Vad är agentisk AI inom cybersäkerhet?

Agentiska AI-system är ofta utformade med inbyggd mänsklig tillsyn för att balansera oberoende med kontroll.

I Microsofts metod för agentisk AI för cybersäkerhet är detta utformat som en samarbetsmodell där mänskliga operatörer kan övervaka och vägleda systembeteende.

Vanliga exempel:

• Transparenta skäl. Microsoft-system ger stöd för kontext och logik med rekommendationer som hjälper analytiker att förstå systemresultat och beslutsvägar.

• Godkännande och justering. Teams kan granska, godkänna, avvisa eller finjustera systemåtgärder, med feedback för att kontinuerligt förbättra resultatet.

• Granskningsbara kontroller. Aktiviteter styrs av företagssäkerhetskontroller som rollbaserad åtkomst, granskningsloggar och arbetsflödesskydd för att stödja ansvars- och efterlevnadskrav.

Agentisk AI kan dynamiskt svara på föränderliga villkor och justera sitt beteende baserat på kontext på grund av en process som kallas agentisk loop – en sekvens med steg som agenten upprepas tills den uppnår sitt mål.

Uppfatta → → Plan → Act → Learn

• Uppfattar. Systemet samlar in information från sin miljö, inklusive loggar, aviseringar, användaraktivitet, hotinformationoch data från anslutna verktyg och system.
• Orsak. Den analyserar informationen, identifierar mönster, utvärderar risker och avgör vad data innebär i kontexten.
• Planera. Baserat på dess mål utvecklar systemet en sekvens med åtgärder för att uppnå önskat resultat.
• Agera. Agenten utför uppgifter, till exempel isolera en enhet, öppna ett ärende, eskalera en avisering eller samla in ytterligare bevis genom att interagera med verktyg, system eller arbetsflöden.
• Lär dig. Systemet utvärderar resultatet av sina åtgärder och använder feedback, nya data och tidigare resultat för att förbättra framtida beslut och svar.

För att få agentisk AI att fungera effektivt måste teamen också bestämma om de vill använda ett system med en enda agent eller ett system med flera agenter. Ett system med en enda agent förlitar sig på en agent för att hantera uppgifter och beslut, vilket fungerar bra när arbetsflöden är relativt inneslutna och beslut centraliseras. Om arbetsflöden är komplexa eller kräver olika typer av expertis, skapar organisationer ofta ett system med flera agenter som använder flera specialiserade AI-agenter för cybersäkerhet som arbetar tillsammans mot ett gemensamt mål.

Även med autonoma funktioner är övervakning från människor fortfarande viktigt. Många organisationer använder kontrollpunkter och godkännandegrindar för känsliga eller högriskåtgärder för att upprätthålla styrning, ansvar och driftskontroll.

Skillnaderna mellan traditionell automatisering, generativ AI och agentisk AI blir tydligare vid jämförelse mellan kärndimensioner.

Tyvärr är företag och myndigheter inte de enda som implementerar AI i snabb takt. Hot aktörer använder agentiska system för att öka hastigheten och skalan för sina cyberattacker, vilket skapar eller ökar flera cybersäkerhetsutmaningar, inklusive:

• Skalningsutmaningen. Säkerhetsteam står ofta inför överväldigande aviseringsvolymer, växande datakomplexitet och pågående analysbrister.
• Utmaningens hastighet. Cyberattacker automatiserar allt oftare sin verksamhet, medan många försvarsspelare fortfarande förlitar sig på manuella sorterings- och incidenthanteringsprocesser.
• Tillförlitlighets- och noggrannhetsutmaningen. Varaktig exponering för nattskift och stora mängder repetitiva uppgifter kan leda till analytikerutmattning och utbrändhet, vilket ökar risken för inkonsekvens och mänskliga fel.
• Återhämtningsutmaningen. Moderna organisationer arbetar i hybridmiljöer som omfattar molnplattformar, slutpunkter, identiteter, program och tjänster från tredje part. Den här växande attackytan ökar den operativa risken och skapar fler möjligheter för cyberattacker.

Agentisk AI inom cybersäkerhet hjälper säkerhetsteam att arbeta mer effektivt i miljöer som blir för komplexa, snabba och sammankopplade för helt manuella säkerhetsåtgärder (SecOps). Detta skiljer sig från bredare agentisk AI-säkerhet, som fokuserar på att skydda AI-system själva.

