Ido Livneh, CEO und Mitgründer von Jazz – Interview-Serie

Ido Livneh, CEO und Mitgründer von Jazz, ist ein erfahrener Produktleiter und Unternehmer mit einer starken Erfolgsbilanz bei der Entwicklung und Skalierung von High-Impact-Technologieplattformen, einschließlich der Leitung von Produkt bei Laminar durch dessen Übernahme durch Rubrik und der Unterstützung des erfolgreichen Verkaufs von Tapingo an Grubhub für 150 Millionen Dollar; seine Karriere umfasst Führungspositionen bei Axonius und früheren Unternehmen wie KnuPo und basiert auf einer tiefen technischen Grundlage, die während fast eines Jahrzehnts in den Israelischen Verteidigungskräften entwickelt wurde, wo er von der Ingenieurarbeit zur Leitung der Software-R&D aufstieg, Erfahrungen, die nun seine Konzentration auf die Entwicklung von AI-nativen Cybersicherheitslösungen prägen.

Jazz ist ein AI-natives Cybersicherheitsunternehmen, das Data Loss Prevention neu denkt, indem es über legacysystembasierte Regeln hinausgeht und eine kontextbewusste Plattform einführt, die versteht, wie Daten innerhalb von Organisationen fließen, Benutzerverhalten, Systeme und Workflows analysiert, um echte Risiken zu identifizieren, anstatt übermäßige Warnungen zu generieren; durch die Verwendung von KI, um Vorfälle an ihrer Quelle zu untersuchen und handhabbare Erkenntnisse zu liefern, ermöglicht die Plattform es schlanken Sicherheitsteams, komplexe Umgebungen zu verwalten und den Schutz sensibler Daten über Cloud-Anwendungen, Endgeräte und interne Systeme hinweg zu gewährleisten, wodurch Jazz Teil einer neuen Generation von Unternehmen wird, die die Unternehmenssicherheit für das AI-Zeitalter neu aufbauen.

Sie haben bei Unternehmen wie Laminar die Produktentwicklung geleitet und Führungspositionen bei Axonius und Grubhub innegehabt, während Sie auch mehrere Start-ups gegründet haben. Welche spezifische Lücke oder Erkenntnis aus diesen Erfahrungen hat Sie dazu veranlasst, Jazz zu gründen, und warum war jetzt der richtige Moment, um Data Loss Prevention (DLP) neu zu erfinden?

Ich habe das letzte Jahrzehnt damit verbracht, Sicherheitsprodukte zu entwickeln und gegenüber CISOs zu sitzen. Drei VP-Product-Rollen, zwei Exits – einschließlich Laminar, das wir an Rubrik verkauften. Und wenn es eine Sache gibt, die ich über all dies gelernt habe, dann ist es dies: absolut niemand liebt sein DLP.

Bei Laminar haben wir den ersten Teil der DSPM-Kategorie aufgebaut – Data Security Posture Management. Ein großartiges Problem, aber wir haben drei Jahre damit verbracht, den Markt zu schulen, bevor Inbound-Verkäufe überhaupt begannen. Ich ging davon aus: nächstes Mal will ich ein altes Problem. Ein Problem, über das jedes Board bereits Bescheid weiß, für das jeder CISO bereits Budget hat, und das niemand tatsächlich gelöst hat.

DLP ist dieses Problem. Es ist zwanzig Jahre alt. Jede Sicherheitsorganisation kennt das Risiko. Und die Lösungen auf dem Markt sind universell verhasst – nicht, weil die Anbieter inkompetent sind, sondern weil das gesamte Framework falsch ist. Wir haben Maschinen gebeten, Muster zu erkennen und Menschen, Kontext zu liefern. Dieses Modell war von Anfang an dazu bestimmt, zu brechen.

