Rami Habal, fondateur et PDG de Magnitude – Série d’interviews

Rami Habal, fondateur et PDG de Magnitude est un vétéran de la cybersécurité et des produits d’IA, avec une carrière couvrant la sécurité d’entreprise, l’apprentissage automatique, la technologie grand public et les startups soutenues par du capital-risque. Avant de fonder Magnitude, il a été entrepreneur en résidence chez Ballistic Ventures et a passé plus de quatre ans chez Abnormal Security, occupant notamment les postes de directeur produit et de directeur client. Auparavant, Habal a dirigé l’expérience multi‑appareils pour Amazon Alexa, a dirigé le produit chez Reverb, et a été l’un des premiers employés de Proofpoint, où il a contribué à concevoir et commercialiser des produits de sécurité alors que l’entreprise passait d’une start‑up à son introduction en bourse. Sa carrière comprend également une expérience en capital‑risque, technologie mobile, API et stratégie produit, lui offrant une vaste expertise à l’intersection de la cybersécurité, de l’IA et des logiciels d’entreprise.

Magnitude est une société de cybersécurité native de l’IA, axée sur la transformation de la gestion des risques de tiers (TPRM) d’évaluations de conformité périodiques en une fonction de sécurité continue. Sa plateforme multi‑agents utilise des agents IA spécialisés pour évaluer les fournisseurs et les produits, surveiller en continu les vulnérabilités et autres changements de risque, cartographier les dépendances de quatrième, cinquième et de niveaux plus profonds, automatiser les communications avec les fournisseurs et aider à gérer la remédiation. Plutôt que de s’appuyer principalement sur des questionnaires et des évaluations ponctuelles, Magnitude est conçue pour raisonner à partir des politiques propres à l’organisation et fournir des décisions fondées sur des preuves, avec des sources et un raisonnement traçables. L’objectif plus large est d’offrir aux équipes de sécurité une visibilité continue sur des écosystèmes logiciels et fournisseurs de plus en plus complexes, tout en permettant aux analystes humains de se concentrer sur des jugements à plus forte valeur ajoutée.

Après avoir contribué à la création de produits chez Proofpoint, Amazon Alexa et Abnormal Security, qu’est‑ce qui vous a convaincu que c’était le bon moment pour fonder Magnitude ? Y a‑t‑il eu une prise de conscience précise ou un problème client qui vous a fait croire que la gestion autonome des risques de tiers devait devenir une société à part entière ?

Je savais qu’après mon passage chez Abnormal, je voulais créer une entreprise. Ce que je ne savais pas, c’était quel problème valait la peine de fonder une société autour. Tout au long de ma carrière, j’ai été attiré par les produits d’apprentissage automatique appliqué qui répondent à des besoins larges et universels, comme la sécurité des e‑mails chez Proofpoint, l’informatique vocale avec Alexa et la sécurité comportementale chez Abnormal. Je voulais trouver un autre problème avec ce même type de portée pour aider les entreprises.

Puis les agents sont arrivés. Ayant traversé la vague précédente d’apprentissage automatique, j’ai pu voir qu’il ne s’agissait pas simplement d’une nouvelle fonctionnalité produit. C’était un changement de plateforme, et ces changements sont rares.

Alors que j’étais entrepreneur‑en‑résidence chez Ballistic Ventures, j’ai commencé à m’entretenir avec des RSSI sur les domaines où ce changement pourrait avoir le plus d’impact. Le risque de tiers revenait sans cesse. Historiquement, il était logique que la TPRM se situe au sein de la fonction GRC, car le risque fournisseur évoluait suffisamment lentement pour que les revues périodiques puissent suivre. Mais cette hypothèse s’effondrait. Tout le monde convenait qu’il s’agissait d’un problème majeur, mais la plupart des organisations le géraient encore avec des questionnaires annuels, des feuilles de calcul, des revues périodiques et un travail manuel intensif. La réaction était constante : la gestion du risque de tiers est cruciale, mais nous n’avons toujours pas de bonne solution.

C’était la prise de conscience à l’origine de Magnitude. Je savais que le modèle traditionnel ne fonctionnait plus et que nous avions besoin d’une technologie capable de transformer complètement le modèle opérationnel, et pas seulement d’accélérer un peu le processus basé sur les feuilles de calcul. Dès le départ, je pensais que chaque fournisseur finirait par disposer d’un essaim d’agents évaluant en continu les risques qui l’entourent. Magnitude est née de cette conviction.

