Rami Habal, Fondatore e CEO di Magnitude – Serie di Interviste

Rami Habal, Fondatore e CEO di Magnitude è un veterano dirigente di prodotti di cybersecurity e IA con una carriera che abbraccia la sicurezza aziendale, il machine learning, la tecnologia consumer e le startup sostenute da venture capital. Prima di fondare Magnitude, ha ricoperto il ruolo di Entrepreneur in Residence presso Ballistic Ventures e ha trascorso più di quattro anni in Abnormal Security, includendo le posizioni di Chief Product Officer e Chief Customer Officer. In precedenza, Habal ha guidato l’esperienza multi-dispositivo per Amazon Alexa, ha gestito il prodotto presso Reverb ed è stato uno dei primi dipendenti di Proofpoint, dove ha contribuito a costruire e commercializzare prodotti di sicurezza mentre l’azienda passava da startup a IPO. La sua carriera comprende anche esperienze in venture capital, tecnologia mobile, API e strategia di prodotto, fornendogli un ampio background all’intersezione tra cybersecurity, IA e software aziendale.

Magnitude è un’azienda di cybersecurity nativa AI focalizzata sulla trasformazione della gestione del rischio di terze parti (TPRM) da revisioni periodiche di conformità a una funzione di sicurezza continua. La sua piattaforma multi-agente utilizza agenti AI specializzati per valutare fornitori e prodotti, monitorare continuamente vulnerabilità e altri cambiamenti di rischio, mappare dipendenze di quarto, quinto e livelli più profondi, automatizzare le comunicazioni con i fornitori e aiutare nella gestione della remediation. Invece di basarsi principalmente su questionari e valutazioni puntuali, Magnitude è progettata per ragionare rispetto alle politiche dell’organizzazione e fornire decisioni basate su evidenze con fonti e ragionamenti tracciabili. L’obiettivo più ampio è offrire ai team di sicurezza una visibilità continua su ecosistemi software e fornitori sempre più complessi, consentendo agli analisti umani di concentrarsi su decisioni di giudizio a più alto valore.

Dopo aver contribuito allo sviluppo di prodotti presso Proofpoint, Amazon Alexa e Abnormal Security, cosa ti ha convinto che fosse il momento giusto per fondare Magnitude? C’era una realizzazione specifica o un punto dolente del cliente che ti ha fatto credere che la gestione autonoma del rischio di terze parti dovesse diventare una propria azienda?

Sapevo che, dopo la mia esperienza in Abnormal, volevo avviare un’azienda. Non sapevo quale problema valesse la pena di costruire un’azienda attorno. Nel corso della mia carriera, sono stato attratto da prodotti di machine learning applicato che rispondono a esigenze ampie e universali, come la sicurezza email in Proofpoint, il calcolo vocale con Alexa e la sicurezza comportamentale in Abnormal. Volevo trovare un altro problema con la stessa portata per aiutare le imprese.

Poi sono arrivati gli agenti. Avendo lavorato sulla precedente ondata di machine learning, ho potuto vedere che non si trattava solo di un’altra funzionalità di prodotto. Era un cambiamento di piattaforma, e questi non si verificano molto spesso.

Mentre ero entrepreneur-in-residence presso Ballistic Ventures, ho iniziato a parlare con i CISO su dove quel cambiamento potesse avere il maggiore impatto. Il rischio di terze parti è emerso ripetutamente. Storicamente, aveva senso che il TPRM fosse inserito nella funzione GRC perché il rischio dei fornitori si muoveva abbastanza lentamente da permettere revisioni periodiche. Ma tale presupposto si stava indebolendo. Tutti concordavano che fosse un problema importante, ma la maggior parte delle organizzazioni lo gestiva ancora con questionari annuali, fogli di calcolo, revisioni periodiche e un lavoro manuale esteso. La reazione era coerente: la gestione del rischio di terze parti è critica, ma non abbiamo ancora un modo efficace per risolverlo.

Questa è stata la consapevolezza alla base di Magnitude. Sapevo che il modello tradizionale non funzionava più e che avevamo bisogno di una tecnologia in grado di cambiare completamente il modello operativo, non semplicemente di rendere più veloce il vecchio processo basato su fogli di calcolo. Fin dall’inizio, la mia visione era che ogni fornitore avrebbe alla fine avuto uno sciame di agenti che valutano continuamente i rischi che lo circondano. Magnitude è nata da questa convinzione.

