Ido Livneh, CEO dan Co-Founder Jazz – Seri Wawancara

Ido Livneh, CEO dan Co-Founder Jazz, adalah seorang pemimpin produk berpengalaman dan wirausaha dengan catatan yang kuat dalam membangun dan menskala platform teknologi berdampak tinggi, termasuk memimpin produk di Laminar melalui akuisisi oleh Rubrik dan membantu mengarahkan penjualan Tapingo ke Grubhub seharga $150 juta; karirnya termasuk peran senior di Axonius dan ventura sebelumnya seperti KnuPo, dan didasarkan pada fondasi teknis yang dalam yang dikembangkan selama hampir satu dekade di Pasukan Pertahanan Israel di mana dia maju dari teknik ke penelitian dan pengembangan perangkat lunak, pengalaman yang sekarang membentuk fokusnya pada membangun solusi keamanan siber asli AI.

Jazz adalah perusahaan keamanan siber asli AI yang memikirkan kembali Pencegahan Kehilangan Data dengan melampaui sistem berbasis aturan warisan dan memperkenalkan platform yang menyadari konteks yang memahami bagaimana data mengalir di seluruh organisasi, menganalisis perilaku pengguna, sistem, dan alur kerja untuk mengidentifikasi risiko nyata bukan menghasilkan peringatan berlebihan; dengan menggunakan AI untuk menyelidiki insiden di sumbernya dan memberikan wawasan yang dapat ditindaklanjuti, platform ini memungkinkan tim keamanan yang ramping untuk mengelola lingkungan yang kompleks dan mencegah paparan data sensitif di seluruh aplikasi cloud, titik akhir, dan sistem internal, memposisikan Jazz sebagai bagian dari generasi baru perusahaan yang membangun kembali keamanan perusahaan untuk era AI.

Anda telah memimpin produk di perusahaan seperti Laminar melalui akuisisi dan memegang peran kepemimpinan di Axonius dan Grubhub, sementara juga mendirikan beberapa startup. Apa kesenjangan atau wawasan spesifik dari pengalaman itu yang mendorong Anda untuk memulai Jazz, dan mengapa sekarang adalah saat yang tepat untuk merevolusi Pencegahan Kehilangan Data (DLP)?

Saya telah menghabiskan dekade terakhir membangun produk keamanan dan duduk di seberang meja dari CISO. Tiga peran VP Produk, dua keluar – termasuk Laminar, yang kami jual ke Rubrik. Dan jika ada satu hal yang saya pelajari di seluruh itu, itu adalah ini: tidak ada yang benar-benar menyukai DLP mereka.

Di Laminar, kami membangun babak pertama kategori DSPM – manajemen postur keamanan data. Masalah yang bagus, tetapi kami menghabiskan tiga tahun mendidik pasar sebelum masuk. Saya berpikir: lain kali, saya ingin masalah lama. Masalah yang sudah diketahui oleh setiap dewan, setiap CISO sudah memiliki anggaran untuk, dan tidak ada yang benar-benar menyelesaikannya.

DLP adalah masalah itu. Ini berusia dua puluh tahun. Setiap organisasi keamanan tahu risikonya. Dan solusi di pasar secara universal dibenci – bukan karena vendor tidak kompeten, tetapi karena kerangka kerja keseluruhan salah. Kami telah meminta mesin untuk mencocokkan pola dan manusia untuk memberikan konteks. Model itu selalu ditakdirkan untuk gagal.

Waktunya jelas. AI memberi kami kemampuan untuk melakukan sesuatu yang secara harfiah tidak mungkin sebelumnya – membangun sistem yang memahami data dengan cara yang sama seperti analis senior, tetapi secara otonom dan skala. Ketika kami melihat itu, keempat co-founder – semua alumni Unit 81 – tahu ini adalah saatnya untuk kembali ke prinsip dasar dan membangun DLP dari awal. Dan kali ini, buatlah itu berhasil, dan dengan mudah.

Sistem DLP tradisional telah lama dikritik karena menghasilkan peringatan berlebihan. Apa yang secara fundamental rusak dalam DLP berbasis aturan, dan mengapa industri telah bergelut untuk menyelesaikan masalah ini?

