Liat Hayun, Vicepræsident for Produktledelse og Forskning hos Tenable – Intervieuserie

Liat Hayun er vicepræsident for produkt og forskning hos Tenable Cloud Security. Før hun tiltrådte stillingen hos Tenable, var Liat medstifter og administrerende direktør for Eureka Security, et datasikkerhedsfirma, der blev opkøbt af Tenable. Før hun var medstifter af Eureka Security, tilbragte Liat over et årti med at lede cybersikkerhedsindsatsen hos den israelske cyberkommando og hos Palo Alto Networks (PANW ). Som vicepræsident for produktledelse hos Palo Alto Networks ledede Liat udviklingen af Cortex XDR og virksomhedens managed threat hunting-tjeneste.

Tenable er et amerikansk cybersikkerhedsfirma, der fokuserer på at hjælpe organisationer med at identificere, forstå, prioritere og afhjælpe sikkerhedsrisici på tværs af deres samlede digitale angrebsoverflade. Det er bedst kendt for sin eksponeringsledelsesplatform og værktøjer som den bredt anvendte Nessus-sårbarhedsscanner, der giver virksomheder indsigt i trusler, der omfatter IT-infrastruktur, cloud, OT/IoT og identitetssystemer, og tage afgørende beslutninger for at reducere risici, der har betydning for virksomheden. Tenables løsninger leverer kontinuerlig opdagelse, prioritering og trusselsindsigt for at understøtte proaktiv cybersikkerhedsledelse for titusinder af kunder verden over.

Hvad er det, der grundlæggende gør autonome AI-agenter mere farlige end traditionelle AI-modeller, der kun reagerer på brugerinput, i stedet for at handle uafhængigt?

Autonome AI-agenter ændrer risikokaracteren, fordi de kan initiere opgaver, adgang til systemer, træffe beslutninger og interagere med andre tjenester uden menneskelig overvågning.

Den uafhængighed udvider både hastigheden og omfanget af potentiel påvirkning, hvilket øger sandsynligheden for dataeksponering, driftsforstyrrelser og finansielle tab. En AI-agent kan forespørge datakilder, udløse arbejdsgange, ringe til API’er eller ændre infrastruktur i realtid. Hvis den er fejlkonfigureret eller kompromitteret, kan den bevæge sig lateralt på tværs af systemer med de tilladelser, den har fået, ofte hurtigere end en menneskelig kunne opdage eller gribe ind.

Ifølge Tenable’s Cloud and AI Risk Report 2026, har 52% af organisationerne nu ikke-menneskelige identiteter med overflødige tilladelser, og næsten halvdelen af disse er inaktive, hvilket skaber udbredt ukontrolleret adgang på tværs af produktionsmiljøer. Det betyder, at mange AI-drevne processer allerede har adgang, som de ikke aktivt bruger, men som angribere kan.

Angribere udnytter i stigende grad, hvad der kendes som det Forvirrede Deputy-problem. De behøver ikke at kompromittere agenten selv. I stedet bedrager de en autoriseret agent til at udføre handlinger på deres vegne, ofte gennem indirekte promptinjektion eller manipulerede input. Agenten udfører anmodningen ved hjælp af sine legitime tilladelser, hvilket effektivt gør angriberens arbejde. Når autonome systemer arver brede tilladelser eller antager overprivilegerede roller, forsvinder tiden mellem fejlkonfiguration og udnyttelse effektivt, hvilket skaber en nul-margen AI-eksponeringsgap.

Mange virksomheder eksperimenterer med AI-agenter på uformel vis. Hvad er de første konkrete skridt, sikkerhedsteams skal tage for at vurdere, om agenter er i drift inden for deres miljø?

Lukningen af AI-Eksponeringsgapet begynder med opdagelse, der strækker sig ud over traditionelle aktiveringsinventarer. Eksperimentationsfasen er ofte den farligste, fordi organisationerne ikke fuldt ud kender, hvilken AI der anvendes, hvordan den er konfigureret, eller hvilken adgang den er blevet tildelt.

AI-agenter lever sjældent i et enkelt, tydeligt mærket system. Mange opererer uden for formel styring. De dukker op i udviklerværktøjer, SaaS-integrationer, automatiseringsarbejdsgange, browser-udvidelser og cloudtjenester, hvilket skaber en distribueret installation, der øger blindspots og begrænser centraliseret kontrol. Dette er allerede udbredt, da mere end 70% af organisationerne har integreret mindst én tredjeparts AI- eller modelrelateret pakke, ofte indlejret AI dybt i applikationer og infrastruktur med begrænset centraliseret oversigt.

