Piyush Sharma, medstifter og administrerende direktør for Tuskira – Interviewserie

Piyush Sharrma  er en erfaren cybersecurity- og produktleder med over 18 års erfaring i opbygning og skalering af enterprise-grade sikkerhedsplatforme. Han var tidligere medstifter af Accurics, en cloud-native sikkerhedsvirksomhed, der blev opkøbt af Tenable, hvor han spillede en nøglerolle i integrationen af infrastructure-as-code-sikkerhed i bredere enterprise-økosystemer. Med en baggrund fra Department of Management Sciences (PUMBA) er Piyush kendt for sin menneskeførste ledelsesstil og tankeledelse inden for områder som shift-left-sikkerhed, DevSecOps og AI-drevet trusselsdetektion.

Han er i øjeblikket administrerende direktør og medstifter af Tuskira, en AI-drevet sikkerhedsplatform, der er designet til at samle telemetri fra over 150 sikkerhedsværktøjer i en samlet sikkerhedsnetværk. Tuskira bruger GenAI-baserede agenter og en dynamisk digital tvilling til at simulere virkelige angrebsveje, validere udnytbarhed, prioritere håndterbare risici og selvstændigt forbedre forsvaret i realtid. Ved at reducere alarmtræthed og øge effektiviteten af eksisterende værktøjer hjælper platformen virksomheder med at skifte fra reaktiv til proaktiv, eksponeringsdrevet sikkerhedsdrift.

Lad os starte med din grundlæggende vision—hvad inspirerede dig til at lancere Tuskira, og hvilket grundlæggende sikkerhedsproblem var du fast besluttet på at løse fra starten?

AIs styrke ligger i at udføre enorme mængder af dataanalyse, og sikkerhed har traditionelt været et datapproblem. Miljøerne er dynamiske, dine kundeapplikationer er dynamiske, og der er mange store bevægelige dele. Målet med Tuskira var at udnytte AI til at løse de komplekse problemer, der opstår i disse miljøer, samtidig med at reducere mængden af menneskelig indgriben.

Du har opbygget og afsluttet flere cybersecurity-foretagender før denne. Hvordan har dine erfaringer med Accurics, Tenable og Symantec formet din tilgang til at opbygge en AI-nativ sikkerhedsplatform fra dag ét?

Mine erfaringer med Accurics, Tenable og Symantec gav mig en dyb, førstehåndsforståelse af, hvor nye trusler vil opstå og hvordan de vil udvikle sig. I sikkerhed er det ikke blot om at gætte, men om at genkende mønstre grundet i års erfaring med, hvordan angribere tænker og tilpasser sig. Denne niveau af indsigt kommer kun fra at tilbringe en betydelig mængde tid i domænet.

Sikkerhed er ikke et traditionelt software-engineering-område, hvor man kan springe ind uden erfaring og alligevel kunne lave noget ud af det. Det er blevet sagt, at man ikke behøver at have erfaring i sikkerhed for at være en sikkerhedsstifter. Sandheden er mere nuanceret. Mens stærke produktinstinkter er vigtige, kræver virkelig effektive sikkerhedsplatforme mere end produkt-markedsfit; de kræver en dyb forståelse af trusselslandskabet og hvordan det udvikler sig i realtid.

Sikkerhed handler om at løse en kundeproblem, snarere end at bygge en narrativ, der passer til, hvad folk vil høre. Denne indsigt kommer kun fra domæne-dybde, og det er det, der ultimativt giver mulighed for at bygge løsninger, der fungerer ikke blot i teorien, men i de uforudsigelige, fjendtlige miljøer, vores kunder står over for hver dag.

En nylig Gartner-studie forudsiger, at 40% af AI-relaterede dataudbrud vil stamme fra misbrug inden 2027. I din mening, hvad er de mest almindelige måder, sikkerhedsholdene i øjeblikket misbruger AI?

Den mest almindelige måde, jeg har set sikkerhedsholdene misbruge AI, er ved at bruge offentlige versioner af AI, såsom ChatGPT, Anthropic eller Microsoft Copilot, til at analysere organisationsdata. Dette kan resultere i, at fortrolig information ufrivilligt lækes.

