Cogent lässt KI Agenten Schwachstellen bis zur Behebung verfolgen, gebremst von Regeln außerhalb des Modells

Cogent verbindet OpenAI Modelle mit einem eigenen Kontextsystem. Die Agenten sollen eine Schwachstelle von der Entdeckung bis zur überprüften Behebung begleiten. Das Unternehmen berichtet, ein Kunde aus der Automobilbranche habe die mittlere Zeit zur Behebung kritischer Schwachstellen um 75 % gesenkt. Ein anderes Unternehmen habe den Durchsatz bei der Prüfung von Schwachstellen verfünffacht. Beide Zahlen stammen von Cogent und seinen Kunden.

Ein Kontextgraph gibt Agenten eine Unternehmenskarte und Handlungsspielraum

Die Context Engine pflegt einen Graphen aus Anlagen, Schwachstellen, Identitäten, Verantwortlichen und Abhängigkeiten. Hintergrundagenten gleichen Daten aus Sicherheitswerkzeugen ab. Bei einer neuen Schwachstelle muss das System deshalb nicht erneut ermitteln, welches System betroffen ist, wer es verantwortet und was eine Korrektur beeinträchtigen könnte.

Cogent setzt GPT-6.1 Sol für die allgemeine Ausführung, GPT-5.6 für eher routinemäßige Aufgaben und GPT-6 Astra für die Planung komplexer Eingriffe ein. Als die kritischen PHP2Shell Fehler veröffentlicht wurden, identifizierten die Agenten laut Fallstudie betroffene Systeme, bewerteten die Exposition, planten Korrekturen unter Berücksichtigung von Abhängigkeiten und prüften anschließend das Ergebnis.

Autonomie beruht auf Berechtigungen, nicht auf Modellgehorsam

Jeder Kunde legt fest, welche Änderungen ein Agent ausführen darf und welche eine Freigabe benötigen. TRACE prüft Werkzeugaufrufe deterministisch gegen diese Regeln, ohne eine weitere Entscheidung einem Sprachmodell zu überlassen. Ein separates Gateway kontrolliert die Berechtigung erneut. Riskantere Arbeiten können in isolierten Umgebungen stattfinden.

Darin steckt das wichtigere Muster für Unternehmensagenten. Ein Modell darf eine Änderung vorschlagen, doch ein durch Prompts nicht überredbares System muss seinen Handlungsspielraum kontrollieren. Ohne diese Trennung verkürzt schnellere Behebung auch den Weg von einer Fehlentscheidung zum Produktionsvorfall.

Die Resultate sind Kundengeschichten und keine unabhängige Prüfung

Eine um 75 % kürzere mittlere Behebungszeit und der fünffache Durchsatz sind starke Angaben, aber kein kontrollierter Benchmark über mehrere Kunden hinweg. Das veröffentlichte Material zeigt weder die Komplexität der Systeme noch die Zahl menschlicher Eingriffe oder abgelehnter Vorschläge.

Cogent kombiniert zudem mehrere Modelle mit einem eigenen Graphen, Richtlinien, Gateway und Integrationen. Das Ergebnis lässt sich daher nicht allein GPT-6.1 Sol zuschreiben. Den Wert erzeugt das gesamte Betriebssystem darum herum, insbesondere die Qualität der Unternehmensdaten und präzise Berechtigungen.

Abgelehnte Aktionen und Rollbacks zeigen, ob die Abwehr hält

Als Nächstes zählen der Anteil ohne Menschen abgeschlossener Korrekturen, die Häufigkeit von Rollbacks, falsche Ablehnungen und durch Agenten verursachte Vorfälle. Kunden müssen außerdem jeden Schritt prüfen und Berechtigungen schnell entziehen können.

Cogent will autonome Behebung von einfachen Konfigurationsänderungen auf mehrstufige Abläufe in verschiedenen Unternehmenssystemen ausweiten. Je länger die Aktionskette wird, desto weniger zählt die Geschwindigkeit des ersten Vorschlags und desto mehr die Fähigkeit des Agenten, sicher anzuhalten.

Liliths Urteil

Ein Modell darf die Schwachstelle finden und eine Korrektur vorschlagen. Vor der Produktionskonsole muss jedoch ein Wächter stehen, den kein Prompt überreden kann. Cogent setzt zu Recht auf diesen Wächter.