Masalahnya bukan bahwa DLP berbasis aturan memerlukan aturan yang lebih baik. Masalahnya adalah bahwa aturan adalah alat yang salah untuk pekerjaan ini dari awal.

Inilah bagaimana sebenarnya itu bekerja. Anda menginstal sistem yang memahami pola – regex, jenis file, kata kunci. Anda menulis aturan. Mesin mencocokkan data dengan aturan tersebut, dan setiap kali ada kecocokan, ia mengatakan kepada analis manusia: “Datang dan lihat ini.” Analis kemudian harus membawa semua konteks – siapa orang ini, apa yang mereka lakukan, mengapa mereka melakukannya – dan membuat keputusan.

Bagian kedua, penyelidikan manusia, tidak pernah berskala. Fisika DLP terlalu berisik. Data bergerak terus di dalam setiap perusahaan besar. Sebuah nomor sembilan digit tidak selalu nomor Keamanan Sosial. Unggahan file tidak selalu ekstraksi. Surat kelas “A” memicu aturan FERPA. Transfer internal antar departemen diblokir. Sistem tidak dapat mengetahui apakah berbagi file sensitif adalah kolaborasi bisnis vital atau mahkota perusahaan yang keluar pintu.

Apa yang dilakukan perusahaan? Mereka menambahkan pengecualian. Setiap pengecualian adalah saat alat gagal memahami bisnis mereka. Dan setiap pengecualian secara efektif adalah backdoor yang disahkan. Zoom out setelah delapan belas bulan dan apa yang Anda jalankan bukanlah program keamanan – itu adalah daftar kompromi yang disusun dalam laporan kepatuhan.

Tentang 30% pasar memiliki program DLP yang matang, dan bahkan mereka tahu itu adalah upaya terbaik – memuaskan kerangka kepatuhan dan tidak lebih. Kami menyebut mereka “terperangkap”. 70% lainnya tidak pernah mencoba, atau mencoba dan gagal. Upaya sebelumnya untuk memperbaiki ini menyebarkan sedikit AI di atas kerangka berbasis aturan yang sama. Itu seperti mengecat mobil dengan mesin yang semua orang tahu tidak dapat menangani beban. Kerangka itu sendiri yang perlu diubah.

Jazz memposisikan diri sebagai memberikan jawaban bukan peringatan. Bagaimana Anda dapat menjelaskan bagaimana sistem Anda menyelidiki insiden dan apa yang membuatnya berbeda dari alur deteksi warisan?

DLP warisan memberikan Anda alarm kebakaran dan kemudian memberikan Anda kaca pembesar. “Sesuatu terjadi di gedung itu. Selamat mencoba mengetahui lantai mana.”

Jazz tidak melakukannya. Kami membangun penyelidik otonom, namanya Melody, yang melakukan pekerjaan yang analis manusia lakukan, tetapi dengan skala superhuman.

Ketika transaksi data terjadi, Melody tidak hanya membenderakan. Dia menjalankan penyelidikan penuh di empat dimensi. Pertama, data itu sendiri – tidak dengan regex dan pola, tetapi memahami data dengan mendalam, siapa yang memilikinya, apa risiko kehilangannya sebenarnya bagi perusahaan ini. Kedua, sistem – dari mana data berasal, ke mana data pergi, dan kritis, tenant mana. Ada perbedaan besar antara mengunggah file ke Google Drive perusahaan versus akun pribadi, dan Melody memahami perbedaan itu.

Ketiga, orang-orang – kami mempelajari bagaimana individu beroperasi, bagaimana mereka menggunakan data dari waktu ke waktu, apa yang normal untuk peran mereka. Dan keempat, proses bisnis – mengapa transaksi ini terjadi? Apakah itu bagian dari alur kerja yang diketahui, atau apakah itu sesuatu yang tidak dapat kami jelaskan?

Agen-agen ini bersama-sama dan merekonstruksi cerita penuh: apa yang terjadi, mengapa terjadi, dan niat aktor. Ketika manusia melihatnya, itu bukan peringatan – itu adalah narasi yang telah diselidiki sebelumnya dengan bukti, konteks, dan vonis. Dalam penerapan khas, Jazz memproses sekitar 2 juta sinyal per bulan untuk setiap seribu karyawan, menyelidiki ratusan ribu potensi peristiwa, dan menampilkan sekitar 80 insiden yang benar-benar memerlukan perhatian manusia. Itu adalah rasio sinyal-ke-kebisingan 20.000-ke-1. Itulah bagaimana kami mengakhiri peringatan yang tidak dapat ditindaklanjuti dan kelelahan peringatan.

