Ido Livneh, CEO a spoluzakladatel Jazz – Interview Series

Ido Livneh, CEO a spoluzakladatel Jazz, je zkušený produktový líder a podnikatel s bohatou historií budování a rozšiřování technologií s vysokým dopadem, včetně vedení produktu v Laminar během jeho akvizice Rubrikem a pomoci při úspěšném prodeji Tapingo Grubhubu za 150 milionů dolarů; jeho kariéra zahrnuje seniorní role v Axonius a dříve také podniky jako KnuPo, a je založena na hlubokém technickém základě, který získal během téměř desetiletého působení v Izraelských obranných silách, kde se vypracoval z inženýra na vedoucího softwarového vývoje a výzkum, zkušenosti, které nyní formují jeho zaměření na budování AI-nativních kybernetických bezpečnostních řešení.

Jazz je AI-nativní kybernetická bezpečnostní společnost, která přetvořila Data Loss Prevention tím, že se posunula za hranice tradičních rule-based systémů a představila kontextově-aware platformu, která rozumí, jak data proudí napříč organizacemi, analyzujících chování uživatelů, systémů a pracovních postupů, aby identifikovala skutečné rizika místo generování nadměrných varování; pomocí AI k vyšetřování incidentů u jejich zdroje a poskytování akčních informací, platforma umožňuje štíhlým bezpečnostním týmům spravovat komplexní prostředí a zabránit expozici citlivých dat napříč cloudovými aplikacemi, koncovými body a interními systémy, a tím Jazz позиcionuje jako součást nové generace firem, které přestavují podnikovou bezpečnost pro éru AI.

Vy vedl produkt v společnostech jako Laminar během jejich akvizice a zastával vedení rolí v Axonius a Grubhub, zatímco také založil několik startupů. Jaká konkrétní mezera nebo vhled z těchto zkušeností vás vedl k založení Jazz, a proč je teď správný okamžik k přetvoření Data Loss Prevention (DLP)?

Strávil jsem poslední desetiletí budováním bezpečnostních produktů a seděl naproti CISO. Tři VP Produktové role, dvě exity – včetně Laminar, který jsme prodali Rubriku. A pokud je jedna věc, kterou jsem se naučil napříč vším, je to: absolutně nikdo nemiluje svůj DLP.

V Laminar jsme postavili první začátek kategorie DSPM – data security posture management. Skvělý problém, ale strávili jsme tři roky vzděláváním trhu, než jsme začali dostávat příchozí požadavky. Odešel jsem s myšlenkou: příště chci starý problém. Problém, o kterém každý správní orgán ví, a na který má již rozpočet, a nikdo jej vlastně nevyřešil.

DLP je ten problém. Je dvacet let starý. Každá bezpečnostní organizace ví o riziku. A řešení na trhu jsou univerzálně nenáviděná – ne proto, že dodavatelé jsou nekompetentní, ale protože celý rámec je špatný. Požádali jsme stroje, aby odpovídaly vzorcům, a lidi, aby poskytli kontext. Tento model byl od začátku odsouzen k selhání.

Načasování bylo zjevné. AI nám dala schopnost dělat něco, co bylo dosavad literálně nemožné – postavit systém, který rozumí datům stejně jako senior analytik, ale autonomně a v měřítku. Když jsme to viděli, čtyři z nás spoluzakladatelé – všichni absolventi Unit 81 – věděli, že je čas vrátit se k základním principům a přestavět DLP od základů. A tentokrát to udělat správně a snadno.

Tradiční DLP systémy byly dlouho kritizovány za generování nadměrných varování. Co fundamentálně selhává v rule-based DLP, a proč průmysl bojuje s řešením tohoto problému?

Problém není, že rule-based DLP potřebuje lepší pravidla. Problém je, že pravidla byly špatným nástrojem pro tuto práci od začátku.

Tady je, jak to skutečně funguje. Nasadíte systém, který rozumí vzorcům – regex, typy souborů, klíčová slova. Zapisujete pravidla. Stroj odpovídá data proti těmto pravidlům, a kdykoli je shoda, řekne lidskému analytikovi: “Pojďte se podívat na tohle.” Analytik pak musí přinést všechny kontexty – kdo je tato osoba, co dělala, proč to dělala – a učinit soudní rozhodnutí.

