Sean Roche, direttore senior del marketing di prodotto e dell’analisi del valore di Obsidian Security – serie di interviste

Sean Roche, direttore senior del marketing di prodotto e dell’analisi del valore di Obsidian Security, guida iniziative interfunzionali focalizzate sulla sicurezza SaaS, sulla sicurezza AI e sulla strategia go-to-market. Ha svolto un ruolo chiave nello sviluppo del primo quadro unitario dei casi d’uso dell’azienda, allineando vendite, marketing e customer success intorno a risultati aziendali misurabili, oltre a sovrintendere al lancio di soluzioni di sicurezza per l’AI generativa e gli agenti AI. Prima di Obsidian Security, Roche ha ricoperto posizioni di leadership in aziende come Forter, Aviatrix e Okta, dove si è specializzato in consulenza sul valore aziendale, strategia di prezzo, analisi del valore per il cliente e analisi del ROI per i vertici aziendali. La sua formazione combina cybersecurity, strategia di software aziendale e ricerca finanziaria, dandogli una vasta esperienza nella traduzione di capacità tecniche in impatto aziendale misurabile per i clienti aziendali.

Obsidian Security è un’azienda di sicurezza informatica che si concentra sulla sicurezza delle applicazioni SaaS, degli agenti AI, delle identità e delle integrazioni aziendali attraverso ambienti cloud moderni. L’azienda fornisce una piattaforma unificata progettata per aiutare le organizzazioni a rilevare minacce, gestire lo stato di sicurezza SaaS, governare l’accesso ai dati e monitorare l’attività a rischio attraverso applicazioni aziendali critiche come Microsoft 365, Salesforce (CRM ), Slack e altri servizi cloud. Negli ultimi anni, Obsidian ha ampliato la sua offerta con la sicurezza degli agenti AI, aiutando le aziende a ottenere visibilità su come i sistemi AI autonomi interagiscono con le piattaforme SaaS, i dati e i flussi di lavoro in tempo reale. Fondata da leader della sicurezza con esperienze in aziende come CrowdStrike (CRWD ), Okta, Cylance e Carbon Black, Obsidian si posiziona come una piattaforma di sicurezza SaaS e AI end-to-end costruita per affrontare la crescente complessità degli ambienti cloud e dei sistemi con agenti AI.

Ha costruito la sua carriera all’incrocio tra valore aziendale, strategia di rischio e sicurezza SaaS, ora guidando l’analisi del valore e il marketing del prodotto di Obsidian Security. Cosa l’ha portato a concentrarsi sulla sicurezza degli ecosistemi SaaS guidati da AI, e come si differenzia l’approccio di Obsidian rispetto alle tecnologie emergenti basate su agenti come OpenClaws?

Nel corso della mia carriera, il più grande gap è sempre stato ciò che la sicurezza non può vedere, perché è lì che si verificano le violazioni. Abbiamo visto questo in incidenti in cui sistemi disconnessi o non gestiti hanno creato vulnerabilità che i controlli tradizionali non hanno colto. E ho visto la stessa dinamica in prima persona con i moderni ponti che le persone utilizzano per connettersi alle principali piattaforme, o connessioni che erano al di fuori della normale visibilità della sicurezza, e in alcuni casi anche dopo che il team IT pensava di averle disabilitate. Queste esperienze hanno reso chiaro quanto del rischio si trova nei punti di raccordo tra i sistemi, non solo all’interno dei sistemi che pensiamo di aver protetto.

Questa realtà sta passando dall’IT ombra all’AI ombra, dove nuovi strumenti e flussi di lavoro guidati da agenti possono apparire e diffondersi più velocemente di quanto le strategie di governance riescano a gestire. Molti approcci di sicurezza rispondono cercando di centralizzare e gestire tutto in un unico piano di controllo. Ma quel modello si rompe in ambienti distribuiti, specialmente quando i dati critici e l’attività si verificano all’interno di applicazioni di terze parti che non si possiedono e non si possono controllare completamente.

È questo che mi ha portato a concentrarmi sulla sicurezza degli ecosistemi SaaS guidati da AI, ed è anche il motivo per cui l’approccio di Obsidian è così convincente. Il numero di violazioni SaaS è aumentato del 300%, eppure la maggior parte delle organizzazioni manca ancora della visibilità appropriata su come queste applicazioni vengono utilizzate. È su questa lacuna che ci concentriamo, in modo che si possa capire cosa sta realmente accadendo all’interno dell’azienda e dove esiste l’esposizione. Man mano che le tecnologie agentiche come OpenClaws maturano, questo approccio sta diventando sempre più importante, perché il rischio non è solo se un agente ha accesso a determinati dati, ma a cosa può accedere e con quale rapidità può agire.

