Interviste
Oran Moyal, cofondatore e CTO di Ocean Security – Serie di interviste

Punti chiaveLo status di nativo dell'IA è organizzativo piuttosto che tecnico perché cambia il modo…
Vedi di più
- Lo status di nativo dell'IA è organizzativo piuttosto che tecnico perché cambia il modo in cui ogni team gestisce il lavoro.
- Accelerare le singole attività fallisce quando i passaggi di consegne e le approvazioni restano i veri colli di bottiglia tra le fasi.
- Gli agenti necessitano di autorizzazioni applicate e di una validazione indipendente perché le sole istruzioni non sono controlli di sicurezza.
Oran Moyal è cofondatore e CTO di Ocean Security, dove sviluppa soluzioni di IA agentica per indagare minacce sofisticate via email. La sua esperienza spazia dalla ricerca e sviluppo nel campo della cybersicurezza al social engineering offensivo e alla sicurezza aziendale. Nel 2024 ha fondato Ocean insieme a Shay Shwartz, facendo tesoro della loro esperienza nell’analisi di come gli aggressori sfruttino le comunicazioni fidate e di come i sistemi di sicurezza possano contrastare minacce sempre più mirate.
Ocean Security sviluppa una piattaforma di sicurezza della posta elettronica basata sull’IA agentica, progettata per indagare tentativi di phishing mirati, compromissioni della posta elettronica aziendale e frodi finanziarie. I suoi agenti IA specializzati analizzano il contesto delle comunicazioni e le intenzioni del mittente per aiutare i team di sicurezza a individuare le minacce nascoste in interazioni aziendali apparentemente legittime. In questa intervista, Moyal parla di ciò che rende un’organizzazione nativa dell’IA, di come riprogettare i flussi di lavoro attorno agli agenti e del perché requisiti chiari, convalida indipendente, autorizzazioni applicate e giudizio umano restino fondamentali per un’automazione efficace.
Prima di cofondare Ocean nel 2024, hai lavorato per anni nella ricerca e nello sviluppo nel campo della cybersicurezza, anche ricoprendo incarichi nelle Forze di difesa israeliane e presso VisibleRisk / Microsoft Security. Quali esperienze ti hanno spinto a fondare Ocean e in che modo l’avvento dell’IA ha influenzato fin dall’inizio la tua visione dell’azienda?
In passato, una campagna mirata di spear phishing richiedeva un team dedicato e settimane di ricerca e preparazione manuali. Con l’arrivo dell’IA generativa, ci siamo resi conto che ogni dipendente di ogni azienda è ormai esposto a devastanti attacchi di phishing con capacità pari a quelle di uno Stato-nazione. Da un giorno all’altro, un abbonamento da 20 $ ha messo capacità da Stato-nazione a disposizione di ogni aggressore.
Shay e io abbiamo una profonda esperienza di social engineering dal lato offensivo e abbiamo entrambi creato e fatto crescere aziende di sicurezza informatica per il mondo enterprise, quindi sapevamo che gli strumenti tradizionali non sarebbero riusciti a tenere il passo. Cercano violazioni delle regole e anomalie, ma questi attacchi si insinuano nelle normali comunicazioni aziendali: conversazioni reali, account fidati e servizi legittimi. Non c’è nulla di anomalo. Per questo, nel 2024 abbiamo fondato Ocean per aiutare le aziende ad adattarsi a questa nuova minaccia grazie a una soluzione di sicurezza della posta elettronica basata sull’IA, che analizza in tempo reale il contesto e le intenzioni del mittente, proprio come farebbe un investigatore umano, prima che si verifichi una compromissione.
Molte organizzazioni si definiscono «native dell’IA» semplicemente perché hanno adottato strumenti di IA o automatizzato alcuni processi. A tuo avviso, che cosa distingue davvero un’organizzazione nativa dell’IA da una che ha semplicemente integrato l’IA nelle attività esistenti?
Molte aziende si definiscono native dell’IA perché hanno acquistato strumenti di IA. Questo è adottare una tecnologia. Essere nativi dell’IA cambia il modo in cui l’azienda gestisce il lavoro quotidiano e affronta i colli di bottiglia.
