Craig Riddell, Global Field CISO bij Wallarm – Interviewreeks

Craig Riddell, Global Field CISO bij Wallarm, is een ervaren cybersecurity-executive die zich richt op het helpen van ondernemingen bij het beheersen van de groeiende risico’s die samenhangen met API’s en AI-gestuurde systemen. In zijn huidige rol werkt hij nauw samen met CISO’s, CIO’s en engineeringleiders om echte aanvals patronen en misbruikscenarios om te zetten in actiebare beveiligingsstrategieën, met een sterke nadruk op observatie – het begrijpen van hoe API’s en AI-systemen zich gedragen in productie over gebruikers, applicaties en integraties. Zijn carrière omvat leiderschapsrollen in identiteit en toegangsbeheer, zero-trust-architectuur en ondernemingsbeveiliging bij organisaties zoals Netwrix, Kron en HP, waar hij grote IAM-transformaties leidde en beveiligingskaders moderniseerde. Riddells expertise is gericht op opkomende bedreigingen zoals bedrijfslogica-aanvallen, API-misbruik, AI-systeemdrift en fraude, met een consistente focus op het overbruggen van de kloof tussen hoogwaardige beveiligingsstrategie en operationele uitvoering.

Wallarm is een cybersecurity-bedrijf dat zich specialiseert in het beschermen van API’s, applicaties en AI-gestuurde systemen in moderne cloud-omgevingen. Het platform biedt continue ontdekking, testen en real-time bescherming tegen bedreigingen zoals API-misbruik, bedrijfslogica-aanvallen en geautomatiseerde exploits, terwijl het diepe zichtbaarheid biedt in hoe systemen zich gedragen over complexe infrastructuur. Ontworpen voor multi-cloud- en cloud-native-architecturen, integreert Wallarm in bestaande DevOps- en beveiligingsworkflows, waardoor organisaties aanvallen kunnen detecteren en blokkeren terwijl ze gebeuren, in plaats van erna. Door API-inventaris, AI-gestuurde bedreigingsdetectie en geautomatiseerde responsmogelijkheden te combineren, adresseert het platform een groeiende realiteit waarin API’s en AI-systemen de primaire aanvalsoppervlak zijn geworden voor moderne digitale bedrijven.

U bent uw carrière begonnen met directe werkzaamheden met systemen en infrastructuur en bent sindsdien overgestapt op leiderschapsrollen die zich richten op identiteit, toegang, API en AI-beveiliging. Wat waren de belangrijkste verschuivingen in die reis die u ertoe hebben geleid om te concluderen dat het echte risico is verplaatst van de perimeter naar API’s en machine-gestuurde systemen?

Vroeg in mijn carrière lag de focus op het beschermen van de rand. Firewalls, segmentatie, infrastructuurfouten. Dat model werkte toen systemen meer statisch waren en vertrouwensgrenzen gemakkelijker te definiëren waren.

Wat veranderde, is hoe applicaties worden gebouwd en hoe systemen interactie hebben. API’s werden het verbindende weefsel van alles, en AI versnelde dat verder. Nu nemen systemen beslissingen, roepen andere systemen op en voeren acties uit op een schaal en snelheid die geen mensen in de lus omvat.

Op dat moment wordt de perimeter minder relevant. Het echte risico verplaatst zich naar waar beslissingen worden genomen en acties worden uitgevoerd, binnen API’s en machine-gestuurde workflows.

Als u daar geen zichtbaarheid en controle over heeft, vertrouwt u op gedrag dat u niet volledig kunt zien. Dat is waar bedrijfsrisico’s optreden, van financiële blootstelling tot onbedoelde resultaten en operationele verstoring.

U heeft de cyberhanddruk als gebroken beschreven, verwijzend naar hoe systemen vertrouwen vestigen en acties uitwisselen over steeds complexere ketens van API’s en geautomatiseerde processen. Hoe ziet die ineenstorting eruit in een echte ondernemingsomgeving vandaag?

