Harold Byun, administrerende direktør for BlueRock – Intervju-serie

Harold Byun, administrerende direktør for BlueRock, er en erfaren virksomheds teknologi chef med dyb ekspertise i cybersikkerhed, SaaS-platforme, cloud-sikkerhed og virksomhedsproduktledelse. Før han blev administrerende direktør i april 2026, fungerede han som virksomhedens Chief Product Officer, hvor han hjalp med at forme BlueRocks retning omkring agentic AI-sikkerhed og overvågning. Før han kom til BlueRock, havde Byun senior ledelsesroller i AppOmni, ServiceNow (NOW ), Skyhigh Networks, Symantec og Citrix efter dets overtagelse af Zenprise. Over disse roller opbyggede han en reputation for at hjælpe virksomheder med at sikre stadig mere komplekse cloud- og data-miljøer, en erfaring, der nu direkte svarer til de opdybkommende sikkerhedsudfordringer omkring autonome AI-agenter og Model Context Protocol (MCP)-økosystemer.

BlueRock er fokuseret på at sikre eksekveringslaget af agentic AI-systemer, et område, der bliver stadig mere kritisk, da virksomheder udruller autonome AI-agenter, der kan interagere med værktøjer, API’er, kodebaser og følsomme virksomhedsdata. Virksomheden udvikler sikkerheds- og overvågnings-teknologier, der er designet til at overvåge, sandboxe og gennemtvinge retningslinjer for AI-agent-adfærd, især inden for MCP-baserede miljøer. BlueRocks platform fremhæver runtime-synlighed og eksekveringslagsbeskyttelse i stedet for at stole kun på prompt-niveau-sikkerhedsforanstaltninger, hvilket afspejler en bredere industriel skiftning mod at sikre, hvordan AI-agenter handler, og ikke kun hvad de siger. Da organisationer bevæger sig fra AI-eksperimenter til autonome arbejdsgange i produktion, positionerer virksomheder som BlueRock sig i centrum af, hvad der kunne blive en stor ny kategori inden for virksomheds-cybersikkerhed.

Du har brugt år i cloud, SaaS, Data Loss Prevention (DLP) og virksomheds-sikkerhed hos virksomheder som AppOmni, Symantec, ServiceNow og Skyhigh Networks. Hvad overbeviste dig om, at runtime-sikkerhed for AI-agenter ville blive den næste store sikkerheds-kategori?

Hvad der blev åbenlyst for mig, er, at AI ændrer, hvor meningsfuld operationel risiko og kompleksitet faktisk opstår. I traditionel software er det meste af adfærden defineret før udrulning. I agentic systemer opstår adfærd stadig mere under eksekvering gennem prompts, kontekst, værktøjer, API’er, MCP-servere og downstream-interaktioner.

Det skaber en meget anden operationel model. Når agenter kan tage dynamiske beslutninger og udføre handlinger på tværs af systemer, mister organisationer den klare synlighed og operationelle forståelse, de har været afhængige af i årevis.

Jeg har set lignende platformskift før i cloud- og SaaS-sikkerhed, hvor infrastrukturen udviklede sig hurtigere end de systemer, der blev brugt til at styre den. AI skaber endnu et af disse øjeblikke. Den langsigtede udfordring er ikke kun modelsikkerhed. Det er at enable organisationer til at sikre agentic systemer på en skala.

Kategorien, der ultimativt betyder noget, vil være den, der hjælper organisationer med at forstå, hvad agenter faktisk gør i produktion, og giver dem tillid til at skala AI-naturlige operationer ansvarligt.

BlueRock taler om “Agentic Execution Gap”, hvor organisationer mister synlighed, når agenter begynder at handle autonomt under runtime. Hvorfor fejler traditionelle overvågnings- og sikkerhedsværktøjer i disse miljøer?

Traditionelle overvågnings- og sikkerhedsværktøjer blev bygget til deterministiske systemer med relativt forudsigelige eksekveringsveje. De antager, at udviklere generelt ved, hvordan applikationer skal opføre sig, før de køres.

Agentic systemer bryder denne antagelse.