Vous décrivez l’avènement de l’« ère Mythos », où l’IA peut identifier et exploiter les vulnérabilités plus rapidement que les humains ne peuvent réagir. Quels changements avez‑vous observés au cours de l’année passée qui vous ont convaincu que ce basculement est déjà en cours plutôt qu’une préoccupation future ?

Le plus grand changement que j’ai constaté est la rapidité avec laquelle ces attaques se produisent désormais. Il y a un an, la plupart des discussions portaient encore sur ce que l’IA pourrait éventuellement permettre à un attaquant de faire. Aujourd’hui, nous voyons ces capacités se concrétiser en temps réel. L’IA peut aider un attaquant à examiner un écosystème logiciel beaucoup plus vaste, à découvrir des faiblesses qui étaient auparavant inconnues, et à exploiter ces faiblesses à une échelle difficile à égaler par une équipe humaine.

Dans l’ère Mythos, les systèmes d’IA ont démontré la capacité de mettre en évidence plus de 2 000 failles auparavant inconnues à travers les écosystèmes logiciels, et le temps médian entre la découverte d’une vulnérabilité et son exploitation armée devrait descendre en dessous d’une heure d’ici la fin 2026. Bien que le délai entre découverte et armement continue de se réduire, cela crée un écart entre la rapidité avec laquelle une exposition peut apparaître et la vitesse de réponse des cycles de révision traditionnels.

Nous observons également que le schéma des incidents évolue dans le même sens. Selon notre analyse, la fréquence des attaques de chaîne d’approvisionnement est passée d’environ 13 incidents par mois en 2024 à 41 par mois en 2026. Nous avons remarqué que cette activité augmente parallèlement aux améliorations majeures des modèles de pointe. Je ne prétends pas que chaque sortie de modèle entraîne directement davantage d’attaques, mais la tendance est difficile à ignorer. Les outils deviennent plus performants à mesure que le rythme des attaques s’accélère.

Ce qui confirme réellement ce changement pour moi, ce sont les conversations que j’ai avec les responsables de la sécurité. Ils ne parlent plus du risque de tiers comme d’un sujet pouvant être géré par une revue annuelle et revisité lors du renouvellement. Ils se sentent exposés pendant les mois qui séparent ces revues, car leurs fournisseurs, dépendances logicielles et fournisseurs en aval changent constamment.

C’est ce que signifie pour moi l’ère Mythos. La fenêtre pour comprendre et répondre au risque se rétrécit, tandis que l’impact potentiel d’un seul fournisseur compromis s’élargit. Un processus de conformité périodique n’a tout simplement pas été conçu pour cet environnement.

De nombreuses entreprises déploient rapidement des agents IA dans l’ensemble de leurs organisations. Comment les responsables de la sécurité devraient-ils repenser la gouvernance lorsque ces agents interagissent de plus en plus avec des fournisseurs externes, des API et des dépendances en aval ?

La première chose que les responsables de la sécurité doivent reconnaître, c’est que même un agent IA créé au sein de l’entreprise n’est pas forcément entièrement interne. Il peut s’appuyer sur une plateforme externe, une compétence tierce via MCP, un service tel que Google Drive, ou toute autre technologie que l’organisation ne contrôle pas directement. Et chacun de ces fournisseurs peut à son tour avoir ses propres sous‑fournisseurs.

Il ne suffit plus d’approuver l’agent lui‑même. Les dirigeants doivent comprendre quelles informations il peut accéder, quelles actions il peut exécuter, quels services externes il utilise et quand une approbation humaine est requise. Ils doivent également saisir comment ces dépendances peuvent évoluer au fil du temps à mesure que l’agent acquiert de nouvelles capacités, se connecte à de nouveaux systèmes ou commence à dépendre de fournisseurs supplémentaires en aval. Ces contrôles ne peuvent pas non plus être définis une fois pour toutes et oubliés. À mesure que l’agent gagne de nouvelles capacités ou connexions, sa gouvernance doit s’adapter en conséquence.

L’objectif ne doit pas être de ralentir l’adoption de l’IA. Il s’agit de donner aux entreprises une visibilité suffisante pour utiliser les agents en toute confiance. La gouvernance doit devenir une pratique de sécurité continue, plutôt qu’une approbation ponctuelle réalisée lors de l’introduction d’un nouvel outil.

La gestion du risque de tiers s’est traditionnellement appuyée sur des questionnaires et des revues périodiques. Pourquoi pensez‑vous que ce modèle s’effondre fondamentalement dans un environnement piloté par l’IA ? 