Virksomheder har brug for fine-grainede, private LLM’er for at sikre, at følsomme oplysninger ikke undslipper organisationen. Disse private modeller giver langt større kontrol over, hvor informationen går hen, og hvem der har adgang til den. Desuden er validiteten af offentlige modeller meget sværere at bestemme end private, hvilket potentielt kan kompromittere de oplysninger, der returneres.

Hvilke typer dataindtastninger er mest kritiske for, at AI kan generere meningsfulde og sikre resultater i sikkerhed, og hvordan kan holdene sikre, at de giver den rette kontekst?

AI kræver destilleret og velformuleret sikkerhedsdata for at generere meningsfulde resultater. Det er svært at bringe data fra hundredvis af værktøjer, der bruges i en virksomhed, ind i en samlet taksonomi, og derefter destillere det endnu mere, så AI kan virkelig forstå, hvad det absorberer. Uden ordentlig datafiltrering kan AI ikke fungere korrekt.

AI kræver data fra alle sikkerhedscontrole, IT-controle og infrastrukturværktøjer. Sikkerhedsholdene har brug for en omfattende datastrategi for at sikre, at det fine datasæt er forberedt, formuleret og destilleret, så AI har den rette kontekst bag de oplysninger, det præsenteres for. Tankløs dataudskiftning er ikke nok.

Tuskira beskriver sig selv som “agentic AI”. Kan du forklare, hvad det betyder i praktisk forstand for et sikkerhedshold? Hvordan adskiller det sig fra traditionel automatisering eller selv GenAI-drevne værktøjer?

Tuskira er en AI-nativ platform, der udnytter AI SOC-agenter til at opdage, vurderer og reagere på dybt begravde trusler under store mængder af data. Dine sikkerhedsværktøjer skaber mange data hver dag. At give mening til disse data er et maskin-niveau-problem. Agentic AI leverer AI-agenter, der kan udvinde, høste og producere den rette værdi fra disse data, og det er, hvad Tuskira tilbyder som en nativ platform.

Sikkerhedshold kan bruge disse AI-agenter til deres egne tilpassede ønskede resultater. Agenterna er resultatdrevne og har den reelle kontekst af kunder og sikkerhedshold. I traditionel automatisering kræver enhver form for automatisering, at mennesker skriver den playbook, herunder de skridt, der skal følges af automatiserings-scriptene. AI-agenterne ændrer denne opfattelse, da de har deres egen ånd og finjusterede modeller, der giver dem mulighed for at oprette, udføre og validere deres egen playbook, og genskabe playbooket, hvis det forrige ikke virkede.

Tuskiras platform har evnen til at resonere, identificere sin egen plan og levere resultatet uden menneskelig indgriben. Dette er ikke muligt i traditionel automatisering.

Tuskiras platform simulerer virkelige angreb i en digital tvilling. Hvordan hjælper denne simuleringsproces med at proaktivt identificere trusler, der ellers ville være gået ubemærket?

Hos Tuskira har vi opbygget en platform, der ikke blot venter på, at trusler skal opstå, men aktivt søger efter dem. Vores digital tvillingsteknologi skaber en realtids-replika af dit miljø, der giver vores AI-agenter mulighed for at simulere en bred vifte af angreb, fra API- og DNS-udnyttelser til forsyningskæde-intrusioner, før de nogensinde når produktionen.

Denne simulation er ikke hypotetisk. Den spejler dine faktiske systemer, konfigurationer og dataflugt, og giver os mulighed for at afsløre ikke blot udnytbare svagheder, men også dem, der er uforsvarlige, problemer, som traditionelle scannere ofte overser. Ved at validere, hvilke svagheder der kan udnyttes til at omgå eksisterende kontroller, omdanner vi ukendte risici til kendte, håndterbare indsigt.

Dette er skiftet fra reaktivt forsvar til proaktivt modstand. Og det er kun muligt, når din platform kan tænke, teste og handle før truslen. Det er, hvad vi har opbygget med Tuskira.

Du har samlet telemetri fra over 150 værktøjer i en enkelt sikkerhedsnetværk. Hvad var de største tekniske udfordringer i opbygning af et virkelig interoperabelt system i denne skala?