I stället för att ersätta säkerhetsteam fungerar agentisk AI som en kraftmultiplikator för cybersäkerhetsåtgärder, vilket leder till fördelar som:

• Snabbare genomsnittlig tid att identifiera och svara (MTTD/MTTR). Agentisk AI kan undersöka aviseringar, korrelera signaler och snabbt samordna svarsåtgärder, vilket hjälper team att minska identifierings- och svarstiderna.
• Minskad analysutmattning och mer tid för arbete med högt värde. Genom att hantera repetitiva och tidskrävande uppgifter bidrar agentisk AI till att minska aviseringsutmattningen och gör det möjligt för analytiker att fokusera på mer strategiska undersökningar och beslutsfattande.
• Konsekvent, repeterbar sortering och svar. Agentisk AI tillämpar arbetsflöden och processer konsekvent över incidenter, vilket förbättrar drifttillförlitligheten genom att minska variabiliteten som orsakas av manuella åtgärder.
• Täckning dygnet runt och elastisk skalning. Till skillnad från mänskliga team kan agentisk AI arbeta kontinuerligt och skala för att hantera stora mängder aviseringar, händelser och data utan ytterligare personal.
• Förbättrat signal-till-brus-förhållande och prioritering. Agentisk AI kan analysera stora mängder kontextuella data för att identifiera de viktigaste hoten, minska onödiga aviseringar och förbättra prioriteringen.
• Starkare motståndskraft och proaktiv riskhantering. Agentisk AI kan kontinuerligt övervaka miljöer, identifiera potentiella svagheter och stödja proaktiva säkerhetsåtgärder som hjälper organisationer att minska riskerna och förbättra driftsresiliensen över tid.

Flera användningsfall visar hur personer och agenter kan samarbeta för att stärka säkerheten.

Säkerhetsteam får ofta fler aviseringar än de kan undersöka manuellt, vilket gör prioriteringen nödvändig för ett effektivt svar.

Agentens roll:

• Utökar aviseringar med hotinformation, tillgångskontext och användarbeteendedata.
• Prioriterar incidenter baserat på risk- och konfidensbedömning.
• Rekommenderar nästa steg för undersökning eller reparation.

Analytikernsroll:

• Granskar incidenter med hög prioritet.
• Validerar resultat och eskaleringsbeslut.
• Hanterar komplexa eller känsliga undersökningar.

Säkerhetsteam förlitar sig på stora mängder hotdata, vilket gör det svårt att snabbt extrahera relevanta och handlingsbara insikter.

Agentens roll:

• Samlar in och sammanfattar hotinformation från flera källor.
• Ger situationsmedvetenhet i realtid och snabb rapportering.
• Korrelerar hotaktivitet i olika miljöer.

Analytikerns roll:

• Tolkar strategiska risk- och hottrender.
• Verifierar intelligensens relevans och påverkan.
• Vägleder svarsprioriteringar och planering.

Att identifiera dolda eller nya hot kräver kontinuerlig analys över stora och komplexa datamängder.

Agentens roll:

• Genererar jakthypoteser och frågar datakällor.
• Itererar över stora datauppsättningar för att identifiera misstänkt aktivitet.
• Utför kontinuerliga bakgrundsjakter efter nya hot.

Analytikerns roll:

• Validerar resultaten och fastställer affärspåverkan.
• Undersöker avancerad eller riktad cyberattackaktivitet.
• Förfinar jaktstrategier och prioriteringar.

Att svara på säkerhetsincidenter kräver snabb samordning mellan identifierings-, undersöknings- och inneslutningsaktiviteter.

Agentens roll:

• Automatiserar dokumentation om insamling av bevis och incidenter.
• Skapar tidslinjer och sammanfattar cyberattackaktivitet.
• Slutför inneslutningsåtgärder med godkännande från analytiker.
• Hjälper till att skydda slutpunkter och automatisera arbetsflöden för sårbarhetsreparation.

Than rollen som analytiker:

• Godkänner åtgärder för högriskåtgärder.
• Övervakar reparations- och återställningsarbetet.
• Samordnar kommunikation och granskning efter incident.

Organisationer måste identifiera och prioritera säkerhetsbrister innan de utnyttjas av hotorganisationer.

Agentens roll:

• Prioriterar sårbarheter baserat på risknivån och värdet för de tillgångar som är utsatta för risk.
• Identifierar exponeringar i moln-, slutpunkts- och identitetsmiljöer.
• Rekommenderar reparationssökvägar och åtgärdsåtgärder.