Agenter kan dynamisk opdage værktøjer, kalde MCP-servere, kæde arbejdsgange, interagere med API’er og træffe beslutninger i realtid. Eksekveringsvejen opstår ofte under runtime.

De fleste eksisterende værktøjer fanger fragmenter som logs, spor, telemetri eller model-outputs. Men organisationer har stadig mere brug for årsagsforståelse på tværs af den fulde eksekveringsvej: hvorfor en agent valgte et værktøj, hvilken kontekst påvirkede beslutningen, hvilke downstream-systemer blev berørt og hvilke handlinger fandt sted som følge.

Det er Agentic Execution Gap. Eksekvering er blevet dynamisk, men synligheds- og kontrolmodellerne er ikke udviklet sideløbende.

En stigende antal virksomheder eksperimenterer med Model Context Protocol (MCP)-baserede arkitekturer og autonome AI-arbejdsgange. Hvad er de største sikkerheds-misforståelser, organisationer stadig har om MCP-servere og agentic systemer?

MCP er hurtigt på vej til at blive grundlæggende infrastruktur for, hvordan AI-agenter opdager, forbinder til og interagerer med værktøjer, systemer og virksomhedsdata.

Hvad der gør MCP vigtigt, er, at det dramatisk reducerer friktionen mellem AI-systemer og operationelle miljøer. Det øger udviklerhastigheden og låser kraftfulde arbejdsgange op, men det udvider også massivt antallet af eksekveringsveje, agenter kan tage på tværs af virksomhedssystemer.

I mange tilfælde kan organisationer allerede have AI-værktøjer, der interagerer med MCP-tilsluttede tjenester, uden fuldt at forstå den downstream-operationelle eksponering, der skabes.

En anden misforståelse er, at kontrol over prompts eller modeller er tilstrækkeligt. I praksis opstår de større risici efter, at modellen har truffet en beslutning. Når agenter kan kalde værktøjer, udføre arbejdsgange, hente følsomme data eller interagere med infrastruktur, skifter udfordringen mod runtime-adfærd og eksekveringskontrol.

Den operationelle overflade vokser meget hurtigere end de fleste styre- og overvågningsmodeller var designet til at håndtere.

BlueRocks forskning fandt alvorlige sårbarheder på tværs af offentlige MCP-servere, herunder Server-Side Request Forgery (SSRF) og kommando-injektions-exponering. Underestimerer virksomheder, hvor hurtigt MCP-økosystemer kunne blive en ny software-forsyningskæde-angrebs-overflade?

Ja. Jeg tror, industrien stadig er tidligt i at forstå, hvor vigtigt MCP-økosystemet kunne blive fra et forsyningskæde- og operationelt tillids-perspektiv. For eksempel har over 36% af de 11.000 MCP-servere, vi har analyseret, ubundne SSRF-sårbarheder. De fleste mennesker i industrien forstår ikke, at dette effektivt åbner op for deres hele netværk fra et dataadgangsperspektiv. Det ville aldrig være tilladt i næsten alle virksomheds-miljøer i verden i dag.

Historisk set har organisationer bekymret sig om biblioteker, containere og åbne kildeafhængigheder, fordi disse komponenter blev en del af software-stakken før udrulning. MCP ændrer denne model. Agenter kan nu dynamisk opdage og interagere med eksterne værktøjer og tjenester under runtime selv. Og i mange tilfælde har udviklere og forretningen bare løbet fremad og udrullet MCP uden at forstå eller vurdere risiciene.

Det skaber et meget andet tillidsproblem.

Organisationer er ikke længere kun ved at styre statiske afhængigheder. De er stadig mere ved at styre dynamiske eksekveringsafhængigheder, der opstår, mens systemer kører. Agenter kan kalde værktøjer, kæde arbejdsgange eller få adgang til downstream-systemer på måder, operatører ikke fuldt ud forventer eller observerer.

Vores forskning omkring SSRF, kommando-injektion og andre sårbarheder afspejler, hvor umodne dele af økosystemet stadig er. Men det større problem er bredere end enkelt-sårbarheder. Da MCP-adopteringshastigheden accelererer, vil organisationer have brug for langt dybere indsigt i, hvordan autonome systemer interagerer med eksterne tjenester under eksekvering.

