Interviews
Omer Bachar, Mitgründer und CEO von Vetric – Interview-Serie

Wichtige PunkteBootstrapping zwang Vetric dazu, die Zuverlässigkeit der Infrastruktur über ein…
Mehr anzeigen
- Bootstrapping zwang Vetric dazu, die Zuverlässigkeit der Infrastruktur über ein Wachstum um jeden Preis zu priorisieren.
- Erkennungsmodelle sind nutzlos ohne eine skalierbare öffentliche Dateninfrastruktur, die sie mit Echtzeit-Bedrohungen versorgt.
- Deepfake-as-a-Service ist bereits auf der kostenlosen Stufe mit Open-Source-Tools kommodifiziert.
Omer Bachar, Mitgründer und CEO von Vetric, ist ein israelischer Unternehmer und ein auf Open-Source-Intelligence (OSINT) fokussierter Technologieführer, der seine Karriere um die Lösung komplexer Daten- und Intelligenzherausforderungen aufgebaut hat. Bevor er Vetric 2022 gründete, entwickelte und vermarktete Bachar als Teenager mehrere Web-Unternehmen und sammelte Erfahrungen in Web-Entwicklung, SEO, Traffic-Monatisierung und skalierbaren digitalen Betrieben. Später diente er in den Israelischen Verteidigungskräften, wo er die Militärpolizei-Operationen durch Automatisierung, KI, Data-Mining und agile Methoden modernisierte, während er Teams und Produktinitiativen leitete. Nach einem früheren gescheiterten Startup und einer intensiven Forschungsphase in Thailand mit seinen Mitgründern startete Bachar Vetric mit dem Fokus auf Infrastruktur anstelle von Risikokapital, wuchs das Unternehmen bootstrapped, während er Organisationen diente, die auf skalierbaren Zugang zu öffentlichen Web-Daten angewiesen sind. Seine Arbeit konzentriert sich auf WEBINT, OSINT, Datenverkehr, digitale Bedrohungsintelligenz, insbesondere in Bereichen, die mit Identitätsdiebstahl, Betrug und Deepfake-bezogenen Risiken zusammenhängen.
Vetric ist ein Dateninfrastruktur-Unternehmen, das Organisationen hilft, öffentliche Web-Daten im großen Maßstab zu sammeln, zu verarbeiten und zu betreiben. Das Unternehmen positioniert sich als vertrauenswürdige Infrastruktur-Ebene für Vertrauens-, Sicherheits-, Cybersicherheits- und Intelligenz-Teams, die zuverlässigen, Echtzeit-Zugang zu offenen Web-Informationen benötigen. Anstatt eine Verbraucher-Plattform aufzubauen, konzentriert sich Vetric auf verwaltete APIs und flexible Daten-Pipelines, die darauf ausgelegt sind, die große Skalierung öffentlicher Daten-Sammlung in ständig wechselnden Online-Umgebungen zu vereinfachen. Das Unternehmen hat einen “Daten für Gutes” -Ansatz betont, indem es Organisationen unterstützt, die Identitätsdiebstahl-Kampagnen, Deepfakes, Betrügereien und andere digitale Bedrohungen identifizieren. Laut dem Unternehmen ist es von einem kleinen Gründungsteam zu einem schnell wachsenden Betrieb gewachsen, der über 100 Organisationen weltweit bedient, während es sich auf skalierbare Infrastruktur und Betriebszuverlässigkeit konzentriert.
Sie haben als Teenager Internet-Unternehmen aufgebaut, später die israelische Militärpolizei mit KI- und OSINT-Tools modernisiert und schließlich Vetric.io gegründet, nachdem Sie Monate in Thailand mit der Erforschung von Problemen verbracht haben. Wie haben diese Erfahrungen Ihre Überzeugung geprägt, dass Dateninfrastruktur, nicht nur Erkennungsmodelle, zum eigentlichen Schlachtfeld im Kampf gegen Deepfakes und digitale Identitätsdiebstahl werden?
Der rote Faden durch alle drei Kapitel war derselbe: Jedes Problem, das ich für ein Erkennungsproblem hielt, entpuppte sich als Datenproblem, wenn man eine Ebene tiefer ging.
