MIND גייסה 72 מיליון דולר למניעת דליפת מידע באמצעות AI
חברת הסייבר MIND, בעלת מרכז פיתוח בישראל, גייסה 72 מיליון דולר בסבב B בהובלת Crosspoint Capital Partners לפלטפורמה מבוססת AI למניעת דליפת מידע.
MIND, חברת סייבר בעלת מרכז פיתוח בישראל, הודיעה היום, 17 בספטמבר 2026, על גיוס של 72 מיליון דולר לפלטפורמה מבוססת AI למניעת דליפת מידע. הסבב מציב במרכז בעיה עסקית ברורה: איך מאפשרים לעובדים להפיק ערך מכלי AI, בלי שמסמכי לקוחות, קוד או מידע מסחרי יעברו ליעדים שלא אושרו.
הגיוס: 72 מיליון דולר להרחבת הפעילות והמוצר
את סבב ה־Series B הובילה Crosspoint Capital Partners, בהשתתפות YL Ventures ו־Paladin Capital Group. בעקבותיו הגיע סך גיוסי MIND ל־112 מיליון דולר. לפי הודעת החברה, הכסף מיועד להרחבת הפעילות והמוצר. הגיוס והזיקה הישראלית דווחו גם בגלובס, לצד ההודעה הרשמית של MIND.
עבור ההייטק המקומי, זהו הון שמגיע לחברה עם פעילות פיתוח בישראל. עם זאת, אין בתחקיר פירוט של חלוקת התקציב בין ישראל לשווקים אחרים, תוכנית גיוס עובדים מקומית או יעדי הכנסות. לכן אפשר לדבר על מימון להתרחבות, אך לא להסיק ממנו כמה משרות ייפתחו בארץ או מה יהיה היקף ההשקעה במרכז הפיתוח.
מבחינה עסקית, הסבב מבטא נכונות של המשקיעים לממן את המשך פיתוחה של MIND בתחום הגנת המידע. הוא אינו מדד בפני עצמו לביצועי הפלטפורמה, להיקף האימוץ שלה או ליתרון מול מתחרות. ההבחנה הזאת חשובה במיוחד ברכישת מוצר אבטחה: סכום הגיוס מספק הקשר על החברה, אבל בדיקת התאמה דורשת ראיות מהסביבה שבה המוצר אמור לפעול.
למה שימוש ב־AI מציב אתגר למניעת דליפת מידע
DLP, ראשי תיבות של Data Loss Prevention, הוא תחום שנועד לזהות ולמנוע מעבר לא מורשה של מידע רגיש. השאלה אינה רק אם מישהו פרץ למערכת. גם עובד עם הרשאה תקינה עלול להעביר מידע למקום שלא נועד לקבל אותו, למשל כאשר הוא מבקש משירות חיצוני לסכם מסמך פנימי או לנתח נתוני לקוחות.
דוגמה אפשרית היא מנהלת מכירות שמעלה הסכם כדי להכין הצעה חדשה. המשימה לגיטימית, אבל ההסכם עשוי לכלול מחירון חסוי, פרטי קשר ותנאים מסחריים של לקוח אחר. חסימה גורפת של כלי AI תעצור גם שימושים מועילים; אישור גורף לא יבחין בין חומר ציבורי למידע שהארגון מחויב לשמור. לכן מדיניות שימוש צריכה להתייחס למידע, ליעד ולמטרת ההעברה.
חשוב גם להפריד בין שני מושגים: שימוש ב־AI בתוך מוצר אבטחה, והגנה על מידע שעובר לכלי AI. מהתחקיר עולה ש־MIND מפתחת פלטפורמה מבוססת AI למניעת דליפת מידע וממצבת אותה לצרכים של עידן ה־AI. אין בו פירוט שמאפשר לקבוע אילו שירותים, חיבורים או ערוצי העברה מכוסים בפועל.
השאלה העסקית אינה רק איזה כלי AI מותר להפעיל, אלא איזה מידע מותר להעביר אליו ובאילו תנאים.
מה זה אומר לעסק ישראלי שעובד בעברית ובאנגלית
לעסק בארץ יש שאלות התאמה מעשיות שאי אפשר לפתור באמצעות הכותרת של סבב ההשקעה. חברה שמנהלת חוזים בעברית, תכתובות באנגלית וקבצים המשלבים את שתיהן צריכה לבדוק את המוצר על החומרים האלה. זיהוי מוצלח של מסמך באנגלית אינו מספיק כדי להסיק כיצד המערכת תטפל בטבלה מעורבת, בקובץ סרוק או בפרטי לקוח בתוך טקסט חופשי.
בעסק שמשרת לקוחות בחו״ל, הבדיקה צריכה לכלול גם התחייבויות חוזיות לגבי שימוש במידע והעברתו לספקים. כלי אבטחה יכול לסייע לאכוף מדיניות, אך הוא אינו מחליף החלטה ארגונית על אילו שירותים מאושרים ומה מותר להזין אליהם. האחריות צריכה להיות משותפת לבעלי המידע, לאנשי האבטחה ולגורמים המשפטיים, ולא להישאר רק אצל צוות ה־IT.