Der Zeitpunkt war offensichtlich. KI gab uns die Fähigkeit, etwas zu tun, was buchstäblich unmöglich war – ein System aufzubauen, das Daten auf die Weise versteht, wie ein Senior-Analyst es tut, aber autonom und im großen Maßstab. Als wir das sahen, wussten die vier Mitgründer – alle Unit 81-Alumni -, dass dies der Moment war, um zu den Grundlagen zurückzukehren und DLP von Grund auf neu aufzubauen. Und diesmal, damit es funktioniert und leicht zu bedienen ist.

Traditionelle DLP-Systeme werden oft dafür kritisiert, dass sie übermäßige Warnungen generieren. Was bricht im Kern in regelbasierten DLP-Systemen, und warum hat die Branche Schwierigkeiten, dieses Problem zu lösen?

Das Problem ist nicht, dass regelbasiertes DLP bessere Regeln benötigt. Das Problem ist, dass Regeln von Anfang an das falsche Werkzeug für diese Aufgabe waren.

So funktioniert es tatsächlich. Sie bereitstellen ein System, das Muster versteht – Regex, Dateitypen, Schlüsselwörter. Sie schreiben Regeln. Die Maschine vergleicht Daten mit diesen Regeln, und wenn es eine Übereinstimmung gibt, teilt sie einem menschlichen Analysten mit: “Kommen Sie und sehen Sie sich das an.” Der Analyst muss dann den Kontext mitbringen – wer ist diese Person, was haben sie getan, warum haben sie es getan – und eine Urteilsentscheidung treffen.

Dieser zweite Teil, die menschliche Untersuchung, skaliert nie. Die Physik von DLP ist einfach zu laut. Daten bewegen sich ständig innerhalb jeder großen Unternehmung. Eine neunstellige Zahl ist nicht immer eine Sozialversicherungsnummer. Ein Datei-Upload ist nicht immer Exfiltration. Ein Buchstaben-Grad “A” löst FERPA-Regeln aus. Eine interne Übertragung zwischen Abteilungen wird blockiert. Das System kann nicht erkennen, ob ein sensibler Datei-Share ein wichtiger Geschäfts-Zusammenarbeit oder Ihre Kronjuwelen ist, die aus dem Haus gehen.

Was machen Unternehmen also? Sie fügen Ausnahmen hinzu. Jede Ausnahme ist ein Moment, in dem Ihr Tool versagt hat, Ihr Geschäft zu verstehen. Und jede davon ist effektiv ein sanktionierter Hintertür. Zoomen Sie nach achtzehn Monaten aus und was Sie ausführen, ist kein Sicherheitsprogramm – es ist ein Verzeichnis von Kompromissen, das in einem Konformitätsbericht verkleidet ist.

Ungefähr 30 % des Marktes haben ein ausgereiftes DLP-Programm, und selbst sie wissen, dass es bestenfalls ein “gutes Bemühen” ist – die Befriedigung von Konformitätsrahmen und nichts mehr. Wir nennen sie “die Gefangenen”. Die anderen 70 % haben es entweder nie versucht oder es versucht und fehlgeschlagen. Frühere Versuche, dies zu beheben, haben ein bisschen KI auf das gleiche regelbasierte Framework gespritzt. Das ist, als ob man einen frischen Anstrich auf ein Auto mit einem Motor aufträgt, von dem jeder weiß, dass er die Last nicht wirklich bewältigen kann. Das Framework selbst ist es, was geändert werden muss.

Jazz positioniert sich als Lieferant von Antworten anstelle von Warnungen. Können Sie uns durch die Untersuchung von Vorfällen führen und was unterscheidet Ihr System von herkömmlichen Erkennungsmethoden?

Legacy-DLP gibt Ihnen einen Feueralarm und überlässt Ihnen dann ein Vergrößerungsglas. “Etwas ist in diesem Gebäude passiert. Viel Glück beim Finden der richtigen Etage.”

