Ido Livneh, administrerende direktør og medstifter af Jazz – Interviewserie

Ido Livneh, administrerende direktør og medstifter af Jazz, er en erfaren produktleder og iværksætter med en stærk track record for at bygge og skala high-impact teknologiplatforme, herunder ledelse af produktet hos Laminar gennem dets overtagelse af Rubrik og hjælp til at drive den succesfulde salg af Tapingo til Grubhub for 150 millioner dollars; hans karriere inkluderer seniorroller hos Axonius og tidligere virksomheder som KnuPo, og er grundfæstet i en dyb teknisk grundlag, der er udviklet under næsten et årti i Israels forsvar, hvor han avancerede fra ingeniør til leder af software-R&D, en erfaring, der nu former hans fokus på at bygge AI-native cybersecurity-løsninger.

Jazz er et AI-native cybersecurity-selskab, der genovervejer Data Loss Prevention ved at gå ud over legacy rule-baserede systemer og introducere en kontekst-bevidst platform, der forstår, hvordan data flyder gennem organisationer, ved at analysere brugeradfærd, systemer og arbejdsgange for at identificere virkelige risici i stedet for at generere excessive alerts; ved at bruge AI til at undersøge incidenter ved deres kilde og give actionable indsigt, giver platformen mulighed for lean security-teams at håndtere komplekse miljøer og forhindre følsomme dataeksponeringer på tværs af cloud-applikationer, endpunkter og interne systemer, og positionerer Jazz som en del af en ny generation af virksomheder, der genopbygger enterprise-sikkerhed for AI-æraen.

Du har ledet produktet hos selskaber som Laminar gennem dets overtagelse og haft ledelsesroller hos Axonius og Grubhub, mens du også har stiftet flere startups. Hvad var den specifikke åbning eller indsigt fra disse erfaringer, der fik dig til at starte Jazz, og hvorfor var det nu det rette øjeblik at genopfinde Data Loss Prevention (DLP)?

Jeg har brugt det sidste årti på at bygge sikkerhedsprodukter og sidde overfor CISO’er. Tre VP Product-roller, to eksitter – herunder Laminar, som vi solgte til Rubrik. Og hvis der er én ting, jeg har lært over alt dette, er det dette: absolut ingen elsker deres DLP.

Hos Laminar byggede vi den første del af DSPM-kategorien – data security posture management. Et stort problem, men vi brugte tre år på at uddanne markedet, før inbound overhovedet startede. Jeg gik væk med følelsen: næste gang vil jeg have et gammelt problem. Et problem, som hver bestyrelse allerede kender til, hver CISO allerede har budget til, og som ingen har løst.

DLP er det problem. Det er tyve år gammelt. Hver sikkerhedsorganisation kender risikoen. Og løsningerne på markedet er universelt hadede – ikke fordi leverandørerne er inkompetente, men fordi hele rammeværket er forkert. Vi har bedt maskiner om at matche mønstre og mennesker om at give kontekst. Den model var altid bestemt til at bryde sammen.

Tidspunktet var åbenlyst. AI gav os muligheden for at gøre noget, der var bogstaveligt talt umuligt før – bygge et system, der forstår data på samme måde som en senioranalytiker, men autonomt og i stor skala. Da vi så det, vidste de fire medstiftere – alle Unit 81-alumni – at dette var øjeblikket til at gå tilbage til grundprincipperne og genopbygge DLP fra scratch. Og denne gang, gøre det virke, og let.

Traditionelle DLP-systemer er længe blevet kritiseret for at generere excessive alerts. Hvad bryder fundamentalt i rule-baseret DLP, og hvorfor har industrien haft svært ved at løse dette problem?

Problemet er ikke, at rule-baseret DLP behøver bedre regler. Problemet er, at regler var det forkerte værktøj til dette job fra starten.

Her er, hvordan det faktisk fungerer. Du deployer et system, der forstår mønstre – regex, filtyper, nøgleord. Du skriver regler. Maskinen matcher data mod disse regler, og hver gang der er en match, fortæller den en menneskelig analytiker: “Kom og se på dette.” Analytikerne skal så bringe alle konteksten – hvem er denne person, hvad gjorde de, hvorfor gjorde de det – og træffe en vurdering.

