Alan LeFort, CEO & Co-Founder of StrongestLayer – Interview Serie

Alan Lefort er en cybersecurity-leder med over 15 års erfaring i at opbygge og skala sikkerhedsprodukter, der anvendes af Fortune 500-virksomheder. Han har tidligere ledet produkt- og forretningsenheder i Proofpoint, McAfee og Intel (INTC ) Security, hvor han fokuserede på avanceret trusselforsvar, insider-risiko og adfærdsanalyse. Hos Intel hjalp han med at drive produktstrategi på tværs af globale markeder, hvor han ledte hold i USA, Europa og Israel. Nu som CEO i StrongestLayer udnytter Alan denne dybe enterprise-erfaring til at stoppe AI-drevne phishing-angreb, før de når brugerne – og gendefinerer e-mail-sikkerhed for AI-æraen.

StrongestLayer er en AI-naturlig e-mail-sikkerhedsplatform designet til at stoppe avanceret phishing og Business Email Compromise-angreb. Ved hjælp af sin proprietære TRACE-motor anvender den store sprogmodeller, adfærdsinferens og kontekstanalyse til at identificere skadelige e-mail, som traditionelle regelbaserede systemer ikke kan se. Platformen integrerer hurtigt med Microsoft 365 og Google Workspace, tilføjer browserbeskyttelse og tilbyder AI-drevet medarbejdertræning, hvilket giver organisationer både stærk forsvar og en mere sikkerhed-bevidst kultur.

Hvad inspirerede dig og dine medstiftere til at starte StrongestLayer, og hvilket specifikt hul i sikkerhedslandskabet var I ude om at løse på baggrund af jeres erfaringer i virksomheder som Proofpoint, FireEye og Mandiant?

Virksomheden udviklede sig med hver medstifters perspektiv. Det startede med Riz, vores tekniske direktør, der erkendte, at phishing blev for sofistikeret for traditionel medarbejdertræning. Hans indsigt var, at AI-drevne tilpasninger kunne fundamentalt forbedre sikkerhedsbevidstheden.

Da Josh sluttede sig til os som vores Chief Product Officer, bragte han den manglende del. Mens han testede vores tidlige produkt, opdagede han, at vores AI-analyse kunne detektere komplekse angreb, som etablerede e-mail-sikkerhedsleverandører fuldstændigt missede. Det var da, vi indså, at vi ikke kun forbedrede træningen, men også identificerede et fundamentalt hul i trusselsdetektion.

Jeg sluttede mig til som CEO i begyndelsen af 2025 efter at have rådgivet holdet og så den strategiske mulighed tydeligt: Hvis kun AI kan forsvare sig mod våben-AI, så må vi tænke om på ikke kun detektion, men også hvordan vi giver mennesker magt i denne nye virkelighed. Beslutningen var enkel – gå fuldt ud på AI-naturlig detektion og forebyggelse.

Hvorfor tror du, at e-mail fortsat er så kritisk et angrebsvektor, især i æraen med generativ AI?

E-mail forbliver den primære angrebsvektor, fordi det er den kanal, hvor forretningskontekst betyder mest, og generativ AI har gjort udnyttelsen af denne kontekst trivial.

Traditionelle e-mail-angreb var volumenbaserede og åbenlyse. AI ændrer spillet fuldstændigt – angribere kan nu generere personlige e-mail, der forstår organisationshierarkier, efterligner kommunikationsstile og henviser til faktiske forretningsprocesser. De sender ikke længere kun generisk phishing; de konstruerer angreb, der føles autentiske for bestemte organisationer.

E-mail er også, hvor tillidsbeslutninger sker dagligt. Medarbejdere modtager regelmæssigt anmodninger fra leverandører, partnere og kolleger, der kræver domme om legitimitet. AI-drevne angreb udnytter netop disse tillidsforhold ved at se ud til at komme fra kendte enheder med plausibler anmodninger.

Den fundamentale udfordring er, at e-mail-sikkerhed altid har handlet om at detektere “dårlige” tekniske mønstre, men AI-angreb ser teknisk set gode ud, mens de er ondsindede.

Hvordan adskiller StrongestLayers LLM-naturlige arkitektur sig fundamentalt fra traditionelle e-mail-sikkerheds løsninger?