Nylig forskning i Clawdbot viser, at eksperimentelle agentinstallationer kan udgøre alvorlige risici, når funktioner deployes, før sikkerheds kontroller eller konfigurationsstandarder er fuldt ud forstået. Selv efter eksperimentet er slut, og organisationerne har besluttet, hvilke AI-applikationer de vil antage, har de stadig brug for stærk styring over, hvordan disse systemer anvendes, hvilke tilladelser de har, og hvordan de interagerer med kritiske aktiver.

Opdagelsesfasen skal starte med at etablere en samlet inventar over, hvor AI findes på tværs af endpunkter, cloud-infrastruktur og eksterne angrebsflader. Dette inkluderer identificering af AI-biblioteker, agenter, API’er, modeltjenester og tredjepartsintegrationer, ikke kun internt deployede systemer, men alt, der er eksternt tilgængeligt.

Derefter skal holdene kortlægge, hvordan disse agenter er forbundet og hvilken data de har adgang til, hvilke identiteter de anvender, hvilke tilladelser de har, og hvilke systemer de kan nå. Synlighed kræver kontekst, da risiko opstår fra relationer.

Til sidst skal organisationerne, efter eksperimentet, identificere, hvilke af disse forbindelser skaber nåbare stier til kritiske aktiver og lukke AI-Eksponeringsgapet.

Hvordan sammenligner risici som eksponerede kontrolleringsflader eller uvurderede tredjeparts “færdigheder” med mere velkendte trusler som forsyningskædeangreb eller privilegie-eskalation?

Uvurderede tredjepartsfærdigheder og eksponerede kontrolleringsflader udvider lignende risici som forsyningskæde-kompromittering og privilegie-eskalation, men med forstærket hastighed, omfang og tilknytning.

Tredjepartsagentfærdigheder fungerer meget som softwareforsyningskæde-afhængigheder, og eksponeringsoverfladen bærer allerede betydelig vægt. Ottende seks procent af organisationerne har tredjepartskodepakker med kritiske sårbarheder. Når disse komponenter opererer inden for autonome AI-agenter, bliver udførelsen kontinuerlig og automatiseret, hvilket eliminerer tiden mellem kompromittering og påvirkning.

Eksponerede kontrolleringsflader udvider identitets- og adgangslaget af risiko ved at skabe nye operationelle grænseflader, der bærer forhøjede tilladelser. Attende procent af organisationerne tillader allerede, at AI-tjenester antager overprivilegerede roller, hvilket giver automatiserede systemer bred rækkevidde på tværs af miljøer. Agenter forbinder disse eksponeringer i en enkelt operationel kæde. En sårbar afhængighed, overflødige tilladelser og eksponerede grænseflader kombinerer sig til en nåbar angrebsvej. Organisationer opererer i en nul-margen-for-fejl-miljø, hvor eksponering og udnyttelse næsten samtidigt sammenfald.

Set fra et defensivt synspunkt, hvilken “god hygiejne” ser ud for organisationer, der deployer AI-agenter med adgang til interne systemer eller følsomme data?

God hygiejne begynder med at behandle AI-agenter som privilegerede digitale aktører med reel myndighed på tværs af systemer og data. Organisationerne har brug for kontinuerlig synlighed i hver enkelt agent, hvad den gør, og hvad den kan nå. Holdene skal gennemtvinge mindst mulig tilladelse for maskine- og serviceidentiteter, fjerne inaktive adgang og stramt afgrænse tilladelser. Hver agent skal være dedikeret til en bestemt type opgave, med tilladelser og adgang begrænset strengt til den funktion.

Dette er vigtigt, fordi ubrugt adgang er udbredt. Næsten halvdelen af identiteterne med kritiske overflødige tilladelser er inaktive, og mere end 70% af standard AI-udførelsesroller forbliver ubrugte. Disse betingelser skaber klarerede eskalationsveje, der bærer risiko uden at levere værdi.

Sikkerhedsholdene skal også forstå relationerne på tværs af infrastruktur, datakilder, API’er og applikationer. Kortlægning af disse forbindelser afslører giftige eksponeringskombinationer, såsom sårbare arbejdslaster, der er tilgængelige gennem overprivilegerede agenter med adgang til følsomme data.

Stærk hygiejne kræver også kontinuerlig styring. Organisationerne skal overvåge agentadfærd, kontrollere integrationer, gennemtvinge datavejledninger og jævnligt validere tilladelser. Disse praksisser lukker AI-Eksponeringsgapet og fjerner nåbare angrebsveje.

Hvad anbefaler du, at organisationer gør for at beskytte AI-angrebsflader hurtigt uden at bremse innovation?

Organisationer kan beskytte AI-angrebsflader ved at reducere eksponering med hastighed og præcision.

For at gøre det skal den første prioritet være at identificere, hvilke AI-systemer skaber nåbare stier til kritiske aktiver. Mere end 80% af organisationerne kører arbejdslaster med sårbarheder, der allerede er udnyttet i det vilde. Risiko findes allerede inden for de fleste miljøer. Sikkerhedsholdene skal fokusere på de forbindelser, der skaber reel påvirkning.

