Javed Hasan, CEO og medstifter, Lineaje – Intervieuserie

Javed Hasan, CEO og medstifter af Lineaje, er en erfaren cybersecurity- og enterprise software-executive med årtiers ledelseserfaring fra selskaber som Oracle (ORCL ), Symantec, McAfee og Trellix. Gennem sin karriere har Hasan ledet store produkt-, ingeniør- og strategiteams, der har fokuseret på endpoint-sikkerhed, cloud-infrastruktur, SaaS-transformation og enterprise-cybersecurity-innovation. I Lineaje er han fokuseret på at løse en af branchens hurtigst voksende udfordringer: at sikre den moderne softwareforsyningskæde ved at give organisationer indsigt i de åbne kilde- og tredjepartskomponenter, der er indbygget i softwareapplikationer.

Lineaje er et cybersecurity-selskab, der specialiserer sig i softwareforsyningskædesikkerhed, og hjælper organisationer med at identificere, sikre og styre de risici, der er skjult i moderne softwareafhængigheder. Deres platform fokuserer stærkt på Software Bill of Materials (SBOM)-teknologi, der fungerer som en ingrediensliste for software ved at katalogisere hver komponent, bibliotek og afhængighed, der bruges i en applikation. Selskabet tilbyder værktøjer til kontekstuel risikoanalyse, automatiseret sårbarhedsreparation, overholdelse af regler og AI-drevne “selvhelende” softwareforsyningskæde-workflows, der er designet til automatisk at identificere og løse sikkerhedsproblemer før udvikling. Lineajes teknologi er stadig mere relevant, da virksomheder og regeringer står over for voksende trusler relateret til åbne kilde-sårbarheder, softwareforsyningskædeangreb og reguleringskrav om SBOM-transparens.

Du har haft seniort ledelsesroller i selskaber som Oracle, McAfee, Symantec og Trellix, og har hjulpet med at forme enterprise-cybersecurity-produkter i årtier. Hvordan førte dine erfaringer i disse roller til, at du medstiftede Lineaje i 2022, og hvilket kerneproblem var du fast besluttet på at løse med selskabet?

Med mere end tre årtiers erfaring inden for cybersecurity har jeg bygget og skaleret mere end 50 enterprise-sikkerhedsprodukter, herunder ledelse af Symantecs overgang til cloud med Integrated Cyber Defense Manager (ICDM) og lancerede en af de største SaaS-endpoint-sikkerhedsplatforme globalt. På tværs af disse erfaringer i Oracle, McAfee, Symantec og Trellix så jeg en konsekvent mønster: organisationer blev bedt om at stole på software, de ikke fuldt ud forstod.

Branchen havde optimeret for hastighed, men ikke for synlighed. Åbne kilde-, tredjepartskomponenter, automatisering og nu AI-genereret kode havde gjort software hurtigere at bygge, men sværere at forstå. Tillid blev antaget i stedet for verificeret.

AI skabte ikke dette problem; det accelererede og afslørede et problem, der allerede eksisterede. Det er derfor, vi medstiftede Lineaje i 2022: for at give organisationer en kontinuerlig, fuldcyklus-forståelse af, hvad der er i deres software og nu AI, hvor det kommer fra, og hvordan man kan styre det, før det bliver et sikkerheds- eller overholdelsesproblem.

Softwareforsyningskædeangreb er blevet en af de hurtigst voksende cybersecurity-trusler, ofte spredt gennem åbne kilde-afhængigheder og tredjeparts-kode. Hvorfor kæmper traditionelle sikkerhedsværktøjer med at tackle disse risici effektivt?

Traditionelle sikkerhedsværktøjer var primært bygget til en anden driftsmodel. Arvet sikkerhed var bygget til applikationer. Moderne risiko lever i økosystemer. De var designet til at inspicere statiske applikationer, perimeter-hændelser eller kendte sårbarheder i isolation. Derfor opererer mange organisationer stadig reaktivt, mens risikoen nu er fordelt på tværs af afhængigheder, byggesystemer, pakke-repositorier, containere, transitive åbne kilde-biblioteker og tredjeparts-komponenter, ofte introduceret lang tid før produktion.

De fleste arvede værktøjer mangler den dybe afstamning, kontinuerlig synlighed og kontekstuel forståelse, der er nødvendig for at bestemme, om en risikabel komponent er virkelig udnyttelig, hvordan den kom ind i miljøet, og hvad den forbindes til nedstrøms. Dette efterlader organisationer med at reagere i et landskab, der stadig mere kræver kontinuerlig, fuldcyklus-kontrol.