Den anden del, den menneskelige undersøgelse, skaler ikke. Fysikken i DLP er bare for støjende. Data flytter konstant inden for enhver stor virksomhed. En ni-cifret nummer er ikke altid et social security-nummer. En filoverførsel er ikke altid eksfiltration. En bogstavkarakter “A” udløser FERPA-regler. En intern overførsel mellem afdelinger blokeres. Systemet kan ikke fortælle, om en følsom fildele er vitalt forretningsamarbejde eller kronjuvelerne, der går ud ad døren.

Så hvad gør virksomheder? De tilføjer undtagelser. Hver undtagelse er et øjeblik, hvor værktøjet ikke forstod virksomhedens forretning. Og hver enkelt er effektivt en sanktioneret bagdør. Zoom ud efter atten måneder, og hvad du kører, er ikke et sikkerhedsprogram – det er en regnskab over kompromiser klædt i en compliance-rapport.

Omkring 30% af markedet har et modent DLP-program, og selv de ved, det er bedste forsøg på bedste – tilfredsstillende compliance-rammer og ikke mere. Vi kalder dem “de fangete.” De øvrige 70% har enten aldrig prøvet eller prøvet og fejlet. Tidligere forsøg på at løse dette dryssede lidt AI på toppen af det samme rule-baserede rammeværk. Det er som at putte en frisk maling på en bil med en motor, alle ved, kan ikke rigtigt håndtere belastningen. Rammeværket selv er, hvad der skal ændres.

Jazz positionerer sig selv som leverandør af svar i stedet for alerts. Kan du forklare, hvordan jeres system undersøger incidenter, og hvad der gør det forskelligt fra legacy detection-workflows?

Legacy DLP giver dig en brandalarm og så giver den dig en forstørrelsesglas. “Noget skete i den bygning. Held og lykke med at finde ud af, hvilken etage.”

Jazz gør ikke det. Vi byggede en autonom undersøger, hendes navn er Melody, der gør arbejdet, som en menneskelig analytiker ville gøre, men i superhumansk skala.

Når en data-transaktion sker, løber Melody ikke bare flaget. Hun gennemfører en fuld undersøgelse på fire dimensioner. Først data selv – ikke med regex og mønstre, men dybt forstående, hvad denne data er, hvem ejer den, hvad risikoen for at miste den faktisk betyder for dette specifikke selskab. Anden, systemerne – hvor kommer data fra, hvor går den hen, og kritisk, hvilken lejer. Der er en enorm forskel på at uploade en fil til en corporate Google Drive versus en personlig, og Melody forstår den forskel.

Tredje, menneskene – vi lærer, hvordan individer opererer, hvordan de bruger data over tid, hvad der er normalt for deres rolle. Og fjerde, forretningsprocessen – hvorfor sker denne transaktion? Er det en del af en kendt arbejdsgang, eller er det noget, vi ikke kan forklare?

Disse multiple agenter kommer sammen og genskaber den fulde historie: hvad skete, hvorfor skete det, og hvilken intention havde aktøren. Når et menneske ser det, er det ikke en alert – det er en forundersøgt narrative med beviser, kontekst og en dom. I en typisk installation behandler Jazz omkring 2 millioner signaler pr. måned for hvert 1000 ansatte, undersøger hundredtusinder af potentielle begivenheder og fremhæver omkring 80 incidenter, der faktisk kræver menneskelig opmærksomhed. Det er en 20.000 til 1 signal-til-støj-forhold. Det er, hvordan vi sætter en stopper for inaktionable alerts og alert-utmattelse.

Jeres platform analyserer kontekst på tværs af data, systemer, mennesker og forretning. Hvordan teknisk samler I disse dimensioner, og hvilken rol spiller AI-agenter eller resonanssystemer i den proces?

Arkitekturen er bygget omkring multiple specialiserede AI-agenter, der hver især analyserer en enkelt data-transaktion fra et andet perspektiv.

En agent fokuserer på at dybt forstå data – dens indhold, følsomhed, ejerskab og relevans for forretningsområdet. En anden kigger på systemlandskabet – ikke kun navnene på applikationerne, men de specifikke lejere, tillidsniveauet, om det er enterprise eller personligt. En tredje bygger og opdaterer kontinuerligt profiler af, hvordan individer opererer og bruger data, så den kan vurdere, om en given handling er konsistent med en persons rolle eller helt anomalt. Og en fjerde kortlægger forretningsprocesser – forbinder data-transaktioner til kendte arbejdsgange og identificerer dem, der ikke kan forklares.