Le problème du modèle TPRM traditionnel est qu’il ne fournit qu’une photographie de ce qu’un fournisseur a déclaré être vrai à un moment donné. Une entreprise peut remplir un questionnaire lors de sa première approbation, puis ne plus être revue avant le renouvellement, qui peut survenir plusieurs années plus tard. Entre‑temps, sa technologie, ses pratiques de sécurité, ses modèles d’IA, son utilisation des données et ses fournisseurs peuvent tous évoluer. Nous peinons à prévoir ce qui changera dans les prochaines semaines, il n’est donc plus sensé de se fier à une évaluation datant de plusieurs années.

Il y a également la question de la fiabilité de l’information. Une réponse fournie par quelqu’un qui cherche à faire avancer une transaction n’est pas équivalente à un fait étayé par un audit indépendant, un dépôt officiel signé ou une autre source vérifiable. Les responsables de la sécurité doivent connaître non seulement la réponse, mais aussi son origine et si elle est toujours d’actualité.

Enfin, les questionnaires s’arrêtent généralement au fournisseur direct. Ils montrent rarement les parties N, même si ces relations cachées de quatrième ou cinquième niveau peuvent créer une réelle exposition. Les attaquants savent désormais que le maillon le plus faible d’une entreprise n’est pas l’entreprise elle‑même, mais l’un de ces fournisseurs en aval. Attaquer ces fournisseurs peut finalement leur donner accès à l’entreprise. C’est simplement moins cher et plus facile.

C’est pourquoi je ne pense pas que la solution consiste simplement à utiliser l’IA pour remplir les questionnaires plus rapidement. Dans ce modèle, il y aura toujours des lacunes. Le modèle doit lui‑même évoluer, passant de photographies périodiques auto‑déclarées à une compréhension continue, en temps réel et fondée sur des preuves du risque, aussi profonde que la chaîne d’approvisionnement d’une entreprise.

Magnitude introduit le concept d’une main‑d’œuvre IA autonome pour les équipes de sécurité. Où voyez‑vous l’équilibre entre la prise de décision pilotée par l’IA et la supervision humaine, en particulier pour les décisions de sécurité à fort impact ? 

Autonome ne signifie pas pour autant irresponsable. Selon moi, l’IA doit prendre en charge le travail critique mais répétitif qui absorbe tant de temps d’une équipe de sécurité, tandis que les humains restent impliqués lorsqu’une décision requiert du jugement, du contexte ou entraîne des conséquences commerciales importantes. Le fait est qu’aucune équipe de sécurité ne dispose aujourd’hui de ressources suffisantes pour gérer le mandat actuel. L’IA peut aider à combler cette lacune.

La qualité de l’IA est d’une importance capitale. Lorsqu’elle est bien conçue, l’IA agit comme un multiplicateur de force : elle donne à l’équipe davantage de capacité et permet aux personnes de se concentrer sur des tâches à plus forte valeur ajoutée. Lorsqu’elle est mal conçue, l’effet est inverse, car il faut que quelqu’un revérifie chaque résultat. Pour les décisions de sécurité à fort impact, le système doit être de haute qualité et capable de montrer quelles preuves il a utilisées et comment il est parvenu à sa recommandation, créant ainsi une trace vérifiable.

Le niveau adéquat de supervision variera également selon l’organisation. Une grande entreprise disposant d’une équipe de sécurité établie peut utiliser l’IA davantage comme un pilote automatique, avec des personnes qui supervisent le travail et interviennent en cas d’exception. Une petite organisation peut choisir d’automatiser davantage le programme parce qu’elle ne dispose pas du personnel ou du budget nécessaire pour constituer une grande équipe. Dans les deux cas, il doit exister des points clairs où un problème est transmis à une personne.

En fin de compte, l’organisation devrait pouvoir décider du degré d’implication humaine souhaité en fonction de l’importance de la décision. L’objectif n’est pas de retirer les personnes de la sécurité, mais de les aider à mieux exploiter leur temps, à prendre des décisions commerciales plus rapidement et à réserver l’attention humaine aux décisions où elle apporte le plus de valeur.

Votre équipe réunit des expertises en IA, cybersécurité et plateformes à l’échelle du consommateur. Comment cette combinaison a-t-elle influencé la façon dont vous avez conçu Magnitude par rapport aux produits de cybersécurité traditionnels ? 