Ta druhá část, lidské vyšetřování, nikdy neškáluje. Fyzika DLP je prostě příliš hlučná. Data se neustále pohybují uvnitř každé velké organizace. Devítimístné číslo není vždy číslo sociálního zabezpečení. Nahrání souboru není vždy exfiltrace. Písmeno “A” spouští pravidla FERPA. Interní přenos mezi odděleními je zablokován. Systém nemůže určit, zda sdílení citlivého souboru je životně důležitou obchodní spoluprací nebo zda vaše korunovační klenoty odcházejí ven.

Co tedy dělají společnosti? Přidávají výjimky. Každá výjimka je okamžik, kdy váš nástroj selhal při pochopení vašeho podniku. A každá z nich je fakticky schválená zadní vrátka. Zoom out po osmnácti měsících a co máte, není bezpečnostní program – je to účetní kniha kompromisů převlečená za zprávu o shodě.

Asi 30 % trhu má zavedený DLP program, a dokonce i oni ví, že je to nejlepší úsilí – uspokojování rámců shody a nic víc. My je nazýváme “past.” Zbývajících 70 % buď nikdy nezkoušeli, nebo zkoušeli a selhali. Předchozí pokusy o opravu tohoto problému rozprášily trochu AI na vrcholu stejného rule-based rámce. To je jako nanést čerstvou vrstvu barvy na auto, jehož motor všichni ví, že nemůže skutečně zvládnout zátěž. Rámec samotný je to, co potřebuje změnu.

Jazz позиcionuje sám sebe jako poskytovatele odpovědí místo varování. Můžete nás provést, jak váš systém vyšetřuje incidenty a co jej odlišuje od tradičních detekčních pracovních postupů?

Tradiční DLP vám dá požární poplach a poté vám dá lupa. “Něco se stalo v tom domě. Dobře, štěstí při určování, na kterém patře.”

Jazz to nedělá. Postavili jsme autonomního vyšetřovatele, její jméno je Melody, který dělá práci, kterou by dělal lidský analytik, ale v nadlidském měřítku.

Když dojde k transakci dat, Melody nezahájí pouze varování. Provede plné vyšetřování napříč čtyřmi dimenzemi. První, data samotná – ne pomocí regex a vzorců, ale hluboce rozumějící, co tato data jsou, kdo je vlastní, co znamená riziko ztráty pro konkrétní společnost. Druhá, systémy – odkud data pocházejí, kam jdou, a kriticky, který tenant. Je obrovský rozdíl mezi nahráním souboru do firemního Google Drive a osobního, a Melody rozumí tomuto rozdílu.

Třetí, lidé – učíme se, jak jednotlivci operují, jak používají data v průběhu času, co je normální pro jejich roli. A čtvrtá, obchodní proces – proč se tato transakce děje? Je součástí známého pracovního postupu, nebo je to něco, co nemůžeme vysvětlit?

Tyto multiple agenti se spojují a rekonstruují celý příběh: co se stalo, proč se to stalo, a úmysl aktéra. Do té doby, než to člověk uvidí, není to varování – je to předvyšetřený narativ s důkazy, kontextem a verdiktem. V typickém nasazení Jazz zpracovává asi 2 miliony signálů měsíčně pro každých tisíc zaměstnanců, vyšetřuje stovky tisíc potenciálních událostí a zobrazuje přibližně 80 incidentů, které skutečně vyžadují lidskou pozornost. To je poměr signálu k šumu 20 000 ku 1. To je, jak jsme zastavili nečinná varování a varovnou únavu.

Váš platforma analyzuje kontext napříč daty, systémy, lidmi a obchodními procesy. Jak technicky sjednocujete tyto dimenze, a jakou roli hrají AI agenti nebo reasonovací systémy v tomto procesu?

Architektura je postavena kolem specializovaných AI agentů, každý analyzující jednu transakci dat z jiného úhlu.

Jeden agent se zaměřuje na hluboké pochopení dat – jejich obsahu, citlivosti, vlastnictví a relevance pro podnik. Další se dívá na systémový krajinný – ne jen názvy aplikací, ale konkrétní tenanti, úroveň důvěry, zda je to podnik nebo osobní. Třetí buduje a průběžně aktualizuje profily toho, jak jednotlivci operují a používají data, aby mohli posoudit, zda je konkrétní akce v souladu s rolí nebo zcela anomální. A čtvrtý mapuje obchodní procesy – spojuje datové transakce s známými pracovními postupy a identifikuje ty, které nelze vysvětlit.

