Chaim Mazal, Chief AI & Security Officer i Gigamon – Intervieuserie

Chaim Mazal er Chief AI og Security Officer i Gigamon, hvor han er ansvarlig for global sikkerhed, informations-teknologi, netværksdrift, governance, risiko, compliance, interne forretnings-systemer og produktsikkerhed. Chaim leder også virksomhedens strategiske AI-program, der driver governance, tværfaglig tilpasning og sikker, ansvarlig brug af AI. Han er anerkendt af Security Magazine som en af de mest indflydelsesrige personer i sikkerhed i 2025 og er en livsvarig medlem af OWASP Foundation og sidder i bestyrelserne for Cloudflare, GitLab (GTLB ) og Rapid7. Han har tidligere haft ledende stillinger i flere industriledere, senest som SVP of Technology og CISO i Kandji.

Gigamon er et cybersikkerheds- og observabilitets-teknologiselskab, der fokuserer på at give dyb indsigt i netværkstrafik på tværs af hybrid- og multi-cloud-miljøer. Dets platform fanger og analyserer data i bevægelse, herunder pakker, strømme og applikations-metadata, for at levere handlebare indsigt til sikkerheds-, cloud- og IT-overvågningsværktøjer. Dette giver organisationer mulighed for at opdage skjulte trusler, forbedre ydeevne, opretholde compliance og reducere kompleksitet ved at eliminere blinde pletter i stadig mere distribuerede og krypterede systemer. Gigamon hjælper store virksomheder og regeringsorganisationer med at sikre og styre moderne digital infrastruktur i stor målestok.

Du har haft en unik rejse fra at tilbringe tid i hacking-fora som teenager til at blive Chief AI og Security Officer i Gigamon. Hvordan har disse tidlige oplevelser formet din måde at tænke om moderne AI-drevne cybersikkerheds-trusler på?

Jeg fik min første computer, da jeg var otte, og lærte ved at eksperimentere, navnlig ved at figurere ud, hvordan software kunne manipuleres og hvor systemer var sårbare. Denne nysgerrighed udviklede sig til web-applikations-penetrationstest og sikring af SaaS-udviklings-livscyklusser.

Hvad der er interessant om moderne trusler, er, at AI ikke opfinder nye svagheder, men skalerer opdagelsen og udnyttelsen af eksisterende svagheder. Fordi jeg havde denne tidlige perspektiv, tilgår jeg AI-sikkerhed med antagelse af fjendtlig brug fra dag én, hvilket hjælper mig med at omvende forsvar for vores kunder i Gigamon.

Du har observeret, at AI-genererede phishing-, ransomware- og malware-kampagner reducerer tiden fra uger til timer. Hvad er de konkrete ændringer, du ser i, hvordan disse angreb er designet og udført?

AI har fundamentalt reduceret barrieren for at begå cyberkriminalitet. At skrive malware, udarbejde overbevisende phishing-kampagner og identificere svagheder krævede tidligere dyb teknisk ekspertise. Nu kan disse angreb accelereres og endda fuldstændigt automatiseres med hjælp af AI-værktøjer. Hackere har ikke længere brug for en stærk teknisk baggrund for at lancere sofistikerede kampagner, fordi AI kan generere kode, forfine sociale ingeniørkampagner og hjælpe operatører med at fejlfinde i realtid.

Som følge af denne øgede adgang har hele trusselslandskabet ændret sig. Uden governance-rammer, compliance-krav eller etiske begrænsninger til at slowe dem ned, kan angribere eksperimentere, tilpasse sig og udføre på hurtig vis og til minimal omkostning. Som følge heraf er tiden til impact dramatisk reduceret, og hvad der tidligere tog uger, kan nu ske på timer. Imens er mange organisationer stadig i de tidlige faser af at adoptere AI defensivt, hvilket betyder, at nogle af de mest effektive AI-brugsændringer i øjeblikket er drevet af trusselsaktører.

Hvad adskiller fundamentalt en AI-drevet cybersikkerheds-trussel fra traditionelle automatiserede trusler, og kan du dele et eksempel, der gør denne forskel tydelig?

Hvad der adskiller en AI-drevet cybersikkerheds-trussel fra traditionelle automatiserede trusler, er autonomi og persistence. I fortiden ville hackere køre et script og stoppe, når det fejlede. “Tiden til at leve” var begrænset til, hvor lang tid det tog at køre automationen. Med AI gives agenter et mål, og hvis de fejler, stopper de ikke. De fortsætter med at iterere, søger efter alternative veje til at opnå det samme mål. “Tiden til at leve” er effektivt uendelig.

For eksempel kan angribere med en produktionsbyg-afhængighed indsætte noget så lille som to linjer kode, mens de holder filstørrelsen uændret, hvilket betyder, at bytes ser identiske ud. Når filen er kompuleret og kørt, lancerer den en terminal-forekomst, der installerer en autonom agent i det corporate-miljø, som derefter udfører en række ondsindede opgaver, der kan iterere uendeligt. I fortiden blev binærer set som post-deployment-trusler. Nu bliver de manipuleret konstant, herunder under byggeprocessen selv, for at udføre AI-aktiverede handlinger inde i corporate-miljøer.

Mange organisationer afhænger stadig af legacy-sikkerheds-kontroller og etablerede playbook. Hvorfor fejler disse tilgange mod AI-drevne angreb, og hvor ser du de farligste blinde pletter?