Chacun de nos parcours nous a enseigné quelque chose de différent sur ce qu’un produit de sécurité IA doit bien faire. En cybersécurité, une réponse n’est utile que si vous pouvez lui faire confiance, la retracer jusqu’à une preuve et agir en conséquence. De notre travail en IA et apprentissage automatique, nous avons appris que la véritable opportunité ne consiste pas simplement à résumer l’information, mais à transformer le travail d’expert en un système capable d’exécuter ce travail de façon constante. La construction de plateformes telles qu’Alexa et Pandora nous a amenés à penser à la fiabilité et à l’utilisabilité à très grande échelle.

Ces enseignements nous ont éloignés du modèle traditionnel de cybersécurité consistant à produire un autre tableau de bord ou un autre flux d’alertes pour une équipe déjà surchargée à enquêter. Nous avons conçu Magnitude pour accomplir le travail : recueillir et vérifier les informations, évaluer les fournisseurs, surveiller les changements, relier les nouvelles informations au risque métier et aider à faire progresser les problèmes vers leur résolution.

Derrière le rideau, cela implique plusieurs agents IA spécialisés travaillant ensemble. Mais l’expérience client doit rester simple. Les équipes de sécurité ne devraient pas devoir devenir des experts en IA pour comprendre ce que le système a trouvé, pourquoi c’est important ou quelle action entreprendre.

Le résultat est un produit conçu pour fonctionner en continu sur des milliers de fournisseurs tout en respectant les exigences requises pour des décisions de sécurité à fort impact. Ce n’est pas de l’IA ajoutée à un ancien flux de travail. Il a été construit dès le départ autour de l’idée que l’IA peut exécuter une grande partie du flux de travail elle‑même, tout en fournissant aux personnes les preuves, la visibilité et le contrôle dont elles ont besoin.

L’une des plus grandes préoccupations concernant l’IA en cybersécurité est qu’elle donne du pouvoir à la fois aux défenseurs et aux attaquants. Pensez‑vous que l’avantage penche actuellement du côté des défenseurs ou des adversaires, et qu’est‑ce qui déterminera qui restera en tête au cours des prochaines années ?

Je pense que l’avantage aujourd’hui penche du côté des adversaires, notamment dans les attaques de chaîne d’approvisionnement. Je ne dirais pas que les défenseurs sont irrémédiablement en retard. L’appel à l’action pour les défenseurs est d’arrêter de traiter cela comme un problème futur et d’accélérer dès maintenant. Les deux parties ont accès à bon nombre des mêmes outils d’IA, mais l’économie et le délai de mise sur le marché favorisent actuellement l’attaquant.

L’IA rend moins coûteux et plus facile de tester davantage de vecteurs d’attaque, de lancer plus de tentatives à plusieurs niveaux de profondeur, et de répéter ce processus à grande échelle. Lorsqu’un attaquant compromet un fournisseur ou un composant logiciel largement utilisé, une attaque réussie peut se propager à des centaines, voire des milliers d’entreprises.

Les défenseurs ont la tâche la plus difficile car ils doivent comprendre et protéger un vaste réseau de fournisseurs, de composants logiciels et de fournisseurs en aval, et il faut également du temps aux entreprises pour réagir, acquérir les logiciels qui aident, et opérationnaliser ces outils, ce qui crée une fenêtre que les attaquants peuvent exploiter.

Ce qui déterminera qui restera en avance sera la capacité des défenseurs à changer cette équation. Ils doivent passer des revues occasionnelles et des suivis manuels à une surveillance continue et à une action plus rapide. Les systèmes de gouvernance et de défense automatisés qui surveillent en continu les changements, les relient au risque métier et peuvent réagir rapidement rendront les attaques plus difficiles à mettre à l’échelle et plus coûteuses à répéter.

La cybersécurité a toujours été un jeu du chat et de la souris. L’IA ne change pas cela, mais elle augmente la vitesse et les enjeux. Les défenseurs ont besoin de systèmes capables d’apprendre, de s’adapter et d’agir au même rythme que les attaquants commencent à opérer.

Les chaînes d’approvisionnement en IA deviennent de plus en plus complexes, les organisations s’appuyant sur de nombreux modèles de base, fournisseurs SaaS et agents autonomes. Quels risques émergents pensez‑vous que les entreprises sous‑estiment encore ?