Disse agenter konvergerer og syntetiserer derefter deres fund i en samlet undersøgelse – en komplet narrative om, hvad der skete, hvorfor og om det er en ægte risiko.

Alt dette sidder på toppen af to grundlæggende innovationer. Først, hvad vi kalder endpoint kontekst-vælt – en ny type signaler, vi har patenteret specifikt til DLP. Disse fanger ikke kun data-transaktionen selv, men den fulde historie omkring den: hvad skete før, hvad skete efter, hvilke applikationer var involveret, den fulde brugeraktivitets-kæde. Disse signaler er utroligt rige kontekst, og giver os mulighed for at levere ikke kun, hvad der skete, men også, hvorfor det skete, og aktørens intention, som altid har været svært for maskiner at forstå i stor skala.

Anden, en naturlig sprogpolitik-motor, der erstatter de traditionelle stive regelsæt. I stedet for at skrive tekniske regler med regex og threshold, beskriver sikkerhedsteams, hvad der er acceptabelt og hvad ikke er, på samme måde som et menneske ville – i almindeligt sprog. Melody bruger det til at træffe nuancerede vurderinger af situationer, der måske ikke er eksplisit nævnt i nogen politik. Fordi virkeligheden af dag-til-dag-forretningspraksis i en organisation ofte afviger massivt fra, hvad der faktisk er skrevet i en vanilla-policypolitikdokument. Vi bropper den kløft, og til dem med langvarig erfaring med DLP-programmer, føles det som magi.

Mange virksomheder deployer nu autonome AI-agenter, der interagerer med følsomme data. Hvordan ændrer denne udvikling trusselslandskabet, og hvorfor kræver det en ny tilgang til DLP?

Dette er en tikkende timebomb.

SaaS-eksplosionen var allerede overvældende for sikkerhedsteams – hver uge, fem nye værktøjer dukker op i miljøet, mange af dem adopteret af ansatte uden IT-godkendelse. Vi har haft kunder, der opdagede over 400 GenAI-værktøjer, der kørte på tværs af deres organisation, som ingen vidste noget om. Nu lagt autonome AI-agenter oven på det.

AI-agenter håndterer ikke kun passivt data – de aktiverer det, transformerer det, sender det til andre tjenester, træffer beslutninger om, hvor det skal gå. En ansat, der tilkobler en AI-kodningsassistent til et selskabs kodebase, ved hjælp af en personlig konto, og derefter sender output til en personlig repository – vi har set det præcis i feltet. Eller nogen, der indsætter fortrolige strategidokumenter i en personlig ChatGPT-session, fordi selskabet ikke har provisioneret en enterprise-konto. Selv noget så enkelt som en personlig Grammarly-plugin, der gennemgår alt, hvad du skriver, herunder bankoverførselsdetaljer og kundedata.

Rule-baseret DLP var bygget til en verden, hvor data flyttede gennem få kendte kanaler – e-mail-vedhæftninger, USB-drev, måske en webupload. AI-æraen sprængte den model itu. Data flytter nu gennem dusinvis af vektorer, som legacy-systemer ikke kan se, endsige forstå. Du behøver et system, der kan forstå, hvad der sker kontekstuelt – ikke kun, at data flyttede, men hvorfor, gennem hvad og om destinationen er sanktioneret.

Det er fundamentalt, hvorfor det gamle rammeværk ikke kan lappes. Du behøver en tilgang, der forstår forretningskontekst naturligt, fordi angrebsfladen ikke er en liste over kanaler mere – det er hver interaktion mellem mennesker, AI-værktøjer og følsomme data.

Forklaring er stadig en stor barriere for at adoptere AI i sikkerhed. Hvordan sikrer I, at jeres systems beslutninger er forståelige og troværdige for sikkerhedsteams, der opererer i højrisiko-miljøer?

Dette er noget, vi har tænkt over fra dag én, fordi sidst, en CISO behøver, er endnu en sort kasse.

Hver undersøgelse, Melody producerer, er en narrative – ikke en score, ikke en farvekode, ikke en kryptisk risikonummer. Den læser som en briefing fra en senioranalytiker. Her er, hvad der skete. Her er, hvem var involveret. Her er, hvorfor vi tror, de gjorde det. Her er beviset. Her er den politik, det afspejler. Her er vores vurdering.