In de meeste omgevingen vertrouwen systemen elkaar op basis van identiteit en authenticatie. Een token is geldig, een verzoek is goed gevormd, en de interactie is toegestaan.

Het probleem is dat dit ervan uitgaat dat geldig hetzelfde is als veilig. Dat is niet langer waar.

We authenticeren identiteit, maar we valideren geen intentie. We verifiëren toegang, maar niet gedrag over de keten.

Een service kan zijn geautoriseerd om een andere service op te roepen, die downstream-acties activeert over meerdere API’s. Elke stap ziet er legitiem uit in isolatie, maar over de volledige keten begin je onbedoeld gedrag of misbruik van logica te zien.

In AI-gestuurde omgevingen wordt dit versterkt. Agents kunnen acties ketenen en workflows uitvoeren zonder menselijke controle.

De handdruk gebeurt nog steeds, maar niemand vraagt of het gedrag zin heeft in context. Vertrouwen wordt gevestigd, maar niet continu gevalideerd.

Waarom valt AI- en API-risico zo vaak tussen organisatorische grenzen in plaats van duidelijk te worden bezeten?

Omdat de systemen niet overeenkomen met hoe organisaties zijn gestructureerd.

DevOps bezit levering. Beveiliging bezit beleid. Business-teams bezitten resultaten. Datateams bezitten modellen. Elk team bezit een stuk, maar niemand bezit het systeem zoals het zich gedraagt in productie.

API’s voeren bedrijfslogica uit over systemen. AI introduceert niet-deterministische besluitvorming bovenop dat. Samen snijden ze door elke grens heen.

Ze worden gebouwd door een team, beveiligd door een ander, en geconsumeerd door een derde, met inconsistent toezicht over al deze.

De gaten die dit creëert, zijn geen falen van teams. Ze zijn falen van het operationele model om de manier te weerspiegelen waarop moderne systemen werkelijk werken.

In uw ervaring, welke teams nemen typisch aan dat ze AI-risico bezitten, en waar zijn de grootste blinde vlekken tussen beveiliging, DevOps en business-eenheden?

Beveiligingsteams hebben de neiging om AI-risico te bezitten vanuit een governance- en compliance-perspectief. DevOps bezit implementatie en betrouwbaarheid. Business-eenheden richten zich op resultaten.

De blinde vlekken verschijnen tussen die gebieden.

Beveiliging definieert wat moet gebeuren. DevOps zorgt ervoor dat het systeem draait. De business richt zich op resultaten. Maar heel weinig teams kijken consistent naar wat het systeem daadwerkelijk doet in real-time.

Die kloof is waar risico leeft, vooral wanneer gedrag technisch geldig is maar contextueel verkeerd.

Veel moderne aanvallen verschijnen als geldig en geauthenticeerd gedrag in plaats van voor de hand liggende indringers. Hoe moeten organisaties de detectie opnieuw overwegen in deze nieuwe realiteit?

We moeten verder gaan dan het identificeren van “slechte” verzoeken.

In veel gevallen is het verzoek geldig. De referenties zijn legitiem. De API-aanroep is verwacht.

Wat niet verwacht wordt, is de sequentie van acties, het volume of het resultaat.

Detectie moet gedrags- en contextueel worden. Het gaat minder over het blokkeren van een enkel verzoek en meer over het begrijpen van hoe systemen interactie hebben over tijd.

De benaderingen die daadwerkelijk standhouden op grote schaal, gaan verder dan patroonmatching. Ze decomponeren verzoeken structureel, waarbij elke interactie wordt behandeld als een set van gedrags tokens in plaats van proberen te matchen tegen bekende slechte patronen.

Dat stelt u in staat om te begrijpen hoe gedrag evolueert en waar het afwijkt, zelfs wanneer alles er op het eerste gezicht geldig uitziet.

Als u zich verlaat op statische regels of handtekeningen, zult u de meeste dingen missen die ertoe doen.

U heeft de nadruk gelegd op de belangrijkheid van observatie van echte wereldgedrag. Wat ziet betekenisvolle observatie eruit voor API’s en AI-systemen in productie?