Als Teenager, der Schwachstellen fand, war das harte Teil nie der Ausnutzung – es war der Aufbau der Infrastruktur, um die richtigen Ziele im großen Maßstab zu finden. In der Militärpolizei war OSINT die Lücke, an der niemand arbeitete. Kriminelle hinterließen Beweise überall im offenen Web, in aller Öffentlichkeit, und wir hatten fast keine systematische Möglichkeit, sie zu erreichen. Dann in Thailand verbrachten wir Monate damit, mit Verteidigungsagenturen, Bedrohungs-Intelligenz-Teams, Markenschutz-Anbietern, Betrugs-Teams zu sprechen. Überall dasselbe Muster. Jeder wollte Erkenntnisse.
Das war der Moment, in dem es klickte. Erkennungsmodelle sind nur so gut wie die Daten, die Sie ihnen füttern. Wenn Sie den Deepfake nicht sehen können, sobald er im offenen Web erscheint, ist Ihr Erkennungsmodell irrelevant. Das Schlachtfeld ist nicht, ob Ihr Modell ein synthetisches Gesicht in einem Benchmark erkennen kann – es ist, ob Sie Einblick in die Oberfläche haben, auf der der Angriff tatsächlich stattfindet. Öffentliche Dateninfrastruktur ist der Teil, den niemand aufbauen möchte, weil es schwer und unglamourös ist, aber ohne sie ist der Rest des Stacks Theater.
Sie haben argumentiert, dass das Deepfake-Problem sich in den letzten 18 Monaten grundlegend geändert hat. Welche spezifischen technologischen Verschiebungen machen heute künstlich erzeugten Betrug gefährlicher als frühere Wellen von Betrugs- und Identitätsdiebstahl-Angriffen?
Drei Dinge haben sich gleichzeitig geändert, und die Kombination ist es, was dies anders macht.
Erstens wurden multimodale Modelle gut genug, um überzeugende Videos, Stimmen und Texte aus dem gleichen Prompt in Minuten zu generieren. Was früher ein kleines Team und einige Wochen erforderte, benötigt heute eine Person und einen Kaffee.
Zweitens sank die Kosten durch die Decke. Eine hochwertige Stimmen-Klonierung einer öffentlichen Figur erforderte früher einen ernsthaften GPU-Budget. Heute läuft es auf Consumer-Hardware oder einem 20-Dollar-pro-Monat-SaaS-Abonnement. Die Kosten sind kein Hindernis mehr.
Drittens – und das ist der unterbewertete Teil – hat sich die Verteilungsebene angepasst. Die Fälschungen sitzen nicht mehr auf einem obskuren Forum und warten darauf, entdeckt zu werden. Sie leben im offenen Web, in den gleichen öffentlichen Quellen, die Ihre Kunden und Mitarbeiter Dutzende Male pro Tag konsumieren, oft mit bezahlter Verstärkung oben drauf. Ein gefälschtes Video reist genauso schnell wie alles andere im öffentlichen Internet.
Früher musste ein Angreifer zwischen Qualität, Geschwindigkeit, Skalierbarkeit und Reichweite wählen. Jetzt kann er alle vier für unter 100 Dollar haben. Die Asymmetrie zwischen dem, was es kostet, eine überzeugende Fälschung herzustellen, und dem, was es einer Unternehmung kostet, sie zu erkennen, zuzuschreiben und darauf zu reagieren, ist größer als je zuvor. Das ist die Verschiebung.
Die meisten öffentlichen Diskussionen über Deepfakes konzentrieren sich immer noch auf Erkennungs-Software. Warum glauben Sie, dass zuverlässige, groß angelegte öffentliche Dateninfrastruktur jetzt genauso wichtig ist wie die KI-Modelle selbst?
Weil ein Erkennungsmodell, das die Bedrohung nicht sehen kann, ein Forschungsprojekt ist, nicht eine Verteidigung.
Die meisten Deepfake-Gespräche konzentrieren sich darauf, ob das Modell ein synthetisches Gesicht von einem echten in einem kontrollierten Benchmark unterscheiden kann. Das ist der Grundstein. Das operative Problem ist das schwierigere: Ein Marken-Identitätsdiebstahl-Video wird um 3 Uhr morgens hochgeladen, erhält 200.000 Aufrufe, bevor jemand es bemerkt, und Ihre Erkennungspipeline muss dieses Inhalt in Echtzeit empfangen, zuordnen und eine Reaktion auslösen. Wenn Sie keine stabile, skalierbare Möglichkeit haben, öffentliche Daten aus dem offenen Web zu sammeln – den Orten, an denen Identitätsdiebstahl und Betrug tatsächlich stattfinden -, haben Sie nichts, auf dem Sie Ihr Erkennungsmodell ausführen können.
