe analytikere med å fokusere på hendelser med høy risiko raskere.
• Sikkerhetsanalytikeragent – Undersøker hendelser, korrelerer signaler og anbefaler responshandlinger for å effektivisere SOC-arbeidsflyter.
• Agent for trusseljakt – Søker på tvers av miljøer for å avdekke skjulte trusler, mistenkelig atferd og nye angrepsmønstre.
• Agent for dynamisk trusseloppdagelse – Analyserer aktivitet kontinuerlig og tilpasser oppdagelseslogikken for å identifisere trusler og avvik som endrer seg.
• Agent for orientering om trusselinformasjon – Oppsummerer trusselinformasjon til handlingsrettet innsikt, slik at team kan ligge i forkant av nye risikoer.

Sammen bidrar disse agentene til å redusere manuell undersøkelse og gjøre responsen raskere på tvers av endepunkter, identiteter, e-post og skyarbeidsbelastninger.

I Microsoft Sentinel hjelper Security Copilot analytikere med å gå fra manuell undersøkelse til naturlig språkbaserte arbeidsflyter levert av promptbooks. Analytikere kan generere KQL, oppsummere hendelser, berike enheter, analysere brukere og enheter, og automatisere undersøkelsessteg gjennom Logic Apps og promptbooks.

En tilpasset rapporteringsagent for Sentinel-hendelser kan hente ut undersøkelsesfunn, enheter, innsikt og utbedringstiltak fra hendelser. Promptbooks kan også automatisere brukeranalyse og legge til funn direkte i aktivitetslogger for hendelser.

Disse egenskapene bidrar til å redusere manuell skriving av spørringer, gjøre undersøkelser mer konsistente og spare tid for analytikere ved å automatisere gjentakbare oppgaver.

I Microsoft Purview hjelper Security Copilot team med å beskytte og styre data på tvers av Administrasjon av datasikkerhetsstatus, hindring av datatap, håndtering av intern risiko, eDiscovery, Overvåking og kommunikasjonssamsvar.

• Agent for datasikkerhetsprioritering–- Prioriterer DLP- og Insider Risk-varsler, forklarer risikokontekst og kan starte utbedringsarbeidsflyter sammen med dataeiere.
• Agent for datasikkerhetsstatus – Finner sensitive data, identifiserer skjulte risikoer og eksponerte legitimasjonsopplysninger, forbedrer sensitivitetsmerking og genererer ledelsesklare sammendrag.

Disse agentene hjelper sikkerhetsteam med å redusere manuell sortering, prioritere kritiske risikoer raskere og styrke drift av datasikkerhet og samsvar.

I Microsoft Entra hjelper Security Copilot team med å undersøke risikable brukere, uvanlige pålogginger, privilegert tilgang og identitetsbaserte trusler. Copilot kan oppsummere identitetskontekst, forklare risikosignaler og anbefale handlinger som tilbakekalling av økter, tilgangsgjennomganger eller justering av Betinget tilgang-policy.

Funksjonene omfatter identitets- og tilgangsagenter og Microsoft Entra Agent ID, som hjelper organisasjoner med å registrere, administrere og styre identiteter for KI-agenter med livssyklusadministrasjon, tilgangsstyring og kontroller for identitetsbeskyttelse.

Disse funksjonene hjelper organisasjoner med å redusere identitetsrisiko og bruke nulltillit-prinsipper på tvers av både menneskelige og KI-baserte identiteter.

I Microsoft Intune hjelper Security Copilot endepunkt- og IT-team med å forstå enhetssamsvar, konfigurasjonsavvik, sårbarhetseksponering og behov for utbedring. Copilot kan oppsummere enhetsrisiko, forklare ikke-samsvarsproblemer, anbefale neste steg og hjelpe team med å svare raskere.

Agentene for endepunktsadministrasjon hjelper med å automatisere samsvarskontroller, undersøke enhetsproblemer og veilede utbedring på tvers av administrerte endepunkter.

Disse funksjonene bidrar til å redusere manuell undersøkelse av endepunkter, forbedre samsvarsdrift og lukke konfigurasjonsgap raskere.

Sammen hjelper Microsoft Security Copilot og innebygde agenter organisasjoner med å gå fra reaktiv, manuell sikkerhetsoperasjoner til tilpasset, KI-assistert forsvar som forbedrer beskyttelse, hastighet og skala på tvers av sikkerhetslivssyklusen.