Jazz tut das nicht. Wir haben einen autonomen Ermittler namens Melody entwickelt, der die Arbeit eines menschlichen Analysten ausführt, aber im übermenschlichen Maßstab.

Wenn eine Daten-Transaktion stattfindet, führt Melody nicht nur eine Untersuchung durch. Sie führt eine vollständige Untersuchung über vier Dimensionen durch. Erstens die Daten selbst – nicht mit Regex und Mustern, sondern tiefes Verständnis, was diese Daten sind, wer sie besitzt, was das Risiko des Verlusts tatsächlich für dieses spezifische Unternehmen bedeutet. Zweitens die Systeme – woher die Daten kommen, wohin sie gehen und kritisch, welcher Mandant. Es gibt einen massiven Unterschied zwischen dem Hochladen einer Datei in einen Unternehmens-Google-Drive und einem persönlichen, und Melody versteht diesen Unterschied.

Drittens die Menschen – wir lernen, wie Individuen operieren, wie sie Daten im Laufe der Zeit verwenden, was normal für ihre Rolle ist. Und viertens der Geschäftsprozess – warum findet diese Transaktion statt? Ist es Teil eines bekannten Workflows oder etwas, das wir nicht erklären können?

Diese mehreren Agenten kommen zusammen und rekonstruieren die vollständige Geschichte: was passiert ist, warum es passiert ist und die Absicht des Akteurs. Wenn ein Mensch es sieht, ist es nicht eine Warnung – es ist eine voruntersuchte Erzählung mit Beweisen, Kontext und einem Urteil. In einer typischen Bereitstellung verarbeitet Jazz etwa 2 Millionen Signale pro Monat für jeden tausend Mitarbeiter, untersucht Hunderttausende potenzieller Ereignisse und bringt etwa 80 Vorfälle ans Licht, die tatsächlich menschliche Aufmerksamkeit benötigen. Das ist ein Verhältnis von 20.000 zu 1 zwischen Signal und Rauschen. So beenden wir unwirksame Warnungen und Warnmüdigkeit.

Ihr Plattform analysiert Kontext über Daten, Systeme, Menschen und Geschäftsprozesse. Wie vereinen Sie diese Dimensionen technisch und welche Rolle spielen KI-Agenten oder Reasoning-Systeme in diesem Prozess?

Die Architektur ist um mehrere spezialisierte KI-Agenten herum aufgebaut, die jede Daten-Transaktion aus einer anderen Perspektive analysieren.

Ein Agent konzentriert sich auf das tiefe Verständnis der Daten – Inhalt, Sensibilität, Besitz und Relevanz für das Geschäft. Ein anderer sieht sich die Systemlandschaft an – nicht nur die Namen der Anwendungen, sondern die spezifischen Mandanten, das Vertrauensniveau, ob es sich um ein Unternehmens- oder persönliches System handelt. Ein dritter baut und aktualisiert kontinuierlich Profile, wie Individuen operieren und Daten verwenden, damit es die Handlungen bewerten kann, die mit ihrer Rolle übereinstimmen oder völlig anomale sind. Und ein vierter kartiert Geschäftsprozesse – verbindet Daten-Transaktionen mit bekannten Workflows und identifiziert diejenigen, die nicht erklärt werden können.

Diese Agenten konvergieren dann und synthetisieren ihre Erkenntnisse in eine einheitliche Untersuchung – eine vollständige Erzählung dessen, was passiert ist, warum und ob es ein echtes Risiko ist.

All dies basiert auf zwei grundlegenden Innovationen. Erstens, was wir Endpoint-Kontext-Vaults nennen – eine neue Art von Signalen, die wir speziell für DLP patentiert haben. Diese erfassen nicht nur die Daten-Transaktion selbst, sondern die vollständige Geschichte darum herum: was passiert ist, bevor, was passiert ist, nachdem, welche Anwendungen beteiligt waren, die vollständige Benutzer-Aktivitätskette. Diese Signale sind unglaublich reich an Kontext und ermöglichen es uns, nicht nur zu liefern, was passiert ist, sondern auch warum es passiert ist und die Absicht des Akteurs, was für Maschinen immer schwer zu verstehen war.

