HiddenLayer привлекла $100 млн — защита ИИ-агентов выходит в рабочую среду

Официальный анонс HiddenLayer подтверждает, что 2 сентября 2026 года компания привлекла $100 млн в раунде серии B под руководством Delta-v Capital. В раунде также участвовали Ten Eleven Ventures, Morgan Stanley, венчурный фонд Microsoft M12 и Booz Allen Ventures; средства направят на развитие корпоративной платформы, в том числе Agentic Runtime Security и Agent Harness Security для защиты агентов во время работы.

Материал SiliconANGLE от 2 сентября независимо подтверждает сумму, стадию, ведущего инвестора и назначение капитала. Издание разделяет функции платформы на проверку моделей и зависимостей до внедрения, испытания на устойчивость и наблюдение за работающими системами, где защита ищет внедрённые инструкции и попытки кражи модели.

Что финансирует раунд HiddenLayer

Первое приоритетное направление — Agentic Runtime Security, то есть защита автономных систем в рабочей среде. Этот уровень предназначен для наблюдения за поведением агентов в производственных системах, выявления манипуляций, неправильного использования инструментов и неразрешённых действий по мере их возникновения.

Второе направление — Agent Harness Security. Исполняющая среда агента соединяет модель с контекстом, памятью, файлами, программными инструментами и механизмами выполнения действий. Поэтому агент может не только подготовить ответ, но и изменить репозиторий, установить зависимость или запустить команду.

Agent Harness Security существовала до нового раунда: анонс решения от 3 августа 2026 года описывает контроль запросов, вызовов инструментов, команд оболочки, изменений файлов и операций с репозиториями. В числе заявленных функций — обнаружение внедрённых инструкций, утечки секретов и опасного выполнения команд, однако возможность принудительно остановить действие зависит от средств контроля конкретной агентной платформы.

Таким образом, выход защиты в рабочую среду означает расширение уже представленного направления, а не дебют прежде не существовавшего продукта. HiddenLayer не раскрыла цены, график обновлений и распределение привлечённых средств между разработкой, продажами и международным расширением.

Три стадии защиты: проверка, испытания и наблюдение

Функции платформы различаются прежде всего моментом применения. Проверка файла модели не заменяет наблюдение за автономным агентом, а успешное испытание в контролируемой среде не гарантирует, что после внедрения система не получит опасную инструкцию из документа, ответа инструмента или другого внешнего контекста.

• До выпуска: проверяются модель и компоненты её цепочки поставок. Такой анализ ищет вредоносный код, уязвимости, нарушение целостности и признаки подмены до допуска актива в производственную среду.
• При испытаниях: имитация атак проверяет модель или приложение с помощью заранее подготовленных враждебных сценариев. Это оценка устойчивости заданной конфигурации, а не постоянное наблюдение за будущими сеансами.
• Во время работы: анализируются фактические входные и выходные данные, вызовы инструментов и последовательность действий агента. Контроль должен обнаружить опасное поведение в конкретном сеансе и, если интеграция это допускает, скрыть чувствительные сведения или заблокировать действие.

Документация HiddenLayer по защите во время работы описывает наблюдение за входными и выходными данными модели с возможностью обнаруживать, скрывать или блокировать содержимое. Agentic Runtime Security объединяет множество обращений агента к моделям и инструментам в воспроизводимый сеанс, позволяя расследовать связанную цепочку, а не только отдельную подозрительную строку.

Почему предварительного тестирования недостаточно

Предварительное испытание отвечает на вопрос, удаётся ли воспроизвести известную атаку в заданной конфигурации. Работающий агент сталкивается с меняющимся содержимым репозиториев, документацией, результатами поиска, ответами подключённых сервисов и командами пользователей. Вредоносная инструкция может попасть в один из этих каналов уже после завершения теста.

Автономность увеличивает возможные последствия. Если модель только предлагает текст, ошибку ещё способен остановить человек; агент с доступом к оболочке, файлам и внешним системам может превратить неверную интерпретацию в выполненную операцию. Поэтому во время работы приходится оценивать не только запрос и ответ модели, но и выбранный инструмент, полномочия, параметры команды и результат исполнения.

Риски не сводятся к внедрению инструкций. классификация OWASP для агентных приложений охватывает перехват цели агента, неправильное использование инструментов, злоупотребление идентификацией и привилегиями, уязвимости цепочки поставок, неожиданное выполнение кода и отравление памяти или контекста. Часть этих проблем можно выявить до внедрения, но опасная комбинация входных данных, полномочий и действий способна проявиться только в рабочем сеансе.

Предварительная проверка и защита в рабочей среде поэтому дополняют друг друга. Первая снижает вероятность допуска скомпрометированного компонента, испытания показывают реакцию системы на контролируемую атаку, а наблюдение после внедрения охватывает изменчивый контекст и реальные действия. Аналогичный переход от оценки модели к контролю полномочий и операций показывает, как меняется контроль ИИ-агентов в корпоративных средах.

Что пока не раскрыто

Публичные материалы подтверждают параметры раунда и приоритет защиты агентов во время работы, но не содержат оценки HiddenLayer, размеров вложений отдельных участников и технического графика расширения Agentic Runtime Security. Также неизвестно, какая доля капитала предназначена непосредственно для Agent Harness Security.

Размер инвестиции сам по себе не доказывает эффективность обнаружения и блокировки атак. Для такой оценки нужны независимо проверяемые результаты, условия испытаний, показатели ложных срабатываний и сведения о действиях, которые способна остановить каждая интеграция.

Подтверждённый сдвиг состоит не в отказе от проверки моделей до выпуска, а в добавлении контроля после их включения в рабочие процессы. Дальнейшую картину определят обновления продуктов и публикация данных, позволяющих сравнить заявленные механизмы в разных агентных средах.

Читайте также:

• Microsoft меняет контроль ИИ-агентов — одной проверки модели уже мало
• Keenable привлекла $26 млн — её поиск строят для ИИ-агентов
• Alice привлекла $140 млн — защита ИИ стала бизнесом почти на $100 млн