Betekenisvolle observatie is niet alleen logs en metrics. Het is het begrijpen van gedrag in context.

Voor API’s betekent dit volledige zichtbaarheid van verzoeken en antwoorden, hoe eindpunten worden gebruikt en hoe interacties evolueren over tijd.

Voor AI-systemen betekent dit het begrijpen van invoer, beslissingen en resulterende acties.

Het belangrijkste is dat het verbinden van die over systemen in volledige workflows, in plaats van geïsoleerde gebeurtenissen.

Zonder dat, werkt u op basis van aannamen over systeemgedrag in plaats van realiteit.

Waarom worden traditionele menselijke controle- en goedkeuringsmodellen minder effectief in machine-gestuurde omgevingen?

Omdat de snelheid en schaal zijn veranderd.

Systemen doen duizenden of miljoenen oproepen per minuut, en aanvallen of onbedoeld gedrag kunnen zich in minuten of seconden ontvouwen. U kunt geen mens realistisch in de lus plaatsen voor elke beslissing zonder de prestaties te verbreken.

AI-systemen zijn ook niet altijd deterministisch, wat voorafgaande goedkeuringsmodellen minder effectief maakt.

Menselijke toezicht blijft belangrijk, maar het moet verschuiven van het goedkeuren van individuele acties naar het definiëren van wachters en het monitoren van resultaten.

Wat zijn de meest voorkomende operationele gaten die u ziet wanneer bedrijven proberen AI-systemen te beveiligen met behulp van legacy-beveiligingskaders?

De grootste kloof is de overmatige afhankelijkheid van ontwerp-tijdcontroles.

Organisaties richten zich op het beveiligen van modellen, code herzien en beleid definiëren voordat ze worden geïmplementeerd. Dat is belangrijk, maar het gaat ervan uit dat systemen zullen gedragen zoals verwacht zodra ze live zijn.

In werkelijkheid evolueren systemen. API’s veranderen. AI-modellen interacteren met nieuwe gegevens en workflows. Gedrag verandert over tijd.

Zonder continue validatie van gedrag in productie, zijn organisaties effectief blind na implementatie.

Wat ziet een praktisch operationeel model eruit wanneer meerdere stakeholders AI- en API-risico delen?

Het begint met het erkennen dat geen enkel team dit eind-tot-eind kan bezitten.

Een praktisch model definieert gedeelde verantwoordelijkheid, verankerd rond een gemeenschappelijke bron van waarheid: runtime-gedrag.

Beveiliging definieert risico en beleid. Engineering bouwt en exploiteert systemen. De business definieert aanvaardbare resultaten.

De teams die voorop lopen, werken in een gesloten lus. Continue ontdekking, handhaving en verfijning gedreven door wat systemen daadwerkelijk doen in productie, niet wat werd aangenomen bij het ontwerp.

Alle stakeholders moeten zichtbaarheid hebben in hoe systemen werken in productie. Van daaruit kunnen teams zich richten op wat “goed” lijkt, afwijkingen detecteren en reageren.

De verschuiving is van geïsoleerde eigendom naar gecoördineerde verantwoordelijkheid, geworteld in runtime-inzicht.

Kijkend naar de toekomst, verwacht u dat beveiligingsverantwoordelijkheid weer meer gecentraliseerd zal worden, of zal het blijven fragmenteren naarmate systemen autonomer worden?

Verantwoordelijkheid zal blijven worden verdeeld omdat dat weerspiegelt hoe systemen zijn gebouwd.

Wat zal veranderen, is hoe die verantwoordelijkheid wordt gecoördineerd.

We zullen meer geünificeerde governance-modellen zien waarin teams hun domeinen bezitten, maar opereren met gedeelde zichtbaarheid en context.

De organisaties die slagen, zullen niet die zijn die proberen alles te centraliseren. Ze zullen die zijn die stakeholders aligneren rond hoe systemen werkelijk werken in de echte wereld.

Omdat als niemand runtime-gedrag begrijpt, niemand het risico daadwerkelijk bezit.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Wallarm bezoeken.