Ido Livneh, CEO en mede-oprichter van Jazz – Interviewreeks

Ido Livneh, CEO en mede-oprichter van Jazz, is een ervaren productleider en ondernemer met een sterke staat van dienst in het opbouwen en schalen van hoge-impacttechnologieplatforms, waaronder het leiden van product bij Laminar via de overname door Rubrik en het helpen van de succesvolle verkoop van Tapingo aan Grubhub voor $150 miljoen; zijn carrière omvat seniorrollen bij Axonius en eerdere ondernemingen zoals KnuPo, en is gebaseerd op een diepe technische basis die tijdens bijna een decennium in het Israëlische leger is ontwikkeld, waar hij van ingenieur naar leidinggevende software-R&D is gegaan, ervaring die nu zijn focus op het opbouwen van AI-natieve cybersecurityoplossingen vormt.

Jazz is een AI-natief cybersecuritybedrijf dat Data Loss Prevention opnieuw bekijkt door verder te gaan dan legacy rule-based systemen en een context-aware platform te introduceren dat begrijpt hoe data door organisaties stroomt, door gebruikersgedrag, systemen en workflows te analyseren om echte risico’s te identificeren in plaats van excessieve waarschuwingen te genereren; door AI te gebruiken om incidenten aan de bron te onderzoeken en actiebare inzichten te bieden, stelt het platform lean securityteams in staat om complexe omgevingen te beheren en gevoelige dataverspreiding over cloudtoepassingen, eindpunten en interne systemen te voorkomen, waardoor Jazz deel uitmaakt van een nieuwe generatie bedrijven die enterprisebeveiliging opnieuw opbouwen voor de AI-era.

U heeft product bij bedrijven als Laminar geleid via de overname en leidinggevende rollen gehad bij Axonius en Grubhub, terwijl u ook meerdere startups heeft opgericht. Wat was de specifieke kloof of inzicht van die ervaringen die u ertoe aanzette om Jazz op te richten, en waarom was dit nu het juiste moment om Data Loss Prevention (DLP) opnieuw uit te vinden?

Ik heb de afgelopen tien jaar securityproducten gebouwd en aan de andere kant van de tafel gezeten met CISO’s. Drie VP Product-rollen, twee exits – waaronder Laminar, die we aan Rubrik verkochten. En als er één ding is dat ik heb geleerd over al dit, is het dit: absoluut niemand houdt van zijn DLP.

Bij Laminar bouwden we de eerste innings van de DSPM-categorie – data security posture management. Groot probleem, maar we hebben drie jaar besteed aan het opvoeden van de markt voordat inbound zelfs maar begon. Ik liep weg met de gedachte: de volgende keer wil ik een oud probleem. Een probleem waar elke raad van bestuur al vanaf weet, elke CISO al budget voor heeft, en niemand heeft eigenlijk opgelost.

DLP is dat probleem. Het is twintig jaar oud. Elke securityorganisatie weet het risico. En de oplossingen op de markt zijn universeel gehaat – niet omdat de leveranciers incompetent zijn, maar omdat het hele kader verkeerd is. We hebben machines gevraagd om patronen te matchen en mensen om context te bieden. Dat model was altijd voorbestemd om te breken.

De timing was overduidelijk. AI gaf ons de mogelijkheid om iets te doen dat letterlijk onmogelijk was voordat – een systeem te bouwen dat data begrijpt op de manier waarop een senioranalist dat doet, maar autonoom en op schaal. Toen we dat zagen, wisten de vier mede-oprichters – allemaal Unit 81-alumni – dat dit het moment was om terug te gaan naar de eerste beginselen en DLP van scratch opnieuw op te bouwen. En deze keer, laten we het werken, en gemakkelijk ook.

Traditionele DLP-systemen zijn lang bekritiseerd vanwege het genereren van excessieve waarschuwingen. Wat breekt er fundamenteel in rule-based DLP, en waarom heeft de industrie moeite gehad om dit probleem op te lossen?

Het probleem is niet dat rule-based DLP betere regels nodig heeft. Het probleem is dat regels het verkeerde instrument waren voor deze taak vanaf het begin.

Hier is hoe het werkelijk werkt. U implementeert een systeem dat patronen begrijpt – regex, bestandstypen, trefwoorden. U schrijft regels. De machine matcht data tegen die regels, en wanneer er een match is, vertelt het een menselijke analist: “Kom kijken naar dit.” De analist moet dan alle context meenemen – wie is deze persoon, wat deden ze, waarom deden ze het – en een oordeel vellen.