- כיסוי: אילו יישומים וערוצי העברה נבדקים, והיכן קיימים פערים שהארגון צריך להשלים?
- תגובה: האם המוצר רק מתריע, גם חוסם, או מאפשר לעובד לבקש אישור לחריגה?
- עברית: כיצד הוא מתמודד עם מסמכים דו־לשוניים, סריקות ומבנים מקומיים של מידע?
- פרטיות: איזה תוכן המוצר עצמו מעבד, היכן הוא נשמר ולמי יש גישה אליו?
- תפעול: מי מטפל בהתרעות, כמה עבודה נדרשת ממנו ואיך מתקנים חסימה שגויה?
אלה שאלות לבדיקת רכש, לא יכולות שאומתו לגבי MIND. התחקיר אינו כולל תוצאות בדיקה עצמאית, פירוט תמיכה בעברית או רשימה מלאה של שירותים נתמכים.
מבחן הרכש: מניעה בלי לשתק את העבודה
פיילוט מועיל צריך להתחיל בתהליך עסקי מוגדר, למשל הכנת הצעות מחיר או ניתוח פניות שירות. אפשר לבנות מסמכים סינתטיים שמדמים מידע רגיש, להגדיר מראש מה אמור להיחסם ומה אמור לעבור, ולבדוק את התוצאה. כך ניתן לבחון את המוצר בלי להזין מידע אמיתי של לקוחות רק לצורך ההדגמה.
לא מספיק לספור כמה אירועים זוהו. צריך לבדוק גם כמה פעולות לגיטימיות נחסמו, כמה זמן לקח לברר התרעה והאם העובדים הצליחו להשלים את המשימה בדרך מאושרת. מערכת שמייצרת עומס טיפול כבד עלולה להעביר את העלות מסיכון הדליפה לצוות התפעול. מנגד, מעט התרעות אינן בהכרח הוכחה לכך שכל ערוצי המידע מכוסים.
גם עלות הרכש אינה מסתכמת ברישיון. בהשוואת פתרונות כדאי להביא בחשבון הטמעה, חיבור למערכות קיימות, תחזוקת מדיניות והדרכת עובדים. בתחקיר לא פורסמו מחירי MIND, ולכן אין בסיס לחישוב החזר השקעה ספציפי. עסק ישראלי צריך לבקש הצעה שמתאימה להיקף השימוש שלו ולבחון את העלות מול תוצאות הפיילוט.
מה הלאה: להפוך את ההון לראיות בשטח
הגיוס מעניק ל־MIND משאבים להרחבת הפעילות והמוצר; המבחן הבא מבחינת לקוחות יהיה היכולת להציג כיסוי ברור, הטמעה ישימה ותוצאות שניתן למדוד. כדאי לעקוב אחר פירוט יכולות, מקרי לקוח והסבר על המגבלות, ולא רק אחר הצהרות על הגנה בעידן ה־AI.
עבור מנהלים בישראל, החדשה היא סיבה לבדוק מחדש היכן המידע הארגוני פוגש כלי AI, לא הוראה לרכוש מוצר מסוים. לפני בחירת ספק צריך להגדיר מה רגיש, לאן מותר להעביר אותו ומי מוסמך לאשר חריגה. 72 מיליון הדולר של MIND הם כותרת ההשקעה; היכולת לאפשר עבודה מועילה תוך שמירה על הגבולות האלה היא המבחן העסקי.
שאלות נפוצות
כמה כסף גייסה MIND ומי הוביל את הסבב?
ב־17 בספטמבר 2026 הודיעה MIND על גיוס Series B של 72 מיליון דולר בהובלת Crosspoint Capital Partners, ובהשתתפות YL Ventures ו־Paladin Capital Group. בעקבות הסבב הגיע סך גיוסי החברה ל־112 מיליון דולר.
מה עושה MIND ומה הקשר שלה לישראל?
MIND מפתחת פלטפורמה מבוססת AI למניעת דליפת מידע, תחום המכונה DLP. לחברה מרכז פיתוח בישראל, והגיוס מיועד להרחבת הפעילות והמוצר.
איך בודקים פתרון DLP לשימוש בכלי AI בארגון?
כדאי לבדוק אילו ערוצי מידע הפתרון מכסה, האם הוא מתריע או גם חוסם, וכיצד הוא מטפל במסמכים בעברית ובאנגלית. פיילוט עם מידע סינתטי צריך לבחון גם התרעות שווא, זמן טיפול והשפעה על העבודה השוטפת, ולא רק זיהוי של מידע רגיש.
דרגו את הכתבה
הדירוג עוזר לנו לדעת מה שווה לכם.
תגובות