Jazz의 CEO 및 공동 창립자 Ido Livneh – 인터뷰 시리즈

Ido Livneh, Jazz의 CEO 및 공동 창립자는 시즌된 제품 리더이자 기업가로서 높은 영향력의 기술 플랫폼을 구축하고 확장하는 강력한 트랙 레코드를 가지고 있습니다. 이는 Laminar를 통해 Rubrik의 인수를 이끌고, Tapingo를 Grubhub에 1억 5천만 달러에 매각하는 것을 도왔으며, 그의 경력은 Axonius와 이전 벤처들에서 선임 역할을 포함하며, 이스라엘 국방군에서 거의 10년 동안 근무하며 기술적인 기반을 다졌습니다. 이 경험은 현재 AI-네이티브 사이버 보안 솔루션을 구축하는 그의 집중을 형성합니다.

Jazz는 AI-네이티브 사이버 보안 회사로서 데이터 손실 방지를 재고하고 레거시 규칙 기반 시스템을 넘어서서 컨텍스트 인식 플랫폼을 도입하여 데이터가 조직 전체에서 어떻게 흐르는지 분석하고 사용자 행동, 시스템, 워크플로우를 조사하여 실제 위험을 식별합니다. AI를 사용하여 사건을 조사하고 조치 가능한 통찰력을 제공함으로써 플랫폼은 데이터 노출을 방지하고 클라우드 애플리케이션, 엔드포인트, 내부 시스템에서 복잡한 환경을 관리할 수 있도록 얇은 보안 팀을 가능하게 합니다.

당신은 Laminar, Axonius, Grubhub와 같은 회사에서 제품을 이끌었으며 여러 스타트업을 설립했습니다. 당신의 경험에서 어떤 특정한 간격이나 통찰력이 Jazz를 시작하도록 했나요? 그리고 왜 지금이 데이터 손실 방지(DLP)를 재창조하기 위한 적절한 때였나요?

나는 지난 10년 동안 보안 제품을 구축하고 CISO와 대면했습니다. 세 개의 제품 VP 역할, 두 번의 출구 – Laminar를 포함하여 Rubrik에 매각했습니다. 그리고 모든 것을 통해 배운 한 가지는 이것입니다: 절대적으로誰도 자신의 DLP를 좋아하지 않는다는 것입니다.

Laminar에서 우리는 DSPM 카테고리의 첫 번째 이닝을 구축했습니다 – 데이터 보안 포지션 관리. 훌륭한 문제였지만 우리는 시장에 3년 동안 교육을 제공해야 했습니다. 나는 다음 번에는 오래된 문제를 원한다고 생각했습니다. 모든 이사회가 이미 알고 있는 문제, 모든 CISO가 이미 예산을 가지고 있는 문제, 그리고 실제로 해결되지 않은 문제입니다.

DLP는 그 문제입니다. 20년 된 문제입니다. 모든 보안 조직이 이미 그 위험을 알고 있습니다. 그리고 시장에 있는 솔루션은 모두 普遍적으로 싫어합니다 – 그것은 벤더가 무능력해서가 아니라 전체 프레임워크가 잘못된 때문입니다. 우리는 기계가 패턴을 일치시키고 인간이 컨텍스트를 제공하도록 요청했습니다. 그 모델은 항상 깨질 운명이었습니다.

타이밍은 명백했습니다. AI는 우리에게 이전에는 불가능했던 것을 할 수 있는 능력을 주었습니다 – 데이터를 seniornalyst와 같이 이해하지만 자동으로 그리고 규모에 따라 시스템을 구축하는 것입니다. 우리가 그것을 보았을 때, 4명의 공동 창립자 – 모두 Unit 81의 동문 – 는 이것이 처음부터 다시 시작하여 DLP를 재건축하는 순간이라고 알았습니다. 그리고 이번에는 작동하고 쉽게 작동하도록 만들 것입니다.

전통적인 DLP 시스템은 과도한 경고를 생성한다는 비판을 받았습니다. 규칙 기반 DLP에서 무엇이 근본적으로 깨지나요? 그리고 왜 업계는 이 문제를 해결하는데 어려움을 겪었나요?

문제는 규칙 기반 DLP가 더好的 규칙을 필요로 하는 것이 아닙니다. 문제는 규칙이 이 작업을 위한 잘못된 도구였던 것입니다.