Dit platform fremhæver “agentic overvågning” i stedet for kun at overvåge prompts eller outputs. Hvad ser meningsfuld runtime-synlighed ud til, når agenter tager dynamiske beslutninger på tværs af værktøjer, API’er og infrastruktur?

Meningsfuld runtime-synlighed kræver forståelse af den fulde eksekveringsvej, ikke kun isolerede begivenheder.

Organisationer har brug for at se, hvordan en modelbeslutning bliver til handlinger på tværs af værktøjer, MCP-servere, API’er, infrastruktur og downstream-systemer. Det betyder at forstå, hvorfor en agent valgte et værktøj, hvilken kontekst påvirkede beslutningen, hvilke tilladelser blev brugt, hvilke downstream-handlinger blev udløst og hvilken operationel udfald blev skabt.

Det bliver særligt vigtigt, da agenter opererer på tværs af distribuerede og efemære miljøer, hvor traditionel overvågning hurtigt fragmenteres.

Prompt-overvågning alene er ikke nok, fordi prompts ikke forklarer operationel adfærd. Outputs er ikke nok, fordi de ikke afslører, hvilke systemer blev berørt downstream.

Fremtiden for overvågning i agentic systemer er eksekverings-bevidst. Det handler om at forstå adfærd fra beslutning til handling til udfald i realtid.

BlueRocks Trust Context Engine synes at tilføje identitet, tillid og kapacitetsdata direkte til eksekveringsflader i realtid. Hvor vigtigt vil kontekstuel tillid blive, da AI-agenter stadig mere interagerer med eksterne værktøjer og systemer autonomt?

Kontekstuel tillid bliver grundlæggende i agentic systemer, fordi agenter tager dynamiske beslutninger under runtime.

Traditionelle systemer afhængige af statiske tillidsantagelser. Men agenter opererer stadig mere på tværs af ændrende kontekster, eksterne værktøjer, API’er, MCP-servere, identiteter og tilladelser.

Organisationer har brug for at evaluere tillid kontinuerligt under eksekvering selv. Ikke kun om en model er sikker, men om det værktøj, der kaldes, er tillidt, om den anmodede handling matcher forventet adfærd og hvilken operationel risiko handlingen introducerer.

Det er derfor, vi tror, tillidskontekst bliver kritisk infrastruktur for den næste generation af AI-systemer.

Vi ser en hurtig adoption af AI-kodnings-agenter og autonome udvikler-arbejdsgange. Hvad er de mest bekymrende risici, når agenter får mulighed for at ændre infrastruktur, udrulle kode eller interagere med produktions-systemer uden menneskelig gennemgang?

Det største skift er, at organisationer forsøger at dramatisk øge udviklerhastigheden ved at enable langt flere mennesker til at bygge med AI, ikke kun traditionelle software-udviklere.

AI-kodnings-agenter kan allerede generere kode, ændre infrastruktur, interagere med CI/CD-pipelines, kalde cloud-tjenester og få adgang til følsomme systemer. Produktivitets-gevinsten er enorm, fordi virksomheder nu kan låse både erfaren og en ny generation af AI-naturlige og borger-udviklere op.

Udfordringen er, at operationel kompleksitet vokser lige så hurtigt. Bekymringen er ikke kun ondsindet adfærd. Det er den uheldige påvirkning, en agent kan have, som får produkt-afbrud og påvirker tilgængeligheden af data og infrastruktur for en organisation. Denne type af-the-rails-adfærd ligner det offentlige S3-bucket-problem fra for 10 år siden. Vi forventer, at agenter skal opføre sig. Vi forventer, at der skal være guardrails og kontroller på plads. Men der er vej til uventet adfærd, overflødige tilladelser, skjulte afhængigheder, usikker værktøjsbrug eller eksekveringsveje, som ingen havde forventet. Og det vil resultere i flere afbrud eller underoptimerede udrulninger, hvor mennesker bliver knap-presse og ROI ikke bliver fuldt realiseret.