Tutto comincia dal modo in cui i leader reagiscono a un collo di bottiglia. La risposta istintiva tradizionale è: «Ci vuole troppo tempo; assumiamo qualcuno che se ne occupi». Un’organizzazione nativa dell’IA si chiede prima di tutto: «In che modo l’IA può velocizzare l’intera funzione?». Se si ripete questa domanda in ogni team, l’intera azienda comincia a operare in modo diverso.
Una vera trasformazione in chiave nativa dell’IA è organizzativa, non tecnica. Se si accelera un reparto, il collo di bottiglia si sposta semplicemente a quello successivo e l’azienda finisce per procedere al ritmo della sua funzione più lenta. Le organizzazioni native dell’IA si trasformano insieme: le informazioni circolano più velocemente, i cicli di feedback si accorciano e i team lavorano come un unico sistema interconnesso.
In questo modello cambia il valore delle persone. Man mano che l’IA si fa carico di una parte crescente del lavoro, le competenze più rare diventano la capacità di definire una direzione chiara, precisare le intenzioni e applicare il giudizio. Persone e agenti lavorano fianco a fianco. L’IA si occupa di una quota maggiore dell’esecuzione, mentre le persone decidono che cosa vale la pena realizzare e perché.
L’obiettivo è consentire a ogni team di ottenere di più con le stesse risorse, procedere più rapidamente e collaborare meglio, senza compromettere la qualità.
Hai sostenuto che i guadagni di produttività ottenuti grazie all’IA possono svanire rapidamente quando i flussi di lavoro sottostanti sono inefficienti. Quali sono i colli di bottiglia operativi più comuni che impediscono alle aziende di sfruttare appieno i vantaggi dell’IA e come dovrebbero i leader affrontare la riprogettazione di questi flussi di lavoro?
Velocizzare le singole attività non accelera automaticamente l’intera organizzazione. Se i processi, le dipendenze e la comunicazione tra i team restano invariati, gran parte della produttività generata dall’IA va persa lungo il percorso.
I colli di bottiglia più comuni non sono di natura tecnica. Sono requisiti poco chiari, che costringono a ripetere il lavoro, passaggi di consegne lenti tra i team e attività in attesa di approvazione. L’IA velocizza ogni fase, ma il tempo si perde negli intervalli tra una fase e l’altra.
I leader dovrebbero iniziare misurando dove viene effettivamente impiegato il tempo, perché il vero collo di bottiglia spesso non è quello che tutti immaginano. Dovrebbero poi riprogettare il flusso di lavoro dall’inizio alla fine, correggendo i passaggi di consegne, le definizioni e i cicli di feedback, invece di intervenire solo sulle singole attività. Infine, dovrebbero collegare ogni iniziativa di IA ai KPI di cui i team sono già responsabili.
Soprattutto, i leader devono cambiare mentalità. L’automazione e l’accelerazione dovrebbero diventare la regola. Invece di accettare i processi esistenti, i team dovrebbero continuare a mettere in discussione il modo in cui si lavora, così da procedere più rapidamente e aumentare il proprio impatto senza compromettere la qualità.
Uno dei principi che sottolinei è l’importanza di definire chiaramente i requisiti prima di introdurre agenti IA in un flusso di lavoro. In che modo le organizzazioni dovrebbero ripensare il modo in cui definiscono le attività, comunicano le aspettative e stabiliscono i criteri di successo quando gli agenti IA sono responsabili dell’esecuzione di una parte significativa del lavoro?
Quando gli agenti IA svolgono gran parte del lavoro, le organizzazioni devono ripensare il modo in cui comunicano e definiscono le attività. Una richiesta vaga non ferma un agente: lo induce a fare supposizioni, e ogni supposizione sbagliata genera ulteriore lavoro da rifare.
Io la vedo articolata su tre livelli:
Attività, obiettivi e contesto chiari. L’agente deve capire che cosa va fatto, perché è importante e qual è il contesto. Prima di iniziare il lavoro, dovrebbe poter chiedere chiarimenti su tutto ciò che non è chiaro, così da colmare le lacune subito, anziché accorgersene a lavoro già avviato.