Analytikerns roll:

• Fastställer åtgärdsprioriteringar baserat på affärsrisker.
• Verifierar rekommenderade åtgärder.
• Samordnar åtgärder för korrigering och riskreducering.

Övervakning av identitetsaktivitet är viktigt för att identifiera obehörig åtkomst och förhindra missbruk av privilegier.

Agentens roll:

• Identifierar ovanliga inloggnings- och åtkomstmönster.
• Identifierar riskfyllda behörigheter och eskaleringsrisker för privilegier.
• Övervakar kontinuerligt identitetsrelaterade hot.

Identitets- och åtkomstadministratörens roll:

• Granskar händelser med hög riskåtkomst.
• Godkänner princip- eller behörighetsändringar.
• Undersöker potentiell insider- eller konto komprometterad aktivitet.

Säkerhetsteam måste kontinuerligt skapa och förfina identifieringslogik för att hålla jämna steg med nya hot.

Agentens roll:

• Identifieringslogik för skrivningar och tester.
• Verifierar identifieringstäckning och identifierar luckor.
• Föreslår justeringsförbättringar för att minska falska positiva identifieringar.

Analytikerns roll:

• Granskar och godkänner identifieringsuppdateringar.
• Justerar identifieringar med organisationens prioriteringar.
• Övervakar långsiktig säkerhetsarkitektur och strategi.

Skydd av känsliga data kräver kontinuerlig övervakning, klassificering och tillämpning av säkerhetsprinciper.

Agentens roll:

• Undersöker och prioriterar dataförlustskydd och interna risker.
• Automatiserar identifiering och analys av känsliga datarisker i olika miljöer.
• Identifierar principöverträdelser och efterlevnadsluckor.

Rollen som datasäkerhetsadministratör:

• Granskar högriskdataexponeringshändelser.
• Fastställer efterlevnads- och styrningskrav.
• Övervakar åtgärder och beslut om principframtvingande.

Agentisk AI inom cybersäkerhet ger mest värde när det hjälper team att analysera data, utöka aviseringar och reagera på sårbarheter och hot i hela miljön. För att göra detta använder organisationer API:er för att ansluta säkerhetsagenter till de verktyg som de redan använder, till exempel SOAR, XDR (Extended Detection and Response), CSPM(Cloud Security Posture Management), IAM(Identitets- och åtkomsthantering), SIEM-verktyg (säkerhetsinformation och händelsehantering), verktyg för slutpunktsidentifiering och svar (EDR) och biljettlösningar. Detta gör att agentiska AI-system kan hämta information, samordna arbetsflöden, utlösa åtgärder och uppdatera system i realtid.

Automation sparar mycket tid åt teamen, men det är fortfarande viktigt att behålla kontrollen och ansvarstagandet för att undvika oavsiktliga åtgärder. Säkerhetsteam kräver vanligtvis att analytiker granskar högriskbeslut, samtidigt som de tillåter mer självbestämmande för åtgärder med lägre risk. I båda fallen är det viktigt att upprätta datastyrnings – och åtkomstkontroller för att säkerställa att AI endast interagerar med godkända system och data.

De säkerhetsteam som har störst framgång med agentisk AI har infört mätverktyg för att utvärdera hur väl de uppfyller målen. Det ger dem den information de behöver för att justera och förfina sina implementeringar.

Viktiga framgångsmått är:

Data som hjälper dig att fastställa effektiviteten i säkerhetsåtgärder omfattar:

• MTTD och MTTR.
• Antal aviseringar som automatiskt sorterats eller stängts.
• Falska positiva frekvensminskningar.
• Tidsåtgång för att undersöka och lösa incidenter.

Dessa mått ger ledarskapsinsikter om hur agentisk AI förändrar hur säkerhetsteamen använder sin tid:

• Analytikertimmar som har återtagits från manuell undersökning och sortering.
• Eskaleringsfrekvens för aviseringar som kräver analytikerinteraktion.
• Tid till registrering för nya analytiker som använder AI-assisterat arbetsflöden.
• Minskning av repetitiva eller lågvärdesaktiviteter.

Ledare kan också se hur säkerhetsförbättringar påverkar hela organisationen med mått som:

• Kostnad per säkerhetsincident.
• Täckning mellan miljöer, identiteter, slutpunkter och molnresurser
• Övergripande efterlevnadsstatus och granskningsberedskap.
• Minskning av exponering av operativa risker över tid.

Eftersom agentiska system fungerar med olika nivåer av självbestämmande, styrning, transparens och kontroll är det viktigt för säker distribution.