Tyto agenti se poté spojují a syntetizují svá zjištění do sjednoceného vyšetřování – kompletního narativu toho, co se stalo, proč, a zda je to skutečné riziko.

Všechno toto stojí na dvou základních inovacích. První, co nazýváme endpoint kontextové trezory – nový typ signálů, které jsme patentovali speciálně pro DLP. Tyto zachycují nejen transakci dat samotnou, ale celý příběh kolem ní: co se stalo předtím, co se stalo poté, které aplikace byly zapojeny, kompletní řetězec uživatelské aktivity. Tyto signály jsou neuvěřitelně bohaté kontexty a umožňují nám dodat nejen to, co se stalo, ale také proč se to stalo, a úmysl aktéra, který byl vždy nedostupný pro stroje, aby jej pochopily v měřítku.

Druhá, přirozený jazykový policy engine, který nahrazuje tradiční rigidní sadu pravidel. Místo psaní technických pravidel s regex a prahovými hodnotami, bezpečnostní týmy popisují, co je akceptovatelné a co není způsobem, jakým by to udělal člověk – v běžném jazyce. Melody používá to, aby udělala nuancované soudní rozhodnutí o situacích, které nemusí být explicitně zmíněny v žádné politice. Protože realita denních obchodních praktik v organizaci často podstatně odlišná od toho, co je skutečně napsáno v dokumentu politiky. Mostíme tuto mezeru, a pro ty s dlouholetými zkušenostmi s DLP programy, to feels like magic.

Mnohé podniky nyní nasazují autonomní AI agenty, kteří interagují s citlivými daty. Jak tato změna mění bezpečnostní krajinný, a proč vyžaduje nový přístup k DLP?

Tohle je tikající časovaná bomba.

Exploze SaaS již přetížila bezpečnostní týmy – každý týden se objeví pět nových nástrojů v prostředí, mnohé z nich jsou přijaty zaměstnanci bez schválení IT. Měli jsme zákazníky, kteří objevili přes 400 GenAI nástrojů běžících napříč jejich organizací, o kterých nikdo nevěděl. Nyní vrstvěte autonomní AI agenty na vrcholu toho.

AI agenti nedělají pouze pasivně manipulují s daty – aktivně je tahají, transformují, posílají je do jiných služeb, dělají rozhodnutí o tom, kam jdou. Zaměstnanec, který připojí AI kódovacího asistenta ke společnosti kódové bázi, pomocí osobního účtu, a poté posílá výstupy do osobního repozitáře – viděli jsme přesně tohle v terénu. Nebo někdo vkládá proprietární strategické dokumenty do osobního ChatGPT sezení, protože společnost nezajišťuje podnikový účet. I něco tak jednoduchého, jako osobního pluginu Grammarly, který kontroluje vše, co píšete, včetně bankovních převodů a zákaznických dat.

Rule-based DLP byl postaven pro svět, kde data proudila prostřednictvím několika známých kanálů – přílohy e-mailů, USB disky, možná webový upload. Éra AI roztrhla tento model. Data nyní proudí prostřednictvím desítek vektorů, které tradiční systémy nemohou ani vidět, natož pochopit. Potřebujete systém, který může pochopit, co se děje kontextově – ne jen to, že data proudí, ale proč, skrze co a zda je destinace schválená.

To je fundamentálně proč starý rámec nemůže být opraven. Potřebujete přístup, který rozumí obchodnímu kontextu nativně, protože útočný povrch již není seznam kanálů, ale každá interakce mezi lidmi, AI nástroji a citlivými daty.

Explainability zůstává hlavní bariérou pro přijetí AI v bezpečnosti. Jak zajišťujete, aby rozhodnutí vašeho systému byla pochopitelná a důvěryhodná pro bezpečnostní týmy, které operují v prostředí s vysokými ставkami?

Tohle je něco, o čem jsme uvažovali od začátku, protože poslední věc, kterou potřebuje CISO, je další černá skříňka.

Každé vyšetřování, které Melody produkuje, je narativ – ne skóre, ne barevný kód, ne kryptický rizikový počet. Čte se jako briefing od senior analytika. Tady je, co se stalo. Tady je, kdo byl zapojen. Tady je, proč si myslíme, že to udělali. Tady je důkaz. Tady je politika, na kterou to mapuje. Tady je naše hodnocení.