Autovalutazione. I criteri di successo dovrebbero essere definiti in anticipo e in modo che l’agente possa verificarli autonomamente. Nel software, per esempio, un agente dovrebbe poter eseguire il codice, verificare che funzioni come previsto e accertarsi che superi i test prima che qualcuno lo esamini.
Le persone come ultimo livello. Le persone dovrebbero ricevere un risultato che l’agente ha già perfezionato attraverso diverse iterazioni, sulla base dei criteri concordati. Il loro compito è esercitare il proprio giudizio, non correggere errori di base.
Più la definizione è precisa, meno tempo umano richiede ogni risultato.
Sostieni che gli agenti IA dovrebbero poter convalidare il proprio lavoro prima che arrivi ai revisori umani. Come si svolge nella pratica un processo efficace di convalida basato sull’IA e come possono le organizzazioni assicurarsi che i controlli automatizzati della qualità non si limitino a rafforzare gli stessi errori commessi durante l’esecuzione?
Un processo di convalida efficace verifica il lavoro nelle condizioni in cui verrà effettivamente utilizzato. L’agente dovrebbe eseguire il sistema reale dall’inizio alla fine, accertarsi che il risultato corrisponda ai criteri di successo e correggere ciò che non funziona prima che arrivi a una persona.
Per evitare che la convalida ripeta gli errori dell’agente stesso, sono importanti alcuni principi:
Separare i criteri dall’esecuzione. Le persone dovrebbero definire che cosa significa avere successo prima che inizi il lavoro. Se è l’agente a decidere che cosa significa «finito», finirà per correggere da sé i propri compiti.
Stabilire paletti rigorosi. Non tutti i controlli dovrebbero dipendere dal giudizio di un agente. Alcuni devono essere test fissi e deterministici, che verifichino parametri, standard e criteri specifici. In questo modo l’agente ha limiti chiari che non può aggirare con il ragionamento.
Affidarsi a un revisore indipendente. Un secondo agente, con un contesto nuovo e senza essere coinvolto nell’approccio iniziale, può individuare gli errori sfuggiti al primo.
Mostrare le prove, non solo il verdetto. I risultati dei test, gli screenshot e le registrazioni permettono alle persone di vedere che cosa è successo, invece di fidarsi di un semplice «superato».
L’attenzione delle persone può così concentrarsi sui rischi maggiori. L’obiettivo non è escluderle dal processo, ma fare in modo che dedichino il proprio tempo al giudizio, non ai controlli meccanici.
Le organizzazioni tradizionali si affidano spesso a più livelli dirigenziali, approvazioni e passaggi di consegne tra i team. In che modo un modello operativo nativo dell’IA cambia la collaborazione tra i team di ingegneria, prodotto, sicurezza e business? E che cosa accade ai ruoli e alle responsabilità tradizionali man mano che gli agenti si fanno carico di una quota maggiore dell’esecuzione?
L’IA permette a ogni persona e a ogni team di produrre di più. Ma se i passaggi di consegne, le approvazioni e il coordinamento restano invariati, il lavoro aggiuntivo si accumula in attesa della fase successiva. L’organizzazione non diventa più veloce: crea nuovi colli di bottiglia. Un modello operativo nativo dell’IA deve ripensare il modo in cui i team collaborano, non solo il modo in cui lavora ciascun team.
Bisogna partire dal flusso delle informazioni. Una quota maggiore dovrebbe essere gestita tramite automazione, così da riservare le riunioni alle decisioni anziché agli aggiornamenti. Quando le osservazioni sul campo arrivano direttamente al team di prodotto, le decisioni diventano più rapide e accurate, con ricadute positive sulla chiarezza delle definizioni e sulla qualità dell’esecuzione.
Anche le approvazioni vanno ripensate, ed è la parte più difficile, perché significa cambiare ciò che l’organizzazione considera normale. Le approvazioni restano importanti, ma non dovrebbero trattare ogni modifica allo stesso modo. Per esempio, aggiungere una valutazione del rischio a uno specifico processo di approvazione può ridurre le approvazioni manuali per le attività a basso rischio, mantenendo al contempo la revisione umana dove è più importante. È solo un modo per accelerare un processo senza rinunciare al controllo.
