Rami Habal, grundlægger og administrerende direktør for Magnitude – Interviewserie

Rami Habal, grundlægger og administrerende direktør for Magnitude er en erfaren cybersikkerheds- og AI-produktleder med en karriere, der spænder over virksomhedssikkerhed, maskinlæring, forbrugerteknologi og venture‑støttede startups. Før han grundlagde Magnitude, var han Entrepreneur in Residence hos Ballistic Ventures og tilbragte mere end fire år hos Abnormal Security, herunder roller som Chief Product Officer og Chief Customer Officer. Tidligere ledede Habal multi‑device‑oplevelsen for Amazon Alexa, styrede produktudviklingen hos Reverb og var en af de første medarbejdere hos Proofpoint, hvor han hjalp med at bygge og kommercialisere sikkerhedsprodukter, mens virksomheden voksede fra en startup til sin endelige børsnotering. Hans karriere omfatter også erfaring inden for venturekapital, mobilteknologi, API’er og produktstrategi, hvilket giver ham en bred baggrund i krydsfeltet mellem cybersikkerhed, AI og virksomhedsoftware.

Magnitude er et AI‑native cybersikkerhedsfirma, der fokuserer på at omdanne tredjepartsrisikostyring (TPRM) fra periodiske compliance‑gennemgange til en kontinuerlig sikkerhedsfunktion. Dets multi‑agent‑platform bruger specialiserede AI‑agenter til at vurdere leverandører og produkter, kontinuerligt overvåge sårbarheder og andre risikoforandringer, kortlægge fjerde‑, femte‑ og dybere‑part‑afhængigheder, automatisere leverandørkommunikation og hjælpe med at håndtere afhjælpning. I stedet for primært at stole på spørgeskemaer og engangsvurderinger er Magnitude designet til at resonere i forhold til en organisations egne politikker og levere evidensbaserede beslutninger med sporbare kilder og begrundelser. Det overordnede mål er at give sikkerhedsteams kontinuerlig synlighed på tværs af stadig mere komplekse software‑ og leverandørekosystemer, samtidig med at menneskelige analytikere kan koncentrere sig om højere‑værdi dømmekald.

Efter at have hjulpet med at bygge produkter hos Proofpoint, Amazon Alexa og Abnormal Security, hvad overbeviste dig om, at nu var det rette tidspunkt at grundlægge Magnitude? Var der en specifik erkendelse eller kundesmertepunkt, der fik dig til at tro, at autonom tredjepartsrisikostyring skulle blive sit eget firma?

Jeg vidste, at efter min tid hos Abnormal, ønskede jeg at starte en virksomhed. Det, jeg ikke vidste, var hvilket problem der var værd at bygge en virksomhed omkring. Gennem min karriere har jeg været tiltrukket af anvendte maskinlæringsprodukter, der adresserer brede, universelle behov, såsom e‑mail‑sikkerhed hos Proofpoint, stemmecomputing med Alexa og adfærdssikkerhed hos Abnormal. Jeg ønskede at finde et andet problem med samme rækkevidde for at hjælpe virksomheder.

Så kom agenterne. Efter at have arbejdet gennem den forrige bølge af maskinlæring, kunne jeg se, at dette ikke blot var en ny produktfunktion. Det var et platformskifte, og sådanne sker sjældent.

Mens jeg var entrepreneur-in-residence hos Ballistic Ventures, begyndte jeg at tale med CISOs om, hvor dette skift kunne have den største indvirkning. Tredjepartsrisiko kom gentagne gange på banen. Historisk set gav det mening, at TPRM skulle placeres inden for GRC‑funktionen, fordi leverandørrisiko udviklede sig langsomt nok til, at periodiske gennemgange kunne følge med. Men den antagelse var ved at bryde sammen. Alle var enige om, at det var et stort problem, men de fleste organisationer håndterede det stadig med årlige spørgeskemaer, regneark, periodiske gennemgange og omfattende manuelt arbejde. Reaktionen var ens: tredjepartsrisikostyring er kritisk, men vi har stadig ikke en god måde at løse det på.

Det var den erkendelse, der lå bag Magnitude. Jeg vidste, at den traditionelle model ikke længere fungerede, og at vi havde brug for en teknologi, der kunne ændre driftsmodellen fuldstændigt, ikke blot gøre den gamle regnearksbaserede proces en smule hurtigere. Fra starten var min opfattelse, at hver leverandør på et tidspunkt ville have en sværm af agenter, der kontinuerligt evaluerer de risici, der omgiver den. Magnitude voksede ud fra den overbevisning.