• Skuggagenter och ohanterad automatisering. När agentsystem skalas kan organisationer oavsiktligt skapa ohanterade eller duplicerade agenter. Utan korrekt tillsyn kan dessa "skuggagenter" införa inkonsekvent beteende eller obehöriga åtgärder.
• Menater och falska positiva identifieringar. Precis som andra AI-system kan agentisk AI generera felaktiga slutsatser eller feltolka data, vilket kan leda till onödiga aviseringar eller felaktiga åtgärder om de inte verifieras.
• Överautomatisering och förlust av tillsyn. Överdriven beroende av automatisering kan minska insynen i beslutsprocesser, vilket ökar risken för missad kontext eller olämpliga åtgärder.
• Datasekretess och åtkomstkontroll. Agentiska AI-system kräver åtkomst till känsliga säkerhetsdata, vilket gör strikta kontroller kring behörigheter, datagränser och åtkomst med lägst behörighet kritisk.
• Modellavvikelse och kontradiktorisk manipulering. Med tiden kan modellprestanda försämras när miljöer ändras. Dessutom kan cyberattacker försöka manipulera indata eller mått för att påverka agentbeteendet.

• NIST AI Risk Management Framework (AI RMF) ger vägledning för att hantera AI-relaterade risker under livscykeln, inklusive styrning, mappning, mätning och hantering.
• ISO/IEC 42001 fastställer krav för ett AI-hanteringssystem med fokus på ansvarsfull utveckling och användning av AI-system.
• EU AI Act inför riskbaserade klassificerings- och efterlevnadskrav för AI-system som körs i eller påverkar EU.
• Sektorspecifika bestämmelser är unika krav för vissa branscher, till exempel HIPAA (Health Insurance Portability and Accountability Act) för dataskydd inom hälso- och sjukvården, Payment Card Industry Data Security Standard (PCI DSS) för betalningssäkerhet och Sarbanes-Oxley Act (JPG) för finansiella rapporteringskontroller.

När säkerhetsteam distribuerar och skalar agentisk AI för cybersäkerhet i sina organisationer kan en genomtänkt strategi förbättra säkerhetsresultaten samtidigt som transparens, ansvar och förtroende upprätthålls mellan teamen.

Organisationer introducerar vanligtvis agentisk AI i kontrollerade faser, med början med låg risk, hjälpmedelsanvändning innan de utökas till åtgärder med högre påverkan. Det är också viktigt att prioritera transparens i hur säkerhetsagenter fattar beslut.

Väldefinierade skyddsräcken hjälper till att begränsa agentbeteendet till säkra och förväntade gränser. För att minska risken för oväntat beteende definierar team vilka åtgärder AI-agenter för cybersäkerhet kan utföra autonomt, upprätta godkännandearbetsflöden för hög påverkan eller känsliga åtgärder och ange tröskelvärden för när säkerhetsagenter behöver eskalera till analytiker.

Rollbaserad åtkomstkontroll (RBAC) bidrar till att minska risken för oavsiktlig aktivitet genom att begränsa agentåtkomsten till de system, data och åtgärder som krävs för deras specifika funktion. Därför tillämpar identitetsteam samma principer för lägsta behörighet för agenter som de gör för personer.

För att upprätthålla insyn i agentbeteendet loggar och granskar säkerhetsteamen alla agentåtgärder, inklusive beslut, verktygsanvändning och resultat. Det hjälper dem att undersöka incidenter, uppfylla efterlevnadskrav och identifiera implementeringsproblem som behöver finjusteras.

Analytiker är mer benägna att införa agentisk AI om de känner sig informerade och har kontroll. Organisationer kan skapa förtroende genom att se till att agentrekommendationerna är tydliga och lätta att förstå. De har också bättre framgång när de använder AI för att utöka i stället för att ersätta analytikernas beslutsfattande.

Säkerhetsåtgärdscenter (SOC), IT och efterlevnadsteam spelar alla en roll när det gäller att distribuera agentisk AI på ett säkert, effektivt och i linje med organisationens risktolerans. Ett tvärområdesteam hjälper organisationer att definiera användningsfall, hantera integrering och infrastruktur och uppfylla regelkrav.

Att skapa helt agentiska arbetsflöden som fungerar i säkerhetsdomäner är en process med flera steg. När organisationer ökar sin operativa mognad behöver de starkare styrning och tillsyn.

I det tidigaste skedet använder organisationer fördefinierade skript och arbetsflöden för att hantera repetitiva säkerhetsuppgifter.