Anche i ruoli stanno cambiando. Man mano che gli agenti si fanno carico di una quota maggiore dell’esecuzione, le persone passano dall’essere responsabili delle attività all’essere responsabili dei risultati. Devono comprendere il contesto nel suo insieme, mettere in discussione le supposizioni e andare oltre i confini tradizionali del proprio ruolo. A distinguersi saranno le organizzazioni che riprogetteranno il modo in cui le persone collaborano, non semplicemente quelle che aggiungeranno più IA.
La stessa Ocean utilizza agenti IA specializzati per analizzare minacce sofisticate veicolate via e-mail. In che modo la tua esperienza nello sviluppo di IA agentica per la cybersicurezza ha influenzato l’uso dell’IA all’interno dell’azienda? E ci sono insegnamenti tratti dalla realizzazione di sistemi di sicurezza autonomi che si applicano alla gestione di un’organizzazione nativa dell’IA?
La creazione di agenti autonomi per la sicurezza della posta elettronica ha influenzato in due modi il nostro uso interno dell’IA.
La prima lezione è che gli agenti rendono solo in base a quanto comprendono il contesto. Un agente di sicurezza prende decisioni migliori quando conosce l’organizzazione che protegge. Lo stesso vale al suo interno. Per ottenere buoni risultati dagli agenti, dobbiamo aiutarli a comprendere davvero come funziona l’organizzazione, a cosa serve ciascuna attività e in che modo si inserisce nel quadro generale.
La seconda lezione è che gli agenti hanno bisogno di una valutazione continua. In produzione, valutiamo costantemente le prestazioni dei nostri agenti, i punti in cui falliscono e gli strumenti o i dati che mancano loro. Applichiamo lo stesso approccio anche all’interno dell’organizzazione. Serve uno spazio dedicato a testare e addestrare gli agenti e a raccogliere riscontri sul loro operato. Senza, è difficile capire se un agente sta migliorando o di cosa ha bisogno per progredire.
Gestire un’organizzazione nativa dell’IA è molto simile a costruire un sistema di sicurezza autonomo: fornire agli agenti un contesto approfondito, valutarne costantemente le prestazioni e coinvolgere le persone nei processi in cui il giudizio umano è fondamentale.
Man mano che le organizzazioni concedono maggiore autonomia agli agenti di IA, emergono preoccupazioni legate alla responsabilità, alla sicurezza e alle conseguenze indesiderate. Alla luce della sua esperienza nel campo della cybersicurezza, in che modo le aziende dovrebbero definire misure di protezione che consentano agli agenti di operare in autonomia senza compromettere la sicurezza o rinunciare a un’effettiva supervisione umana?
Gli agenti si stanno dirigendo verso una maggiore autonomia, e le organizzazioni dovrebbero procedere per gradi. È bene partire da ambiti in cui l’impatto è ben compreso, dimostrare il valore e poi ampliare il raggio d’azione.
Le vere misure di protezione non sono semplici istruzioni. Dire a un agente «non fare questo» non è un controllo di sicurezza. Le misure di protezione devono essere applicate: occorrono limiti rigorosi a ciò a cui l’agente può accedere, verifiche che gli impediscano di raggiungere contenuti al di fuori del suo ambito e un monitoraggio continuo che blocchi le azioni non previste. Come ogni altra componente del sistema, devono essere testate e convalidate regolarmente.
La responsabilità parte da chi gestisce l’agente. È questa persona a definirne i limiti: cosa può fare autonomamente, cosa richiede un’approvazione e dove non può spingersi. Prendiamo un agente che risponde alle minacce via e-mail. Può mettere in quarantena i messaggi sospetti autonomamente, in modo rapido e affidabile. Per le azioni con un impatto più ampio, come bloccare un mittente in tutta l’organizzazione, chi lo gestisce può iniziare prevedendo una fase di revisione. Man mano che l’agente dimostra la propria affidabilità, questi limiti possono essere ampliati con fiducia. Misure di protezione chiare sono ciò che rende possibile una maggiore autonomia.
