Cogent prowadzi agentów AI od wykrycia luki do naprawy, a hamulec trzyma polityka poza modelem

Cogent łączy modele OpenAI z własnym systemem kontekstu, aby agenci prowadzili lukę od wykrycia aż do potwierdzonej naprawy. Firma podaje, że jeden klient z branży motoryzacyjnej skrócił średni czas usuwania krytycznych podatności o 75 %, a inne przedsiębiorstwo pięciokrotnie zwiększyło liczbę analizowanych luk. Obie wartości pochodzą od Cogentu i jego klientów.

Graf kontekstu daje agentom mapę firmy i zgodę na działanie

Context Engine utrzymuje graf zasobów, podatności, tożsamości, właścicieli i zależności. Agenci w tle uzgadniają dane z narzędzi bezpieczeństwa, aby po wykryciu nowej luki system nie musiał ponownie ustalać, którego zasobu dotyczy problem, kto za niego odpowiada i co może zakłócić poprawka.

Cogent używa GPT-6.1 Sol do ogólnego wykonywania zadań, GPT-5.6 do bardziej rutynowej pracy oraz GPT-6 Astra do planowania złożonych interwencji. Po ujawnieniu krytycznych błędów PHP2Shell agenci mieli wskazać dotknięte systemy, ocenić ekspozycję, przygotować poprawki z uwzględnieniem zależności i sprawdzić rezultat.

Autonomia zależy od uprawnień, a nie od posłuszeństwa modelu

Każdy klient określa, które zmiany agent może wykonać, a które wymagają zatwierdzenia. TRACE sprawdza wywołania narzędzi względem tych zasad deterministycznie, bez kolejnej decyzji modelu językowego. Oddzielna brama ponownie weryfikuje uprawnienia, a bardziej ryzykowne działania mogą odbywać się w izolowanych środowiskach.

To najciekawszy wzorzec dla agentów wdrażanych w firmach. Model może zaproponować zmianę, lecz zakres jego władzy powinien kontrolować system, którego nie da się przekonać promptem. Bez tego rozdzielenia szybsza naprawa skracałaby również drogę od błędnej oceny do incydentu produkcyjnego.

Wyniki są historiami klientów, a nie niezależnym audytem

Spadek średniego czasu naprawy o 75 % i pięciokrotny wzrost przepustowości brzmią mocno, ale nie są kontrolowanym benchmarkiem obejmującym wielu klientów. Materiały nie pokazują złożoności systemów, liczby interwencji człowieka ani odsetka odrzuconych propozycji agentów.

Cogent łączy też kilka modeli z własnym grafem, zasadami, bramą i integracjami. Wyniku nie można przypisać samemu GPT-6.1 Sol. Wartość tworzy cały system operacyjny, zwłaszcza jakość danych przedsiębiorstwa i precyzja uprawnień.

O skuteczności obrony zdecydują odrzucone działania i wycofane zmiany

Kolejne potrzebne liczby to udział napraw wykonanych bez człowieka, częstotliwość wycofywania zmian, błędne odmowy i incydenty wywołane przez agenta. Klienci muszą również móc prześledzić każdy krok i szybko odebrać uprawnienia.

Cogent planuje rozszerzyć autonomiczne naprawy od prostych zmian konfiguracji do wieloetapowych działań w wielu systemach przedsiębiorstwa. Im dłuższy będzie łańcuch akcji, tym mniej liczy się szybkość pierwszej propozycji, a bardziej zdolność agenta do bezpiecznego zatrzymania.

Werdykt Lilith

Model może znaleźć słaby punkt i zaproponować poprawkę, lecz przy konsoli produkcyjnej powinien stać strażnik odporny na perswazję promptem. Cogent słusznie stawia właśnie na tego strażnika.