Vi har nået et punkt, hvor hvis du ikke innovrer og tankefuldt inkorporerer AI i dine sikkerheds-løsninger og -operationer, er du allerede bagefter, og det gælder for både store virksomheder og startups. Organisationer, der ikke integrerer AI i deres sikkerheds-strategi, risikerer at blive overhalet af angribere, der bevæger sig hurtigere og opererer i større skala.

Det sagde, kræver forsvar mod AI-drevne trusler ikke nødvendigvis en komplet genopbygning af teknologi-stakken. Mange af de værktøjer, virksomhederne har brug for, er allerede på plads. Den virkelige ændring er i, hvor effektivt disse værktøjer bruges. Det handler om at forstærke grundlæggende principper, anvende eksisterende teknologier mere intelligent og tilpasse forsvar til at tage højde for uuddannede, men AI-aktiverede angribere.

Trusselsaktører bruger AI kreativt og strategisk. Hvis virksomheder ikke tager en tilsvarende strategisk tilgang, risikerer de at skabe massive blinde pletter. Ledere må tænke anderledes om, hvordan de udruller de værktøjer, de allerede har, integrerer AI i deres operationer og udvikler deres playbook til at forsvare sig mod hastigheden og skalaen af i dagens angreb.

AI synes at reducere barrieren for at begå cyberkriminalitet. Hvordan har denne ændring ændret profilen af i dagens angribere, og hvilke risici skaber det for virksomheder?

AI har gjort det muligt for næsten alle at blive hackere. Med AI-værktøjer til rådighed kan uerfarne aktører, selv teenage-angribere, nu lancere sofistikerede phishing-kampagner, udrulle rootkits og udføre ransomware-angreb, der tidligere krævede betydelig teknisk ekspertise.

Denne ændring tilføjer en ny niveau af usikkerhed til trusselslandskabet. I stedet for at stå over for et mindre antal højt specialiserede grupper, står virksomheder over for et bredere spektrum af aktører, der eksperimenterer hurtigt, lærer i realtid og samarbejder på tværs af online-fællesskaber.

Baseret på, hvad du ser i angriber-samfund, hvilke AI-drevne værktøjer vinder frem, og hvor hurtigt forbedrer disse kapaciteter?

Det handler mindre om enkeltstående AI-værktøjer, der hjælper hackere, og mere om deling af ressourcer. I stedet for et enkelt værktøj, der kører en lineær proces, bruger angribere decentraliserede agenter, der krydskontrollerer data og deler informationer kollektivt på tværs af forskellige værktøjer. Resultatet fungerer mere som et angrebs-netværk eller en sværm end som en enkeltstående kapacitet.

Set fra en forsvarers synspunkt, hvilke signaler tyder på, at en organisation står over for en AI-drevet kampagne snarere end en mere konventionel angreb?

Set fra en forsvarers synspunkt er et af de største signaler, at rekognoscering ikke længere ser sekventielt eller kompartimeret ud. Historisk set fulgte angribere klare skridt – indsamling af information i faser, afstand mellem aktivitet og målretning af en overflade ad gangen. Nu sker alle disse aktiviteter samtidigt. Email-gateways, eksternt tilgængelige tjenester, konto-aktivitet, detektions- og undgåelses-teknikker udføres alle på én gang snarere end sekventielt.

Du har argumenteret for, at mange nuværende AI-sikkerheds-værktøjer fuldstændigt mangler disse trusler. Hvad gør de forkert, og hvilke kapaciteter er mest presserende nødvendige?

Mange nuværende AI-sikkerheds-værktøjer er stadig bygget op omkring den fejlbehæftede antagelse, at forebyggelse er det primære mål. Leverandører fortsætter med at positionere AI som en bedre måde at blokere trusler på perimetret, men angribere er hurtigere, mere tilpasningsdygtige og stadig mere tålmodige, bruger AI, deepfakes og avanceret malware, der kan undgå kontroller og forblive usete i måneder.

Med hensyn til, at AI accelererer både forsvar og angreb, tror du, at defensiv AI kan realistisk holde trit, eller er vi ved at indtræde i en periode, hvor angribere vil fastholde en strukturel fordel?

AI accelererer begge sider af ligningen, men på kort sigt tror jeg, at angribere har fordelene. De står over for ingen regulative begrænsninger, ingen compliance-krav og ingen etiske begrænsninger. Dette betyder, at de kan eksperimentere frit og iterere i en forhøjet takt. På den anden side har virksomheder brug for at balancere innovation med governance, privatliv og operativ risiko, hvilket naturligt langsommere AI-adopterings- og implementeringsprocesser.

Set fremad i de næste seks til tolv måneder, hvilke AI-drevne angrebs-teknikker forventer du, at bliver almindelige, og hvad bør sikkerheds-teamene gøre nu for at forberede sig?

Seks til tolv måneder er en enorm mængde tid i dette miljø. Ting ændrer sig realistisk set hver seks til tolv uger. Den hurtige udvikling af AI gør det svært at forudsige, hvilke specifikke teknikker hackere vil bruge fremover, så fokus skal være mindre på at gætte, hvad der kommer næste, og mere på, hvordan man kan forberede sig.

Tak for det indsigtsgivende interview. Læsere, der er interesseret i dyb observabilitet og AI-drevet netværkssikkerhed, kan besøge Gigamon.