Rohan Sathe, Co-Founder & CEO von Nightfall – Interview-Serie

In den Anfangstagen wollten wir maschinelles Lernen nutzen, um sensible Daten zu entdecken und zu schützen, wo immer sie in Cloud-Apps und modernen Workflows leben. Als wir 2019 aus der Stealth-Phase herauskamen, positionierten wir uns als cloud-nativer, ML-basierter SaaS-DLP-Lösung mit der Vision, die “Steuerungsebene für Cloud-Daten” aufzubauen. Als wir uns über SaaS hinaus auf Datenexfiltration über Endgeräte und generative künstliche Intelligenz ausdehnten, wurde “AI-nativer DLP” unser Oberbegriff.

Bevor Sie Nightfall gründeten, waren Sie ein Gründungsingenieur bei Uber Eats, wo Sie hautnah miterlebten, wie Daten über SaaS- und Cloud-Tools verbreitet wurden. Wie haben Ihre Erfahrungen dort Ihre Perspektive auf Datensicherheit geprägt, und welche spezifischen Momente oder Herausforderungen haben die Idee für Nightfall ausgelöst?

Bei Uber Eats leitete ich Backend-Teams und baute maschinelle Lernservices wie ETA-Vorhersage und Nachfrageprognose. Wir hatten es mit petabytegroßen Datenmengen zu tun, die über viele verschiedene Systeme verteilt waren, was ein Umfeld schafft, in dem sensible Informationen schnell und oft unsichtbar verbreitet werden können. Diese Erfahrung, kombiniert mit dem, was die gesamte Branche aus Vorfällen wie dem Uber-Datenschutzverstoß 2016 gelernt hat – bei dem Angreifer aufgrund von in Code auf GitHub veröffentlichten Anmeldedaten auf AWS-Daten zugreifen konnten –, hat wirklich die Kombination aus Datenverbreitung, Anmeldedaten und Cloud-Infrastruktur als außergewöhnliches Risiko ohne bessere Erkennung und Schutzmaßnahmen hervorgehoben. Diese Realitäten haben Nightfalls Fokus auf kontextbewusste Entdeckung und Prävention von Anfang an geprägt.

Nightfall wurde 2019 mit Series-A-Finanzierung öffentlich vorgestellt. Können Sie uns durch die frühe Reise von der Stealth-Phase bis zur Markteinführung führen, einschließlich wichtiger Wendepunkte?

Wir operierten etwa ein Jahr in der Stealth-Phase, dann starteten wir offiziell am 7. November 2019 mit 20,3 Millionen Dollar Finanzierung, angeführt von Bain Capital Ventures und Venrock. Die frühen Wendepunkte drehten sich wirklich um den Aufbau umfassender SaaS-Integrationen und die Entwicklung höherer Genauigkeit bei der ML-basierten Inhaltsklassifizierung, um die falschen Positivergebnisse zu reduzieren, die herkömmliche DLP-Lösungen plagten.

Schatten-AI bezieht sich auf die unüberwachte Nutzung von Tools wie ChatGPT, Gemini und Copilot am Arbeitsplatz, was oft zu unsichtbaren Datenlecks führt. Wie definieren Sie Schatten-AI, und warum ist sie für moderne Organisationen ein wachsendes Anliegen?

Wir definieren Schatten-AI als die nicht genehmigte oder unüberwachte Nutzung von AI-Tools durch Mitarbeiter – zum Beispiel das Einfügen von Quellcode oder Kundendaten in Chatbots –, was Expositionsrisiken außerhalb der IT-Regierung schafft. Diese Definition stimmt mit dem überein, was wir von anderen Branchenakteuren wie IBM und Splunk sehen. Schatten-AI ist im Wesentlichen AI, die ohne Genehmigung oder Aufsicht verwendet wird, was Blindstellen und potenzielle Datenexfiltrationsrisiken einführt. Die Kombination aus einfach zu bedienenden Generativen AI-Anwendungen und dem Mangel an angemessenen Kontrollen ist der Grund, warum dieses Problem so schnell wächst.

Sie haben mehrere Möglichkeiten beschrieben, wie Nightfalls Ansatz für Schatten-AI sich von traditionellem DLP unterscheidet. Welche dieser Funktionen – ob kontextbewusste Überwachung, Datenlinie oder Echtzeit-Blockierung – hat sich für Ihre Kunden als am meisten wirksam erwiesen?