Dat tweede deel, het menselijke onderzoek, schaalt nooit. De fysica van DLP is gewoon te lawaaierig. Data beweegt constant binnen elke grote onderneming. Een negencijferig nummer is niet altijd een sociaal verzekeringsnummer. Een bestandsupload is niet altijd exfiltratie. Een lettergraad “A” activeert FERPA-regels. Een interne overdracht tussen afdelingen wordt geblokkeerd. Het systeem kan niet vertellen of een gevoelige bestandsdeling essentieel zakenbelang is of uw kroonjuwelen die de deur uitgaan.

Wat doen bedrijven? Ze voegen uitzonderingen toe. Elke uitzondering is een moment waarop uw instrument faalde om uw bedrijf te begrijpen. En elke uitzondering is effectief een goedgekeurde achterdeur. Zoom uit na achttien maanden en wat u uitvoert, is geen beveiligingsprogramma – het is een register van compromissen verpakt in een compliance-rapport.

Ongeveer 30% van de markt heeft een volwassen DLP-programma, en zelfs zij weten dat het een beste inspanning is – voldoen aan compliance-kaders en niets meer. We noemen hen “de gevangenen.” De overige 70% hebben het nooit geprobeerd of hebben het geprobeerd en zijn gefaald. Eerdere pogingen om dit te repareren hebben een beetje AI op hetzelfde rule-based kader gestrooid. Dat is als het op een auto met een motor schilderen die iedereen weet dat het niet echt kan tillen. Het kader zelf is wat moet veranderen.

Jazz positioneert zichzelf als antwoorden leveren in plaats van waarschuwingen. Kun je ons door het proces leiden van hoe uw systeem incidenten onderzoekt en wat het onderscheidt van legacy-detectiewerkstromen?

Legacy DLP geeft u een brandalarm en geeft u dan een loep. “Iets gebeurde in dat gebouw. Succes met het vinden van welke verdieping.”

Jazz doet dat niet. We hebben een autonome onderzoeker gebouwd, haar naam is Melody, die het werk doet dat een menselijke analist zou doen, maar op superhumane schaal.

Wanneer een datatransactie plaatsvindt, markeert Melody het niet alleen. Ze voert een volledig onderzoek uit over vier dimensies. Eerst de data zelf – niet met regex en patronen, maar diep begrijpen wat deze data is, wie de eigenaar is, wat het risico van verlies voor dit specifieke bedrijf werkelijk betekent. Ten tweede, de systemen – waar komt de data vandaan, waar gaat het naartoe, en kritisch, welke huurder. Er is een enorm verschil tussen het uploaden van een bestand naar een corporate Google Drive en een persoonlijke, en Melody begrijpt dat onderscheid.

Derde, de mensen – we leren hoe individuen opereren, hoe ze data over tijd gebruiken, wat normaal is voor hun rol. En vierde, het bedrijfsproces – waarom gebeurt deze transactie? Is het deel van een bekend workflow, of is het iets dat we niet kunnen verklaren?

Deze meerdere agenten komen samen en reconstrueren het volledige verhaal: wat gebeurde, waarom gebeurde het, en de intentie van de actor. Door de tijd dat een mens het ziet, is het geen waarschuwing – het is een vooronderzocht verhaal met bewijs, context en een vonnis. In een typische implementatie verwerkt Jazz ongeveer 2 miljoen signalen per maand voor elke 1000 werknemers, onderzoekt honderdduizenden potentiële gebeurtenissen en brengt ongeveer 80 incidenten naar boven die menselijke aandacht nodig hebben. Dat is een signaal-tot-ruisverhouding van 20.000 tot 1. Dat is hoe we een einde maken aan inactieerbare waarschuwingen en waarschuwingsmoeheid.

Uw platform analyseert context over data, systemen, mensen en bedrijfsprocessen. Hoe unificeert u technisch deze dimensies, en wat is de rol van AI-agenten of redeneringssystemen in dat proces?

De architectuur is gebouwd rond meerdere gespecialiseerde AI-agenten, elk analyseert een enkele datatransactie vanuit een andere perspectief.

Een agent richt zich op het diep begrijpen van de data – de inhoud, gevoeligheid, eigendom en relevantie voor het bedrijf. Een andere kijkt naar het systeemlandschap – niet alleen de namen van de toepassingen, maar de specifieke huurders, het vertrouwensniveau, of het onderneming of persoon is. Een derde bouwt en actualiseert voortdurend profielen van hoe individuen opereren en data gebruiken, zodat het kan beoordelen of een bepaalde actie consistent is met iemands rol of volledig anomaal. En een vierde kaart bedrijfsprocessen – verbindt datatransacties met bekende workflows en identificeert degenen die niet kunnen worden verklaard.

Deze agenten komen dan samen en synthetiseren hun bevindingen in een verenigd onderzoek – een compleet verhaal van wat gebeurde, waarom en of het een echte risico is.