여기서 실제로 어떻게 작동하는지입니다. 규칙을 이해하는 시스템을 배포하고, 규칙을 작성하고, 기계가 데이터를 규칙에 맞추고, 매칭될 때마다 인간 분석가에게 “이것을 확인하세요”라고 말합니다. 분석가는 컨텍스트를 모두 가져와야 합니다 – 이 사람이 누구인지, 무엇을 했는지, 왜 했는지 – 그리고 판단을 내립니다.

그 두 번째 부분, 인간의 조사, 절대로 확장되지 않습니다. DLP의 물리학은 단순히 너무 노이즈가 많습니다. 데이터는 모든 대규모 기업에서 끊임없이 움직입니다. 9자리 숫자는 항상 사회 보장 번호가 아닙니다. 파일 업로드는 항상 데이터 유출이 아닙니다. 편지 등급 “A”는 FERPA 규칙을 트리거합니다. 내부 부서 간의 전송은 차단됩니다. 시스템은 민감한 파일 공유가 비즈니스 협력인지 아니면 왕관 보석이 문을 나서는지 구별할 수 없습니다.

그러면 회사들은 무엇을 합니까? 예외를 추가합니다. 모든 예외는 도구가 비즈니스 이해를 실패한 순간입니다. 그리고 각 예외는 효과적으로 승인된 백도어입니다. 18개월 후에 확대하면 실행 중인 보안 프로그램이 아니라 妥協의 장부가 됩니다.

시장의 약 30%는 성숙한 DLP 프로그램을 가지고 있으며, 심지어 그들은 그것이 최선의 노력일 뿐이라는 것을 알고 있습니다 – 규정 프레임워크를 만족시키고 더 이상 없습니다. 우리는 그들을 “trapped”이라고 부릅니다. 다른 70%는 कभ也不 시도하거나 시도했지만 실패했습니다. 이전의 이 문제를 해결하기 위한 시도는 기존 규칙 기반 프레임워크 위에 약간의 AI를 뿌렸습니다. 그것은 부러진 엔진을 가진 차에 새 페인트를 칠하는 것과 같습니다. 프레임워크 자체가 변경되어야 합니다.

Jazz는 경고 대신 답변을 제공한다고 자체를 위치시킵니다. 시스템이 사건을 조사하고 레거시 탐지 워크플로우와 어떻게 다른지 설명해 주세요.

레거시 DLP는 화재 경보를 제공하고 나서 放大경을 건네줍니다. “그 건물에서 뭔가 일이 발생했습니다. 좋은 운을 빕니다.”

Jazz는 그렇게 하지 않습니다. 우리는 인간 분석가가 할 일을 하는 자율적인 조사관, 멜로디를 구축했습니다. 하지만 超人적인 규모에서.

데이터 트랜잭션이 발생하면 멜로디는 단순히 플래그를 하지 않습니다. 그녀는 네 가지 차원에서 전체적인 조사를 실행합니다. 첫째, 데이터 자체 – 패턴과 규칙으로가 아니라 깊이 이해하는 것입니다. 둘째, 시스템 – 데이터가 어디에서 오는지, 어디로 가는지, 그리고 중요하게는 어느 테넌트인지. 셋째, 사람들 – 우리는 개인이 어떻게 작동하는지, 데이터를 사용하는지, 그 역할에 대한 것이 정상적인지 학습합니다. 넷째, 비즈니스 프로세스 – 왜 이 트랜잭션이 발생하는지, 알려진 워크플로우의 일부인지, 아니면 설명할 수 없는지.

이러한 여러 에이전트가 함께 협력하여 전체적인 이야기를 재구성합니다 – 무엇이 발생했는지, 왜 발생했는지, 그리고 행위자의 의도는 무엇인지. 인간이 그것을 볼 때, 경고가 아니라 조사된 내러티브와 증거, 컨텍스트, 그리고 판단이 됩니다. 일반적인 배포에서 Jazz는 매월 약 200만개의 신호를 처리하고, 수십만개의 잠재적인 이벤트를 조사하고, 실제로 인간의 주의가 필요한 약 80개의 사건을 표면화합니다. 그것은 20,000대 1의 신호 대 노이즈 비율입니다. 그것이 경고 피로를 끝내는 방법입니다.