Přirozený jazykový policy engine je kritický pro tohle. Protože politiky samotné jsou psány v běžném jazyce, bezpečnostní týmy mohou vidět přesně, které politice rozhodnutí mapuje a proč. Pokud Melody označí něco, tým může stopovat řetězec úsudků od surových signálů přes kontextovou analýzu k politice. A pokud nesouhlasí, mohou upravit politiku v běžném jazyce – ne laděním sady pravidel.

Také ukazujeme důkazy přímo, kompletní řetězec aktivity. Není to “důvěřujte AI”, je “tady je, co AI vidělo, tady je, co AI uzavřilo, a tady je surová data, abyste mohli ověřit.” Naši zákazníci nám říkají, že to feels jako přezkoumání výstupu AI a více jako briefing od velmi důkladného kolegy.

To je laťka. Bezpečnostní týmy operují v prostředích, kde špatné rozhodnutí může mít důsledky, regulační exponenci, právní expozici nebo kariéru zaměstnance. Systém musí získat důvěru tím, že bude transparentní o tom, jak dochází k svým závěrům.

Jazz popisuje svůj systém jako chování více jako lidský vyšetřovatel než rule engine. Co to znamená v praxi, a jak blízko jsme k skutečně autonomním bezpečnostním operacím?

Když říkám, že Melody se chová jako lidský vyšetřovatel, myslím to doslova.

Skvělý DLP analytik nevidí pouze to, že byl nahrán soubor. Dívá se na to, kdo ho nahrál, co bylo v něm, kam šel, zda je to normální pro tuto osobu, zda je to součástí obchodního důvodu, a co se stalo předtím a poté. Používá kontextové soudy – ne jen pravidla – a to vyžaduje kontextové pochopení jejich podniku. To je přesně to, co Melody dělá, ale napříč všemi datovými transakcemi v podniku, kontinuálně a v měřítku.

V praxi naši zákazníci popisují Melody jako dalšího člena svého týmu. Ukazuje jim situace, které jsou mimo politiku, poskytuje plné vyšetřování s důkazy, a žádá o jejich soudy v případech, které skutečně potřebují lidskou vstup. Učí se organizaci v průběhu času – obchodní procesy, výjimky, věci, které jsou technicky porušením, ale operativně normální.

Co se týče skutečně autonomních bezpečnostních operací – jsme blíž, než si většina lidí myslí, ale chci být přesný o tom, co to znamená. Melody již operuje autonomně ve fázi vyšetřování. Bere surové signály a produkuje plně vyšetřené, kontextualizované verdikty bez lidského zásahu. Pro high-confidence, high-risk scénáře může také autonomně provádět preventivní akce – blokování exfiltrace před jejím dokončením.

Člověk zůstává v smyčce pro soudy, a pro lidský-v-smyčce učení proces. A to je záměrně. Cílem není odstranit lidi z bezpečnosti, je odstranit únavnou, opakující se práci, která je vyčerpává, a nechat je soustředit se na rozhodnutí, která skutečně vyžadují lidský úsudek. To je, kde jsme dnes, a již to transformuje, jak naši zákazníci vedou své programy.

Z produktového a inženýrského hlediska, jaké byly nejvíce obtížné technické výzvy při budování AI-nativního DLP platformy od základů místo iterace na stávajících architekturách?

Nejtěžší částí bylo odolat pokušení vzít zkratky.

Když začínáte od začátku, je vždy tlak na to, aby jste vzali kusy staré architektury, protože jsou prokázané a rychlé, a jsou více v souladu se stávajícími očekáváními zákazníků. Ale každýkrát, když to uděláte, dědíte omezení starého modelu. Učinili jsme vědomé rozhodnutí vrátit se k základním principům – myslet na základní fyziku problému a přestavět.

Endpoint agent byl jednou z největších výzev. Potřebovali jsme přehodnotit výzvu sběru signálů a dosáhnout dostatečného kontextu, a nebrat osvědčenou cestu legacy signálů – a současně udržet nízký dopad na systémový výkon. Postavit to napříč všemi operačními systémy bylo vážným inženýrským úsilím. Nakonec jsme skončili s patentovaným přístupem, který nám dává viditelnost, kterou nikdo jiný nemá.

