Ang tatlong engine

Agent Guard — ang flagship

Ang AI agents, copilots, bots, service accounts at app registrations ay tahimik na nagsasaipon ng malawak na access, at kumilos sila nang walang tao sa loop. Ang Agent Guard ay nagsasaad ng bawat non-human identity, siniskor ang panganib nito mula sa blast radius × action history, at sumasagot sa dalawang tanong na mahalaga: ano ang maaabot nito, at ano ang ginawa nito?

Bawat agent ay may editable access policy; ang pag-save nito ay muling sinusuri ang activity ng agent laban sa mga bagong hangganan at nag-preview kung ano ang maaaring na-block. Ang AI agents ay ginagawang visually distinct sa buong produkto upang hindi sila nakatago sa mga human users.

Explainability: bawat agent verdict ay nagsasaad, sa plain language, kung bakit binigyan-daan, flag o na-block ang aksyon — kasama ang patunay at isang remediation step.

Posture Guard

Isang purong 16-rule engine sa anim na kategorya — public exposure, external access, over-permission, stale access, AI-agent risk at misconfiguration — mga natutunan kung saan ang data ay over-exposed o maling na-share. Ang severity ay tumataas sa data: ang isang public link sa isang sensitibong file ay CRITICAL, hindi HIGH.

Ang mga natutunan ay inuuna ayon sa blast radius (sensitivity × breadth × access level), hindi lamang severity, kaya ang pinaka-reachable, pinaka-sensitibong exposure ay umakyat sa tuktok. Ang 0–100 posture score na may A–F grade ay nagsasama ng organisasyon.

Ang scan history at cross-scan diff ay nag-classify ng bawat natutunan bilang NEW, RECURRING o auto-RESOLVED, upang makita mo kung ano ang talagang nagbago sa source sa pagitan ng mga scan.

Flow Guard

Ang Flow Guard ay contextual data-loss prevention. Ito ay natututo ng per-organization baseline ng normal data movement — kilalang destinations at karaniwang volumes — pagkatapos ay nagsasaad ng mga anomalies laban sa baseline na iyon sa halip na laban sa generic rule list.

Bawat data movement ay nagiging verdict na may plain-language rationale. Ang out-of-pattern exfiltration, bulk export at mga bagong external destinations ay lumilitaw bilang contextual anomalies.

Kung ano ang tunay, at kung ano ang mock

Ang mga engine mismo — ang mga patakaran, scoring, cross-scan diff, verdict merge at mga paliwanag — ay tunay, dalisay at unit-tested. Ngayon ay tumatakbo sila sa realistic mock datasets bawat connector; ang live data feed ay nag-activate bawat source kapag nag-connect ka ng real credentials. Ang mga natutunan at ulat ay laging nag-label ng kanilang data mode.

Ang detective coverage — observe, explain, score — ay live ngayon. Ang preventive enforcement (acting sa vendor) ay isang magkakahiwalay, opt-in step na sumasaklaw sa Active Prevention.