당신의 플랫폼은 데이터, 시스템, 사람, 비즈니스에 걸쳐 컨텍스트를 분석합니다. 기술적으로 어떻게 이러한 차원을 통일하나요? 그리고 그 과정에서 에이전트 또는 추론 시스템이 어떤 역할을 하나요?

아키텍처는 여러 전문 에이전트를 중심으로 구축되어 있으며, 각 에이전트는 단일 데이터 트랜잭션을 다른 관점에서 분석합니다.

한 에이전트는 데이터를 깊이 이해하는 데 집중합니다 – 내용, 민감성, 소유권, 비즈니스와의 관련성. 다른 에이전트는 시스템 풍경을看着 – 단순히 애플리케이션의 이름이 아니라 특정 테넌트, 신뢰 수준, 엔터프라이즈 또는 개인인지. 세 번째 에이전트는 개인이 어떻게 작동하는지, 데이터를 사용하는지, 역할에 대한 것이 정상적인지 학습합니다. 네 번째 에이전트는 비즈니스 프로세스를 매핑합니다 – 데이터 트랜잭션을 알려진 워크플로우에 연결하고, 설명할 수 없는 것을 식별합니다.

이러한 에이전트는 조사 결과를 통합하여 통일된 내러티브를 생성합니다 – 무엇이 발생했는지, 왜 발생했는지, 그리고 그것이 실제 위험인지.

이 모든 것은 두 가지 기초적인 혁신 위에 세워져 있습니다. 첫째, 엔드포인트 컨텍스트 보관소 – 우리는 DLP를 위해 특허한 새로운 유형의 신호입니다. 이러한 신호는 데이터 트랜잭션 자체뿐만 아니라 주변의 전체 이야기를 캡처합니다 – 무엇이 발생했는지, 무엇이 발생했는지, 어떤 애플리케이션이 관련되었는지, 전체 사용자 활동 체인. 이러한 신호는 매우 풍부한 컨텍스트를 제공하고, 무엇이 발생했는지뿐만 아니라 왜 발생했는지, 그리고 행위자의 의도는 무엇인지 제공할 수 있습니다.

둘째, 자연어 정책 엔진 – 이것은 전통적인 엄격한 규칙 세트를 대체합니다. 기술 규칙과 임계값을 작성하는 대신, 보안 팀은 인간이 그렇게 할 것처럼 무엇이 허용되고 무엇이 아닌지 설명합니다. 멜로디는 정책을 이해하고 상황에 대한 세련된 판단을 내립니다. 이것은 실제 비즈니스 관행이 정책 문서에 작성된 것과 크게 다를 수 있는 경우에 매우 중요합니다. 우리는 그 간격을 메웁니다. 그리고 오랜 시간 동안 DLP 프로그램에 대한 경험을 가진 사람들에게 이것은 마법처럼 느껴집니다.

많은 기업이 이제 민감한 데이터와 상호 작용하는 자율적인 AI 에이전트를 배포하고 있습니다. 이것은 위협 풍경을 어떻게 변화시키나요? 그리고 왜 이것은 DLP에 새로운 접근 방식을 요구하나요?

이것은 시간 폭탄입니다.

SaaS 폭발은 이미 보안 팀을 압도했습니다 – 매주 5개의 새로운 도구가 환경에 나타납니다. 많은 도구가 IT 승인 없이 직원에 의해 채택됩니다. 우리는 고객이 조직 전체에 걸쳐 실행 중인 400개의 GenAI 도구를 발견한 것을 보았습니다. 이제 자율적인 AI 에이전트를 그 위에 겹치세요.

AI 에이전트는 단순히 데이터를 처리하지 않습니다 – 데이터를 능동적으로 가져오고, 변환하고, 다른 서비스에 보내고, 어디로 갈지 결정합니다. 직원이 개인 계정을 사용하여 회사 코드베이스에 연결된 AI 코딩 어시스턴트를 사용하고, 출력을 개인 저장소에 푸시하는 것을 보았습니다. 또는 개인 ChatGPT 세션에서 기밀 전략 문서를 붙여 넣는 것을 보았습니다. 심지어 Grammarly 플러그인이 모든 것을 검토하는 것을 보았습니다 – 은행 계좌 전송 세부 정보, 고객 데이터를 포함하여.