Vi byggede den første LLM-som-mester-arkitektur, som er fundamentalt forskellig fra leverandører, der tilføjer LLM-funktioner til eksisterende mønster-genkendelsessystemer. Forskellen er arkitektonisk – LLM-koordinerer hele analyseprocessen i stedet for at være en tilføjet modul.

Traditionelle løsninger fungerer som en anklager-kun retssystem – de kan kun jage “skyld”, uden nogen mekanisme til at bevise uskyld. Dette skaber den klassiske falsk positiv/falsk negativ spænding, der aldrig kan løses inden for et anklager-kun-arkitektur.

Vores gennembrud er dobbelt bevisindsamling. Vi bryder den anklager-kun-paradigme fuldstændigt ved at give hver e-mail sin dag i retten. Vores system fungerer både som offentlig forsvarer og anklager, mens en upartisk LLM-dommer vejer beviser og fælder dom.

Arkitekturen krævede helt ny infrastruktur: LLM-som-mester-koordination, dobbelt bevis-syntese-algoritmer, blanding af eksperter-arkitektur til specialiseret analyse og nul-hukommelse-arkitektur til enterprise-data-privatliv. Vi leverer den tankegangskraft af tusind elite-analytikere med hukommelsen af en guldflue – maksimal analytisk kapacitet, nul data-persistens.

Kan du forklare, hvordan jeres TRACE (Threat Reasoning AI Correlation Engine)-system fungerer, og hvad der gør det unikt effektivt mod AI-drevne phishing?

TRACE fungerer gennem dobbelt bevisindsamling, der fundamentalt ændrer e-mail-sikkerhedens økonomi.

For hver e-mail køres to parallele undersøgelser: offentlig forsvarer-beviser, der indsamler normalitetsindikatorer, og anklager-beviser, der indsamler trussels-signaler. En upartisk LLM-dommer vejer alle beviser og fælder en automatisk beslutning.

Tag et eksempel på en $50M-vendor-betaling fra jeres CFO under kvartalsafslutning. Arvet systemer ser urgent sprog, stor beløb, efter-timestamp – hver mønster råber trussel. E-mail bliver karantæne, forretning forstyrret.

Vores dobbelt bevis-arkitektur kører parallele undersøgelser: offentlig forsvarer-beviser inkluderer CFO’s kommunikationsmønstre, vendor’s etablerede relation, betaling inden for indkøbsgrænser, følger dokumenterede arbejdsprocesser. Anklager-beviser inkluderer ekstern trussels-intelligence, kommunikations-intention-analyse, autoritets-omgåelsesforsøg, urgency-manipulationsmønstre.

LLM-dommeren vejer alle beviser. Stærke legitimitetsindikatorer overvejer mindre trussels-signaler. E-mail klarer automatisk med høj tillid, forretning kontinuitet opretholdes, analytikere fokuserer på virkelige trusler.

Hvad der gør dette unikt effektivt mod AI-angreb, er, at vi fokuserer på stabile indikatorer, der består uanset angrebets nytænkning – forretningslogik-mønstre og ondsindede intentioner forbliver konsekvente, selv når angrebsmetoder er fuldstændigt nytænkende.

Hvordan forbliver jeres platform førende over for de udviklende trusler, når AI nu muliggør angribere at generere personlige e-mail i stor målestok?

Den kritiske indsigt er, at selv om AI gør angrebs-generering uendeligt skalerbar, løser det ikke forretningslogik-problemet for angribere.

AI kan konstruere perfekt grammatik, efterligne kommunikationsstile og henviser til offentlig information om organisationer. Men det kan ikke fuldstændigt forstå interne forretningsprocesser, godkendelses-workflows, kontrakt-cykler og relation-dynamik på tværs af hver enkelt organisation samtidigt.

Vores platform forbliver førende ved at fokusere på forretnings-rimelighed i stedet for tekniske mønstre. Da AI-angreb bliver mere sofistikerede i deres tekniske præsentation, bliver de ofte mere desperate i deres forretningslogik – skabende urgency, hvor ingen bør være, omgående normale processer eller anmodninger om handlinger, der ikke er i overensstemmelse med etablerede relationer.