Es gibt einen verwandten Punkt, den wir kürzlich in einem Artikel über den Anodot-Lieferketten-Brechern ansprachen. Unternehmen beginnen zu erkennen, dass die Sicherheitslage ihrer Datenlieferanten ihre eigene Sicherheitslage ist. Die gleiche Erkenntnis kommt für KI: Die Zuverlässigkeit Ihres Erkennungs-Stacks ist die Zuverlässigkeit Ihrer Daten-Pipeline. Modelle erhalten die Presse. Infrastruktur erledigt die Arbeit. Diese beiden als separate Budget-Linien zu behandeln, ist ein Fehler, den der Markt bald nicht mehr machen wird.
Vetric wuchs zu erheblicher Größe ohne externe Finanzierung, während es Unternehmen und intelligenzbezogene Organisationen bediente. Wie hat die Bootstrapping die Art und Weise beeinflusst, wie Sie das Unternehmen aufgebaut und Infrastruktur-Zuverlässigkeit gegenüber Wachstum-um-jeden-Preis-Expansion priorisiert haben?
Bootstrapping zwingt zu einer Art von Kundenbesessenheit, die von finanzierten Unternehmen vermieden werden kann. Wir glauben immer daran, Wert zu liefern, bevor wir schnell wachsen – und für uns ist das keine Devise, sondern eine finanzielle Realität.
Jeder Dollar auf unserem Bankkonto ist einer, den ein Kunde uns im Austausch für etwas gegeben hat, das funktioniert. Wir haben keine 50-Millionen-Dollar-Polster, um die Lücke zwischen einem Produkt, das fast funktioniert, und einem, das es tut, zu überbrücken.
Das ändert jede Entscheidung, die das Unternehmen trifft. Es hat unsere Architektur genauso geprägt wie unseren Roadmap. Unsere Kunden, Intelligenzagenturen, digitale Risikoschutz-Teams, öffentliche Sicherheitsteams, Bedrohungs-Intelligenz-Plattformen, wollen nicht nur ein Produkt, das funktioniert.
Das ist auch der Grund, warum wir die Vertrauensgrenze so gezogen haben. Wir drücken Daten an Kunden; wir ziehen keine Daten von ihnen. Wir halten keine langfristigen Anmeldeinformationen in einem Kunden-Cloud-System. Wenn Kunden Lieferung in ihre eigene AWS wollen, verwenden wir eingeschränkte, schreibgeschützte IAM-Rollen mit externen IDs – das AWS-empfohlene Muster, das speziell dafür entwickelt wurde, um den Art von Vendor-as-Attack-Vector-Brechern zu verhindern, der gerade die Anodot-Kunden getroffen hat.
Deepfake-as-a-Service-Plattformen senken die Einstiegshürde für Angreifer. Nähern wir uns einem Punkt, an dem hochentwickelte Betrugsfähigkeiten vollständig kommerzialisiert und für fast jeden zugänglich werden?
Wir sind bereits da, wenn es um die grundlegenden Fähigkeiten geht – und nicht nur auf der kostenpflichtigen Ebene, sondern auch auf der kostenlosen Ebene. Wir sind 12 bis 18 Monate von den komplexeren entfernt. Schauen Sie sich an, was derzeit öffentlich verfügbar ist. Modelle wie Sora erzeugen überzeugende Videos aus einem Text-Prompt. Open-Source-Gesichts-Austausch-Projekte auf GitHub nehmen jedes Referenzbild und setzen das Gesicht in ein Video, und die Ergebnisse sehen wirklich gut aus – keine Spezialfähigkeiten erforderlich, keine Zahlung, kein Untergrund-Markt.
Die Hürde für die Erstellung einer hochwertigen Fälschung ist ein kostenloser Download und ein Nachmittag der Experimentierung. Es gibt auch kostenpflichtige Dienste, die eine Turnkey-Workflow um die gleichen Arten von Modellen für Menschen anbieten, die nichts installieren möchten, aber die Open-Source-Ebene ist die wahre Geschichte, weil sie die ist, die man nicht auspreisen kann. Die Person, die es bedient, muss die zugrunde liegende Technologie nicht mehr verstehen als jemand, der ein Phishing-Kit bedient, SMTP zu verstehen.