Descrivi l’arrivo dell’\”era Mythos\”, dove l’IA può identificare e sfruttare le vulnerabilità più rapidamente di quanto gli esseri umani possano reagire. Quali cambiamenti hai osservato nell’ultimo anno che ti hanno convinto che questo spostamento sia già in corso piuttosto che un problema futuro?

Il cambiamento più grande che ho osservato è la rapidità con cui questi attacchi avvengono ora. Un anno fa, gran parte della discussione riguardava ancora ciò che l’IA potrebbe eventualmente consentire a un attaccante di fare. Ora possiamo vedere queste capacità prendere forma in tempo reale. L’IA può aiutare un attaccante a esaminare un ecosistema software molto più ampio, scoprire vulnerabilità che prima potevano essere sconosciute e attaccare queste vulnerabilità su una scala che sarebbe difficile da eguagliare per un team umano.

Nell’era Mythos, i sistemi di IA hanno dimostrato la capacità di individuare più di 2.000 difetti precedentemente sconosciuti nei vari ecosistemi software, e il tempo medio dalla scoperta della vulnerabilità all’exploit weaponizzato dovrebbe scendere sotto un’ora entro la fine del 2026. Sebbene il tempo tra scoperta e weaponizzazione continui a ridursi, ciò crea un divario tra la rapidità con cui l’esposizione può manifestarsi e la velocità con cui i cicli di revisione tradizionali possono rispondere.

Stiamo anche osservando che il modello degli incidenti si muove nella stessa direzione. Nella nostra analisi, la frequenza degli attacchi alla catena di fornitura è aumentata da circa 13 incidenti al mese nel 2024 a 41 al mese nel 2026. Abbiamo notato che questa attività cresce parallelamente a miglioramenti significativi nei modelli di frontiera. Non affermo che ogni rilascio di modello causi direttamente più attacchi, ma la tendenza è difficile da ignorare. Gli strumenti stanno diventando più potenti man mano che il ritmo degli attacchi accelera.

Ciò che conferma davvero questo cambiamento per me sono le conversazioni che sto avendo con i leader della sicurezza. Non parlano più di rischio di terze parti come qualcosa che può essere gestito tramite una revisione annuale e rivisto al rinnovo. Si sentono esposti nei mesi tra quelle revisioni perché i loro fornitori, le dipendenze software e i fornitori a valle cambiano costantemente.

Questo è ciò che per me significa l’era Mythos. La finestra per comprendere e rispondere al rischio si sta restringendo, mentre l’impatto potenziale di un singolo fornitore compromesso si sta ampliando. Un processo di conformità periodico semplicemente non è stato progettato per quell’ambiente.

Molte imprese stanno distribuendo rapidamente agenti IA in tutta l’organizzazione. Come dovrebbero i leader della sicurezza ripensare alla governance quando quegli agenti interagiscono sempre più con fornitori esterni, API e dipendenze a valle?

La prima cosa che i leader della sicurezza devono riconoscere è che anche un agente IA costruito all’interno dell’azienda potrebbe non essere interamente interno. Potrebbe fare affidamento su una piattaforma esterna, su una skill di terze parti tramite MCP, su un servizio come Google Drive o su altra tecnologia che l’organizzazione non controlla direttamente. E ciascuno di questi fornitori può avere a sua volta dei propri fornitori.

Non basta più approvare l’agente stesso. I leader devono capire a quali informazioni può accedere, quali azioni può compiere, a quali servizi esterni dipende e quando è necessaria l’approvazione umana. Devono anche comprendere come quelle dipendenze possano cambiare nel tempo man mano che l’agente acquisisce nuove capacità, si collega a nuovi sistemi o inizia a fare affidamento su fornitori a valle aggiuntivi. Quei controlli non possono essere impostati una volta per tutte e dimenticati. Man mano che un agente guadagna nuove capacità o connessioni, la sua governance deve adeguarsi di conseguenza.

L’obiettivo non dovrebbe essere rallentare l’adozione dell’IA, ma fornire alle aziende una visibilità sufficiente per utilizzare gli agenti con fiducia. La governance deve diventare una pratica di sicurezza continua, anziché un’approvazione una tantum completata quando viene introdotto un nuovo strumento.