Zweitens ein natürlicher Sprach-Policy-Engine, der die traditionellen starren Regelsätze ersetzt. Anstatt technische Regeln mit Regex und Schwellenwerten zu schreiben, beschreiben Sicherheitsteams, was akzeptabel und was nicht ist, auf die Weise, wie ein Mensch es tun würde – in einfacher Sprache. Melody verwendet dies, um nuancierte Urteilsentscheidungen über Situationen zu treffen, die möglicherweise nicht explizit in einer Richtlinie erwähnt werden. Denn die Realität der täglichen Geschäftspraktiken in einer Organisation unterscheidet sich oft massiv von dem, was tatsächlich in einem Vanilla-Policy-Dokument geschrieben ist. Wir überbrücken diese Lücke, und für diejenigen mit langjähriger Erfahrung mit DLP-Programmen fühlt es sich wie Magie an.

Viele Unternehmen setzen jetzt autonome KI-Agenten ein, die mit sensiblen Daten interagieren. Wie ändert sich dadurch die Bedrohungslandschaft, und warum erfordert dies einen neuen Ansatz für DLP?

Dies ist eine tickende Zeitbombe.

Die SaaS-Explosion hat bereits Sicherheitsteams überfordert – jede Woche erscheinen fünf neue Tools im Umfeld, viele davon von Mitarbeitern ohne Genehmigung von IT adoptiert. Wir haben Kunden, die entdeckt haben, dass über 400 GenAI-Tools in ihrer Organisation laufen, von denen niemand wusste. Jetzt legen Sie autonome KI-Agenten darauf.

KI-Agenten verarbeiten Daten nicht nur passiv – sie ziehen Daten aktiv, transformieren sie, senden sie an andere Dienste, treffen Entscheidungen darüber, wohin sie gehen. Ein Mitarbeiter verbindet einen KI-Coding-Assistenten mit dem Code-Base des Unternehmens, verwendet ein persönliches Konto und pusht dann die Ausgaben in ein persönliches Repository – wir haben genau das im Feld gesehen. Oder jemand klebt vertrauliche Strategie-Dokumente in eine persönliche ChatGPT-Sitzung, weil das Unternehmen keinen Unternehmens-Account bereitgestellt hat. Sogar etwas so Einfaches wie ein persönliches Grammarly-Plugin, das alles überprüft, was Sie tippen, einschließlich Bank-Überweisungsdetails und Kundendaten.

Regelbasiertes DLP wurde für eine Welt entwickelt, in der Daten durch einige bekannte Kanäle flossen – E-Mail-Anhänge, USB-Laufwerke, vielleicht ein Web-Upload. Die AI-Ära hat dieses Modell auseinander gerissen. Daten fließen jetzt durch Dutzende von Vektoren, die legacy-Systeme nicht einmal sehen können, geschweige denn verstehen. Sie benötigen ein System, das kontextuell versteht, was passiert – nicht nur, dass Daten bewegt wurden, sondern warum, durch was und ob das Ziel sanktioniert ist.

Das ist grundlegend, warum das alte Framework nicht zu reparieren ist. Sie benötigen einen Ansatz, der Geschäftskontext nativ versteht, weil die Angriffsfläche nicht mehr eine Liste von Kanälen ist, sondern jede Interaktion zwischen Menschen, KI-Tools und sensiblen Daten.

Erklärbarkeit bleibt ein großes Hindernis für die Adoption von KI in der Sicherheit. Wie stellen Sie sicher, dass die Entscheidungen Ihres Systems verständlich und vertrauenswürdig für Sicherheitsteams in hochriskanten Umgebungen sind?