Von dem, was wir von unseren Kunden hören, gibt es wirklich zwei Haupthebel, die den größten Unterschied machen. Erstens sind es die vorherigen Kontrollen – also das Abfangen sensibler Inhalte, bevor sie an AI-Tools gesendet oder im Internet veröffentlicht werden. Zweitens ist es unsere AI-natürliche Erkennung, die über herkömmliches Mustererkennen hinausgeht, um Datenlinie und Kontext zu verstehen.

Was wirklich leistungsstark ist, ist unsere Rauschreduzierung durch kontinuierliches Lernen. Unser System versteht Inhalte und Dateilinien, lernt von Benutzerannotierungen und -aktionen und identifiziert sichere Workflows, um geringes Risikoaktivitäten zu unterdrücken. Dies reduziert im Vergleich zu herkömmlichen DLP-Lösungen die falschen Positivergebnisse dramatisch. Wir führen auch Echtzeit-Bedrohungserkennung und Risikopriorisierung mit LLMs, Transformern und Computer-Vision durch, mit benutzerdefinierten Datei- und Sensibilitätsklassifizierungen, die die Bewegung von geistigem Eigentum und hochwertigen Dokumenten, die weit über einfache Regeln basierte Entitätsdetektion hinausgehen, aufdecken können. Unsere Kunden sagen uns, dass sie diese Transformation von Alarmmüdigkeit zu fokussierten, hochwertigen Sicherheitsmaßnahmen sehen.

Wie verhindert Nightfalls browserbasiertes und endpoint-natives Erkennungssystem Datenlecks, bevor sie passieren, und wie unterscheidet sich das von herkömmlichen DLP-Systemen, die nur nach der Übermittlung erkennen?

Unser Browser-Add-on und unsere Endpoint-Agents scannen Prompts und Dateien, bevor sie übermittelt werden. Wir können riskante Inhalte in Echtzeit schwärzen oder blockieren – also bevor ein ChatGPT-Prompt beispielsweise gesendet wird. Wir verfolgen auch die Herkunft, damit Sicherheitsteams wissen, ob eine Datei aus einem Unternehmenssystem stammt. Wir werden auf macOS und Windows mit Chrome- und Firefox-Add-ons bereitgestellt, die diese vorherige Redaktion und Upload-Blockierungsfunktion bieten. Dies ist ein ziemlich krasser Kontrast zu herkömmlichem DLP, das hauptsächlich auf nachträgliche Erkennung ausgerichtet ist.

Nightfall hat sich seit seiner Gründung erheblich ausgedehnt. Wie haben sich die Sicherheitsbedürfnisse von Unternehmen im Laufe der Zeit entwickelt, und wie hat sich Ihr Produkt entsprechend angepasst?

Das Landschaftsbild hat sich wirklich dramatisch verändert. Wir begannen mit SaaS-Scans – denken Sie an Slack und Google Drive – um 2020-2021. Dann wurden generative AI-Schutzmaßnahmen ab 2023 kritisch, und jetzt sehen wir ein dringendes Bedürfnis nach autonomen, intelligenten Bedrohungsschutzmaßnahmen, die mit dem Wachstum der Organisation skalieren können.

Sicherheitsoperationsteams kämpfen mit zunehmend komplexen Tools, herkömmlichem Mustererkennen, ständiger manueller Richtlinienanpassung und überwältigender Alarmmüdigkeit. Diese Probleme verlangsamen Untersuchungen, erhöhen den Aufwand und verringern die Sicherheitswirksamkeit. Die Evolution unseres Produkts hat diesem Wandel von reaktiven, manuellen Operationen zu proaktiver, intelligenter Automatisierung gefolgt. Wir haben 2023 die Abdeckung generativer künstlicher Intelligenz bekannt gegeben, uns 2024 auf Exfiltrationsverhinderung, Verschlüsselung und E-Mail-Schutz ausgedehnt, und jetzt führen wir mit Nyx, was wir als die nächste Ära der agierenden künstlichen Intelligenz im Datenschutz betrachten, ein – die Umwandlung von Alarmmüdigkeit in fokussierte, hochwertige Sicherheitsmaßnahmen über SaaS, Endgeräte und AI-Tools hinweg.