La gestione del rischio di terze parti si è tradizionalmente basata su questionari e revisioni periodiche. Perché ritieni che quel modello si rompa fondamentalmente in un contesto guidato dall’IA? 

Il problema del modello tradizionale di TPRM è che fornisce un’istantanea di ciò che un fornitore ha dichiarato vero in un momento specifico. Un’azienda può completare un questionario al momento della prima approvazione e poi non essere più riesaminata fino al rinnovo, che può avvenire anni dopo. Nel frattempo, la sua tecnologia, le pratiche di sicurezza, i modelli IA, l’uso dei dati e i fornitori possono cambiare. Riusciamo a malapena a prevedere cosa cambierà nelle prossime settimane, quindi fare affidamento su una valutazione di anni fa non ha più senso.

C’è anche la questione dell’affidabilità delle informazioni. Una risposta inserita da qualcuno che cerca di far avanzare un accordo non è la stessa cosa di un dato supportato da un audit indipendente, da una dichiarazione aziendale firmata o da un’altra fonte verificabile. I leader della sicurezza devono sapere non solo qual è la risposta, ma da dove proviene e se è ancora attuale.

Infine, i questionari di solito si fermano al fornitore diretto. Raramente mostrano le parti N‑esime, anche se quelle relazioni nascoste di quarta e quinta parte possono creare una reale esposizione. Gli aggressori ora sanno che il punto più debole di un’impresa non è l’impresa stessa, ma uno di questi fornitori a valle. Attaccare quei fornitori può alla fine dare loro accesso all’impresa. È semplicemente più economico e più facile.

Ecco perché non penso che la risposta sia semplicemente usare l’IA per completare i questionari più velocemente. In quel modello ci saranno sempre lacune. Il modello stesso deve cambiare, passando da istantanee periodiche auto‑riportate a una comprensione continua, in tempo reale e basata su evidenze del rischio, profonda quanto la catena di fornitura di un’azienda.

Magnitude introduce il concetto di forza lavoro IA autonoma per i team di sicurezza. Dove vedi l’equilibrio tra decisioni guidate dall’IA e supervisione umana, in particolare per decisioni di sicurezza ad alto impatto? 

Autonomo non deve significare non responsabile. Il modo in cui lo vedo è che l’IA dovrebbe gestire il lavoro critico ma ripetitivo che consuma gran parte del tempo di un team di sicurezza, mentre le persone rimangono coinvolte quando una decisione richiede giudizio, contesto o comporta conseguenze aziendali significative. Il fatto è che nessun team di sicurezza dispone oggi di risorse sufficienti per gestire l’attuale mandato. L’IA può aiutare a colmare quel divario.

La qualità dell’IA è di enorme importanza. Quando è ben realizzata, l’IA è un moltiplicatore di forza. Fornisce al team più capacità e aiuta le persone a concentrarsi su lavori a più alto valore. Quando è realizzata male, ha l’effetto opposto perché qualcuno deve ricontrollare ogni output. Per decisioni di sicurezza ad alto impatto, il sistema deve essere di alta qualità e in grado di mostrare quali evidenze ha utilizzato e come è giunto alla sua raccomandazione, creando un registro auditabile.

Il livello corretto di supervisione varrà anche in base all’organizzazione. Una grande azienda con un team di sicurezza consolidato può usare l’IA più come un pilota automatico, con le persone che supervisionano il lavoro e intervengono per le eccezioni. Un’organizzazione più piccola può scegliere di automatizzare più del programma perché manca di personale o budget per costruire un grande team. In entrambi i casi, dovrebbero esserci punti chiari in cui un problema viene escalato a una persona.

In definitiva, l’organizzazione dovrebbe poter decidere quanto coinvolgimento umano desidera in base all’importanza della decisione. L’obiettivo non è eliminare le persone dalla sicurezza, ma aiutarle a utilizzare meglio il loro tempo, prendere decisioni aziendali più rapide e riservare l’attenzione umana alle decisioni in cui aggiunge più valore.

Il vostro team riunisce competenze in IA, cybersecurity e piattaforme su scala consumer. In che modo questa combinazione ha influenzato il modo in cui avete progettato Magnitude rispetto ai tradizionali prodotti di cybersecurity? 