규칙 기반 DLP는 데이터가 몇 개의 알려진 채널을 통해 이동하는 세계를 위해 구축되었습니다 – 이메일 첨부 파일, USB 드라이브, 웹 업로드. AI 시대는 그 모델을 분해했습니다. 데이터는 이제 수십 개의 벡터를 통해 이동하며 레거시 시스템은 그것을 볼 수조차 없습니다. 컨텍스트를 이해할 수 있는 시스템이 필요합니다 – 데이터가 이동했는지뿐만 아니라 왜, 어떻게, 그리고 목적지가 승인되었는지.

그것이 왜 오래된 프레임워크를 패치할 수 없는 이유입니다. 비즈니스 컨텍스트를 네이티브로 이해할 수 있는 접근 방식이 필요합니다. 공격 표면은 더 이상 채널 목록이 아닙니다. 그것은 인간, AI 도구, 민감한 데이터 간의 모든 상호 작용입니다.

AI를 보안에 채택하는 데 설명 가능성이 주요 장벽입니다. 어떻게 시스템의 결정이 신뢰할 수 있는지 보장하나요? 그리고 높은 위험 환경에서 운영하는 보안 팀에게 이해할 수 있게 하나요?

이것은 우리가 처음부터 생각한 것입니다. 마지막으로 CISO가 또 다른 블랙 박스를 원하지 않기 때문입니다.

멜로디가 생산하는 모든 조사 결과는 내러티브입니다 – 점수, 색상 코드, 암호적인 위험 숫자가 아닙니다. 그것은 시니어 분석가의 브리핑처럼 읽힙니다. 여기서 발생한 일입니다. 여기서 관련된 사람입니다. 여기서 왜 그렇게 생각하는지입니다. 여기서 증거입니다. 여기서 정책입니다. 여기서 우리의 평가입니다.

자연어 정책 엔진은 이것에 필수적입니다. 정책 자체가 평범한 언어로 작성되어 있기 때문에 보안 팀은 정확히 어느 정책에 매핑되는지 그리고 왜 그런지 볼 수 있습니다. 멜로디가何か를 플래그하면 팀은 원시 신호에서 정책 일치까지의 추론 체인을 추적할 수 있습니다. 그리고 만약에 그들이 동의하지 않는다면, 그들은 정책을 평범한 언어로 정제할 수 있습니다 – 규칙 세트를 디버깅하는 것이 아닙니다.

우리는 또한 직접 증거를 보여줍니다 – 전체 활동 체인. 그것은 “AI를 믿으십시오”가 아니라 “AI가 본 내용입니다, AI가 결론을 내렸습니다, 그리고 원시 데이터가 있으므로 검증할 수 있습니다”입니다. 우리의 고객들은 그것이 실제로 매우 철저한 동료로부터의 브리핑처럼 느껴진다고 말합니다.

그것이 기준입니다. 보안 팀은 잘못된 결정이 규제적 결과, 법적 노출, 또는 직원의 경력에 의미할 수 있는 환경에서 작동합니다. 시스템은 어떻게 결론에 도달했는지에 대해 투명하게 설명함으로써 신뢰를 얻어야 합니다.

Jazz는 시스템이 규칙 엔진보다 인간 조사자와 같은 행동한다고 설명합니다. 이것은 실제로 무엇을 의미하나요? 그리고 우리는真正 자율적인 보안 작동에 얼마나 가까이 있나요?

인간 조사자와 같은 행동한다고 말할 때, 나는 그것을 문자 그대로 의미합니다.

훌륭한 DLP 분석가는 단순히 파일이 업로드되었다는 것을 볼 뿐만 아니라, 누가 업로드했는지, 파일에 무엇이 있었는지, 어디로 갔는지, 이 사람이 일반적으로 이러한 유형의 데이터를 처리하는지, 비즈니스 이유가 있는지, 그리고 이전과 이후에 무엇이 발생했는지 확인합니다. 그들은 컨텍스트에서 판단을 내립니다 – 규칙이 아니라. 그리고 그것은 비즈니스의 컨텍스트적 이해를 필요로 합니다. 멜로디도 정확히那样합니다. 하지만 기업 전체의 모든 데이터 트랜잭션에서, 지속적으로, 그리고 규모에 따라.