Sie haben kürzlich Nightfall Nyx vorgestellt, das Sie als erste autonome AI-nativer DLP-Plattform bezeichnen. Was macht es autonom, und welche Probleme löst es für Sicherheitsteams?

Nightfalls AI-Erkennungsplattform liefert bereits hochgenaue, geringgeräuschte Ergebnisse – 95% Präzision im Vergleich zu den 5-30%, die herkömmliche Regex- oder regelbasierte DLP-Lösungen typischerweise erreichen. Auf dieser Grundlage ist Nyx die künstliche Intelligenzschicht, die Sicherheitsteams bei der Untersuchung, Korrelation und Risikoverständnis hilft.

Selbst nachdem das Rauschen verschwunden ist, beginnt die eigentliche Arbeit. In großen Organisationen können Sicherheitsoperationsteams immer noch hunderte legitime Warnungen pro Tag erhalten. Das Durchforsten dieser Warnungen, um genehmigte Workflows von riskanten Datenhygieneproblemen oder Insider-Bedrohungen zu trennen, kann Stunden in Anspruch nehmen. Nyx übernimmt diese investigative Arbeit – beschleunigt die Analyse, damit Teams sich auf Maßnahmen konzentrieren können, anstatt nach Warnungen zu suchen und zu sortieren.

Nyx verbindet die Punkte über Exfiltrationsereignisse – Benutzer, Domänen, Geräte, Datentypen, Dateinamen und mehr – und bringt Muster sofort ans Licht. Durch ihre natürliche Sprachoberfläche können Analysten auf Muster reagieren, Ergebnisse untersuchen, Berichte erstellen und empfohlene Maßnahmen in Sekunden erhalten. Aufgaben, die früher zwei Stunden dauerten, können jetzt in unter zwei Minuten erledigt werden – ein echter Zeitersparnis-Game-Changer.

Da die Nutzung generativer künstlicher Intelligenz in der Arbeitswelt explodiert und Sicherheitsteams Schwierigkeiten haben, Schritt zu halten, glauben Sie, dass Tools wie Nightfall zu einer Standardsteuerungsebene für Unternehmensumgebungen werden?

Ich denke, der Trend darauf hindeutet. Wir sehen umfassende Pläne für die Einführung generativer künstlicher Intelligenz in Unternehmen, und große Plattformen wie Microsoft (MSFT ) Entra Internet Access rollen Inline-, vorherige Kontrollen für generative künstliche Intelligenz-Verkehr aus. Wenn man dies mit dem Branchenconsens über Schatten-AI-Risiken paart, ist es vernünftig, zu erwarten, dass vorherige, AI-bewusste DLP zu einer Standardsteuerungsebene neben Dingen wie Identitäts- und Zugriffsmanagement und Endpoint-Erkennung und -Reaktion wird.

Abschließend, als Gründer in einem so rasanten Bereich, was ist Ihre langfristige Vision für Nightfall und die Rolle von künstlicher Intelligenz im Unternehmensdatenschutz?

Unsere langfristige Vision basiert auf dem, was wir bei der Markteinführung artikuliert haben – die Steuerungsebene für Cloud-Daten zu sein –, aber jetzt erweitern wir dies mit autonomen Operationen und agierenden künstlichen Intelligenz-Fähigkeiten. Wir stellen uns eine Zukunft vor, in der die Sicherheitslage kontinuierlich verbessert wird, ohne dass Analysten mehr Arbeit aufgebürdet wird, in der künstliche Intelligenz den Bedarf an spezialisiertem Fachwissen eliminiert und in der Organisationen von reaktiven, manuellen Sicherheitsoperationen zu proaktiver, intelligenter Bedrohungsprävention wechseln können.

In der Praxis bedeutet das künstliche Intelligenz, die sowohl Daten im Kontext versteht als auch sichere, intelligente Maßnahmen ergreift – untersucht, coacht, schwärzt, blockiert – über SaaS, Endgeräte, E-Mail und Schatten-AI hinweg. Wir wollen den Kreis von Erkennung zu Prävention schließen, indem wir Sicherheitsteams einen immer eingeschalteten, intelligenten Partner geben, der mit jeder Untersuchung intelligenter wird und Wochen manueller Forensik in Minuten fokussierter Reaktion umwandelt.

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