Du beskriver ankomsten af \”Mythos‑æraen,\” hvor AI kan identificere og udnytte sårbarheder hurtigere, end mennesker kan reagere. Hvilke ændringer har du observeret det seneste år, som overbeviste dig om, at dette skift allerede er i gang snarere end at være en fremtidig bekymring?

Den største forandring, jeg har set, er, hvor hurtigt disse angreb nu sker. For et år siden handlede meget af samtalen stadig om, hvad AI eventuelt kunne give en angriber mulighed for at gøre. Nu kan vi se disse kapaciteter tage form i realtid. AI kan hjælpe en angriber med at undersøge et meget større software‑økosystem, opdage svagheder, der tidligere måske var ukendte, og angribe disse svagheder i en skala, som et menneskeligt team ville have svært ved at matche.

I Mythos‑æraen har AI‑systemer vist evnen til at frembringe mere end 2.000 tidligere ukendte fejl på tværs af software‑økosystemer, og den median tid fra opdagelse af en sårbarhed til en weaponized exploit forventes at falde til under én time inden udgangen af 2026. Mens tiden mellem opdagelse og weaponisering fortsat bliver kortere, skaber det et hul mellem, hvor hurtigt eksponering kan opstå, og hvor hurtigt traditionelle gennemgangscyklusser kan reagere.

Vi ser også, at hændelsesmønsteret bevæger sig i samme retning. I vores analyse steg hyppigheden af supply‑chain‑angreb fra cirka 13 hændelser pr. måned i 2024 til 41 pr. måned i 2026. Vi har bemærket, at aktiviteten stiger i takt med store forbedringer i frontier‑modellerne. Jeg vil ikke påstå, at hver modeludgivelse direkte forårsager flere angreb, men tendensen er svær at ignorere. Værktøjerne bliver mere kapable, efterhånden som angrebshastigheden accelererer.

Hvad der virkelig bekræfter denne ændring for mig, er de samtaler, jeg har med sikkerhedsledere. De taler ikke længere om tredjepartsrisiko som noget, der kan håndteres gennem en årlig gennemgang og genovervejes ved fornyelse. De føler sig udsatte i månederne mellem disse gennemgange, fordi deres leverandører, softwareafhængigheder og nedstrømsleverandører konstant ændrer sig.

Det er, hvad Mythos‑æraen betyder for mig. Tidsvinduet til at forstå og reagere på risiko bliver smallere, mens den potentielle påvirkning af en enkelt kompromitteret leverandør bliver større. En periodisk compliance‑proces var simpelthen ikke designet til dette miljø.

Mange virksomheder implementerer hurtigt AI‑agenter i hele deres organisationer. Hvordan bør sikkerhedsledere genoverveje styring, når disse agenter i stigende grad interagerer med eksterne leverandører, API’er og nedstrøms‑afhængigheder?

Det første sikkerhedsledere skal erkende, er at selv en AI‑agent bygget internt i virksomheden måske ikke er fuldstændig intern. Den kan være afhængig af en ekstern platform, en tredjeparts‑funktion via MCP, en tjeneste som Google Drive eller anden teknologi, som organisationen ikke direkte kontrollerer. Og hver af disse leverandører kan have egne underleverandører.

Det er ikke længere tilstrækkeligt kun at godkende selve agenten. Ledelsen skal forstå, hvilken information den kan tilgå, hvilke handlinger den kan udføre, hvilke eksterne tjenester den er afhængig af, og hvornår menneskelig godkendelse kræves. De skal også forstå, hvordan disse afhængigheder kan ændre sig over tid, efterhånden som agenten får nye funktioner, forbinder sig til nye systemer eller begynder at afhænge af yderligere nedstrøms‑leverandører. Disse kontroller kan heller ikke sættes én gang og glemmes. Når en agent får nye funktioner eller forbindelser, skal dens styring tilpasses tilsvarende.

Målet bør ikke være at bremse AI‑adoptionen. Det skal give virksomheder tilstrækkelig synlighed til at bruge agenter med selvtillid. Styring skal blive en løbende sikkerhedspraksis frem for en engangs‑godkendelse, der kun udføres, når et nyt værktøj introduceres.