실제로, 우리의 고객들은 멜로디를 팀의 또 다른 멤버라고 설명합니다. 그녀는 정책 외부의 상황을 보여주고, 증거와 함께 전체적인 조사를 제공하고, 실제로 인간의 입력이 필요한 경우에 대한 판단을 요청합니다. 그녀는 조직을 학습합니다 – 비즈니스 프로세스, 예외, 기술적으로 위반이지만 운영적으로 정상적인 것들.

真正 자율적인 보안 작동에 관해서, 우리는 생각보다 더 가까이 있습니다. 하지만 내가 무엇을 의미하는지 정확히 muốn说明합니다. 멜로디는 이미 조사 단계에서 자율적으로 작동합니다. 그녀는 원시 신호를 가져와서 완전히 조사된, 컨텍스트화된 판단을 인간의 개입 없이 생성합니다. 높은 신뢰도, 높은 위험 시나리오에서는 예방 조치를 자동으로 취할 수 있습니다 – 데이터 유출이 완료되기 전에.

인간은 판단에 대한 루프에 남아 있습니다. 그리고 인간-루프 학습 프로세스에 있습니다. 그리고 그것은 의도적으로 vậy입니다. 목표는 보안에서 인간을 제거하는 것이 아니라, 단조롭고 반복적인 작업을 제거하여 인간이 실제로 판단을 내릴 수 있는 결정에 집중할 수 있도록 하는 것입니다. 그것이 오늘날 우리가 있는 곳입니다. 그리고 이미 고객이 프로그램을 실행하는 방식을 변환하고 있습니다.

제품 및 엔지니어링 관점에서,_scratch에서 AI-네이티브 DLP 플랫폼을 구축하는 데 가장 어려운 기술적인 도전은 무엇이었나요?

가장 어려운 부분은 단축기를 거부하는 것이었습니다.

당신이 처음부터 시작할 때, 항상 이전 아키텍처의 일부를 빌려오는 압력이 있습니다 – 그것은 검증되었고 빠르며 기존 고객의 기대와 더 잘 일치하기 때문입니다. 하지만 매번 그렇게 할 때, 당신은 이전 모델의 제한을 물려받습니다. 우리는 의도적으로 처음부터 다시 시작하기로 결정했습니다 – 문제의 기본 물리학을 생각하고 재건축했습니다.

엔드포인트 에이전트는 가장 큰 도전 중 하나였습니다. 우리는 신호 수집 도전을 재고하고 충분한 컨텍스트를 달성해야 했으며,同時로 시스템 성능에 대한 영향을 최소화해야 했습니다. 이를 모든 운영 체제에서 구축하는 것은 심각한 엔지니어링 노력이었습니다. 우리는 다른 사람에게 없는 가시성을 제공하는 특허된 접근 방식을 개발했습니다.

다중 에이전트 AI 시스템은 또 다른 주요 도전이었습니다. 여러 전문 에이전트가 동일한 트랜잭션을 다른 관점에서 분석하고, 이후 일관된 정확한 내러티브에 수렴하도록 하는 것은 많은 아키텍처적思考을 필요로 했습니다. 그것은 단순히 데이터 피드에 LLM을 던지는 것이 아닙니다. 오케스트레이션 레이어, 에이전트가 컨텍스트를 공유하는 방식, 에이전트가 충돌하는 신호를 해결하는 방식 – 그것이 도전의 대부분을 차지합니다.

자연어 정책 엔진도 큰 도전이었습니다. 인간 언어로 작성된 정책을 이해하고, 그것을 신뢰할 수 있게 적용하는 것은 근본적으로 어려운 문제입니다. 일상 비즈니스 관행은 종종 작성된 정책 문서와 크게 다를 수 있습니다. 시스템은 그 간격을 메워야 합니다. 그리고 그것을 정확하게 해야 합니다 – DLP에서 잘못된 것을 얻는 결과는 심각합니다.

우리는 각 하나의 어려운 문제를 의도적으로 선택했습니다. 그것들이 차이를 만드는 것입니다 -.incremental하게 더好的 DLP와 근본적으로 새로운 것을 만들기 위해.