Was als Nächstes kommt, ist die vorlagenbasierte, Kampagne-in-einer-Box-Ebene – vorgefertigte Identitätsdiebstahl-Kit für bestimmte Marken, bestimmte Führungskräfte, bestimmte Wahlzyklen, mit synthetischen Medien, gefälschten Konten, Verteilungsplan und Zielgruppe zusammen. Sobald das existiert, sinkt die Grenzkosten für den Betrieb eines Identitätsdiebstahl-Angriffs auf etwa die Kosten für den Betrieb einer bezahlten Anzeige. Die Implikation für Verteidiger ist unangenehm. Man kann nicht länger annehmen, dass der Angreifer sophisticated oder gut ausgestattet ist. Der Angreifer ist jeder mit einem Laptop und einem Groll. Das ändert die Menge und die Vielfalt der Bedrohungen um eine Größenordnung und definiert neu, was “glaubwürdige Bedrohung” für jede Marke, jeden Führungskräfte oder jede öffentliche Figur mit Internet-Präsenz bedeutet.
Viele Unternehmen verlassen sich immer noch auf fragmentierte Überwachungssysteme und verzögerte Bedrohungs-Intelligenz. Welche sind die größten Schwächen, die Sie in der Art und Weise sehen, wie Organisationen derzeit öffentliche Web-Daten im Zusammenhang mit Identitätsdiebstahl und Betrug sammeln und verarbeiten?
Einige Schwächen kommen in Kunden-Gesprächen immer wieder vor. Die erste ist Fragmentierung. Die meisten Unternehmen betreiben ein Tool für Marken-Überwachung, ein anderes für Führungskräfte-Schutz, ein anderes für Betrug und ein anderes für Sicherheits-Operationen. Jedes zieht von verschiedenen Quellen mit unterschiedlicher Abdeckung, unterschiedlicher Latenz und unterschiedlichen blinden Flecken.
Wenn eine Identitätsdiebstahl-Kampagne über mehrere Ecken des offenen Webs gleichzeitig bricht, sind die Nähte zwischen diesen Tools genau dort, wo der Angreifer sich versteckt. Und unter dieser Fragmentierung liegt ein tieferes Problem: Die meisten dieser Tools optimieren für die Takedown. Das Entfernen des gefälschten Profils ist notwendig, aber allein ist es ein Whac-a-Mole-Spiel – ein anderes erscheint am nächsten Tag. Die Teams, die echte Vorteile erzielen, sind diejenigen, die sich auf Ermittlungen konzentrieren: Verbinden Sie die Punkte zwischen Konten, Infrastruktur und Kampagnen, damit Sie das Netzwerk hinter dem Identitätsdiebstahl auseinandernehmen, anstatt auf eine URL nach der anderen zu schlagen.
Die zweite ist die Abhängigkeit von Middleware, die tiefen Zugang zu Kunden-Systemen benötigt. Das ist das strukturelle Problem, über das wir im Zusammenhang mit dem Anodot-Brechern schrieben – Anbieter, die OAuth oder API-Schlüssel in Ihre Cloud benötigen, werden zu einzelnen Punkten des Versagens für jeden, der nachgelagert ist. SOC 2 wird Sie nicht vor diesem schützen. Die Architektur hat entweder den Blast-Radius oder nicht.
Die dritte ist Latenz. Viele der sogenannten “Echtzeit-Bedrohungs-Intelligenz” haben tatsächlich eine Verzögerung von vier bis 24 Stunden, weil die zugrunde liegende Sammlung batch-orientiert ist. Für Identitätsdiebstahl und Betrug ist das eine Ewigkeit. Bis der Alarm ausgelöst wird, ist die Kampagne bereits abgelaufen.
Die vierte ist die Fehlallokation zwischen Erkennungs-Abdeckung und Analyse-Fähigkeiten. Unternehmen investieren in Tools, die synthetischen oder verdächtigen Inhalt flaggen, aber sie unterinvestieren in die Abdeckung, um tatsächlich zu sehen, was über sie im offenen Web gepostet wird, und in die Analyse-Fähigkeiten, um Sinn aus dem zu machen, was sie sehen – wer dahinter steckt, wie die Konten miteinander verbunden sind, welche Infrastruktur sie teilen. Flaggen ist ein Schritt; Abdeckung und Analyse sind das, was ein Flag in Aktion umwandelt. Das ist wie das Kaufen eines guten Rauchmelders und das Vergessen, ihn anzuschließen.