Ciascuno dei nostri background ci ha insegnato qualcosa di diverso su ciò che un prodotto di sicurezza basato sull’IA deve fare bene. Nella cybersecurity, una risposta è utile solo se ci si può fidare, se può essere ricondotta a prove e se è possibile agire su di essa. Dal nostro lavoro nell’IA e nel machine learning, abbiamo capito che la vera opportunità non è semplicemente riassumere le informazioni, ma trasformare il lavoro degli esperti in un sistema capace di eseguirlo in modo costante. Costruire piattaforme come Alexa e Pandora ci ha insegnato a pensare all’affidabilità e all’usabilità su scala molto ampia.

Queste lezioni ci hanno allontanati dal modello tradizionale della cybersecurity, che consiste nel produrre un altro cruscotto o un altro flusso di avvisi per un team già sovraccarico da investigare. Abbiamo progettato Magnitude per svolgere il lavoro: raccogliere e verificare le informazioni, valutare i fornitori, monitorare i cambiamenti, collegare le nuove informazioni al rischio aziendale e contribuire a far avanzare le problematiche verso la risoluzione.

Dietro le quinte, ciò comporta più agenti IA specializzati che lavorano insieme. Tuttavia, l’esperienza del cliente deve rimanere semplice. I team di sicurezza non dovrebbero dover diventare esperti di IA per capire cosa ha trovato il sistema, perché è importante o quale azione intraprendere.

Il risultato è un prodotto progettato per operare in modo continuo su migliaia di fornitori, mantenendo comunque gli standard richiesti per decisioni di sicurezza ad alto impatto. Non è IA aggiunta a un flusso di lavoro preesistente; è stato costruito fin dall’inizio attorno all’idea che l’IA possa svolgere gran parte del flusso di lavoro stessa, fornendo alle persone le prove, la visibilità e il controllo di cui hanno bisogno.

Una delle preoccupazioni più grandi riguardo all’IA nella cybersecurity è che potenzi sia i difensori sia gli aggressori. Credete che il vantaggio sia attualmente a favore dei difensori o degli avversari, e cosa determinerà chi rimarrà in vantaggio nei prossimi anni?

Ritengo che oggi il vantaggio penda verso gli avversari, soprattutto negli attacchi alla catena di fornitura. Non direi che i difensori siano irrimediabilmente indietro. L’appello all’azione per i difensori è di smettere di trattare questo come un problema futuro e di accelerare subito. Entrambe le parti hanno accesso a molti degli stessi strumenti IA, ma l’economia e i tempi di immissione sul mercato attualmente favoriscono l’attaccante.

L’IA rende più economico e più facile testare più percorsi di attacco, lanciare più tentativi a più livelli e ripetere quel processo su larga scala. Quando un aggressore compromette un fornitore o un componente software ampiamente utilizzato, un singolo attacco riuscito può diffondersi a centinaia o addirittura migliaia di aziende.

I difensori hanno il compito più difficile perché devono comprendere e proteggere una vasta rete di fornitori, componenti software e fornitori a valle, e inoltre le imprese impiegano tempo per reagire, acquisire il software di supporto e operazionalizzare quegli strumenti, creando una finestra che gli aggressori possono sfruttare.

Ciò che determinerà chi rimarrà in vantaggio sarà la capacità dei difensori di cambiare questa equazione. Devono andare oltre le revisioni occasionali e i follow‑up manuali, passando a un monitoraggio continuo e a un’azione più rapida. Sistemi di governance e difesa automatizzati che monitorano costantemente i cambiamenti, li collegano al rischio aziendale e possono rispondere rapidamente renderanno gli attacchi più difficili da scalare e più costosi da ripetere.

La cybersecurity è sempre stata una gara del gatto col topo. L’IA non cambia questa dinamica, ma ne aumenta la velocità e l’importanza. I difensori hanno bisogno di sistemi che possano apprendere, adattarsi e agire al ritmo con cui gli aggressori stanno iniziando a operare.

Le catene di fornitura dell’IA stanno diventando sempre più complesse, con le organizzazioni che dipendono da numerosi modelli di base, fornitori SaaS e agenti autonomi. Quali rischi emergenti pensate che le imprese stiano ancora sottovalutando?