I sistemi di agenti AI come OpenClaws stanno ricevendo un’attenzione significativa dopo NVIDIA (NVDA ) GTC. Dal suo punto di vista, cosa differenzia fondamentalmente questi sistemi dai precedenti strumenti AI in termini di rischio di sicurezza?

Capire cosa sono le identità non umane e come proteggerle è diventato critico per i team di sicurezza, poiché 68% degli incidenti di sicurezza IT coinvolgono identità di macchina e la metà delle aziende intervistate ha subito una violazione di sicurezza a causa di identità non umane non gestite. L’industria della sicurezza si è concentrata principalmente sulla gestione della sicurezza SaaS e sulla governance delle identità umane, mentre le identità non umane si sono moltiplicate in sottofondo. Ora, mentre le aziende distribuiscono agenti AI con privilegi amministrativi su larga scala, il deficit di governance è diventato critico.

I sistemi di agenti come OpenClaws mostrano sia la promessa che il rischio dell’AI davvero autonoma. È una delle prime volte che vediamo l’AI rilasciata nel mondo reale con una vera autonomia, operante al di fuori di un flusso di lavoro circoscritto e supervisionato.

Il rischio di sicurezza cambia rapidamente quando queste capacità diventano più accessibili, abbassando la barriera per i non esperti per interagire e potenzialmente sfruttare questi sistemi critici. Le persone stanno già collegando agenti AI ai loro ambienti SaaS e ampliando il panorama delle minacce in diversi modi, tra cui chiavi API, integrazioni native e applicazioni di terze parti. Tuttavia, ogni nuovo flusso di lavoro abilitato dagli agenti moltiplica il numero di percorsi di accesso.

La recente violazione di Vercel illustra questa minaccia crescente che i team di sicurezza devono affrontare. Quando si autorizza un’app di terze parti, ci si fida implicitamente di tutti coloro che toccano l’infrastruttura di quell’app, il loro fornitore cloud, i loro sviluppatori, i loro servizi connessi. La maggior parte delle organizzazioni non sa cosa abbia effettivamente accettato, e questo problema è amplificato dall’uso diffuso di AI basata su agenti.

Molti agenti AI operano senza un vero sistema di controllo per mantenerli controllati. Quando non si hanno tracce che permettano di identificare l’attività dell’agente o si hanno guardrail deboli, è difficile sapere cosa ha fatto l’agente, cosa ha toccato e cosa è cambiato se non a posteriori. Quella combinazione è ciò che rende il profilo di rischio fondamentalmente diverso dai precedenti strumenti AI.

Ha descritto OpenClaws come una tecnologia che può aprire nuove superfici di attacco a causa delle ampie autorizzazioni e dell’autonomia dei suoi agenti. Può guidarci attraverso uno scenario del mondo reale in cui questo rischio diventa tangibile per un’azienda?

I rischi come quelli posti da OpenClaws diventano tangibili nel momento in cui questi agenti si spostano da compiti isolati e vengono installati in ambienti di produzione reali, il che è qualcosa che sta già accadendo.

La maggior parte delle organizzazioni si concentra sul garantire che la persona giusta possa accedere a un agente e che l’agente si comporti come previsto. Tuttavia, poche organizzazioni stanno pensando a cosa succede quando un agente inizia a interagire con un altro agente.

È lì che la superficie di attacco si espande drasticamente. Gli output di un sistema, come messaggi Slack o ticket Jira, diventano segnali che attivano azioni in un altro sistema. I leader perdono il controllo delle interazioni e non possono mantenere una visibilità e una traccia di audit coerenti. Questi agenti stanno anche collegandosi contemporaneamente attraverso API SaaS, molte delle quali mancano ancora di porte o protezioni di sicurezza adeguate.

L’azienda media sta già eseguendo centinaia di agenti, un numero che è cresciuto di quasi 100x nell’ultimo anno. Quando i team effettivamente guardano, il 38% presenta fattori di rischio medio, alto o critico, la maggior parte senza un proprietario documentato, diversi costruiti da account che non esistono più, con connettori attivi ai sistemi di produzione e nessuna cronologia di esecuzione.