Lineaje fokuserer på fuldcyklus softwareforsyningskædesikkerhed, og hjælper organisationer med at forstå nøjagtig, hvilke komponenter findes i deres applikationer, og hvor sårbare de kan være. Hvorfor er dette niveau af synlighed blevet så kritisk i AI-genereret softwares tidsalder?

AI komprimerer tiden mellem skabelse og eksponering. Det accelererer kode-skabelse uden automatisk at øge proveniens, sporing eller tillid. Når udviklere og AI-assistent kan producere kode og arbejdsgange i uhørt hastighed, har organisationen stadig brug for at vide nøjagtig, hvilke modeller, biblioteker, agenter og eksterne tjenester, der introduceres i miljøet.

Uden denne synlighed kan man ikke styre, hvad der bygges, validere overholdelse eller trygt udgive software til kunder. I dagens AI-drevne verden må organisationer være i stand til at spore hver afhængighed og model-interaktion, hvor det kommer fra, og om det er sikkert.

Lineaje introducerer UnifAI, en autonom AI-politikontroller designet til at styre og sikre agentic AI-applikationer på byggetidspunktet. Hvilket hul i det nuværende AI-udviklingsøkosystem sigter dette produkt mod at løse?

Virksomheder bevæger sig fra AI-eksperimenter til at udvikle autonome agenter på tværs af virkelige arbejdsgange. Kort sagt har de brug for en sikkerheds- og overholdelseskontrolplan for agentic AI. Imidlertid har de fleste endnu ikke en central kontrolplan til at opdage disse AI-aktiver, definere konsistente politikker og gennemtvinge sikkerheds- og overholdelsesvagter, mens disse systemer bygges.

UnifAI blev designet til at løse dette hul. Det fungerer som en autonom AI-politik-orchestrator, der indbygger styre direkte i udviklingsarbejdsgangen. Derudover opdager det kontinuerligt AI-aktiver, skaber en AI-Bill of Materials (AI BOM), afleder politikker og anvender vagter før applikationer når produktion.

Mange organisationer kapløber for at udvikle AI-agenter og AI-genererede applikationer, men sikkerhedsteams bekymrer sig om risici som prompt-injektion, sårbare åbne kilde-biblioteker og overholdelsesproblemer. Hvor alvorlige er disse risici i dag, og hvor er virksomheder mest udsatte?

Disse risici er meget virkelige og alvorlige i dag. Måske det største problem med agentic AI er, at angrebsfladen er bredere og mindre forudsigelig end med statisk software. Du har prompt-injektion, data-lækage, sårbare åbne kilde-afhængigheder og svag politik-gennemførelse, grund-gennemførelse, autorisations-drift og usynlige beslutningsprocesser på tværs af lav-kode og ingen-kode-miljøer.

I min mening er virksomheder mest udsatte, fordi hastighed har overhalet styre, især når forretningshold kan samle kraftfulde AI-arbejdsgange uden en samlet sikkerhedsramme, eller når organisationer ikke kan se alle modeller, agenter, færdigheder og data-forbindelser, der opererer i deres miljø. Systemet kan ikke fejle teknisk; det kan opføre sig korrekt, men grund-gennemføre sig til en usikker udgang. Det er, hvor skjult risiko akkumulerer hurtigst.

En af udfordringerne, virksomheder står over for, er at balancere udviklerproduktivitet med sikkerhedsstyre. Hvordan kan værktøjer som UnifAI indbygge sikkerheds-kontroller i udviklingsarbejdsgangen uden at bremse innovation?

Den rette tilgang er at gøre styre operativt, hvor udviklere allerede arbejder. UnifAI blev bygget til at integrere direkte med kode-assistent og lav-kode eller ingen-kode-agentic AI-platforme, så politik kan anvendes, mens applikationer skabes, snarere end gennem manuel gennemgang efterfølgende.

Det kan automatisk opdage aktiver, anbefale eller aflede politikker, oversætte interne styredokumenter til gennemførbare kontroller og anvende vagter i arbejdsgangen selv. Dette betyder, at politik bliver maskin-gennemførbart, snarere end lagt på. Når det er gjort godt, flytter udviklere hurtigere, fordi de ikke stopper for at fortolke overholdelse fra scratch, og sikkerheds-hold får konsistens uden at blive en flaskehals.