Il rischio più sottovalutato è la tecnologia che sta dietro al prodotto che un’azienda crede di aver approvato. Anche un agente sviluppato internamente può dipendere da piattaforme esterne, plug‑in, collaboratori o componenti software. Quelle relazioni nascoste creano un rischio di tipo N‑th party, i fornitori dietro un fornitore diretto.

La maggior parte delle imprese ha ancora pochissima visibilità su quel livello più profondo. Possono sapere con chi hanno firmato un contratto, ma non ogni servizio esterno, componente software o subappaltatore che alla fine supporta il prodotto.

L’altro problema è quanto questi sistemi siano interconnessi. Una vulnerabilità in un plug‑in o servizio di supporto potrebbe non rimanere isolata a quel fornitore. Può creare un percorso verso una piattaforma più ampia e poi influenzare molte organizzazioni che ne dipendono. Ciò significa che un fornitore relativamente piccolo può diventare una fonte di esposizione molto più grande.

Quindi la domanda che i responsabili del rischio dovrebbero porsi non è semplicemente: “Quale modello di IA stiamo usando?” Ma: “ da cosa dipende questo sistema, da cosa dipendono quei fornitori, e come potrebbe un problema in qualsiasi punto di quella catena raggiungerci?” Finché le aziende non saranno in grado di rispondere a queste domande, continueranno a ereditare rischi che non riescono a vedere.

Guardando oltre gli attuali grandi modelli linguistici, quali sviluppi tecnologici nei prossimi cinque anni prevedi avranno l’impatto più significativo sulla sicurezza informatica aziendale e sulla gestione del rischio? 

Non credo che il cambiamento determinante sarà un nuovo modello. Sarà il passaggio da un’IA che risponde a domande a sistemi di IA capaci di osservare continuamente ciò che accade, collegare informazioni provenienti da fonti diverse e agire.

La prossima generazione di modelli non sarà solo un po’ migliore; sarà molto più capace. Ma il cambiamento più grande arriverà dagli agenti specializzati che collaborano tra loro nelle operazioni di sicurezza. Oggi, le revisioni dei fornitori, le informazioni sulle minacce, il rischio aziendale e le attività di rimedio sono spesso gestiti con strumenti separati e da team distinti. Col tempo, queste funzioni cominceranno a convergere.

Mi aspetto che i sistemi di sicurezza diventino molto più interconnessi, aggregando informazioni sulle minacce, contesto aziendale, politiche aziendali e azioni di risposta anziché gestirle con strumenti separati. Potrebbero riconoscere che un fornitore è stato esposto a una nuova minaccia, capire quali parti dell’azienda potrebbero essere interessate e avviare la risposta senza attendere diversi passaggi manuali.

Ciò trasformerà la gestione del rischio da una serie di esercizi periodici a una capacità operativa continua. I programmi di rischio più solidi saranno costruiti attorno al contesto aziendale, a prove affidabili e alla capacità di trasformare le informazioni in azioni fidate.

Se potessi dare un unico consiglio a CISOs e leader aziendali che si preparano alla prossima generazione di minacce potenziate dall’IA, quale sarebbe e quali azioni dovrebbero dare priorità oggi?

Il mio consiglio è di smettere di gestire il rischio della catena di fornitura come un esercizio annuale. Il rischio cambia continuamente e il tuo approccio deve tenere il passo. L’ambiente è vivo e respirante. È troppo interconnesso e si evolve così rapidamente che una serie di revisioni e strumenti separati non riescono a stare al passo.

Il modo per proteggere questa superficie d’attacco emergente è con un unico piano di controllo nativo dell’IA per una governance e difesa continue, autonome, per tutti i tuoi rischi esterni.

Il punto di partenza è rappresentato dalle parti dell’azienda più importanti. Identifica i fornitori e i servizi esterni che supportano quelle operazioni critiche, comprendi dove si nascondono le dipendenze nascoste e stabilisci una chiara responsabilità per ciò che accade quando viene individuato un rischio. Quindi automatizza il più possibile il monitoraggio continuo e le risposte di routine, mantenendo le persone coinvolte per le decisioni con conseguenze aziendali rilevanti.

L’obiettivo non è semplicemente raccogliere più informazioni. Si tratta di collegare continuamente ciò che sai, decidere cosa è importante e agire prima che un problema di un fornitore diventi una questione a livello aziendale.

Grazie per la splendida intervista, i lettori che desiderano approfondire dovrebbero visitare Magnitude.