Organisationer har brug for operationel synlighed og eksekverings-bevidste kontroller, der flytter med arbejdsgangen, så de kan sikre AI-naturlig udvikling uden at bremse innovationen.

Mange organisationer tænker stadig på AI-sikkerhed primært gennem linserne på model-sikkerhed og prompt-injektion. Hvorfor tror du, industrien nu skal skifte mod at sikre handlinger og eksekveringsveje i stedet?

Model-sikkerhed og prompt-injektion er absolut vigtigt, men de repræsenterer kun en del af udfordringen.

Industrien bevæger sig fra systemer, der genererer svar, til systemer, der tager handlinger. Når agenter kan kalde værktøjer, ændre systemer, hente følsomme data eller interagere med infrastruktur, skifter operationel risiko mod eksekveringsadfærd selv.

En perfekt aligneret model kan stadig skabe risiko, hvis den kalder det forkerte værktøj, får adgang til det forkerte system eller udløser uventede downstream-handlinger. Det er derfor, at sikre prompts alene er utilstrækkeligt. Og der vil altid være nye tilgange til at omgå disse prompt-sikkerhedsforanstaltninger. Det vil være en konstant kat-og-mus-leg.

Organisationer har brug for at erkende, at disse sikkerhedsforanstaltninger vil blive omgået, og når de gør, er den potentielle uheldige påvirkning højest længere nede i eksekveringsvejen. Derfor har de stadig mere brug for synlighed og kontrol på tværs af den fulde eksekveringsvej og operationel påvirkning af agent-adfærd i realtid.

Nogle forskere har sammenlignet MCP-adopteringshastighed med at give AI-systemer en “universel USB-port” til virksomheds-infrastruktur. Hvordan skal virksomheder balancere den enorme produktivitets-gevinst af forbundne agenter med de operationelle risici, de introducerer?

Produktivitets-gevinsten er reel. MCP simplificerer dramatisk, hvordan agenter forbinder til værktøjer, systemer og arbejdsgange, hvilket er en af årsagerne til, at adopteringshastigheden accelererer så hurtigt.

Men organisationer skal undgå at tænke på MCP som kun en forbundningslag. Det bliver effektivt en del af virksomhedens operationelle stof.

Balancen kommer fra at enable udviklere og AI-naturlige byggere til at flytte hurtigt, mens de opretholder eksekverings-bevidste synlighed og kontrol.

Det betyder at forstå MCP-server-implementationens sikkerhed selv, hvilket er hvorfor vi byggede mcp-trust.com-registret. Og det betyder at forstå, hvilke MCP-servere agenter interagerer med, hvilke værktøjer disse servere eksponerer, hvilke tilladelser der gives og hvordan handlinger propagerer under runtime.

De organisationer, der lykkes, vil være dem, der bygger operationel tillid omkring autonom eksekvering.

Set fremad, hvilken udseende får en moden virksomheds AI-sikkerhedsstak i en verden, hvor autonome agenter rutinemæssigt samarbejder, tager beslutninger og udfører opgaver på tværs af multiple systemer i produktion?

Jeg tror, den modne virksomheds AI-stak bliver langt mere eksekverings-centreret.

Organisationer vil stadig have brug for model-sikkerhed, identitet, data-beskyttelse og infrastruktur-sikkerhed. Men det større skift er, at virksomheder vil have brug for operationelle systemer designet til autonome og ikke-deterministiske software.

Da agenter stadig mere samarbejder, tager beslutninger og udfører handlinger på tværs af værktøjer, infrastruktur og forretnings-arbejdsgange, vil organisationer have brug for kontinuerlig indsigt i, hvordan AI-systemer faktisk opfører sig under eksekvering.

Fremtidens stak vil kombinere overvågning, tillidskontekst, operationel styre, eksekverings-bevidste politik-gennemtvingelse, identitet og runtime-sikkerhed til en samlet operationel lag for agentic systemer.

De organisationer, der lykkes, vil være dem, der kan kontinuerligt forstå og operationalisere autonom eksekvering uden at bremse innovationen.

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