Tredjepartsrisikostyring har traditionelt været baseret på spørgeskemaer og periodiske gennemgange. Hvorfor mener du, at denne model grundlæggende bryder sammen i et AI‑drevet miljø? 

Problemet med den traditionelle TPRM‑model er, at den kun giver et øjebliksbillede af, hvad en leverandør på et bestemt tidspunkt har udtalt som sandt. En virksomhed kan udfylde et spørgeskema, når den første gang godkendes, og derefter ikke blive revideret igen før fornyelse, hvilket kan være år senere. I mellemtiden kan dens teknologi, sikkerhedspraksis, AI‑modeller, databrug og leverandører alle ændre sig. Vi kan knap forudsige, hvad der vil ændre sig i løbet af de næste par uger, så det giver ikke længere mening at stole på en flere år gammel vurdering.

Der er også et spørgsmål om, hvor pålidelig informationen er. Et indberettet svar indtastet af en, der forsøger at skubbe en aftale frem, er ikke det samme som en kendsgerning understøttet af en uafhængig revision, en underskrevet virksomhedsindberetning eller en anden verificerbar kilde. Sikkerhedsledere skal vide ikke kun, hvad svaret er, men også hvor det stammer fra, og om det stadig er aktuelt.

Endelig stopper spørgeskemaer som regel ved den direkte leverandør. De viser sjældent de N‑te parter, selvom disse skjulte 4.‑ og 5.‑partnervirksomheder kan skabe reel eksponering. Angribere ved, at en virksomheds svageste led ikke er virksomheden selv, men en af disse nedstrøms‑leverandører. Og ved at angribe disse leverandører kan de i sidste ende få adgang til virksomheden. Det er simpelthen billigere og lettere.

Det er derfor, jeg ikke mener, at svaret blot er at bruge AI til at udfylde spørgeskemaer hurtigere. I den model vil der altid være huller. Modellen selv skal ændres fra periodiske, selvrapporterede øjebliksbilleder til en kontinuerlig, real‑time, evidensbaseret forståelse af risiko så dyb som en virksomheds forsyningskæde.

Magnitude introducerer konceptet med en autonom AI‑arbejdsstyrke for sikkerhedsteams. Hvor ser du balancen mellem AI‑drevet beslutningstagning og menneskelig tilsyn, især for beslutninger med stor sikkerhedspåvirkning? 

Autonom betyder ikke, at man er uden ansvar. Sådan ser jeg det: AI bør håndtere det kritiske, men gentagne arbejde, der optager så meget af et sikkerhedsteams tid, mens mennesker forbliver involveret, når en beslutning kræver dømmekraft, kontekst eller har betydelige forretningsmæssige konsekvenser. Faktisk har intet sikkerhedsteam i dag nok ressourcer til at håndtere den nuværende opgave. AI kan hjælpe med at udfylde dette hul.

Kvaliteten af AI er enormt vigtig. Når den er god, er AI en kraftforstærker. Den giver et team mere kapacitet og hjælper folk med at fokusere på arbejde med højere værdi. Når den er dårlig, har den den modsatte effekt, fordi nogen skal dobbelttjekke hvert output. For beslutninger med stor sikkerhedspåvirkning bør systemet være af høj kvalitet og kunne vise, hvilke beviser det har brugt, og hvordan det nåede sin anbefaling, så der skabes en auditérbar registrering.

Det rette niveau af tilsyn vil også variere fra organisation til organisation. En stor virksomhed med et etableret sikkerhedsteam kan bruge AI mere som en autopilot, hvor folk overvåger arbejdet og griber ind ved undtagelser. En mindre organisation kan vælge at automatisere mere af programmet, fordi den mangler personale eller budget til at opbygge et stort team. I begge tilfælde bør der være klare punkter, hvor et problem eskaleres til en person.

I sidste ende skal organisationen kunne beslutte, hvor meget menneskelig involvering den ønsker, baseret på beslutningens betydning. Målet er ikke at fjerne folk fra sikkerheden. Det er at hjælpe dem med at udnytte deres tid bedre, træffe hurtigere forretningsbeslutninger og reservere menneskelig opmærksomhed til de beslutninger, hvor den tilfører mest værdi.