Multi-agent AI systém byl další velkou výzvou. Získání specializovaných AI agentů, aby analyzovali stejnou transakci z různých perspektiv a poté se shodli na koherentním, přesném narativu – to vyžadovalo hodně architektonického myšlení. Není to jen házení LLM na datový feed. Orchestrace vrstva, způsob, jakým agenti sdílejí kontext, způsob, jakým řeší konfliktní signály – to je, kde většina výzev žije.

A potom přirozený jazykový policy engine. Přeložit lidsko-jazykové popisy toho, co je akceptovatelné a co není, do něčeho, co AI může spolehlivě aplikovat na tisíce edge případů – to je fundamentálně tvrdý problém. Denní obchodní praktiky často odlišné od psaných politik. Systém musí mostovat tuto mezeru, a musí to udělat správně, protože důsledky špatného rozhodnutí v DLP jsou vážné.

Vybrali jsme každou z těchto obtížných problémů úmyslně, protože jsou to ty, které dělají rozdíl mezi.incrementálně lepším DLP a něčím fundamentálně novým.

V každé z těchto výzev a mnoha dalších jsou stále otevřené překážky, které je třeba překonat, a jedinečné soubory problémů pro správný talent, aby je převzal. Řešení DLP dobře je opravdu myšlenkově provokativní a lákavou cestou.

Jazz byl vybrán jako vítěz 2026 Cybersecurity Startup Accelerator podporovaný CrowdStrike (CRWD ), AWS a NVIDIA. Co tato zkušenost potvrdila o vašem přístupu, a jak ovlivnila váš roadmap do budoucna?

Tisíc startupů se přihlásilo. Šest se dostalo do finále. My jsme vyhráli.

Budu upřímný, okamžik předtím, než jste šli na pódium, váš mozek vám připomněl všechno, co mohlo go wrong. A pak jste začali mluvit o problému, na kterém jsme pracovali, a všechno se utichlo. Každá pozdní noc, kdy jsme argumentovali o tom, jak by Melody měla fungovat, každá těžká architektonická rozhodnutí, každá zákaznická konverzace, která formovala produkt, to vše se zkomprimovalo do těch minut.

Porotci, George Kurtz, CJ Moses, Bartley Richardson, a legendární shark, Robert Herjavec, viděli to. Označili agentic investigační model specificky, stejně jako naši rychlou adopci zákazníků. Pro nás, validace průmyslových lídrů záležela více než trofej. Tito lidé postavili a vedli bezpečnostní programy na nejvyšší úrovni, a uznali, že to, co děláme, je fundamentálně odlišné od toho, co se dříve zkoušelo – a že naše trakce mluví sama za sebe.

Co se týče roadmapu, akcelerátor potvrdil, co nám naši zákazníci již říkali – trh je připraven na to, a chtějí, aby jsme se pohybovali rychle. Dvojnásobně se soustředíme na rozšíření schopností vyšetřovatele a na to, aby produkt byl představen co největšímu počtu bezpečnostních týmů.

Pohledem do budoucna, věříte, že DLP se vyvine do plně autonomního, agent-driven systému, a co vypadá dlouhodobá budoucnost datové bezpečnosti v AI-nativním podniku?

Věřím, že DLP se stane plně autonomním ve fázích. Vyšetřovací vrstva je již tam – Melody to dělá dnes. Prevence pro high-confidence scénáře se děje nyní. V průběhu času se systém stává chytřejším o organizaci, učí se její pracovní postupy, rozumí jejím lidem, a povrch, který skutečně vyžaduje lidský úsudek, se zmenšuje.

Ale chci být jasný – “autonomní” neznamená “nesupervizovaný.” Znamená to, že systém zvládne práci, kterou lidé neměli dělat, aby se mohli soustředit na rozhodnutí, která skutečně záleží. CISO budoucnosti není utopen v varováních. Přezkoumává strategické rizikové hodnocení od AI, která rozumí jejich podniku stejně hluboce jako jejich nejlepší analytik. Činí chirurgické akce, které jsou relevantní pro jejich organizaci, založené na agregovaných informacích o jejich krajině aktivní datové ztráty, a ne na hádech. To umožňuje jim snížit datové riziko, aniž by zpomalili své podnikání.

Širší obraz je tento: v AI-nativním podniku data proudí rychleji, přes více kanálů, v více komplexních způsobech, než jakýkoli lidský tým může sledovat. Podniky, které vyhrávají, budou ty, jejichž bezpečnostní systémy mohou pochopit kontext na rychlost AI, ne ty, které stále píší regex pravidla a doufají v nejlepší.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Jazz.