At indsamle data fra over 150 værktøjer er ikke udfordringen; det er at kunne destillere og korrekt formulerer data, så AI kan forstå det hele. Tuskira har opbygget en AI-nativ semantisk lag, der kan indtage data på tværs af multiple formater, hundredvis af sikkerhedscontrole og MCP-servere for at samle data i en struktur, som AI-modeller kan forstå. Dette køres autonomt, hvor AI-agenterne kuraterer og re-normaliserer data til den struktur, der er mest gavnlig for ekstreme mængder af analyse.

De fleste sikkerhedsløsninger i dag er reaktive—de venter på, at trusler skal opstå. Hvordan skifter Tuskira branchen mod en proaktiv model, og hvilke målbare resultater låser dette op for organisationer?

De fleste moderne løsninger handler kun, når et forsøg på at bryde et system er blevet alarmeret. Tuskira identificerer proaktivt, hvor de mest sårbare områder for potentielle brud er i en organisations forsvar, og fylder disse huller for at reducere yderligere chancer for udnyttelse fra et angreb.

Tuskiras AI SOC-agenter analyserer konstant alarmene, der kommer fra forskellige sikkerhedsværktøjer, korrelerer dem med de mest udnytbare svagheder og tager en passende handling ved at optimere forsvars-laget i stedet for konstant at reagere på det. I tilfælde af et angreb kan Tuskira måle, om handling er nødvendig, eller om angriberen ikke har midlerne til at bryde forsvaret, der er på plads.

Du har over et dusin sikkerheds-patent. Kan du dele en ny innovation inden for Tuskira, som du er særligt stolt af, og hvilket problem løser det?

Der er flere problemer, der løses med Tuskira. Det første er: hvordan kan man bygge en AI-nativ platform, der kan analysere terabyte af data på enterprise-skala? Gennem vores innovationer omkring datastyring og destillering er vi i stand til at udføre dataanalyse på en højst skalerbar måde.

Tuskira har dusinvis af patent, der bestemmer, hvordan man finjusterer modeller omkring et sikkerhedsdomæne. Vi har skabt en sværm af LLM-modeller for at producere det mest effektive og højeste effikacitets-resultat.

Vi har skabt indbyggede sikkerhedsforanstaltninger omkring opdækning og vurdering, så Tuskira kan skabe agenter, der producerer et forudsigeligt resultat over en periode.

Set fem år frem, hvad rolle tror du, AI vil spille i sikkerhedsoperationer (SOC’er)? Vil den menneskelige analyst blive forældet—eller noget mere kraftfuldt?

Fem år fra nu vil AI overtage L1, L2 og L3-roller. De fleste funktioner vil blive leveret gennem AI-agenter, og mennesker vil fokusere på at sikre, at AI tager de rigtige beslutninger og hjælper med at automatisere disse beslutninger, snarere end alle de daglige opgaver, de skal klare.

AI vil ikke erstatte mennesker; de vil supplere, hvad mennesker kan gøre på en større skala. Det er AIs job at gøre angribernes job sværere. Menneskers fokus vil skifte til de beslutninger, AI tager, og automatisere disse beslutninger, snarere end alle de daglige opgaver, de skal klare.

Hvis du skulle give ét råd til CISO’er, der forsøger at fremtidssikre deres sikkerhedsarkitektur i AI-alderen, hvad ville det være?

Der sker en fundamental ændring i sikkerhed. Du har platforme, der blev bygget før AI, og som nu tilføjer AI, og platforme, der blev bygget med AI i deres kerne. Denne forskel betyder mere end nogensinde. 

Hvis jeg skulle give ét råd til CISO’er, er det dette: spørg ikke blot, om dine værktøjer bruger AI, spørg, hvor dybt AI er integreret i deres arkitektur. Er platformen AI-nativ, eller afhænger den af overfladiske integrationer for at tjekke en afkrydsningsfelt?

Truslerne, vi står over for nu, og hastigheden, hvormed de udvikler sig, kræver systemer, der ikke blot er intelligente, men også inherently adaptive. Sikkerhedsarkitektur må være bygget til AI-alderen fra bunden og opad, med evnen til kontinuerligt at lære, simulere og reagere i realtid. Noget mindre vil efterlade huller, du ikke vil se, før det er for sent.

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