Chiudere questo gap richiede una visibilità profonda all’interno delle applicazioni stesse per capire meglio cosa possono effettivamente fare queste credenziali, in ogni sistema, su ogni insieme di dati, per chiunque possa richiamarle. Senza quel contesto appropriato, si sta operando con solo metà dell’immagine. I leader devono anche spostare le strategie dalla rilevazione all’applicazione della sicurezza in tempo reale per bloccare azioni nel momento dell’esecuzione, prima che l’azione si completi, piuttosto che dopo che il danno è già stato fatto.

Molte organizzazioni ritengono di avere già una sicurezza SaaS adeguata. Dove si stanno rompendo queste ipotesi quando l’AI basata su agenti entra in scena?

Molte organizzazioni ritengono di aver già “risolto” la sicurezza SaaS, ma questa ipotesi sta venendo messa in discussione man mano che l’adozione di AI basata su agenti si accelera. La sicurezza SaaS viene spesso trattata come una casella da spuntare: il budget viene approvato, uno strumento viene distribuito e il problema viene considerato gestito. In pratica, tuttavia, le API SaaS che sottostanno a questi ambienti non sono state completamente portate sotto controllo, in gran parte perché c’è una visibilità aziendale limitata su cosa sta accadendo al livello dell’API e quali asset SaaS stanno parlando tra loro.

Questo crea un punto cieco strutturale, in cui le aziende possono proteggere identità e endpoint, ma spesso mancano di una chiara visibilità su come i dati SaaS vengono consultati e utilizzati per eseguire azioni una volta che le API sono in gioco. Di conseguenza, molte organizzazioni stanno ancora operando tramite Internet aperto direttamente nei sistemi critici senza comprendere appieno la scala o il comportamento delle interazioni guidate dall’API che si verificano al di sotto.

L’AI basata su agenti sta ora mettendo in luce questa lacuna, creando difficoltà più rapidamente di quanto i team riescano a risolverle e diventando un catalizzatore della discussione sulle API.

Come dovrebbero le aziende ripensare la governance quando si occupano di agenti AI autonomi che possono accedere, spostare e agire su dati attraverso più sistemi?

Nessun leader vuole rallentare l’adozione di AI in questo momento, specialmente poiché le pressioni aumentano per muoversi più velocemente o mostrare un output misurabile, anche quando il consumo di token viene utilizzato nelle valutazioni. In molti casi, i mandati AI provengono direttamente dai vertici, con i CEO che riferiscono i progressi ai consigli o addirittura agli stakeholder pubblici, il che aumenta solo la pressione per adottare rapidamente l’AI. In quell’ambiente, in cui “AI a tutti i costi” diventa l’atteggiamento predefinito, le configurazioni errate e le autorizzazioni di accesso eccessive non possono realisticamente essere risolte abbastanza velocemente attraverso i cicli di governance tradizionali.

Il problema è che i sistemi di agenti non aspettano la correzione. Possono scoprire sistemi, concatenare azioni ed eseguire flussi di lavoro attraverso più applicazioni SaaS in pochi secondi, spesso completando dieci o più passaggi prima che un essere umano possa persino accorgersene, per non parlare di intervenire.

È per questo che la governance non è più solo questione di rilevare problemi più precocemente nel ciclo di vita dello sviluppo, ma sempre più controllo nel momento in cui l’agente sta effettivamente agendo. I leader della sicurezza non possono governare efficacemente gli agenti se il controllo avviene solo dopo l’uso improprio.

In un mondo in cui gli agenti prendono decisioni autonome attraverso sistemi SaaS, l’unico approccio praticabile per proteggersi da queste minacce legate agli agenti AI è attraverso la governance durante l’esecuzione. Questo approccio richiede di andare oltre la rilevazione post-esecuzione, per rilevare e bloccare l’escalation dei privilegi, l’accesso eccessivo ai dati e le violazioni delle politiche prima che possano impattare l’organizzazione. Questi controlli devono essere allineati con gli standard OWASP e le migliori pratiche dell’industria, garantendo che gli agenti operino all’interno di limiti espliciti e applicabili concretamente – in modo che i team possano stare al passo con la velocità dell’adozione di AI basata su agenti senza compromettere l’innovazione.

Dal punto di vista tecnico, quali sono le vulnerabilità più trascurate introdotte dall’AI basata su agenti all’interno degli ambienti SaaS?