Platform Anda menganalisis konteks di seluruh data, sistem, orang, dan bisnis. Bagaimana Anda secara teknis mempersatukan dimensi-dimensi ini, dan apa peran agen AI atau sistem penalaran dalam proses ini?

Arsitektur dibangun di sekitar beberapa agen AI khusus, masing-masing menganalisis transaksi data tunggal dari perspektif yang berbeda.

Satu agen fokus pada memahami data dengan mendalam – kontennya, sensitivitasnya, kepemilikan, dan relevansinya dengan bisnis. Yang lain melihat lanskap sistem – tidak hanya nama aplikasi, tetapi tenant spesifik, tingkat kepercayaan, apakah itu perusahaan atau pribadi. Yang ketiga membangun dan terus memperbarui profil bagaimana individu beroperasi dan menggunakan data, sehingga dapat menilai apakah tindakan tertentu konsisten dengan peran seseorang atau benar-benar tidak biasa. Dan yang keempat memetakan proses bisnis – menghubungkan transaksi data ke alur kerja yang diketahui dan mengidentifikasi yang tidak dapat dijelaskan.

Agen-agen ini kemudian bersatu dan mensintesis temuan mereka menjadi penyelidikan yang seragam – narasi lengkap tentang apa yang terjadi, mengapa, dan apakah itu risiko yang sebenarnya.

Semua ini berdiri di atas dua inovasi dasar. Pertama, apa yang kami sebut vault konteks endpoint – sinyal baru yang kami patenkan khusus untuk DLP. Sinyal-sinyal ini menangkap tidak hanya transaksi data itu sendiri tetapi cerita lengkap di sekitarnya: apa yang terjadi sebelum, apa yang terjadi setelah, aplikasi mana yang terlibat, rantai aktivitas pengguna lengkap. Sinyal-sinyal ini sangat kaya konteks, dan memungkinkan kami untuk memberikan tidak hanya apa yang terjadi tetapi juga mengapa terjadi, dan niat aktor, yang selalu sulit untuk mesin untuk memahami dengan skala.

Kedua, mesin kebijakan bahasa alami yang menggantikan himpunan aturan kaku tradisional. Daripada menulis aturan teknis dengan regex dan ambang, tim keamanan menjelaskan apa yang dapat diterima dan apa yang tidak dengan cara manusia – dalam bahasa biasa. Melody menggunakan itu untuk membuat keputusan nuansa pada situasi yang mungkin tidak disebutkan secara eksplisit dalam kebijakan apa pun. Karena kenyataan praktik bisnis sehari-hari di sebuah organisasi sering berbeda secara besar-besaran dari apa yang sebenarnya tertulis dalam dokumen kebijakan vanilla. Kami menjembatani kesenjangan itu, dan bagi mereka yang memiliki pengalaman lama dengan program DLP, ini terasa seperti sihir.

Banyak perusahaan sekarang mengirimkan agen AI otonom yang berinteraksi dengan data sensitif. Bagaimana pergeseran ini mengubah lanskap ancaman, dan mengapa ini memerlukan pendekatan baru untuk DLP?

Ini adalah bom waktu yang menggelitiki.

Ledakan SaaS sudah membuat tim keamanan kewalahan – setiap minggu, lima alat baru muncul di lingkungan, banyak diadopsi oleh karyawan tanpa persetujuan IT. Kami telah memiliki pelanggan yang menemukan lebih dari 400 alat GenAI yang berjalan di seluruh organisasi yang tidak ada yang tahu tentangnya. Sekarang tambahkan agen AI otonom di atas itu.