Den naturlige sprogpolitik-motor er kritisk for dette. Fordi politikkerne selv er skrevet i almindeligt sprog, kan sikkerhedsteams se eksakt, hvilken politik en beslutning afspejler, og hvorfor. Hvis Melody flagger noget, kan teamet spore resonans-kæden fra de rå signaler gennem den kontekstuelle analyse til politik-match. Og hvis de er uenige, kan de finjustere politikken i almindeligt sprog – ikke ved at fejlfinde et regelsæt.

Vi viser også beviset direkte, den fulde aktivitet-kæde. Det er ikke “stol på AI’en”, det er “her er, hvad AI’en så, her er, hvad den konkluderede, og her er de rå data, så du kan verificere.” Vore kunder fortæller os, det føles mindre som at gennemgå AI-udgang og mere som at få en briefing fra en rigtig grundig kollega.

Det er standarden. Sikkerhedsteams opererer i miljøer, hvor en forkert beslutning kan betyde regulatoriske konsekvenser, juridiske konsekvenser eller en ansatts karriere. Systemet må fortjene tillid ved at være transparent om, hvordan det når sine konklusioner.

Jazz beskriver jeres system som en, der opfører sig mere som en menneskelig undersøger end en regel-motor. Hvad betyder det i praksis, og hvor tæt er vi på at have fuldt autonome sikkerhedsoperationer?

Når jeg siger, Melody opfører sig som en menneskelig undersøger, mener jeg det bogstaveligt.

En god DLP-analytiker ser ikke kun, at en fil blev uploaded. De kigger på, hvem uploaded den, hvad var i den, hvor den gik hen, om denne person normalt håndterer denne type data, om der er en forretningsgrund til det, og hvad skete før og efter. De bruger kontekstuel dømmekraft – ikke kun regler – og det kræver kontekstuel forståelse af deres forretning. Det er præcis, hvad Melody gør, men på tværs af hver data-transaktion i en virksomhed, kontinuerligt og i stor skala.

I praksis beskriver vores kunder Melody som endnu et medlem af deres team. Hun viser dem situationer, der er uden for politik, giver den fulde undersøgelse med bevis, og beder om deres vurdering i tilfælde, der virkelig kræver menneskelig input. Hun lærer organisationen over tid – forretningsprocesser, undtagelser, ting, der teknisk set er en overtrædelse, men operationelt normale.

Med hensyn til fuldt autonome sikkerhedsoperationer – vi er tættere, end de fleste mennesker tror, men jeg vil være præcis om, hvad det betyder. Melody opererer allerede autonomt i undersøgelsesfasen. Hun tager rå signaler og producerer fuldt undersøgte, kontekstuelle vurderinger uden menneskelig indblanding. For high-confidence, high-risk-scenarier kan hun også tage forebyggende handlinger autonomt – blokere en eksfiltration, før den afsluttes.

Mennesket forbliver i løkken for vurderinger, og for den menneskelige-i-løkken-læringsproces. Og det er med vilje. Målet er ikke at fjerne mennesker fra sikkerhed, men at fjerne det kedelige, repetitive arbejde, der brænder dem ud, og lade dem fokusere på de beslutninger, der faktisk kræver menneskelig dømmekraft. Det er, hvor vi er i dag, og det transformerer allerede, hvordan vores kunder kører deres programmer.

Set fra et produkt- og ingeniørperspektiv, hvad var de mest vanskelige tekniske udfordringer ved at bygge en AI-native DLP-platform fra scratch i stedet for at iterere på eksisterende arkitekturer?

Det hardeste var at modstå fristelsen til at tage genveje.

Når du starter fra scratch, er der altid pres for at låne dele af den gamle arkitektur, fordi de er beviselige og hurtige, og mere i tråd med eksisterende kunde-forventninger. Men hver gang du gør det, arver du begrænsningerne af den gamle model. Vi tog en bevidst beslutning om at gå tilbage til grundprincipperne – tænke på det grundlæggende fysik-problem og genopbygge.

Endpoint-agenten var en af de største udfordringer. Vi måtte genoverveje signalet-samling-udfordringen og nå højt nok kontekst, og ikke tage den testede vej af legacy-signaler – samtidig med, at vi opretholdt lavt system-påvirkning. At bygge det på tværs af alle operativsystemer var en seriøs ingeniørindsats. Vi endte med en patenteret tilgang, der giver os synlighed, som ingen andre har.

