<p>[SUMMARY]MIND完成7,200萬美元B輪募資，將持續強化AI原生DLP平台與企業市場布局。其AI DLP Agents與MCP介面，代表DLP正從被動規則控管走向可由AI代理執行的自動化防護。[SUMMARY]</p> <h2>事件說明</h2> <p>MIND宣布完成7,200萬
[SUMMARY]MIND完成7,200萬美元B輪募資，將持續強化AI原生DLP平台與企業市場布局。其AI DLP Agents與MCP介面，代表DLP正從被動規則控管走向可由AI代理執行的自動化防護。[SUMMARY]
MIND宣布完成7,200萬美元B輪募資，累計募資達1.12億美元；公司同時指出，過去一年營收成長超過17倍，客戶數成長超過8倍。此次新資金將用於加速DLP平台開發、拓展企業市場、深化技術與通路合作，以及擴大團隊規模。
從公開資訊可見，MIND主打AI-native DLP平台，防護範圍涵蓋端點、電子郵件、SaaS、生成式AI與AI代理等環境。這代表其產品定位並非單一資料分類工具，而是試圖把資料外洩防護直接嵌入企業日常資料流與AI工作流之中。
MIND平台的核心能力，是先找出並分類企業敏感資料，再掌握資料的存取與使用情況，並依據資料內容與使用情境辨識高風險活動，最後透過DLP政策阻擋可能導致外洩的行為。這種設計反映出DLP正從傳統的靜態規則比對，轉向情境化判斷與行為導向控管。
今年7月推出的MIND AI DLP Agents，是本次技術重點。其功能涵蓋資料分類、DLP政策管理及事件調查，並可執行已核准的處置措施。這表示部分原本仰賴分析師手動處理的例行工作，已被抽象成可由AI代理執行的任務流程，有助於降低營運負擔。
更值得注意的是，MIND提供Model Context Protocol（MCP）介面，讓資安團隊可透過支援MCP的AI應用程式，以自然語言直接操作這些AI代理。這種設計的意義在於，安全團隊不必反覆切換控制台或手動進入多個操作頁面，就能以對話方式發出調查、政策草擬或處置指令，進一步縮短決策到執行的距離。
從防禦角度來看，AI代理化DLP有兩面性。一方面，它能加速資料分類、政策維護與事件回應，適合面對大量SaaS與AI工具並存的企業環境；另一方面，若權限控管、例外處理與核准流程設計不嚴謹，AI代理本身也可能成為高風險操作的加速器。因此，這類平台是否真正安全，不只取決於AI能力，也取決於其治理機制是否足夠精細。
就企業應用面而言，MIND鎖定的是同時使用端點、雲端服務、生成式AI與AI代理的組織。這類組織通常面臨資料分散、可視性不足、政策落地困難與誤判成本高等問題，因此對DLP的需求，已不只是阻擋外傳，更是要建立跨平台資料流可視性與操作一致性。
對資安團隊來說，MCP介面降低了AI工具與安全營運之間的溝通門檻，可能使SOC、GRC與資料保護團隊在同一套自然語言工作流中協作。這對人力有限、但需要處理大量事件與例外的企業特別有吸引力。
從市場角度看，MIND公開的高成長數據與募資成果，顯示投資人看好AI原生DLP的商業化潛力。若Globes所引述的年度經常性營收已達八位數美元規模，則代表這類產品已不再只是概念展示，而是開始進入可規模化部署的階段。
企業在評估或導入AI原生DLP時，應先檢查敏感資料分類準則是否與自身業務一致，避免只依賴預設分類導致漏判或誤判。資料類型、部門職能與使用情境不同，對應的政策也應分層設計。
若導入AI代理處理政策管理或事件調查，必須建立清楚的核准邊界與例外處理流程。凡涉及刪除、封鎖、隔離、回復或其他具破壞性的處置，都應保留人員覆核機制，避免自動化操作擴大事故影響。
使用MCP或其他自然語言操作介面時，應把權限最小化原則套用到每個代理與每個工作流，並針對可執行的命令建立審計記錄。自然語言雖然提升效率，但也會增加操作抽象度，因此更需要可追溯性來確保責任歸屬。
企業也應定期檢視DLP政策與生成式AI、AI代理的使用情境是否同步更新。當資料流轉移到新型工作平台時，原有政策若未即時調整，防護就可能出現盲點。
最後，資安團隊應將AI DLP視為營運能力的一部分，而非單純工具採購。只有把資料分類、政策治理、事件調查與回應流程整合成持續優化的機制，才能真正降低敏感資料外洩風險。