Derefter skal man erkende, at automatisering muliggør skala. Kontinuerlig opdagelse, kontekstuel prioritering og guidet afhjælpning tillader holdene at reducere risiko, mens de opretholder udviklingshastighed.

Mens politikvejledning sikrer adoption, hjælper just-in-time-adgang, overvågede datastrømme og kontrollerede integrationer organisationerne med at styre AI-aktivitet, mens de opretholder innovation.

Sammen reducerer disse skridt AI-Eksponeringsgapet ved at fjerne højrisiko-adgang og usikre forbindelser. Hurtig eksponeringsreduktion beskytter systemer, mens AI-antagelse kan fortsætte.

Hvordan bør CISO’er tænke om identitet, tilladelser og omfang, når de giver AI-agenter adgang til produktionsmiljøer?

CISO’er skal behandle AI-agenter som højhastigheds nonhumane identiteter med operationel myndighed på tværs af systemer og data.

Adgangsbeslutninger skal fokuserer på præcision. Tilladelser skal være tilpasset bestemte opgaver, forblive tidsbegrænsede og undergå kontinuerlig gennemgang. Overflødige tilladelser udvider rækkevidde og øger påvirkning, når systemer interagerer med maskinehastighed.

Sikkerhedsledere har også brug for klart indsigt i effektiv rækkevidde. Tilladelser kombineret med netværksveje, dataadgang og serviceintegrationer definerer, hvad en agent kan gøre. Forståelse af disse relationer afslører potentiel eksponering, før den bliver til en påvirkning.

Identitet forbinder infrastruktur, data og applikationer på tværs af AI-Eksponeringsgapet. Tæt tilladelsesdesign begrænser blast-radius og opretholder kontrol. Når tiden fra eksponeringsopdagelse til udnyttelse næsten er nul, bestemmer identitetsstyring, hvor sikkert AI opererer i produktionsmiljøer.

Forventer du, at agenter vil tvinge en genovervejelse af eksisterende sikkerhedsrammer, eller kan dagens modeller tilpasses for at håndtere disse nye risici?

Sikkerhedsprincipper forbliver konsekvente, men driftsmodeller udvikler sig. Agenter forbinder systemer, identiteter og data i dynamiske miljøer, der ændrer sig kontinuerligt og opererer med maskinehastighed. I modsætning til menneskelige operatører anvender agenter ikke dømmekraft til deres handlinger eller skelner mellem passende og upassende anmodninger. De udfører baseret på instruktioner og tilladelser, hvilket øger betydningen af streng kontrol og styring.

Risiko opstår fra relationer på tværs af infrastruktur, softwareforsyningskæder og identitetslag. Organisationer arver eksponering hurtigere end afhjælpningscykler kan følge med. Automatiseret deployment og automatiseret udnyttelse komprimerer respons tid og øger operationel pres.

Sikkerhedsrammer skal fokusere på eksponeringssynlighed og -reduktion. Holdene kræver kontinuerlig indsigt i, hvad der findes, hvordan systemer forbinder, og hvilke stier fører til kritiske aktiver.

Den definerende udfordring er at styre forbundet risiko på tværs af AI-Eksponeringsgapet. Sikkerhedsprogrammer lykkes ved kontinuerligt at reducere nåbar eksponering og opretholde kontrol på tværs af komplekse miljøer.

Set fremad, hvilke områder af agenter sikkerhedsforskning tror du fortjener mere opmærksomhed, når disse værktøjer bevæger sig fra eksperimentelle til mission-kritiske?

Flere forskningsområder vil forme fremtiden for agenter sikkerhed.

Først og fremmest kræver væksten af ikke-menneskelige identitetssamfund dybere analyse. Organisationer udvider hurtigt maskineidentiteter, der opererer på tværs af infrastruktur, data og tjenester. Forståelse af privilegie-mønstre, adfærd og livscyklusstyring vil være afgørende.

Anden, forskning skal fremme multi-trin angrebsvejmodellering. AI-systemer forbinder softwareforsyningskæder, cloud-infrastruktur og identitetslag. Kortlægning af, hvordan disse elementer interagerer, vil forbedre risikoprediktion og -prioritering.

Tredje, styring af autonom beslutningstagning kræver større fokus. Sikkerhedsholdene har brug for synlighed i, hvordan agenter får adgang til, behandler og overfører følsomme data over tid.

Til sidst, udnyttelseshastighed fortsætter med at accelerere. Studier af, hvordan angribere og forsvarere opererer med maskinehastighed, vil forme responsstrategier.

Fremtidig sikkerhed afhænger af at forstå og reducere AI-Eksponeringsgapet. Forskning skal fokusere på at kontrollere forbundet eksponering på tværs af den samlede angrebsflade.

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