Das ist etwas, über das wir von Tag eins an nachgedacht haben, weil der letzte Wunsch eines CISOs ein weiterer Black-Box-Algorithmus ist.

Jede Untersuchung, die Melody produziert, ist eine Erzählung – kein Score, kein Farbcode, keine kryptische Risikozahl. Sie liest sich wie ein Bericht von einem Senior-Analysten. Hier ist, was passiert ist. Hier ist, wer beteiligt war. Hier ist, warum wir denken, dass sie es getan haben. Hier ist der Beweis. Hier ist die Richtlinie, auf die es abgestimmt ist. Hier ist unsere Bewertung.

Der natürliche Sprach-Policy-Engine ist entscheidend für dies. Da die Richtlinien selbst in einfacher Sprache geschrieben sind, können Sicherheitsteams genau sehen, auf welche Richtlinie eine Entscheidung abgestimmt ist und warum. Wenn Melody etwas flaggt, kann das Team die Entscheidungskette von den rohen Signalen über die kontextuelle Analyse bis zur Richtlinien-Abstimmung zurückverfolgen. Und wenn sie nicht einverstanden sind, können sie die Richtlinie in einfacher Sprache verfeinern – nicht, indem sie einen Regelsatz debuggen.

Wir zeigen auch den Beweis direkt, die vollständige Aktivitätskette. Es ist nicht “vertrauen Sie der KI”, es ist “hier ist, was die KI gesehen hat, hier ist, was sie gefolgert hat, und hier sind die rohen Daten, damit Sie es überprüfen können.” Unsere Kunden sagen uns, dass es sich nicht wie die Überprüfung von KI-Ausgaben anfühlt, sondern wie das Erhalten eines Berichts von einem sehr gründlichen Kollegen.

Das ist die Messlatte. Sicherheitsteams operieren in Umgebungen, in denen eine falsche Entscheidung regulatorische Konsequenzen, rechtliche Konsequenzen oder die Karriere eines Mitarbeiters bedeuten kann. Das System muss Vertrauen verdienen, indem es transparent macht, wie es zu seinen Schlussfolgerungen kommt.

Jazz beschreibt sein System als ein Verhalten, das mehr wie ein menschlicher Ermittler als ein Regelsystem ist. Was bedeutet das in der Praxis, und wie nahe sind wir an einer wirklich autonomen Sicherheitsoperation?

Wenn ich sage, dass Melody wie ein menschlicher Ermittler handelt, meine ich es wörtlich.

Ein großartiger DLP-Analyst sieht nicht nur, dass eine Datei hochgeladen wurde. Er sieht, wer sie hochgeladen hat, was darin war, wohin sie ging, ob diese Person normalerweise mit diesem Datentyp umgeht, ob es einen Geschäftsgrund dafür gibt, und was vorher und nachher passiert ist. Er verwendet Kontext-Urteile – nicht nur Regeln – und das erfordert ein kontextuelles Verständnis seines Geschäfts. Genau das tut Melody, aber über jede Daten-Transaktion in einem Unternehmen hinweg, kontinuierlich und im großen Maßstab.

In der Praxis beschreiben unsere Kunden Melody als ein weiteres Mitglied ihres Teams. Sie zeigt ihnen Situationen, die außerhalb der Richtlinie liegen, liefert die vollständige Untersuchung mit Beweisen und bittet um ihre Urteilsentscheidung in Fällen, die tatsächlich menschliche Eingabe benötigen. Sie lernt die Organisation im Laufe der Zeit – die Geschäftsprozesse, die Ausnahmen, die Dinge, die technisch gesehen ein Verstoß sind, aber operativ normal sind.

