Harold Byun, CEO van BlueRock – Interview Serie

Harold Byun, CEO van BlueRock, is een veteraan in het bedrijf van enterprise technologie met diepe expertise in cybersecurity, SaaS-platforms, cloudbeveiliging en enterprise productleiderschap. Voordat hij in april 2026 CEO werd, was hij het bedrijf’s Chief Product Officer, waar hij hielp bij het vormgeven van de richting van BlueRock rond agentic AI-beveiliging en observatie. Voordat hij bij BlueRock kwam, had Byun senior leiderschapsrollen bij AppOmni, ServiceNow (NOW ), Skyhigh Networks, Symantec en Citrix na de overname van Zenprise. In die rollen bouwde hij een reputatie op voor het helpen van ondernemingen om steeds complexere cloud- en gegevensomgevingen te beveiligen, ervaring die nu direct aansluit bij de opkomende beveiligingsuitdagingen rond autonome AI-agents en Model Context Protocol (MCP)-ecosystemen.

BlueRock richt zich op het beveiligen van de uitvoeringslaag van agentic AI-systemen, een gebied dat steeds kritieker wordt naarmate ondernemingen autonome AI-agents inzetten die kunnen communiceren met tools, API’s, codebases en gevoelige ondernemingsgegevens. Het bedrijf ontwikkelt beveiligings- en observatietechnologieën die zijn ontworpen om het gedrag van AI-agents te monitoren, in een zandbak te plaatsen en bewakingsmechanismen te handhaven, met name binnen MCP-gebaseerde omgevingen. Het platform van BlueRock benadrukt runtime-zichtbaarheid en uitvoeringslaagbescherming in plaats van alleen te vertrouwen op promptniveau-beveiligingsmaatregelen, wat een bredere industriebeweging weerspiegelt om te beveiligen hoe AI-agents handelen, niet alleen wat ze zeggen. Terwijl ondernemingen van AI-experimenten naar autonome workflows in productie gaan, positioneren bedrijven als BlueRock zich aan het centrum van wat een belangrijke nieuwe categorie binnen enterprisebeveiliging kan worden.

U hebt jarenlange ervaring in cloud, SaaS, Data Loss Prevention (DLP) en enterprisebeveiliging bij bedrijven als AppOmni, Symantec, ServiceNow en Skyhigh Networks. Wat overtuigde u ervan dat runtimebeveiliging voor AI-agents een nieuwe belangrijke beveiligingscategorie zou worden?

Wat voor mij duidelijk werd, is dat AI verandert waar operationele risico’s en complexiteit daadwerkelijk optreden. In traditionele software wordt het meeste gedrag gedefinieerd voordat het wordt geïmplementeerd. In agentic systemen ontstaat gedrag steeds vaker tijdens de uitvoering door prompts, context, tools, API’s, MCP-servers en neerwaartse interacties.

Dat creëert een heel ander operationeel model. Zodra agents dynamisch beslissingen kunnen nemen en acties kunnen ondernemen over systemen, verliezen ondernemingen de duidelijke zichtbaarheid en operationele begrip die ze jarenlang hebben vertrouwd.

Ik heb soortgelijke platformshifts eerder gezien in cloud- en SaaS-beveiliging, waar de infrastructuur sneller evolueerde dan de systemen die werden gebruikt om het te beheren. AI creëert nog een van die momenten. De langetermijnuitdaging is niet alleen modelsafe. Het is ondernemingen in staat stellen om agentic systemen op grote schaal veilig te laten functioneren.

De categorie die uiteindelijk het belangrijkst is, is degene die ondernemingen helpt te begrijpen wat agents daadwerkelijk doen in productie en hen het vertrouwen geeft om AI-natieve operaties verantwoordelijk te schalen.

BlueRock spreekt over de “Agentic Execution Gap”, waar ondernemingen zichtbaarheid verliezen zodra agents autonoom beginnen te handelen op runtime. Waarom falen traditionele observatie- en beveiligingstools in deze omgevingen?

Traditionele observatie- en beveiligingstools werden gebouwd voor deterministische systemen met relatief voorspelbare uitvoeringspaden. Ze gaan ervan uit dat ontwikkelaars over het algemeen weten hoe applicaties moeten gedragen voordat ze worden uitgevoerd.

Agentic systemen doorbreken die veronderstelling.

Agents kunnen dynamisch tools ontdekken, MCP-servers aanroepen, workflows ketenen, API’s interactief gebruiken en beslissingen nemen in real-time. Het uitvoeringspad ontstaat vaak tijdens de runtime.