Lineaje har bygget AI-drevne værktøjer til at analysere softwareforsyningskæder og automatisk løse sårbarheder. Hvordan ændrer AI måden, organisationer håndterer risiko, sammenlignet med traditionel statisk analyse eller manuel sikkerheds-gennemgang?

AI ændrer risikostyring ved at gøre den kontinuerlig, kontekstuel og stadig mere autonom. Traditionel statisk analyse og manuel gennemgang har stadig værdi, men de er for langsomme og for fragmenterede til den skala og hastighed, moderne software og AI-udvikling kræver. Målet er ikke flere advarsler. Målet er at eliminere eksponering før udvikling. AI kan kontinuerligt kortlægge miljøer, korrelerer afhængigheder, vurderer risiko i kontekst, anbefale politik og i mange tilfælde drive reparation automatisk.

I stedet for at vente på, at en menneske opdager et problem, triagerer det og beslutter, hvad der skal gøres herefter, kan organisationer bevæge sig mod systemer, der identifierer problemer tidligere, forstår deres sandsynlige indvirkning og tager korrektiv handling hurtigere. Det er grundlaget for outcome-baseret AI-sikkerhed: at flytte fra opdækning til forebyggelse og til sidst til eliminering.

Når AI begynder at generere større dele af applikationskode, hvordan bør organisationer omstrukturere deres tilgang til software-proveniens, sporing og tillid til det, de udgiver til kunder?

Organisationer bør behandle proveniens som en førsteklasses-krav. I en AI-assisteret udviklingsmodel skal sporing omfatte hele kæden af input, herunder kode, åbne kilde-afhængigheder, modeller, agenter og politikker, der anvendes under udvikling og udgivelse. Dette kræver dynamiske regnskaber, stærkere attestering og en operativ model, hvor tillid kontinuerligt verificeres snarere end antaget.

Standarden skal blive: hvis du ikke kan spore det, styre det og forklare det, bør du ikke udgive det.

Reguleringer og overholdelses-krav påvirker stadig mere, hvordan virksomheder sikrer software og AI-systemer. Hvordan ser du på, at globale reguleringssammenhænge påvirker virksomheders adoption af AI-styre-teknologier i de kommende år?

Regulering vil være en stor accelerant. Når krav om software-sikkerhed og AI-styre bliver mere eksplisitte, bliver styre operativt infrastruktur, snarere end en bagkontor-overholdelsesøvelse. Virksomheder vil have brug for systemer, der kan operationalisere politik snarere end styre overholdelse gennem regneark og punkt-i-tiden-audit.

Virksomheder forsøger allerede at tilpasse sig opkomne rammer som EU’s AI-akt og etablerede retningslinjer som OWASP Top Ten for AI, men de har brug for teknologi, der kan oversætte disse krav til gennemførbare kontroller inden for udviklings- og runtime-miljøer.

Over de næste par år vil styre-platforme bevæge sig fra at være en nice-to-have til at være en del af den kerne-virksomheds-kontrolstak, fordi regulatører, kunder og bestyrelser alle vil forlange demonstrerbar bevis for oversigt. Bevis for oversigt vil blive obligatorisk.

Set fremad, hvad ser fremtiden ud for AI-drevet applikationsstyre? Forventer du, at autonome systemer vil håndtere store dele af software-sikkerheds-livscyklussen selv?

Ja, jeg tror, at autonome systemer vil håndtere en langt større andel af software-sikkerheds-livscyklussen, men med menneskelig oversigt fokuseret på politik, risikotolerance og undtagelseshåndtering. Sikkerheds-hold kan ikke længere jagte hver enkelt problem på tværs af software- og AI-økosystemer. Styre må operere i AI-hastighed.

Fremtiden er en model, hvor mennesker definerer intention og politik, mens autonome systemer udfører kontinuerligt. Intelligente platforme vil kontinuerligt opdage aktiver, vedligeholde live-regnskaber, opdage trusler, gennemføre politik og løse problemer i realtid. Menneskelige hold vil stadig sætte retning og træffe vigtige beslutninger, men kontinuerligt styre, autonom gennemførelse og live-operativ tillid vil blive grundlaget. Det er den eneste bæredygtige måde at styre software og agentic AI i den hastighed, virksomheder nu forventer at bygge.

Tak for det store interview. Læsere, der ønsker at lære mere, kan besøge Lineaje.