Die drei Engines
8200.dev betreibt drei Engines über ein einheitliches Berechtigungsmodell. Dasselbe Modell – Ressourcen, Identitäten und die Berechtigungen zwischen ihnen – versorgt alle drei Engines über jeden Konnektor der Plattform.
Agent Guard – das Flaggschiff
KI-Agenten, Copilots, Bots, Dienstkonten und App-Registrierungen häufen unbemerkt umfangreiche Zugriffe an und handeln ohne menschliche Beteiligung. Agent Guard inventarisiert jede nicht-menschliche Identität, bewertet ihr Risiko aus Blast Radius × Aktivitätsverlauf und beantwortet die beiden entscheidenden Fragen: Worauf kann sie zugreifen, und was hat sie getan?
Jeder Agent verfügt über eine bearbeitbare Zugriffsrichtlinie; beim Speichern wird die Aktivität des Agenten anhand der neuen Grenzen neu bewertet und es wird in der Vorschau angezeigt, was blockiert worden wäre. KI-Agenten werden im gesamten Produkt visuell deutlich abgegrenzt, sodass sie sich nie unter menschlichen Nutzern verstecken.
Erklärbarkeit: Jedes Agenten-Verdict gibt in klarer Sprache an, warum eine Aktion erlaubt, gekennzeichnet oder blockiert wurde – mit den Nachweisen und einem Behebungsschritt.
Posture Guard
Eine reine 16-Regeln-Engine über sechs Kategorien hinweg — öffentliche Exposition, externer Zugriff, Überberechtigung, veralteter Zugriff, KI-Agent-Risiko und Fehlkonfiguration — kennzeichnet, wo Daten überexponiert oder fälschlich geteilt sind. Der Schweregrad eskaliert anhand der Daten: Ein öffentlicher Link zu einer sensiblen Datei ist CRITICAL, nicht HIGH.
Befunde werden nach Blast Radius (Sensibilität × Reichweite × Zugriffsstufe) priorisiert, nicht allein nach Schweregrad, sodass die am leichtesten erreichbare, sensibelste Exposition nach oben rückt. Ein Posture-Score von 0–100 mit einer Note von A–F fasst die Organisation zusammen.
Der Scan-Verlauf und ein Diff über mehrere Scans hinweg klassifizieren jeden Befund als NEW, RECURRING oder automatisch RESOLVED, sodass Sie genau sehen, was sich an der Quelle zwischen den Scans geändert hat.
Flow Guard
Flow Guard ist kontextbezogene Data-Loss-Prevention. Es lernt eine organisationsspezifische Baseline normaler Datenbewegungen — bekannte Ziele und typische Volumina — und kennzeichnet dann Anomalien gegenüber dieser Baseline statt gegenüber einer generischen Regelliste.
Jede Datenbewegung wird zu einem Urteil mit einer Begründung in klarer Sprache. Außerhalb des Musters liegende Exfiltration, Massenexporte und neue externe Ziele treten als kontextbezogene Anomalien zutage.
Was ist real und was ist Mock
Die Engines selbst — die Regeln, das Scoring, der Diff über mehrere Scans, das Zusammenführen von Urteilen und die Erläuterungen — sind real, rein und Unit-getestet. Heute laufen sie über realistische Mock-Datensätze pro Connector; der Live-Datenfeed wird pro Quelle aktiviert, sobald Sie echte Zugangsdaten verbinden. Befunde und Berichte kennzeichnen stets ihren Datenmodus.
Die detektivische Abdeckung — beobachten, erläutern, bewerten — ist jetzt live. Die präventive Durchsetzung (Eingriff beim Anbieter) ist ein separater, optionaler Schritt, der unter Active Prevention abgedeckt wird.