De meeste bestaande tools vangen fragmenten zoals logs, traces, telemetrie of modeluitvoer. Maar ondernemingen hebben steeds vaker een causale begrip nodig over het volledige uitvoeringspad: waarom een agent een tool selecteerde, welke context de beslissing beïnvloedde, welke neerwaartse systemen werden aangeraakt en welke acties als gevolg daarvan plaatsvonden.

Dat is de Agentic Execution Gap. Uitvoering is dynamisch geworden, maar zichtbaarheid- en controlesystemen zijn niet meegeëvolueerd.

Een groeiend aantal ondernemingen experimenteert met Model Context Protocol (MCP)-gebaseerde architectuur en autonome AI-workflows. Wat zijn de grootste beveiligingsmisvattingen die ondernemingen nog steeds hebben over MCP-servers en agentic systemen?

MCP wordt snel fundamentele infrastructuur voor hoe AI-agents tools, systemen en ondernemingsgegevens ontdekken, verbinden en interactief gebruiken.

Wat MCP belangrijk maakt, is dat het de wrijving tussen AI-systemen en operationele omgevingen aanzienlijk vermindert. Het verhoogt de ontwikkelsnelheid van ontwikkelaars en ontgrendelt krachtige workflows, maar het vergroot ook aanzienlijk het aantal uitvoeringspaden dat agents over ondernemingssystemen kunnen nemen.

In veel gevallen kunnen ondernemingen mogelijk al AI-tools hebben die interactief gebruiken met MCP-verbonden diensten zonder volledig te begrijpen welke neerwaartse operationele blootstelling wordt gecreëerd.

Een andere misvatting is dat het controleren van prompts of modellen voldoende is. In de praktijk ontstaan de grotere risico’s na het nemen van een beslissing door het model. Zodra agents tools kunnen aanroepen, workflows uitvoeren, gevoelige gegevens ophalen of interactief gebruiken met infrastructuur, verschuift de uitdaging naar runtime-gedrag en uitvoeringscontrole.

Het operationele oppervlak groeit veel sneller dan de meeste governance- en observatiemodellen zijn ontworpen om aan te kunnen.

BlueRock’s onderzoek vond ernstige kwetsbaarheden in openbare MCP-servers, waaronder Server-Side Request Forgery (SSRF) en commandoinjectie-exposure. Onderschatten ondernemingen hoe snel MCP-ecosystemen een nieuwe software-supply chain-aanvalskoppelpunt kunnen worden?

Ja. Ik denk dat de industrie nog steeds in de beginfase zit van het begrijpen hoe belangrijk het MCP-ecosysteem kan worden vanuit een supply chain- en operationeel vertrouwensperspectief. Bijvoorbeeld, van de 11.000 MCP-servers die we hebben geanalyseerd, hebben meer dan 36% onbegrensde SSRF-kwetsbaarheden. De meeste mensen in de industrie begrijpen niet dat dit effectief het hele netwerk opent vanuit een datapunt. Dat zou nooit bewust worden toegestaan in vrijwel elke ondernemingsomgeving ter wereld.

Historisch gezien maakten ondernemingen zich zorgen over bibliotheken, containers en open source-afhankelijkheden omdat die componenten deel uitmaakten van de software-stack voordat ze werden geïmplementeerd. MCP verandert dat model. Agents kunnen nu dynamisch ontdekken en interactief gebruiken met externe tools en diensten tijdens de runtime zelf. En in veel gevallen hebben ontwikkelaars en het bedrijf gewoon vooruit geholpen en MCP geïmplementeerd zonder de risico’s te begrijpen of te beoordelen.

Dat creëert een heel ander vertrouwensprobleem.

Ondernemingen beheren niet langer alleen statische afhankelijkheden. Ze beheren steeds vaker dynamische uitvoeringsafhankelijkheden die ontstaan terwijl systemen worden uitgevoerd. Agents kunnen tools aanroepen, workflows ketenen of toegang krijgen tot neerwaartse systemen op manieren die operators niet volledig anticiperen of observeren.

Ons onderzoek naar SSRF, commandoinjectie en andere kwetsbaarheden weerspiegelt hoe onvolwassen delen van het ecosysteem nog steeds zijn. Maar het grotere probleem is breder dan individuele kwetsbaarheden. Naarmate de adoptie van MCP versnelt, hebben ondernemingen veel diepere zichtbaarheid nodig in hoe autonome systemen interactief gebruiken met externe diensten tijdens de uitvoering.