Vi har også fordel af cross-kunde-læring uden at eksponere enkelt-kunde-data. Mønstre af forretningslogik-misbrug er ofte konsistente på tværs af organisationer, selv når den tekniske implementering varierer.

Hvilke typer organisationer er i øjeblikket mest udsatte for AI-forbedrede phishing, og hvordan adresserer jeres platform deres unikke udfordringer?

Organisationer med komplekse leverandør-relationer og godkendelses-processer er mest udsatte – især finansielle tjenester, sundhedssektoren og juridiske firmaer. Disse sektorer har værdifuld data, etablerede forretningsprocesser, som angribere kan undersøge, og medarbejdere, der regelmæssigt håndterer følsomme anmodninger.

Mid-markeds-virksomheder står over for en specifik udfordring: de har enterprise-niveau-forpligtelser og kompleksitet, men ikke sikkerheds-personale eller budgetter til at matche. De er sofistikerede nok til at være attraktive mål, men ressource-begrænsede nok, så avancerede angreb lykkes.

Vores platform adresserer dette ved at automatisere den forretningskontekst-analyse, der ellers ville kræve dedikeret sikkerheds-analytikere. I stedet for at kræve, at hold manuelt undersøger hver mistænkelig anmodning, giver TRACE den tankegang, der hjælper organisationer med at træffe underrettet beslutninger hurtigt.

Vi fokuserer også på brugeroplevelsen, fordi disse organisationer ikke kan klare løsninger, der skaber operationel friktion eller kræver omfattende træning.

Hvordan fungerer jeres prædictive kampagne-detektionssystem til at identificere og neutralisere falske virksomheds-websites så hurtigt?

Vores tilgang kombinerer realtids-domæne-registrerings-overvågning med forretningskontekst-analyse.

Vi overvåger globale domæne-registreringer kontinuerligt, hvor vi søger efter mønstre, der antyder impersonation-kampagner – lignende staving til legitime domæner, registrerings-tidsklaser, og infrastruktur-mønstre konsistent med angrebs-forberedelse.

Men den kritiske forskel er at korrelerer denne tekniske intelligence med forretningskontekst. Når vi ser domæner registreret, der kunne impersonere kunde-virksomheder eller -partnere, kan vi forudsige kampagne-mål og -timing baseret på forretnings-relationer og -cykler.

“Neutraliseringen” sker gennem tidlig advarsel – vi underretter kunder om potentielle impersonation-kampagner uger før e-mail bliver sendt, hvilket giver dem mulighed for at forberede forsvar og underrette medarbejdere om specifikke trusler at være på udkig efter.

Denne præ-kampagne-detektion er kun mulig, fordi vi forstår både den tekniske angrebs-infrastruktur og den forretningskontekst, som angribere sandsynligvis vil udnytte.

Hvad var nogle af de hårdeste tekniske problemer, I stod over for, mens I byggede en sandt LLM-naturlig sikkerheds-løsning?

Det hårdeste problem var at bygge et system, der kunne tænke over forretningskontekst uden at eksponere følsomme organisations-data, mens det blev bevist, at det fungerede mod nytænkende angreb, som arvet systemer missede.

Vi havde nylig en validering, da vores TRACE-system detekterede et Microsoft 365 Direct Send-udnyttelses-angreb, som både Microsofts native sikkerhed og markedets leder fuldstændigt missede. Angrebet blev offentliggjort og valideret af Dark Reading. Det udnyttede legitime Microsoft (MSFT ) -funktioner, anvendte billed-baseret forvirring og dynamisk personlige phishing-sider – fuldstændigt nytænkende teknikker uden nogen historiske mønstre at matche.

De tekniske udfordringer var betydelige: bygning af LLM-som-mester-koordination, der kunne udføre sofistikeret tankegang, mens følsomme data blev holdt lokale, undgåelse af falsk positiv-fælder, når man bevægede sig fra mønster-matching til tankegang, og optimering af ydeevne til at give realtids-beslutninger inden for e-mail-flow-latens-krav.

Men det største gennembrud var at bevise, at vores dobbelt bevis-arkitektur fungerede i den virkelige verden mod angreb, som etablerede leverandører ikke kunne matche. Denne validering gav os tillid til, at arkitekturen kunne håndtere, hvad som helst nytænkende teknikker angribere udvikler herefter.