Quando le organizzazioni adottano uno strumento SaaS completamente nuovo, trovano spesso che la funzionalità AI viene aggiunta o abilitata automaticamente. Il problema è che queste funzionalità spesso non vengono fornite con lo stesso livello di controlli di configurazione o di verificabilità su cui i team di sicurezza fanno affidamento per le funzionalità SaaS tradizionali. Di conseguenza, quando un’azione viene eseguita, diventa difficile distinguere se è stata iniziata da un utente umano o da un agente autonomo. In molti casi, le aziende non hanno l’opzione di disattivare la funzionalità AI, poiché queste capacità sono integrate all’interno dell’applicazione SaaS stessa.

Quell’ambiguità crea un grande punto cieco per la sicurezza e la governance. Se una funzionalità AI incorporata sta prendendo decisioni per conto di un utente, le organizzazioni spesso non hanno un modo chiaro per tracciare l’intento, capire la logica decisionale o anche confermare cosa ha scatenato un’azione specifica.

Il rischio diventa ancora più pronunciato quando si considera la catena di approvvigionamento AI all’interno di SaaS. Queste funzionalità AI incorporate spesso dipendono da modelli upstream, servizi e integrazioni di terze parti. Se una parte di quella catena viene compromessa, degradata o manipolata, l’AI all’interno dell’applicazione SaaS può trasformare le applicazioni aziendali affidabili in partecipanti attivi a un percorso di attacco.

Il livello AI all’interno di SaaS è di fatto diventato una catena di approvvigionamento a sé stante, introducendo una nuova classe di rischio che deve essere monitorata e governata a sua volta. Senza visibilità su come si comportano questi sistemi AI incorporati e su quali dati si basano, le organizzazioni sono cieche a una parte crescente della loro superficie di attacco SaaS.

Ha lavorato a lungo sulla quantificazione del valore aziendale e del rischio. Come dovrebbero le organizzazioni misurare l’esposizione finanziaria e di reputazione legata agli agenti AI non sicuri?

Se un agente AI viene utilizzato in modo improprio o causa una violazione, l’impatto immediato non è solo l’incidente stesso, ma la risposta organizzativa che segue. Questo evento rallenterà il tasso al quale l’azienda è disposta ad adottare e scalare l’AI, poiché i leader diventano più cauti. Una volta che la fiducia viene rotta, diventa significativamente più difficile riavviare il motore dell’innovazione che ha guidato il valore in primo luogo.

Quella dinamica si estende oltre i team interni agli stakeholder esterni. I consigli di amministrazione, i clienti e gli azionisti si aspettano un’adozione responsabile, e qualsiasi fallimento legato agli agenti autonomi diventa rapidamente una questione di responsabilità nella tutela degli interessi affidati e di reputazione. Quando la sicurezza non viene integrata fin dalla progettazione, le organizzazioni sono costrette in conversazioni reattive su controllo e sicurezza, che inevitabilmente rallentano la presa di decisioni in tutta l’azienda.

C’è anche un’esposizione finanziaria più strutturale che viene spesso trascurata. Man mano che cresce la percezione della possibile portata dei danni causati dagli agenti AI, le aziende tendono a diventare più conservative nell’allocazione del capitale. In alcuni casi, ciò significa trattenere fondi o ritardare gli investimenti per proteggersi contro potenziali incidenti.

In questo senso, la sicurezza degli agenti AI diventa meno un esercizio di mitigazione del rischio puro e più una conversazione su entrate e crescita. Le organizzazioni che possono distribuire l’AI con fiducia, sapendo che gli agenti sono governati e mantenuti entro limiti definiti, saranno in grado di muoversi più velocemente, mentre quelle senza quella fiducia si rallenteranno naturalmente. Nel 2026, quella capacità di coniugare velocità e fiducia sta diventando un vantaggio straordinario.

C’è chiaramente una tensione tra l’adozione rapida di AI e la distribuzione responsabile. Come si presenta una strategia equilibrata per le aziende che vogliono innovare senza aumentare il loro profilo di rischio?

Al momento, una delle più grandi lacune tra l’adozione di AI e la distribuzione responsabile è la comunicazione. Molte aziende stanno attivamente utilizzando l’AI attraverso ambienti SaaS, ma non comunicano sempre in modo chiaro e coerente all’esterno sul suo utilizzo e sulle salvaguardie in atto. Quella mancanza di trasparenza può effettivamente aumentare il rischio, poiché lascia i clienti e i partner a supporre il peggiore dei casi piuttosto che capire i controlli reali in atto.