Agen AI tidak hanya menangani data secara pasif – mereka secara aktif menarik data, mengubahnya, mengirimkannya ke layanan lain, membuat keputusan tentang ke mana data pergi. Seorang karyawan menghubungkan asisten pengkodean AI ke basis kode perusahaan, menggunakan akun pribadi, dan kemudian mendorong output ke repositori pribadi – kami telah melihat hal ini secara tepat di lapangan. Atau seseorang menempelkan dokumen strategi propietary ke sesi ChatGPT pribadi karena perusahaan belum menyediakan akun perusahaan. Bahkan sesuatu yang sederhana seperti plugin Grammarly pribadi yang meninjau semua yang Anda ketik, termasuk detail transfer bank dan data pelanggan.

DLP berbasis aturan dibangun untuk dunia di mana data bergerak melalui beberapa saluran yang diketahui – lampiran email, USB, mungkin unggahan web. Era AI meledakkan model itu. Data sekarang mengalir melalui puluhan vektor yang sistem warisan tidak dapat melihat, apalagi memahami. Anda memerlukan sistem yang dapat memahami konteks secara native – tidak hanya bahwa data bergerak, tetapi mengapa, melalui apa, dan apakah tujuan itu disahkan.

Itulah mengapa kerangka lama tidak dapat diperbaiki. Anda memerlukan pendekatan yang memahami konteks bisnis secara native, karena permukaan serangan tidak lagi daftar saluran, tetapi setiap interaksi antara manusia, alat AI, dan data sensitif.

Kejelasan tetap menjadi hambatan utama dalam mengadopsi AI dalam keamanan. Bagaimana Anda memastikan bahwa keputusan sistem Anda dapat dipahami dan dipercaya oleh tim keamanan yang beroperasi dalam lingkungan dengan risiko tinggi?

Ini adalah sesuatu yang kami pikirkan dari hari pertama, karena hal terakhir yang dibutuhkan seorang CISO adalah kotak hitam lain.

Setiap penyelidikan yang dihasilkan Melody adalah narasi – bukan skor, bukan kode warna, bukan nomor risiko kriptik. Itu membaca seperti briefing dari analis senior. Ini adalah apa yang terjadi. Ini adalah siapa yang terlibat. Ini adalah mengapa kami pikir mereka melakukannya. Ini adalah bukti. Ini adalah kebijakan yang dipetakan. Ini adalah penilaian kami.

Mesin kebijakan bahasa alami sangat penting untuk ini. Karena kebijakan itu sendiri ditulis dalam bahasa biasa, tim keamanan dapat melihat keputusan mana yang dipetakan dan mengapa. Jika Melody membenderakan sesuatu, tim dapat melacak rantai penalaran dari sinyal mentah melalui analisis kontekstual ke kecocokan kebijakan. Dan jika mereka tidak setuju, mereka dapat memperbarui kebijakan dalam bahasa alami – bukan dengan memecahkan himpunan aturan.

Kami juga menampilkan bukti secara langsung, rantai aktivitas lengkap. Ini bukan “percayalah pada AI”, itu “ini adalah apa yang AI lihat, ini adalah apa yang AI simpulkan, dan ini adalah data mentah sehingga Anda dapat memverifikasi.” Pelanggan kami mengatakan itu terasa kurang seperti meninjau output AI dan lebih seperti mendapatkan briefing dari rekan yang sangat teliti.

Itulah batasnya. Tim keamanan beroperasi dalam lingkungan di mana keputusan yang salah dapat berarti konsekuensi regulasi, paparan hukum, atau karier seorang karyawan. Sistem harus mendapatkan kepercayaan dengan menjadi transparan tentang bagaimana ia mencapai kesimpulannya.

Jazz menjelaskan sistemnya sebagai berperilaku lebih seperti penyelidik manusia daripada mesin aturan. Apa yang dimaksud dengan ini dalam praktek, dan seberapa dekat kita dengan keamanan otonom yang sepenuhnya?

Ketika saya mengatakan Melody berperilaku seperti penyelidik manusia, saya maksudkan itu secara harfiah.

Seorang analis DLP yang hebat tidak hanya melihat bahwa file diunggah. Mereka melihat siapa yang mengunggah, apa yang ada di dalamnya, ke mana itu pergi, apakah orang ini biasanya menangani jenis data ini, apakah ada alasan bisnis untuk itu, dan apa yang terjadi sebelum dan sesudah. Mereka menggunakan penilaian kontekstual – bukan hanya aturan – dan itu memerlukan pemahaman kontekstual tentang bisnis mereka. Itulah yang dilakukan Melody, tetapi di seluruh transaksi data di perusahaan, terus-menerus, dan skala.