Det multi-agents AI-system var en anden stor udfordring. At få multiple specialiserede AI-agenter til at analysere den samme transaktion fra forskellige perspektiver og derefter konvergere på en koherent, præcis narrative – det krævede en masse arkitektur-tænkning. Det er ikke bare at kaste en LLM på en data-feed. Orkestreringslaget, måden agenter deler kontekst på, måden de løser konfliktende signaler – det er, hvor det meste af udfordringen bor.

Og så den naturlige sprogpolitik-motor. At oversætte menneske-sprog-beskrivelser af, hvad der er acceptabelt og hvad ikke er, til noget, en AI kan pålideligt anvende på tusindvis af edge-cases – det er et fundamentalt svært problem. Dag-til-dag-forretningspraksis i en organisation afviger ofte massivt fra, hvad der er skrevet i en vanilla-policypolitikdokument. Systemet må brokke den kløft, og det må gøre det rigtigt, fordi konsekvenserne af at gøre det forkert i DLP er alvorlige.

Vi valgte hver af disse svære problemer bevidst, fordi de er dem, der gør forskellen mellem incrementally bedre DLP og noget fundamentalt nyt.

I hver af disse udfordringer og mange flere er der stadig åbne hindringer at overvinde, og rette problem-sæt for det rette talent at tage på. At løse DLP godt er en sandt tankevækkende og forlokkende rejse.

Jazz blev valgt som vinder af 2026 Cybersecurity Startup Accelerator støttet af CrowdStrike (CRWD ), AWS og NVIDIA. Hvad validerede denne oplevelse om jeres tilgang, og hvordan har det påvirket jeres roadmap fremad?

Et tusind startups ansøgte. Seks nåede finalen. Vi vandt.

Jeg vil være ærlig, øjeblikket før du går op på scenen, minder din hjerne dig om alt, der kan gå galt. Og så begynder du at tale om problemet, vi har arbejdet på, og alt bliver stille. Hver sen nat, hvor vi diskuterede, hvordan Melody skulle fungere, hver svær arkitektur-beslutning, hver kunde-samtale, der formede produktet, alt blev komprimeret i de minutter.

Dommerne, George Kurtz, CJ Moses, Bartley Richardson og den legendariske haj, Robert Herjavec, så det. De udpegede den agente-undersøgelsesmodel specifikt, samt vores hurtige kunde-adoptionshastighed. For os betød branchens ledende validation mere end trofæet. Disse er mennesker, der har bygget og kørt sikkerhedsprogrammer på højt niveau, og de genkendte, at det, vi gør, er fundamentalt forskelligt fra, hvad der er blevet prøvet før – og at vores traction taler for sig selv.

Med hensyn til roadmappen, forstærkede acceleratoren, hvad vores kunder allerede fortalte os – markedet er klar, og de vil have os til at gå hurtigt. Vi doublerer ned på at udvide undersøgerens evner og få produktet foran så mange sikkerhedsteams som muligt.

Set fremad, tror du, DLP udvikler sig til et fuldt autonome, agent-drevet system, og hvad ser den lange fremtid for datasikkerhed ud til i en AI-native virksomhed?

Jeg tror, DLP vil blive fuldt autonome i etaper. Undersøgelseslaget er allerede der – Melody gør det i dag. Forebyggelse for high-confidence-scenarier sker nu. Over tid bliver systemet klogere om organisationen, lærer dens arbejdsgange, forstår dens mennesker, og overfladen, der faktisk kræver menneskelig dømmekraft, skrumper.

Men jeg vil være tydelig – “autonome” betyder ikke “usupervised.” Det betyder, systemet håndterer arbejdet, som mennesker ikke skal gøre, så de kan fokusere på de beslutninger, der faktisk betyder noget. CISO’en i fremtiden er ikke druknet i alerts. De gennemgår strategiske risikovurderinger fra en AI, der forstår deres forretning lige så dybt som deres bedste analytiker. De tager kirurgiske handlinger, der er relevante for deres organisation, baseret på aggregerte indsigt i deres landskab af aktive data-tab, og ikke gætterier. Dette giver dem mulighed for at reducere datarisikoen uden at slowe deres forretning ned.

Det større billede er dette: i en AI-native virksomhed flytter data hurtigere, gennem flere kanaler, i mere komplekse måder end noget menneskeligt team kan spore. De organisationer, der vinder, vil være dem, hvis sikkerhedssystemer kan forstå kontekst i AI-hastighed, ikke dem, der stadig skriver regex-regler og håber på det bedste.

Tak for det fantastiske interview, læsere, der ønsker at lære mere, skal besøge Jazz.