Uw platform benadrukt “agentic observatie” in plaats van alleen prompts of uitvoer te monitoren. Wat ziet echte runtime-zichtbaarheid eruit zodra agents dynamische beslissingen nemen over tools, API’s en infrastructuur?

Betekenisvolle runtime-zichtbaarheid vereist het begrijpen van het volledige uitvoeringspad, niet alleen geïsoleerde gebeurtenissen.

Ondernemingen moeten zien hoe een modelbeslissing wordt omgezet in acties over tools, MCP-servers, API’s, infrastructuur en neerwaartse systemen. Dat betekent begrijpen waarom een agent een tool selecteerde, welke context de beslissing beïnvloedde, welke machtigingen werden gebruikt, welke neerwaartse acties werden geactiveerd en welk operationeel resultaat uiteindelijk werd gecreëerd.

Dat wordt vooral belangrijk als agents opereren over gedistribueerde en efemere omgevingen waar traditionele monitoring snel fragmenteert.

Promptmonitoren alleen is niet voldoende omdat prompts het operationele gedrag niet verklaren. Uitvoer is niet voldoende omdat het niet onthult welke systemen neerwaarts werden beïnvloed.

De toekomst van observatie in agentic systemen is uitvoeringsbewust. Het gaat over het begrijpen van gedrag van beslissing tot actie tot resultaat in real-time.

BlueRock’s Trust Context Engine lijkt identiteit, vertrouwen en capaciteitsgegevens rechtstreeks te koppelen aan uitvoerstromen in real-time. Hoe belangrijk zal contextueel vertrouwen worden zodra AI-agents steeds vaker interactief gebruiken met externe tools en systemen?

Contextueel vertrouwen wordt fundamenteel in agentic systemen omdat agents dynamische beslissingen nemen op runtime.

Traditionele systemen vertrouwden zwaar op statische vertrouwensveronderstellingen. Maar agents opereren steeds vaker over veranderende contexten, externe tools, API’s, MCP-servers, identiteiten en machtigingen.

Ondernemingen moeten vertrouwen continu evalueren tijdens de uitvoering zelf. Niet alleen of een model veilig is, maar of de tool die wordt aangeroepen vertrouwd is, of de gevraagde actie overeenkomt met het verwachte gedrag en welk operationeel risico de actie introduceert.

Dat is waarom we geloven dat vertrouwenscontext kritieke infrastructuur wordt voor de volgende generatie AI-systemen.

We zien een snelle adoptie van AI-coding agents en autonome ontwikkelaarsworkflows. Wat zijn de meest zorgwekkende risico’s wanneer agents de mogelijkheid krijgen om infrastructuur te wijzigen, code te implementeren of interactief te gebruiken met productiesystemen zonder menselijke beoordeling?

De grootste verschuiving is dat ondernemingen proberen om de ontwikkelsnelheid dramatisch te verhogen door meer mensen in staat te stellen om met AI te bouwen, niet alleen traditionele software-ontwikkelaars.

AI-coding agents kunnen al code genereren, infrastructuur wijzigen, interactief gebruiken met CI/CD-pijplijnen, cloudservices aanroepen en toegang krijgen tot gevoelige systemen. De productiviteitsvoordelen zijn enorm omdat ondernemingen nu zowel ervaren ontwikkelaars als een nieuwe generatie AI-natieve en citizen developers kunnen ontgrendelen.

De uitdaging is dat operationele complexiteit even snel groeit. De zorg is niet alleen kwaadwillig gedrag. Het is het nadelige effect dat een agent kan hebben, waardoor productuitval en gegevens- en infrastructuuropvang voor een onderneming worden beïnvloed. Dit soort uit-de-bocht-gedrag is vergelijkbaar met het openbare S3-bucketprobleem van een decennium geleden. We verwachten dat agents zich zullen gedragen. We verwachten dat er bewakingsmechanismen en controles worden ingesteld. Maar er zijn paden naar onbedoeld gedrag, overmatige machtigingen, verborgen afhankelijkheden, onveilige toolgebruik of uitvoeringspaden die niemand had voorzien. En dat zal resulteren in meer uitval of suboptimalisatie van implementaties waarbij mensen knoppen indrukken en de ROI niet volledig wordt gerealiseerd.