Questo è ancora più importante perché gli aggressori prendono sempre più di mira gli agenti di IA. L’azienda vuole procedere più rapidamente, ma i team di sicurezza non dispongono ancora di linee guida chiare per proteggere gli agenti. Per questo, le basi devono essere costituite da autorizzazioni applicate con rigore e da un monitoraggio costante.
Molte aziende misurano l’adozione dell’IA in base al tempo risparmiato, alle attività automatizzate o alla produttività dei dipendenti. Quali metriche, secondo lei, dimostrano davvero se un modello operativo nativo dell’IA sta generando valore aziendale sostenibile, tenendo conto in particolare dei costi legati alle rilavorazioni, alla qualità e al coordinamento?
Il tempo risparmiato è una metrica importante e spesso rappresenta il primo segnale chiaro del valore generato dall’IA. Tuttavia, il suo impatto emerge appieno quando viene affiancata da metriche che mostrano come l’organizzazione impiega quel tempo e se i vantaggi durano nel lungo periodo.
Qualità. La maggiore velocità è un vantaggio solo se la qualità resta invariata o migliora. Occorre monitorare le rilavorazioni, i difetti e la frequenza con cui i risultati devono essere corretti dopo la consegna. Quando velocità e qualità migliorano insieme, i vantaggi sono concreti e duraturi.
Espansione aziendale. Il vero valore di un’organizzazione nativa dell’IA si misura in ciò che il tempo risparmiato consente di fare. Misuriamo quante nuove capacità e iniziative riusciamo ad aggiungere senza aumentare il numero dei dipendenti.
Velocità da inizio a fine. Il tempo che un agente impiega per sviluppare una funzionalità è solo una parte del quadro. La vera misura riguarda l’intero processo, compresi tutti i passaggi di consegne, dal momento in cui decidiamo di dare priorità a un’attività fino a quando la funzionalità è disponibile nel prodotto. È questo a indicare la velocità effettiva delle nostre operazioni e a mettere in luce i costi di coordinamento che le metriche riferite alle singole attività non rilevano. In ambito di sicurezza, la velocità da inizio a fine è fondamentale. Gli aggressori utilizzano già agenti di IA, quindi i tempi necessari per rilevare e contrastare una minaccia devono continuare a ridursi.
Il tempo risparmiato dimostra che l’IA funziona. Queste metriche mostrano che sta generando valore duraturo per l’azienda.
Lei ha affermato che le aziende tecnologiche più piccole e agili possono ottenere un vantaggio competitivo significativo riprogettando le proprie attività attorno all’IA. Quali vantaggi hanno le startup native dell’IA rispetto alle aziende consolidate e come immagina che evolverà la struttura delle aziende tecnologiche di successo nei prossimi tre-cinque anni?
Le startup native dell’IA hanno un vantaggio strutturale. Possono progettare fin dal primo giorno flussi di lavoro, tecnologie e team attorno agli agenti di IA, mentre le aziende consolidate devono fare i conti con decenni di infrastrutture obsolete e complessità organizzativa. Il divario maggiore non è di natura tecnica: tutti hanno accesso agli stessi strumenti di IA. Il vantaggio va alle aziende capaci di riprogettare il proprio modo di lavorare senza dover prima districare una rete di livelli di approvazione, passaggi di consegne e ruoli fissi.
Nei prossimi tre-cinque anni, credo che le aziende tecnologiche di successo andranno oltre la semplice automazione basata sull’IA, adottando modelli operativi agentici in cui agenti IA specializzati eseguono interi flussi di lavoro. I team umani non scompariranno, ma le persone dedicheranno meno tempo all’esecuzione manuale delle attività e più tempo a fornire contesto, definire limiti e orientare i risultati. Ne risulteranno organizzazioni più snelle, capaci di crescere più rapidamente, operare con maggiore efficienza e competere con aziende molte volte più grandi.
Grazie per l’ottima intervista; i lettori che desiderano saperne di più sulla sicurezza della posta elettronica basata su agenti dovrebbero visitare Ocean Security.