Dit team samler ekspertise fra AI, cybersikkerhed og forbruger‑skala platforme. Hvordan har den kombination påvirket den måde, du har designet Magnitude på sammenlignet med traditionelle cybersikkerhedsprodukter? 

Hver af vores baggrunde har lært os noget forskelligt om, hvad et AI‑sikkerhedsprodukt skal gøre godt. Inden for cybersikkerhed er et svar kun nyttigt, hvis du kan stole på det, spore det tilbage til beviser og handle på det. Gennem vores arbejde med AI og maskinlæring lærte vi, at den reelle mulighed ikke blot er at opsummere information, men at omdanne ekspertarbejde til et system, der kan udføre dette arbejde konsekvent. Bygning af platforme som Alexa og Pandora lærte os at tænke på pålidelighed og brugervenlighed i meget stor skala.

Disse indsigter førte os væk fra den traditionelle cybersikkerhedsmodel, hvor man producerer endnu et dashboard eller endnu en strøm af alarmer, som et allerede overbelastet team skal undersøge. Vi designede Magnitude til at udføre arbejdet: indsamle og verificere information, vurdere leverandører, overvåge ændringer, knytte ny information til forretningsrisiko og hjælpe med at føre problemer mod en løsning.

Bag kulisserne indebærer det flere specialiserede AI‑agenter, der arbejder sammen. Men kundeoplevelsen skal forblive enkel. Sikkerhedsteams bør ikke skulle blive AI‑eksperter for at forstå, hvad systemet har fundet, hvorfor det er vigtigt, eller hvilken handling der skal tages.

Resultatet er et produkt, der er designet til at fungere kontinuerligt på tværs af tusindvis af leverandører, samtidig med at det opfylder den standard, der kræves for sikkerhedsbeslutninger med høj påvirkning. Det er ikke AI, der er tilføjet til en ældre arbejdsproces. Det blev fra starten bygget omkring idéen om, at AI kan udføre størstedelen af arbejdsprocessen selv, samtidig med at det giver folk de beviser, den synlighed og den kontrol, de har brug for.

En af de største bekymringer omkring AI i cybersikkerhed er, at den giver både forsvarere og angribere mere magt. Mener du, at fordelen i øjeblikket ligger hos forsvarerne eller modstanderne, og hvad vil afgøre, hvem der holder sig foran i de kommende år?

Jeg tror, at fordelen i dag hælder mod angriberne, især i angreb på forsyningskæder. Jeg vil ikke sige, at forsvarerne er håbløst bagud. Opfordringen til forsvarerne er at holde op med at betragte dette som et fremtidigt problem og handle hurtigere nu. Begge parter har adgang til mange af de samme AI‑værktøjer, men økonomien og tiden til markedet favoriserer i øjeblikket angriberen.

AI gør det billigere og lettere at teste flere angrebspad, lancere flere forsøg på N‑niveau dybt og gentage processen i stor skala. Når en angriber kompromitterer en bredt anvendt leverandør eller softwarekomponent, kan et enkelt vellykket angreb sprede sig til hundreder eller endda tusinder af virksomheder.

Forsvarerne har den sværere opgave, fordi de skal forstå og beskytte et stort netværk af leverandører, softwarekomponenter og nedstrøms leverandører, og det tager også tid for virksomheder at reagere, anskaffe software, der hjælper, og operationalisere disse værktøjer, hvilket skaber et vindue, som angribere kan udnytte.

Hvad der afgør, hvem der holder sig foran, vil være, om forsvarerne kan ændre den ligning. De skal gå ud over lejlighedsvise gennemgange og manuelle opfølgninger og i stedet arbejde med kontinuerlig overvågning og hurtigere handling. Automatiserede styrings‑ og forsvarssystemer, der løbende overvåger ændringer, knytter dem til forretningsrisiko og kan reagere hurtigt, vil gøre angreb sværere at skalere og dyrere at gentage.

Cybersikkerhed har altid været et kat‑og‑mus-spil. AI ændrer ikke dette, men det øger hastigheden og indsatsen. Forsvarerne har brug for systemer, der kan lære, tilpasse sig og handle i samme tempo, som angriberne begynder at operere i.

AI‑forsyningskæder bliver stadig mere komplekse, idet organisationer er afhængige af talrige grundlæggende modeller, SaaS‑leverandører og autonome agenter. Hvilke nye risici mener du, at virksomheder stadig undervurderer?