그 도전과 더 많은 도전에서, 아직도 극복해야 할 개방적인 장애물이 있습니다. 그리고 올바른 재능을 가진 사람들을 위해 唯一한 문제 세트가 있습니다. DLP를 잘 해결하는 것은真正로 생각할 수 있고, 매력적인 여정을 의미합니다.

Jazz는 2026 사이버 보안 스타트업 가속기에서 우승했습니다. CrowdStrike (CRWD ), AWS, NVIDIA가 후원했습니다. 이 경험은 당신의 접근 방식에 대해 무엇을 검증했나요? 그리고 어떻게 로드맵을 앞으로 영향받았나요?

1,000개의 스타트업이 신청했습니다. 6개가 결승에 진출했습니다. 우리는 우승했습니다.

정말로, 그 순간 전에 당신의 뇌는 모든 것이 잘못될 수 있다는 것을 기억합니다. 그리고 당신은 문제에 대해 이야기하기 시작합니다. 그리고 모든 것이 조용해집니다. 모든 늦은 밤, 모든 어려운 아키텍처적 결정, 모든 고객과의 대화가 제품을 형성했습니다. 그리고 그것은 모두 그 몇 분에 압축되었습니다.

심사위원들, George Kurtz, CJ Moses, Bartley Richardson, 그리고 전설적인 상어, Robert Herjavec, 그들은 그것을 보았습니다. 그들은 에이전트 조사를 모델로 지적했으며, 빠른 고객 채택도 지적했습니다. 우리에게는 산업 리더의 검증이 트로피보다 더 중요했습니다. 이것은 최고 수준에서 보안 프로그램을 구축하고 운영한 사람들이 우리가 하는 것을 근본적으로 다른 것으로 인식했으며, 우리의牽引력이 말합니다.

로드맵에 관해서, 가속기는 우리의 고객이 이미 우리에게 말하고 있던 것을 강화했습니다 – 시장은 준비好了고, 그들은 우리에게 빠르게 움직이라고 말합니다. 우리는 조사관의 기능을 확장하고, 제품을 가능한 많은 보안 팀 앞에 가져오는데 집중하고 있습니다.

미래를 내다보며, DLP이 완전히 자율적인 에이전트 주도 시스템으로 진화할까요? 그리고 AI-네이티브 기업의 장기적인 데이터 보안의 미래는 무엇일까요?

나는 DLP이 완전히 자율적으로 진화할 것이라고 믿습니다. 조사 계층은 이미 있습니다 – 멜로디는 오늘날 그것을 합니다. 높은 신뢰도 시나리오에 대한 예방은 지금 발생하고 있습니다. 시간이 지남에 따라, 시스템은 조직을 더 잘 이해하고, 워크플로우를 학습하며, 인간의 판단이 실제로 필요한 표면 영역을 줄입니다.

하지만 나는 “자율적인”이라는 것이 “감시되지 않는”이라는 것을 의미하지 않는다는 것을 명확히 하고 싶습니다. 그것은 시스템이 인간이 할 필요가 없는 일을 처리한다는 것을 의미합니다. 그래서 인간은 실제로 중요하다고 생각하는 결정에 집중할 수 있습니다. 미래의 CISO는 경고에 빠져있지 않습니다. 그들은 자신의 비즈니스를 깊이 이해하는 AI로부터 전략적 위험 평가를 검토하고 있습니다. 그들은 조직의 활성 데이터 손실 풍경에 대한 집계된 통찰력을 기반으로 관련된 조치를 취합니다. 그리고 그것은 비즈니스를 느리게 하는 것이 아닙니다.

더 큰 그림은 이것입니다 – AI-네이티브 기업에서 데이터는 더 빠르게, 더 많은 채널을 통해, 더 복잡한 방식으로 이동하며, 인간 팀이 추적할 수 있는 것보다 더 빠르게 이동합니다. 승리하는 조직은 보안 시스템이 AI의 속도로 컨텍스트를 이해할 수 있는 조직이 될 것입니다. 그리고 그것은 규칙을 작성하고, 최고를 기대하는 것이 아닙니다.

멋진 인터뷰에 감사합니다. 더 많은 정보를 원하는 독자는 Jazz를 방문할 수 있습니다.