Dalam praktek, pelanggan kami menjelaskan Melody sebagai anggota lain dari tim mereka. Dia menunjukkan situasi yang di luar kebijakan, memberikan penyelidikan lengkap dengan bukti, dan meminta penilaian mereka pada kasus yang benar-benar memerlukan input manusia. Dia mempelajari organisasi dari waktu ke waktu – proses bisnis, pengecualian, hal-hal yang secara teknis merupakan pelanggaran tetapi operasional normal.

Mengenai keamanan otonom yang sepenuhnya – kami lebih dekat daripada yang dipikirkan kebanyakan orang, tetapi saya ingin menjadi spesifik tentang apa itu berarti. Melody sudah beroperasi secara otonom dalam fase penyelidikan. Dia mengambil sinyal mentah dan menghasilkan penyelidikan yang sepenuhnya diselidiki dan dikontekstualisasi tanpa keterlibatan manusia. Untuk skenario risiko tinggi dengan kepercayaan tinggi, dia juga dapat mengambil tindakan pencegahan secara otonom – memblokir ekstraksi sebelum selesai.

Manusia tetap dalam lingkaran untuk keputusan yang memerlukan penilaian manusia, dan untuk proses pembelajaran manusia-dalam-l lingkaran. Dan itu adalah desain. Tujuan bukanlah menghilangkan manusia dari keamanan, tetapi menghilangkan pekerjaan yang membosankan dan berulang yang membuat mereka terbakar dan membiarkan mereka fokus pada keputusan yang benar-benar memerlukan penilaian manusia. Itulah di mana kita berada hari ini, dan itu sudah mengubah cara pelanggan kami menjalankan program mereka.

Dari sudut pandang produk dan teknik, apa tantangan teknis yang paling sulit dalam membangun platform DLP asli AI dari awal daripada mengulangi arsitektur yang ada?

Bagian tersulit adalah menolak godaan untuk mengambil jalan pintas.

Ketika Anda memulai dari awal, selalu ada tekanan untuk meminjam bagian dari arsitektur lama karena sudah terbukti dan cepat, dan lebih sesuai dengan harapan pelanggan yang ada. Tetapi setiap kali Anda melakukannya, Anda mewarisi keterbatasan model lama. Kami membuat keputusan yang disengaja untuk kembali ke prinsip dasar – pikirkan tentang fisika dasar masalah dan bangun kembali.

Agen endpoint adalah salah satu tantangan terbesar. Kami perlu memikirkan kembali tantangan pengumpulan sinyal dan mencapai konteks yang cukup, dan tidak mengambil jalur yang teruji dari sinyal warisan – sambil mempertahankan dampak rendah pada kinerja sistem. Membangunnya di seluruh sistem operasi adalah upaya teknik yang serius. Kami berakhir dengan pendekatan yang dipatenkan yang memberi kami visibilitas yang tidak dimiliki orang lain.

Sistem AI multi-agen adalah tantangan lain. Mendapatkan beberapa agen AI khusus untuk menganalisis transaksi yang sama dari perspektif yang berbeda dan kemudian bersatu pada narasi yang koheren dan akurat – itu memerlukan banyak pemikiran arsitektur. Ini bukan hanya melemparkan LLM ke feed data. Lapisan orkestrasi, cara agen berbagi konteks, cara mereka menyelesaikan sinyal yang bertentangan – itu adalah tempat tantangan hidup.

Dan kemudian mesin kebijakan bahasa alami. Menerjemahkan deskripsi bahasa manusia tentang apa yang dapat diterima dan apa yang tidak menjadi sesuatu yang dapat diandalkan AI – itu adalah masalah yang secara fundamental sulit. Praktik bisnis sehari-hari di sebuah organisasi sering berbeda secara besar-besaran dari apa yang sebenarnya tertulis dalam dokumen kebijakan. Sistem harus menjembatani kesenjangan itu, dan harus mendapatkannya dengan benar, karena konsekuensi dari mendapatkannya salah dalam DLP sangat serius.