Un approccio più equilibrato tratta l’uso responsabile di AI come parte della proposta di valore, non solo come un esercizio di conformità interna. C’è un’opportunità per le aziende di essere più esplicite su come l’AI è governata all’interno dei loro ambienti, incluso ciò che può e non può fare e quali protezioni esistono quando interagisce con sistemi sensibili. Quel tipo di chiarezza costruisce fiducia per scalare l’AI in modo sicuro.

Le aziende che possono articolare chiaramente come l’AI viene utilizzata attraverso i loro ambienti SaaS e dimostrare che è controllata in un modo strutturato e osservabile, saranno in grado di innovare più velocemente senza aumentare il rischio percepito.

Man mano che più aziende sperimentano con l’AI basata su agenti, quali passi immediati dovrebbero compiere i team di sicurezza oggi per evitare di subire la prossima violazione destinata ai titoli dei giornali?

L’AI basata su agenti non introduce solo una nuova classe di rischio, ma accelera anche i rischi che le organizzazioni non possono ancora vedere. In realtà, l’AI ombra aggiunge altri $670K al costo medio di una violazione. Tuttavia, il problema di base è la visibilità. Quando le organizzazioni non sanno dove viene utilizzata l’AI o come interagisce con i sistemi, ci vuole più tempo per rilevare e contenere gli incidenti, aumentando direttamente sia l’impatto finanziario che quello normativo.

Il primo passo immediato è stabilire la visibilità in tutta l’azienda. I team di sicurezza devono avere un’immagine chiara dell’utilizzo di AI sia autorizzato che non autorizzato, non solo a livello di applicazione ma attraverso i flussi di lavoro in cui l’AI sta attivamente prendendo o influenzando decisioni.

Una volta che la visibilità esiste, l’attenzione si sposta sulla traduzione di essa in politiche applicabili concretamente e sulla loro incorporazione nei sistemi in cui il lavoro effettivo avviene. Ciò significa allinearsi con l’azienda su come l’AI dovrebbe essere utilizzata, quindi spostarsi dalla documentazione ai controlli tecnici che operano attraverso endpoint, piattaforme SaaS e sistemi di agenti. Più presto vengono introdotti questi controlli nel percorso di esecuzione, minore è la probabilità che incidenti ad alto costo e difficili da contenere emergano dall’AI ombra e dagli agenti autonomi.

Guardando avanti, come vede l’evoluzione del panorama della sicurezza man mano che i sistemi di agenti AI si integrano più profondamente nell’infrastruttura aziendale?

Le organizzazioni avranno bisogno di una sicurezza nativa AI per affrontare le minacce guidate da AI. Questi sistemi devono operare alla velocità delle macchine, ridisegnando fondamentalmente le operazioni di sicurezza. Gli esseri umani rimarranno coinvolti nel processo, ma si sposteranno verso una supervisione strategica, applicando il contesto e il giudizio che ancora mancano all’AI.

Questo cambiamento modifica anche il modo in cui vengono strutturati i team di sicurezza. I team potrebbero non ridursi, ma la loro portata si espanderà notevolmente, con un singolo professionista della sicurezza responsabile di una superficie molto più grande attraverso l’automazione e gli strumenti guidati da AI.

Inoltre, negli ambienti con agenti, il monitoraggio e la rilevazione non sono sufficienti. Le organizzazioni dovranno implementare meccanismi effettivi di applicazione dei controlli. Ciò significa costruire sistemi che agiscono come interruttori: la capacità di attivare o disattivare le funzionalità, limitare il comportamento in tempo reale e isolare i sistemi che si comportano male o potrebbero compromettere l’intera azienda. Il rischio della catena di approvvigionamento nell’AI è semplicemente troppo grande per non avere meccanismi di arresto d’emergenza incorporati nell’architettura.

Guardando avanti, l’AI continuerà ad accelerare potenzialmente oltre la velocità e la capacità umana. Ma la conversazione non può concentrarsi solo sul rischio; deve anche includere l’opportunità. È come crescere dei figli: l’AI crescerà e commetterà errori, ma ha anche la capacità di superarci. I vincitori saranno coloro che abbracciano l’AI su larga scala mentre costruiscono i sistemi di controllo necessari per distribuirla in modo sicuro e con fiducia.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Obsidian Security.