Ondernemingen hebben operationele zichtbaarheid en uitvoeringsbewuste controles nodig die meebewegen met de workload, zodat ze AI-natieve ontwikkeling veilig kunnen schalen zonder de innovatie te vertragen.

Veel ondernemingen denken nog steeds dat AI-beveiliging voornamelijk draait om modelsafe en promptinjectie. Waarom denkt u dat de industrie nu moet verschuiven naar het beveiligen van acties en uitvoeringspaden?

Modelsafe en promptinjectie zijn absoluut belangrijk, maar ze vertegenwoordigen alleen een deel van de uitdaging.

De industrie verplaatst zich van systemen die antwoorden genereren naar systemen die acties ondernemen. Zodra agents tools kunnen aanroepen, systemen kunnen wijzigen, gevoelige gegevens kunnen ophalen of interactief kunnen gebruiken met infrastructuur, verschuift het operationeel risico naar het uitvoeringsgedrag zelf.

Een perfect afgestemd model kan nog steeds risico creëren als het de verkeerde tool aanroept, toegang krijgt tot het verkeerde systeem of onbedoelde neerwaartse acties activeert. Dat is waarom het beveiligen van prompts alleen onvoldoende is. En er zullen altijd nieuwe benaderingen zijn om deze soorten prompt-bewakingsmechanismen te omzeilen. Dat zal een constant kat-en-muisspel zijn.

Ondernemingen moeten erkennen dat die bewakingsmechanismen zullen worden omzeild, en wanneer dat gebeurt, is het potentieel nadelige effect het grootst later in het uitvoeringspad. Als gevolg daarvan hebben ze steeds vaker zichtbaarheid en controle nodig over het volledige uitvoeringspad en de operationele impact van agentgedrag in real-time.

Sommige onderzoekers hebben MCP-adoptie vergeleken met het geven van AI-systemen een “universele USB-poort” naar ondernemingsinfrastructuur. Hoe moeten bedrijven de enorme productiviteitsvoordelen van verbonden agents balanceren met de operationele risico’s die ze introduceren?

De productiviteitsvoordelen zijn echt. MCP vereenvoudigt dramatisch hoe agents verbinding maken met tools, systemen en workflows, wat een van de redenen is waarom de adoptie zo snel versnelt.

Maar ondernemingen moeten niet alleen denken aan MCP als een connectiviteitslaag. Het wordt effectief onderdeel van de operationele stof van de onderneming.

De balans komt van het mogelijk maken van ontwikkelaars en AI-natieve bouwers om snel te bewegen, terwijl ze uitvoeringsbewuste zichtbaarheid en controle behouden.

Dat betekent het begrijpen van de beveiliging van de MCP-serverimplementatie zelf, wat de reden is waarom we de mcp-trust.com registry hebben gebouwd. En het betekent het begrijpen van welke MCP-servers agents interactief gebruiken, welke soorten tools die servers blootstellen, welke machtigingen worden verleend en hoe acties zich verspreiden tijdens de uitvoering.

De ondernemingen die slagen, zullen degenen zijn die operationeel vertrouwen opbouwen rond autonome uitvoering.

Kijkend naar de toekomst, wat ziet een volwassen ondernemings-AI-beveiligingsstack eruit in een wereld waarin autonome agents routinematig samenwerken, beslissingen nemen en taken uitvoeren over meerdere systemen in productie?

Ik denk dat de volwassen ondernemings-AI-stack veel meer uitvoeringsgericht wordt.

Ondernemingen zullen nog steeds modelsafe, identiteit, gegevensbeveiliging en infrastructuurbeveiliging nodig hebben. Maar de grotere verschuiving is dat ondernemingen operationele systemen nodig zullen hebben die zijn ontworpen voor autonome en niet-deterministische software.

Naarmate agents steeds vaker samenwerken, beslissingen nemen en acties ondernemen over tools, infrastructuur en bedrijfsworkflows, zullen ondernemingen continue zichtbaarheid nodig hebben in hoe AI-systemen daadwerkelijk gedragen tijdens de uitvoering.

De toekomstige stack zal observatie, vertrouwenscontext, operationele governance, uitvoeringsbewuste beleidsuitvoering, identiteit en runtimebeveiliging combineren in een geünificeerd operationeel laag voor agentic systemen.

De ondernemingen die slagen, zullen degenen zijn die continu kunnen begrijpen en operationaliseren van autonome uitvoering zonder de innovatie te vertragen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten BlueRock bezoeken.