Kami memilih setiap satu dari tantangan yang sulit itu secara sengaja, karena itulah yang membuat perbedaan antara DLP yang sedikit lebih baik dan sesuatu yang secara fundamental baru.

Dalam setiap tantangan dan banyak lagi, masih ada hambatan terbuka untuk diatasi, dan ada set yang unik untuk bakat yang tepat untuk diambil. Menyelesaikan DLP dengan baik adalah perjalanan yang benar-benar menantang dan menarik.

Jazz dipilih sebagai pemenang Akcelerator Startup Keamanan Siber 2026 yang didukung oleh CrowdStrike, AWS, dan NVIDIA. Apa yang divalidasi oleh pengalaman ini tentang pendekatan Anda, dan bagaimana itu mempengaruhi jalan Anda ke depan?

Seribu startup mengajukan. Enam mencapai final. Kami memenangkan.

Saya akan jujur, momen sebelum Anda berjalan ke atas panggung, otak Anda mengingatkan Anda tentang semua yang bisa salah. Dan kemudian Anda mulai berbicara tentang masalah yang kami kerjakan, dan semua itu menjadi sunyi. Setiap malam yang terlambat berdebat tentang bagaimana Melody harus bekerja, setiap keputusan arsitektur yang sulit, setiap percakapan pelanggan yang membentuk produk, semua itu dikompresi menjadi beberapa menit itu.

Hakim, George Kurtz, CJ Moses, Bartley Richardson, dan hiu legendaris, Robert Herjavec, mereka melihatnya. Mereka menyoroti model penyelidikan agenik secara khusus, serta adopsi pelanggan yang cepat. Bagi kami, validasi dari pemimpin industri lebih penting daripada trofi. Ini adalah orang-orang yang telah membangun dan menjalankan program keamanan di tingkat tertinggi, dan mereka mengakui bahwa apa yang kami lakukan secara fundamental berbeda dari apa yang telah dicoba sebelumnya – dan bahwa traksi kami berbicara untuk dirinya sendiri.

Dalam hal jalan, akselerator memperkuat apa yang pelanggan kami sudah katakan kepada kami – pasar siap untuk ini, dan mereka ingin kami bergerak cepat. Kami memperkuat kemampuan penyelidik dan mendapatkan produk ke tangan tim keamanan sebanyak mungkin.

Menghadap ke depan, apakah Anda percaya DLP akan berkembang menjadi sistem yang sepenuhnya otonom dan didorong agen, dan apa yang tampak seperti masa depan jangka panjang keamanan data di perusahaan asli AI?

Saya percaya DLP akan menjadi sepenuhnya otonom dalam tahap-tahap. Lapisan penyelidikan sudah ada – Melody melakukannya hari ini. Pencegahan untuk skenario kepercayaan tinggi sedang terjadi. Seiring waktu, sistem menjadi lebih pintar tentang organisasi, mempelajari alur kerjanya, memahami orang-orangnya, dan permukaan yang benar-benar memerlukan penilaian manusia menyusut.

Tetapi saya ingin jelas – “otonom” tidak berarti “tidak diawasi.” Itu berarti sistem menangani pekerjaan yang tidak seharusnya dilakukan manusia, sehingga mereka dapat fokus pada keputusan yang benar-benar penting. CISO di masa depan tidak tenggelam dalam peringatan. Mereka meninjau penilaian risiko strategis dari AI yang memahami bisnis mereka dengan mendalam seperti analis terbaik mereka. Mereka mengambil tindakan bedah yang relevan untuk organisasi mereka, berdasarkan wawasan agregat tentang lanskap kehilangan data aktif mereka, dan bukan tebak-tebakan. Ini memungkinkan mereka untuk mengurangi risiko data, tanpa melambatkan bisnis mereka.

Gambaran besar adalah ini: di perusahaan asli AI, data bergerak lebih cepat, melalui lebih banyak saluran, dalam cara yang lebih kompleks daripada tim manusia dapat lacak. Organisasi yang menang akan menjadi mereka yang sistem keamanannya dapat memahami konteks dengan kecepatan AI, bukan mereka yang masih menulis aturan regex dan berharap yang terbaik.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Jazz.