Was wirklich autonome Sicherheitsoperationen angeht – wir sind näher dran, als die meisten Menschen denken, aber ich möchte präzise sein, was das bedeutet. Melody operiert bereits autonom in der Untersuchungsphase. Sie nimmt rohe Signale und produziert vollständig untersuchte, kontextualisierte Urteile ohne menschliche Beteiligung. Für Szenarien mit hoher Zuverlässigkeit und hohem Risiko kann sie auch präventive Maßnahmen autonom ergreifen – eine Exfiltration blockieren, bevor sie abgeschlossen ist.

Der Mensch bleibt in der Schleife für Urteilsentscheidungen und für den menschlichen Lernprozess. Und das ist beabsichtigt. Das Ziel ist nicht, Menschen aus der Sicherheit zu entfernen, sondern die langweilige, repetitive Arbeit zu entfernen, die sie ausbrennt, und sie auf die Entscheidungen konzentrieren zu lassen, die tatsächlich menschliches Urteilsvermögen erfordern. Das ist, wo wir heute sind, und es verändert bereits, wie unsere Kunden ihre Programme durchführen.

Aus produktspezifischer und ingenieurtechnischer Sicht – welche waren die schwierigsten technischen Herausforderungen beim Aufbau einer AI-nativen DLP-Plattform von Grund auf anstelle von Iterationen über bestehende Architekturen?

Der härteste Teil war, der Versuchung zu widerstehen, Abkürzungen zu nehmen.

Wenn Sie von Grund auf beginnen, gibt es immer Druck, Teile der alten Architektur zu übernehmen, weil sie bewährt und schnell sind und mehr mit den bestehenden Kunden-Erwartungen übereinstimmen. Aber jedes Mal, wenn Sie das tun, erben Sie die Einschränkungen des alten Modells. Wir haben uns entschieden, zu den Grundlagen zurückzukehren – die grundlegenden physikalischen Probleme zu überdenken und neu aufzubauen.

Der Endpoint-Agent war eine der größten Herausforderungen. Wir mussten das Signals-Sammlungs-Problem neu denken und genug Kontext erreichen, ohne den bewährten Weg der Legacy-Signale zu gehen, während wir gleichzeitig den Einfluss auf die Systemleistung niedrig hielten. Den Aufbau über alle Betriebssysteme hinweg war ein ernsthafter Ingenieur-Einsatz. Wir endeten mit einem patentierten Ansatz, der uns eine Sichtbarkeit gibt, die niemand anders hat.

Das Multi-Agenten-KI-System war eine weitere große Herausforderung. Es war nicht einfach, mehrere spezialisierte KI-Agenten zu bekommen, die dieselbe Transaktion aus verschiedenen Perspektiven analysieren und dann auf eine kohärente, genaue Erzählung konvergieren. Es ist nicht nur, ein LLM auf einen Daten-Feed zu werfen. Die Orchestrierungsebene, die Art und Weise, wie Agenten Kontext teilen, die Art und Weise, wie sie widersprüchliche Signale auflösen – das ist, wo der größte Teil der Herausforderung liegt.

Und dann der natürliche Sprach-Policy-Engine. Die Übersetzung von menschlicher Sprache-Beschreibungen dessen, was akzeptabel und was nicht ist, in etwas, das eine KI zuverlässig auf Tausende von Randfällen anwenden kann – das ist ein grundlegend hartes Problem. Tägliche Geschäftspraktiken weichen oft massiv von geschriebenen Richtlinien ab. Das System muss diese Lücke überbrücken, und es muss richtig sein, weil die Konsequenzen eines Fehlers in DLP ernst sind.

Wir haben uns für jedes dieser harten Probleme bewusst entschieden, weil sie die Differenz zwischen einem inkrementell besseren DLP und etwas grundlegend Neuem ausmachen.

In jeder dieser Herausforderungen und vielen mehr gibt es immer noch offene Hindernisse zu überwinden, und es gibt einzigartige Problemmengen für das richtige Talent, um sie anzugehen. DLP gut zu lösen ist eine wirklich nachdenkenswerte und verlockende Reise.