Den mest undervurderede risiko er teknologien, der ligger bag det produkt, en virksomhed mener, den har godkendt. Selv en internt bygget agent kan være afhængig af eksterne platforme, plugins, entreprenører eller softwarekomponenter. Disse skjulte relationer skaber N‑part risici, leverandørerne bag en direkte leverandør.

De fleste virksomheder har stadig meget lidt indsigt i dette dybere lag. De kan vide, hvem de har indgået en kontrakt med, men ikke hver ekstern tjeneste, softwarekomponent eller underleverandør, der i sidste ende understøtter produktet.

Den anden udfordring er, hvor sammenkoblede disse systemer er blevet. En svaghed i et plugin eller en understøttende tjeneste forbliver måske ikke isoleret til den leverandør. Den kan skabe en vej ind i en større platform og derefter påvirke mange organisationer, der er afhængige af den. Det betyder, at en relativt lille leverandør kan blive en meget større kilde til eksponering.

Det, som risikolederne bør spørge om, er ikke blot: “Hvilken AI-model bruger vi?” Det er: “Hvad afhænger dette system af, hvad afhænger de leverandører af, og hvordan kan et problem et sted i kæden nå os?” Indtil virksomheder kan besvare disse spørgsmål, vil de fortsat arve risici, de ikke kan se.

Udover dagens store sprogmodeller, hvilke teknologiske udviklinger i løbet af de næste fem år forventer du vil omforme virksomheders cybersikkerhed og risikostyring mest markant? 

Jeg tror ikke, at den afgørende forandring vil være én ny model. Det vil være overgangen fra AI, der svarer på spørgsmål, til AI‑systemer, der kontinuerligt observerer, hvad der sker, forbinder information fra forskellige kilder og handler.

Den næste generation af modeller vil ikke blot være en smule bedre; de vil være meget mere kapable. Men den større forskydning vil komme fra specialiserede agenter, der arbejder sammen på tværs af sikkerhedsoperationer. I dag håndteres leverandørvurderinger, trusselsinformation, forretningsrisiko og afhjælpning ofte i separate værktøjer og af separate teams. Over tid vil disse funktioner begynde at samle sig.

Jeg forventer, at sikkerhedssystemer bliver langt mere forbundne, så trusselsinformation, forretningskontekst, virksomhedspolitikker og respons‑handlinger samles i stedet for at blive håndteret i separate værktøjer. Systemet kunne genkende, at en leverandør er blevet udsat for en ny trussel, forstå hvilke dele af forretningen der kan blive påvirket, og hjælpe med at igangsætte responsen uden at vente på flere manuelle overleveringer.

Det vil ændre risikostyring fra en række periodiske øvelser til en kontinuerlig driftskapacitet. De stærkeste risikoprogrammer vil blive bygget omkring virksomheds‑kontekst, pålidelig evidens og evnen til at omsætte information til betroet handling.

Hvis du kunne give ét råd til CISO‑er og virksomhedsledere, der forbereder sig på den næste generation af AI‑drevne trusler, hvad ville det så være, og hvilke handlinger bør de prioritere i dag?

Mit råd er at stoppe med at håndtere leverandørkæderisiko som en årlig øvelse. Risiko ændrer sig løbende, og din tilgang skal følge med. Miljøet er levende og åndende. Det er for forbundet, og det ændrer sig for hurtigt til, at en række separate anmeldelser og værktøjer kan holde trit.

Hvordan du beskytter denne nye angrebsflade er med en enkelt AI‑native kontrolplan for kontinuerlig, autonom styring og forsvar af al din eksterne risiko.

Det første skridt er at fokusere på de forretningsområder, der betyder mest. Identificér leverandørerne og eksterne tjenester, der understøtter disse kritiske operationer, forstå hvor de skjulte afhængigheder ligger, og fastlæg klar ejerskab for, hvad der sker, når en risiko opdages. Automatisér så meget som muligt af den løbende overvågning og rutine‑respons, mens mennesker inddrages til beslutninger med store forretningskonsekvenser.

Målet er ikke blot at indsamle mere information. Det handler om kontinuerligt at forbinde det, du ved, afgøre hvad der er vigtigt, og handle, før et leverandørproblem bliver et virksomhedsomspændende problem.

Tak for det gode interview, læsere der ønsker at lære mere, bør besøge Magnitude.