Hvordan ser du trussels-landskabet udvikle sig inden for 2026-2027, og hvordan forbereder I jeres platform til at møde denne fremtid?

Inden for 2026-2027 forventer jeg, at sofistikerede AI-forbedrede angreb bliver mainstream i stedet for at være avancerede, vedvarende trusler. Værktøjerne og teknikkerne vil blive kommercialiserede, hvilket dramatisk udvider trussels-aktør-pullen.

Vi vil også se angreb, der udvides beyond e-mail til alle forretnings-kommunikations-kanaler – Teams, Slack, mobil-messaging. Angribere vil orkestrere kampagner på tværs af multiple kanaler, hvilket gør enkelt-punkts-detektion utilstrækkelig.

Vi forbereder os ved at bygge TRACE som en tankegang-motor, der kan anvendes på enhver forretnings-kommunikations-kanal. Den grundlæggende teknologi – at forstå forretningskontekst og intention – er ikke e-mail-specifik. Vi investerer også massivt i cross-kanal-korrelations-kapaciteter.

Den anden store ændring vil være angreb, der udnytter AI-adopterings-processer inden for organisationer. Da virksomheder implementerer AI-værktøjer til forretningsprocesser, vil angribere målrette disse integrationer og data-flows.

Hvad har I lært fra virkelige implementeringer, og hvordan har disse erfaringer formet jeres produkt-vej-kort?

Den største lærdom er, at nytænkende angreb validerer vores arkitektoniske tilgang på måder, vi ikke kunne have forudset. Da vores TRACE-system detekterede Microsoft 365 Direct Send-udnyttelses-angrebet, som både Microsoft og markedets leder missede, beviste det vores tese om, at tankegang slår mønster-matching mod sandt nytænkende teknikker.

Vi lærte, at brugeroplevelse betyder mere, end vi initialt troede, men ikke på den måde, vi forventede. Sikkerheds-hold vil ikke kun have præcis detektion – de vil forstå, hvorfor systemet træffer beslutninger. Vores dobbelt bevis-tilgang hjælper, fordi analytikere kan se både anklager- og offentlig forsvarer-bevis, der ledte til LLM-dommerens dom.

Vi opdagede også, at nytænkende angreb-detektion skaber konkurrencemæssige fordele, vi ikke havde forventet. Da vi offentliggjorde Direct Send-analysen, som Dark Reading validerede, etablerede det teknisk troværdighed på måder, som marketing-krav aldrig kunne. Potentielle kunder indså, at vi ikke kun påstod at detektere ukendte trusler – vi beviste det med dokumenterede tilfælde, hvor etablerede leverandører fejlede.

Disse lærdomme har formet vores strategi omkring gennemsigtighed og teknisk validering. Vores vej-kort fokuserer nu ikke kun på detektions-kapaciteter, men også på evnen til at forklare tankegang og dele trussels-intelligence med det bredere sikkerheds-samfund.

Hvor ser du StrongestLayer i de næste to til tre år, og hvad er den lange sigtige vision for virksomheden?

Inden for de næste to år ser jeg os blive den tankegang-motor, der beskytter alle forretnings-kommunikation – ikke kun e-mail, men også Teams, Slack, mobil-messaging og fremtidige kanaler.

Den tekniske grundlag, vi har bygget med TRACE – at forstå forretningskontekst og intention – gælder ud over e-mail-sikkerhed. Da organisationer adopterer flere kommunikations-kanaler og AI-værktøjer, har de brug for konsistent beskyttelse, der forstår forretningslogik på tværs af alle platforme.

På lang sigt er vores vision at være den intelligens-lag, der hjælper organisationer med at kommunikere trygt i en AI-dreven verden. I stedet for at sikkerhed er en barriere for kommunikation, vil vi være systemet, der giver virksomheder mulighed for at adoptere nye kommunikations-teknologier sikkert.

Det endelige mål er at nå et punkt, hvor organisationer ikke tænker på e-mail-sikkerhed som et separat problem – det er bare en del af, hvordan forretnings-kommunikation fungerer, beskyttende dem automatisk, mens det giver plads til produktivitet.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge StrongestLayer.