Jazz wurde als Gewinner des 2026 Cybersecurity Startup Accelerator ausgewählt, der von CrowdStrike (CRWD ), AWS und NVIDIA unterstützt wird. Was hat diese Erfahrung über Ihren Ansatz validiert, und wie hat sie Ihren Roadmap für die Zukunft beeinflusst?

Tausend Start-ups haben sich beworben. Sechs haben es in die Finalrunde geschafft. Wir haben gewonnen.

Ich werde ehrlich sein, der Moment bevor Sie auf diese Bühne treten, erinnert Sie daran, was alles schiefgehen könnte. Und dann beginnen Sie, über das Problem zu sprechen, an dem wir gearbeitet haben, und alles wird still. Jede späte Nacht, in der wir überlegt haben, wie Melody funktionieren sollte, jede harte architektonische Entscheidung, jedes Kunden-Gespräch, das das Produkt geformt hat, all dies komprimierte sich in diese Minuten.

Die Richter, George Kurtz, CJ Moses, Bartley Richardson und der legendäre Hai, Robert Herjavec, sie sahen es. Sie hoben das agente-Untersuchungsmodell hervor sowie unsere schnelle Kunden-Adoption. Für uns zählte die Validierung der Branche mehr als der Pokal. Diese sind Menschen, die Sicherheitsprogramme auf höchstem Niveau aufgebaut und durchgeführt haben, und sie erkannten, dass das, was wir tun, grundlegend anders ist als das, was zuvor versucht wurde – und dass unsere Traktion für sich selbst spricht.

In Bezug auf den Roadmap hat der Accelerator bestätigt, was unsere Kunden uns bereits gesagt haben – der Markt ist bereit dafür, und sie wollen, dass wir schnell vorankommen. Wir verdoppeln unsere Anstrengungen, um die Fähigkeiten des Ermittlers zu erweitern und das Produkt so vielen Sicherheitsteams wie möglich vorzustellen.

Blicken Sie in die Zukunft – glauben Sie, dass DLP in ein vollständig autonomes, agentengetriebenes System evolviert, und wie sieht die langfristige Zukunft der Datensicherheit in einem AI-nativen Unternehmen aus?

Ich glaube, dass DLP in Stufen vollständig autonom wird. Die Untersuchungsebene ist bereits da – Melody tut das heute. Prävention für Szenarien mit hoher Zuverlässigkeit passiert jetzt. Im Laufe der Zeit wird das System cleverer über die Organisation, lernt ihre Workflows, versteht ihre Menschen, und die Oberfläche, die tatsächlich menschliche Urteilsfähigkeit erfordert, schrumpft.

Aber ich möchte klarstellen – “autonom” bedeutet nicht “unbeaufsichtigt.” Es bedeutet, dass das System die Arbeit erledigt, die Menschen nicht erledigen sollten, damit sie sich auf die Entscheidungen konzentrieren können, die wirklich zählen. Der CISO der Zukunft ertrinkt nicht in Warnungen. Er überprüft strategische Risikobewertungen von einer KI, die ihr Geschäft so tief versteht wie ihr bester Analyst. Er unternimmt chirurgische Maßnahmen, die für seine Organisation relevant sind, basierend auf aggregierten Erkenntnissen über ihr aktives Daten-Verlust-Landschaft und nicht auf Vermutungen. Dies ermöglicht es ihm, Daten-Risiken zu reduzieren, ohne sein Geschäft zu verlangsamen.

Das größere Bild ist dies: In einem AI-nativen Unternehmen bewegen sich Daten schneller, durch mehr Kanäle, in mehr komplexen Weisen, als jedes menschliche Team verfolgen kann. Die Organisationen, die gewinnen werden, sind diejenigen, deren Sicherheitssysteme Kontext mit der Geschwindigkeit von KI verstehen können, nicht diejenigen, die immer noch Regex-Regeln schreiben und das Beste hoffen.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Jazz besuchen.