Contexte et enjeux
Mind Security Inc. a annoncé une levée de fonds de 72 millions de dollars en série B, menée par Crosspoint Capital Partners. Cette injection de capital suit un seed de 11 M$ (oct. 2024) et une série A de 30 M$ (juin 2025), portant le total à 112 M$. L’entreprise se positionne sur le marché de la prévention de perte de données (DLP) en ciblant le risque émergent lié aux agents d’intelligence artificielle qui consomment, transforment et redistribuent les informations d’entreprise sans supervision humaine.
Une étude interne publiée par Mind indique que 65 % des organisations ne font pas confiance aux contrôles existants sur les données alimentant leurs modèles IA. Cette méfiance justifie le besoin d’un DLP capable de suivre le rythme des flux générés par les IA.
Architecture du système DLP
Le produit de Mind scanne les environnements SaaS, les points de terminaison et les boîtes mail pour identifier les fichiers contenant des données sensibles. Chaque artefact est classé selon deux axes : le contenu (ex. numéros de sécurité sociale, dossiers médicaux) et le contexte (ex. propriété du fichier, niveau d’accès). Cette double classification alimente un inventaire centralisé.
Sur la base de cet inventaire, des contrôles peuvent soit bloquer l’action (ex. envoi d’un e‑mail contenant un document classé) soit afficher une invite expliquant la politique violée. Le mécanisme de blocage repose sur des hooks intégrés aux API SaaS et sur des agents légers déployés sur les endpoints, capables d’intercepter les appels système liés à la lecture ou à l’écriture de fichiers.
Intégration d’agents IA et protocole Model Context
En juillet 2026, Mind a introduit des « AI DLP Agents ». Ces agents utilisent des modèles de langage pour créer des classificateurs personnalisés, rédiger des politiques et analyser des incidents. La communication avec les agents s’effectue via une interface nommée Model Context Protocol (MCP), qui accepte des instructions en langage naturel. Par exemple, un administrateur peut dire : « Bloque tout document contenant un numéro de carte bancaire partagé avec un modèle GPT‑4 », et le MCP traduit la requête en règles applicables au moteur DLP.
Les agents sont capables d’apprendre de nouveaux types de données sensibles en analysant les métadonnées et les schémas de fichiers, réduisant ainsi la dépendance aux signatures statiques. Cette approche dynamique répond à la critique selon laquelle les solutions DLP traditionnelles sont conçues pour des flux humains lents.
Performances, certifications et limites
Mind rapporte une croissance de revenu supérieure à 17 fois et une multiplication par huit de sa base client en un an, sans divulguer les chiffres exacts. Le logiciel est déployé sur « des centaines de milliers d’endpoints », avec des cas d’usage concrets chez Children’s Hospital Los Angeles (protection de PHI) et la National Geographic Society (restriction du partage public de documents).
L’entreprise a obtenu la certification ISO/IEC 42001 pour les systèmes de gestion d’IA et a été la première à intégrer le Cyber Verification Program d’Anthropic, ce qui lui donne un accès élargi aux modèles IA à usage dual. Malgré ces atouts, la dépendance aux modèles de langage introduit des risques de faux positifs et de dérive de politique si les agents ne sont pas correctement supervisés. De plus, la visibilité sur les performances réelles (taux de détection, latence) reste limitée, car Mind ne publie pas de benchmarks comparatifs.