Sie haben von der Verarbeitung von Milliarden öffentlicher Datenpunkte pro Monat gesprochen. Welche technischen Herausforderungen entstehen, wenn man versucht, Echtzeit-Infrastruktur aufzubauen, die in der Lage ist, KI-getriebene Bedrohungen im Internet-Maßstab zu identifizieren?
Die harten Probleme sind nicht die, die die meisten Menschen erwarten. Das erste, was zu sagen ist, ist, dass der Aufbau dieser Art von Infrastruktur nicht das harte Teil ist – ihr Unterhalt ist. Sie bauen eine Pipeline wie unsere nicht einmal auf und gehen dann weg. Sie benötigen ein ganzes Team, dessen Job es ist, sie am Leben zu halten, und das ist das Team, das wir aufgebaut haben. Die öffentlichen Quellen, von denen wir sammeln, ändern sich ständig, und jede einzelne von ihnen kann still und leise einen Sammler brechen. Der größte Teil des Ingenieursbemühungen über die Lebensdauer eines Produkts wie diesem geht in die Wartung, nicht in die Neuentwicklung.
Die zweite ist, dass Skalierung ein Laufband ist. Sie verbessern die Pipeline, Sie drücken sie härter, und an einem bestimmten Punkt wird die Skalierung zu viel für das, was Sie aufgebaut haben, und die Dinge beginnen zu schwanken. Dann bauen Sie diese Ebene neu auf – manchmal von Grund auf – für die nächste Ebene. Dieser Zyklus endet nie wirklich. Jede Größenordnung in Volumen ist effektiv ein anderes System, auch wenn es von außen wie das gleiche Produkt aussieht.
Die dritte ist die Betriebszeit, was langweilig klingt, bis man sich daran erinnert, wer unsere Kunden sind. Einige von ihnen verwenden unsere Daten, um terroristische Angriffe zu verhindern. Echtzeit bedeutet, dass Sie keine Gnadenfrist erhalten. Dinge werden brechen – sie brechen immer – und was zählt, ist, dass sie die restliche Zeit über in Betrieb sind und so schnell wie menschlich möglich repariert werden, wenn sie nicht in Betrieb sind. Wir haben die On-Call-Postur, die Alarmierung und die Redundanz um diese Realität herum konzipiert, nicht um eine generische SaaS-Betriebszeit.
Wenn synthetische Medien überzeugender werden, glauben Sie, dass die Gesellschaft auf eine umfassende “Vertrauenskrise” zusteuert, in der die Menschen beginnen, legitime Audio-, Video- und Kommunikationen standardmäßig anzuzweifeln?
Näher, als die Menschen zugeben wollen. Aber ich denke nicht, dass es in einem Zusammenbruch endet – ich denke, es endet in einem anderen Gleichgewicht.
Die naive Version der Vertrauenskrise sagt: Niemand wird irgendein Audio oder Video glauben, und die öffentliche Sphäre bricht zusammen. Ich denke nicht, dass das, wo dies hinführt. Menschen sind erstaunlich anpassungsfähig in epistemischen Umgebungen. Wir haben gelernt, Zeitungen mit Skepsis zu lesen, dann Fernsehen, dann das Web. Wir werden lernen, KI-generierte Medien mit Skepsis zu lesen.
Was ich denke, dass wir sehen werden, ist eine Verschiebung dessen, was als Beweis gilt. Rohes Video und Audio werden schwächere Formen des Beweises; Herkunft, kryptographische Signierung, Chain-of-Custody und Identitäts-Verifizierung werden stärkere werden. Die Institutionen, die herausfinden, wie sie ihre eigenen Kommunikationen glaubwürdig verifizieren – Banken, Regierungen, Nachrichtenorganisationen -, werden voranschreiten. Diejenigen, die es nicht tun, werden in die Irre geführt.
Das gefährliche Intervall ist das mittlere, die nächsten zwei bis drei Jahre, in denen die Fälschungen überzeugender werden, als die Verifizierungsebene bereitgestellt wird. Das ist das Fenster, in dem der Schaden entsteht, und das ist das Fenster, das wir unseren Kunden die Sicht geben, um zu überleben.
Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Vetric besuchen.