Le risque le plus sous‑estimé est la technologie qui se trouve derrière le produit qu’une entreprise croit avoir approuvé. Même un agent développé en interne peut dépendre de plateformes externes, de plug‑ins, de contractants ou de composants logiciels. Ces relations cachées créent un risque de Nᵉᵗᵉ partie, les fournisseurs derrière un fournisseur direct.

La plupart des entreprises ont encore très peu de visibilité sur cette couche plus profonde. Elles peuvent savoir avec qui elles ont signé un contrat, mais pas chaque service externe, composant logiciel ou sous‑traitant qui soutient finalement le produit.

L’autre problème est la façon dont ces systèmes sont devenus interconnectés. Une faiblesse dans un plug‑in ou un service de support peut ne pas rester isolée à ce fournisseur. Elle peut créer un chemin vers une plateforme plus large et alors affecter de nombreuses organisations qui en dépendent. Cela signifie qu’un fournisseur relativement petit peut devenir une source d’exposition beaucoup plus importante.

Le risque que les responsables doivent donc interroger n’est pas simplement « Quel modèle d’IA utilisons‑nous ? », mais « Sur quoi ce système repose‑t‑il, de quoi ces fournisseurs dépendent‑ils, et comment un problème quelque part dans cette chaîne pourrait‑il nous atteindre ? » Tant que les entreprises ne pourront pas répondre à ces questions, elles continueront d’hériter de risques invisibles.

En regardant au‑delà des grands modèles de langage actuels, quels développements technologiques au cours des cinq prochaines années pensez‑vous qu’ils vont le plus profondément remodeler la cybersécurité et la gestion des risques en entreprise ? 

Je ne pense pas que le changement décisif sera un nouveau modèle unique. Ce sera le passage d’une IA qui répond à des questions à des systèmes d’IA capables d’observer continuellement ce qui se passe, de connecter des informations provenant de sources différentes et d’agir.

La prochaine génération de modèles ne sera pas seulement un peu meilleure ; elle sera beaucoup plus puissante. Mais le véritable bouleversement viendra des agents spécialisés qui travailleront ensemble au sein des opérations de sécurité. Aujourd’hui, les revues de fournisseurs, les renseignements sur les menaces, les risques métier et les remédiations sont souvent gérés dans des outils séparés et par des équipes distinctes. Avec le temps, ces fonctions commenceront à converger.

Je m’attends à ce que les systèmes de sécurité deviennent beaucoup plus interconnectés, rassemblant les renseignements sur les menaces, le contexte métier, les politiques de l’entreprise et les actions de réponse plutôt que de les gérer dans des outils distincts. Ils pourraient reconnaître qu’un fournisseur a été exposé à une nouvelle menace, comprendre quelles parties de l’entreprise pourraient être affectées et aider à lancer la réponse sans attendre plusieurs transferts manuels.

Cela transformera la gestion des risques d’une série d’exercices périodiques en une capacité opérationnelle continue. Les programmes de risque les plus solides seront construits autour du contexte d’entreprise, de preuves fiables et de la capacité à transformer l’information en actions de confiance.

Si vous pouviez offrir un seul conseil aux RSSI et aux dirigeants d’entreprise qui se préparent à la prochaine génération de menaces alimentées par l’IA, quel serait‑il et quelles actions devraient‑ils prioriser dès aujourd’hui ?

Mon conseil serait d’arrêter de gérer le risque de la chaîne d’approvisionnement comme un exercice annuel. Le risque évolue en continu, et votre approche doit suivre le même rythme. L’environnement est vivant, il respire. Il est trop interconnecté et change trop rapidement pour que des revues et des outils séparés puissent suivre.

La façon de protéger cette surface d’attaque émergente consiste à disposer d’un plan de contrôle natif à l’IA, unique, pour une gouvernance et une défense continues et autonomes de tous vos risques externes.

Il faut commencer par les parties de l’entreprise qui comptent le plus. Identifiez les fournisseurs et services externes qui soutiennent ces opérations critiques, comprenez où se cachent les dépendances invisibles et établissez une responsabilité claire pour ce qui se passe lorsqu’un risque est détecté. Ensuite, automatisez autant que possible la surveillance continue et les réponses de routine, tout en maintenant l’implication humaine pour les décisions aux conséquences majeures pour l’entreprise.

L’objectif n’est pas simplement de collecter davantage d’informations. Il s’agit de connecter en continu ce que vous savez, de décider ce qui importe et d’agir avant qu’un problème chez un fournisseur ne devienne un problème à l’échelle de l’entreprise.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Magnitude.