en croissance Marché Sécurité, mécanisme Apprendre de l'usage pour s'améliorer automatiquement (learning loop).
Bien que Simbian, MixMode, CyRay Mobula et Sweet Security génèrent tous des données pour améliorer leurs modèles, aucun n'établit explicitement de ponts entre les corpus de données d'amélioration propre à chaque client pour créer une intelligence collective défensive, laissant chacune isolée dans sa boucle d'apprentissement spécifique.
Les entreprises doivent gérer manuellement le traitement des alertes de sécurité et la configuration des règles de détection, ce qui est lent, sujet aux erreurs humaines et ne s'adapte pas rapidement aux nouvelles menaces.
Sweet Security : Levée de fonds de 120 millions USD (incluant une Series B de 75M en 2025) et croissance des effectifs de +62.2% sur un an.
Platforme de défense autonome qui s'améliore continuellement en écrivant ses propres compétences et code, apprenant à partir d'une 'war lab' où elle génère ses propres données d'attaque et de défense, puis affinant ses réponses basées sur les données réelles de l'environnement du client.
Traction : En production dans plus de 300 environnements d'entreprise.
Plateforme de sécurité utilisant une IA auto-apprenante (sans données d'entraînement manuelles ni configuration) qui observe l'environnement réseau en temps réel, détecte les anomalies et ajuste automatiquement ses modèles pour réduire les faux positifs sans intervention humaine.
Traction : Levée de 45 millions de dollars en Série B dirigée par PSG.
Plateforme SOC dont le modèle d'IA s'améliore continuellement et en temps réel à partir des verdicts (confirmations ou corrections) des analystes internes de chaque client, créant un modèle isolé et personnalisé pour chaque tenant.
Traction : +31% d'exactitude de détection et -58% de faux positifs après 90 jours; 1.247 verdicts d'analystes ingérés et 38 mises à jour du modèle sur les 30 derniers jours.
Plateforme de tests de pénétration pilotée par l'IA qui ferme la boucle entre la découverte de vulnérabilités et le re-test automatisé, simulant les tactiques d'attaquants réels pour affiner sa capacité à détecter des failles logiques complexes.
Traction : $51.5M levés en Série A menés par YL Ventures, Canaan Partners et Oren Zeev; sortie de stealth après 4 mois seulement.
Agents autonomes de pentesting qui apprennent de chaque exécution pour enchaîner les vulnérabilités et valider les exploits, améliorant la précision des tests continus via l'analyse des résultats précédents.
Traction : $3M+ de financement amorçage mené par Soma Capital; lancement du produit sur Product Hunt.
Un analyst autonome sur endpoint qui utilise l'apprentissage par renforcement (DQN) pour améliorer son modèle à chaque détection, récompense et action prises, créant une boucle d'amélioration continue des politiques de défense.
Fournit un renforcement proactif en runtime via une 'Learning Loop' qui permet aux organisations d'apprendre des attaques simulées pour améliorer continûment la défense et bloquer les comportements malveillants avant qu'ils n'affectent la production.
Traction : Levée de fonds de 120 millions USD (incluant une Series B de 75M en 2025) et croissance des effectifs de +62.2% sur un an.
Construit un système de défense apprenant qui internalise la façon dont les meilleurs analystes pensent et traitent l'information, créant une couche de données contextuelle qui améliore les décisions de chaque agent IA basé sur la 'sagesse' organisationnelle.
Traction : Investissement par Team8 (Traction: investissement stratégique validant le concept).
Dernière revérification : 2026-11-05
Même marché : Sécurité
Même mécanisme : Apprendre de l'usage pour s'améliorer automatiquement (learning loop)