Hur framgång ser ut:

• Konsekvent slutförande av rutinuppgifter, till exempel aviseringsberikande eller skapande av ärenden.
• Minskade manuella åtgärder i arbetsflöden med låg komplexitet.
• Beroende av statiska regler och spelböcker.

Beredskapsindikatorer:

• Stabila SIEM-, SOAR- och biljettintegreringar.
• Tydligt definierade och upprepningsbara säkerhetsprocesser.
• En stor mängd repetitiva analysuppgifter.

I det här skedet stöder AI analytiker genom att förbättra synlighet, sammanfattning och beslutsfattande, men vidtar inte direkta åtgärder.

Hur framgång ser ut:

• Snabbare undersökning via AI-genererade sammanfattningar och insikter.
• Förbättrad aviseringsförstelse och kontextberikande.
• Analytiker förblir fullständigt ansvariga för beslut och åtgärder.

Beredskapsindikatorer:

• Mogna datapipelines och centraliserade mått.
• Upprättade säkerhetsåtgärder.
• Behöver snabbare sorterings- och undersökningsstöd.

Här börjar agentisk AI vidta begränsade åtgärder inom definierade skyddsräcken, medan personer behåller godkännandeutfärdare för åtgärder med högre risk.

Hur framgång ser ut:

• Automatiserade sorterings-, berikande- och rekommenderade reparationssteg.
• Minskade analytikernas arbetsbelastning för repetitiva undersökningsuppgifter.
• Mänskligt godkännande för inneslutnings- och reparationsåtgärder.

Beredskapsindikatorer:

• Starka identitets- och åtkomstkontroller för automationssystem.
• Väldefinierade arbetsflöden för eskalering och godkännande.
• Förtroende för datakvalitet och systemintegrering.

I den mest mogna fasen arbetar agentisk AI över flera domäner och samordnar åtgärder med minimala analytikerintervention inom etablerade gränser. Detta möjliggör säkerhetsorkestrering från slutpunkt till slutpunkt i hela organisationen.

Hur framgång ser ut:

• Kontinuerlig, autonom identifiering, undersökning och svar i olika miljöer.
• Korsdomänsamordning mellan säkerhets-, IT-, identitets- och efterlevnadssystem.
• Människor fokuserar på styrning, strategi och undantagshantering.

Beredskapsindikatorer:

• Mogna styrningsramverk för AI och automatisering.
• Mått med hög konfidens och dataintegritet mellan system.
• Stark korsfunktionell justering mellan säkerhets-, IT- och efterlevnadsteam.
• Etablerade förtroende för automatiserat beslutsfattande med granskning och tillsyn.

Agentisk AI är fortfarande tidigt i sin implementeringskurva, men flera tydliga trender formar hur den kommer att utvecklas inom säkerhet.

• Autonom röd teamindelning. AI-agenter simulerar i allt högre grad angreppsbeteende för att kontinuerligt testa försvar, identifiera svagheter och validera säkerhetskontroller i realtid.
• Agentloopar. Agentisk AI för säkerhetsåtgärder blir mer kontinuerlig och självförbättrande, med agenter som uppfattar, agerar och lär sig från resultat till att förfina identifiering och svar.
• Cyberkonflikt med AI-till-AI. Eftersom cyberattacker också inför AI kan framtida cyberengagemang omfatta försvars- och stötande agentsystem som konkurrerar direkt med varandra.
• Förutsägande skydd. I stället för att reagera på incidenter förutser agentiska system hot genom att analysera mönster, exponeringsdata och angripares beteende för att förhindra cyberattacker innan de inträffar.
• Samarbetsbaserade AI-agenter. Flera specialiserade agenter samordnar uppgifter, till exempel identifiering, undersökning, reparation och rapportering, för att skapa mer skalbara och elastiska säkerhetsarbetsflöden.
• Analytikerns växande roll. Analytiker övergår från repetitiva undersöknings- och svarsuppgifter mot ansvarsområden med högre värde, till exempel agentövervakning, principdesign och strategisk riskhantering.

Organisationer kan identifiera, undersöka och svara på hot i sin digitala egendom med en enhetlig, AI-driven säkerhetsplattform från Microsoft. I mitten finns Microsoft Security Copilot, en ai-assisterad säkerhetslösning med naturligt språk som gör det möjligt för analytiker att förstå incidenter, sammanfatta hot och samordna svarsåtgärder i olika miljöer. Inbäddade agenter utökar dessa funktioner i Microsofts säkerhetslösningar.

