Capsule Security wurde 2025 von Naor Paz und Lidan Hazout gegründet, nachdem beide nach eigener Darstellung eine Sicherheitslücke erkannt hatten, die autonome KI-Agenten aufreißen: eine fehlende Sicherheitsschicht zur Laufzeit. Das nun angekündigte Produkt soll Schäden verhindern, die entstehen, wenn Agenten außerhalb ihres vorgesehenen Handlungsrahmens agieren.
„Das prägende KI-Sicherheitsrisiko ist nicht mehr nur das, was Menschen mit Agenten anstellen können. Es ist das, was autonome Agenten von sich aus zu tun beschließen", erklärt Paz zur Vorstellung des Produkts. „Wenn Software schlussfolgern, Werkzeuge benutzen und handeln kann, wird aus einer falschen Entscheidung in Sekunden ein realer Vorfall. Das Vertrauen von Menschen in KI hängt davon ab, ob wir diese Handlung stoppen können, bevor sie geschieht."
Das Problem ist nicht allein die Reichweite autonomer Agenten, sondern auch ihr Tempo. Eine Prüfung des Agentenverhaltens vor der Ausführung ist zwar grundsätzlich möglich, bringt aber üblicherweise eine Verzögerung mit sich, die für den beabsichtigten Vorgang zu langsam und zu teuer sein kann.
Capsule begegnet dem mit eigener, spezialisierter KI für den Echtzeiteingriff. Für das Training nutzte das Unternehmen NVIDIA Nemotron 3 Ultra und kombinierte dabei echte Agenten-Traces, menschliche Prüfung und gezielt konstruierte gegnerische Beispiele, um den Modellen die Grenze zwischen autorisiertem und entgleistem Verhalten beizubringen.
Entstanden sind zwei Modelle, die laut Anbieter eine hohe Erkennungsleistung erreichen, ohne dass jede Agentenaktion an ein großes Allzweckmodell weitergereicht werden muss. Das genauere der beiden Modelle kommt demnach auf 96,9 Prozent Erkennungsgenauigkeit gegenüber 86 Prozent beim stärksten geprüften Drittanbietermodell.
Eine Entscheidung fällt nach Angaben des Unternehmens in nur 71 Millisekunden, sodass die Prüfung im Arbeitsablauf des Agenten ohne nennenswerte Verzögerung stattfinden kann. Zusätzlich verkleinerte Capsule die Infrastruktur für das größere Modell und senkte dessen Speicherbedarf um knapp die Hälfte.
Das Ergebnis ist ein Bewerter, der innerhalb des Ausführungspfads des Agenten läuft, dessen Absicht vor der Handlung einschätzt und die Ausführung bei Bedarf verhindert. „Das Modell bewertet die beabsichtigte Aktion eines Agenten unmittelbar vor der Ausführung und gibt Organisationen die Möglichkeit, sie in Echtzeit zuzulassen, zu markieren oder zu blockieren. So entsteht eine unabhängige Kontrollschicht für Agenten, die auf sensible Daten zugreifen, Code schreiben, Infrastruktur betreiben und mit anderen Systemen interagieren", so Capsule.
Gegen StepShield – einen unabhängigen akademischen Benchmark, der misst, ob Sicherheitssysteme entgleistes Agentenverhalten vor Schadenseintritt erkennen und stoppen können – beansprucht Capsule für die Entscheidungsinstanz des Sicherungsautomaten eine Effizienz von 98 Prozent.
Die zentrale Lehre aus der Arbeit sieht das Unternehmen darin, dass spezialisierte Small Language Models (SLMs) der Schlüssel zur sicheren Skalierung vertrauenswürdiger agentischer Abläufe im Unternehmen seien: Der Schritt weg von Allzweckmodellen hin zu spezialisierten, effizienten Detektoren erlaube es, agentische Arbeitsabläufe abzusichern, ohne Geschwindigkeit, Kosten oder Leistung zu opfern.