Säkerhetsteam överbelastas ofta av aviseringsvolym, manuell sortering och fragmenterade undersökningar. I Microsoft Defender XDR hjälper agentisk AI till att prioritera högriskproblem, undersöka incidenter snabbare och förbättra svarseffektiviteten.

• Security Alert Triage Agent – Prioriterar aviseringar för att minska bruset och hjälpa analytiker att fokusera på högriskincidenter snabbare.
• Security Analyst Agent – Undersöker incidenter, korrelerar signaler och rekommenderar svarsåtgärder för att effektivisera SOC-arbetsflöden.
• Hotjaktagent – Söker i miljöer för att upptäcka dolda hot, misstänkt beteende och nya attackmönster.
• Dynamic Threat Detection Agent – analyserar kontinuerligt aktivitet och anpassar identifieringslogik för att identifiera nya hot och avvikelser.
• Informationsagent för hotinformation – sammanfattar hotinformation i användbara insikter så att teamen kan ligga steget före nya risker.

Tillsammans bidrar dessa agenter till att minska den manuella undersökningen och påskynda incidenthanteringen mellan slutpunkter, identiteter, e-post och molnarbetsbelastningar.

I Microsoft Sentinel hjälper Security Copilot analytiker att gå från manuella undersökningar till promptbook-drivna arbetsflöden på naturligt språk. Analytiker kan generera KQL, sammanfatta incidenter, berika entiteter, analysera användare och enheter och automatisera undersökningssteg via Logic Apps och promptbooks.

En anpassad Sentinel-incidentrapporteringsagent kan extrahera undersökningsresultat, entiteter, insikter och reparationssteg från incidenter. Promptbooks kan också automatisera användaranalys och lägga till resultat direkt i incidentaktivitetsloggar.

De här funktionerna bidrar till att minska manuell frågeskrivning, förbättra konsekvensen i undersökningen och spara analystid genom att automatisera upprepningsbara uppgifter.

I Microsoft Purview hjälper Security Copilot teamen att skydda och styra data i datasäkerhetsstatushantering, dataförlustskydd, hantering av interna risker, eDiscovery, granskning och kommunikationsefterlevnad.

• Data Security Triage Agent – prioriterar DLP- och Insider Risk-aviseringar, förklarar riskkontext och kan initiera reparationsarbetsflöden med dataägare.
• Data Security Posture Agent – Identifierar känsliga data, identifierar dolda risker och exponerade autentiseringsuppgifter, förbättrar känslighetsetikettering och genererar sammanfattningar som är redo för ledningen.

Dessa agenter hjälper säkerhetsteamen att minska den manuella prioriteringen, prioritera kritiska risker snabbare och stärka datasäkerhets- och efterlevnadsåtgärderna.

I Microsoft Entra hjälper Security Copilot teamen att undersöka riskfyllda användare, ovanliga inloggningar, privilegierad åtkomst och identitetsbaserade hot. Copilot kan sammanfatta identitetskontext, förklara risksignaler och rekommendera åtgärder som återkallning av sessioner, åtkomstgranskningar eller principjustering för villkorsstyrd åtkomst.

Funktionerna omfattar identitets- och åtkomstagenter och Microsoft Entra agent-ID, som hjälper organisationer att registrera, hantera och styra AI-agentidentiteter med livscykelhantering, åtkomststyrning och identitetsskyddskontroller.

De här funktionerna hjälper organisationer att minska identitetsrisken och tillämpa Noll förtroende principer för både mänskliga identiteter och AI-identiteter.

I Microsoft Intune hjälper Security Copilot slutpunkten och IT-teamen att förstå enhetsefterlevnad, konfigurationsavvikelse, sårbarhetsexponering och reparationsbehov. Copilot kan sammanfatta enhetsrisken, förklara inkompatibilitetsproblem, rekommendera nästa steg och hjälpa team att svara snabbare.

Slutpunktshanteringsagenter hjälper till att automatisera efterlevnadskontroller, undersöka enhetsproblem och vägleda åtgärder mellan hanterade slutpunkter.

De här funktionerna bidrar till att minska den manuella slutpunktsundersökning, förbättra efterlevnadsåtgärderna och minska konfigurationsluckorna snabbare.

Tillsammans hjälper Microsoft Security Copilot och inbäddade agenter organisationer att gå från reaktiva, manuella säkerhetsåtgärder till anpassningsbart, AI-assisterat skydd som förbättrar skydd, hastighet och skalning under hela säkerhetslivscykeln.