Alles staat op twee fundamentele innovaties. Ten eerste, wat we noemen eindpuntcontextkluis – een nieuwe soort signalen die we specifiek voor DLP hebben gepatenteerd. Deze vangen niet alleen de datatransactie zelf, maar het volledige verhaal eromheen: wat er gebeurde voordat, wat er gebeurde erna, welke toepassingen waren betrokken, de complete gebruikersactiviteitsketen. Deze signalen zijn ongelooflijk rijke context en stellen ons in staat om niet alleen te leveren wat er gebeurde, maar ook waarom het gebeurde en de intentie van de actor, die altijd ontoegankelijk waren voor machines om op schaal te begrijpen.

Ten tweede, een natuurlijke taalbeleidsmotor die de traditionele rigide regelsets vervangt. In plaats van technische regels te schrijven met regex en drempels, beschrijven beveiligingsteams wat acceptabel is en wat niet op de manier waarop een mens dat zou doen – in gewone taal. Melody gebruikt dat om nuances oordeelvellingen te maken over situaties die mogelijk niet expliciet in enig beleid worden genoemd. Omdat de realiteit van dagelijkse bedrijfspraktijken in een organisatie vaak enorm afwijkt van wat er werkelijk in een standaardbeleidsdocument is geschreven. We overbruggen die kloof, en voor degenen met langdurige ervaring met DLP-programma’s voelt dit als magie.

Veel ondernemingen implementeren nu autonome AI-agenten die interactie hebben met gevoelige data. Hoe verandert deze verschuiving het bedreigingslandschap, en waarom vereist dit een nieuwe aanpak van DLP?

Dit is een tijdbom.

De SaaS-explosie was al overweldigend voor beveiligingsteams – elke week verschijnen er vijf nieuwe tools in de omgeving, veel door werknemers geadopteerd zonder goedkeuring van IT. We hebben klanten ontdekt die meer dan 400 GenAI-tools hebben die over hun organisatie worden uitgevoerd zonder dat iemand het wist. Nu legt u autonome AI-agenten bovenop dat.

AI-agenten behandelen data niet alleen passief – ze halen het actief op, transformeren het, sturen het naar andere diensten, nemen beslissingen over waar het naartoe gaat. Een werknemer die een AI-codingassistent verbindt met een bedrijfscodebase, met een persoonlijk account, en vervolgens output naar een persoonlijk repository – we hebben precies dat in het veld gezien. Of iemand die vertrouwelijke strategiedocumenten in een persoonlijke ChatGPT-sessie plakt omdat het bedrijf geen ondernemingsaccount heeft ingericht. Zelfs iets eenvoudigs als een persoonlijke Grammarly-plugin die alles wat u typt, inclusief bankoverschrijvingsgegevens en klantgegevens, controleert.

Rule-based DLP was gebouwd voor een wereld waarin data door een paar bekende kanalen stroomde – e-mailbijlagen, USB-sticks, misschien een webupload. De AI-era blies dat model uit elkaar. Data stroomt nu door tientallen vectoren die legacy-systemen niet kunnen zien, laat staan begrijpen. U hebt een systeem nodig dat contextueel kan begrijpen wat er gebeurt – niet alleen dat data beweegt, maar waarom, via wat en of de bestemming is goedgekeurd.

Dat is fundamenteel waarom het oude kader niet kan worden gepatcht. U hebt een aanpak nodig die bedrijfscontext native begrijpt, omdat het aanvalsoppervlak niet langer een lijst met kanalen is, maar elke interactie tussen mensen, AI-hulpmiddelen en gevoelige data.

Verklaarbaarheid blijft een belangrijke barrière voor het adopteren van AI in beveiliging. Hoe zorgt u ervoor dat de beslissingen van uw systeem verstaanbaar en betrouwbaar zijn voor beveiligingsteams die in high-stakesomgevingen opereren?

Dit is iets waar we vanaf dag één aan hebben gedacht, omdat de laatste ding dat een CISO nodig heeft, een andere black box is.

Elk onderzoek dat Melody produceert, is een verhaal – geen score, geen kleurcode, geen cryptisch risicocijfer. Het leest als een briefing van een senioranalist. Hier is wat er gebeurde. Hier is wie erbij betrokken was. Hier is waarom we denken dat ze het deden. Hier is het bewijs. Hier is het beleid waaraan het is gekoppeld. Hier is onze beoordeling.

De natuurlijke taalbeleidsmotor is cruciaal voor dit. Omdat de beleidsdocumenten zelf in gewone taal zijn geschreven, kunnen beveiligingsteams precies zien welk beleid een beslissing aanwijst en waarom. Als Melody iets markeert, kan het team de redeneringketen volgen van de ruwe signalen via de contextuele analyse naar de beleidskoppeling. En als ze het niet eens zijn, kunnen ze het beleid in gewone taal verfijnen – niet door een regelset te debuggen.

We tonen ook het bewijs direct, de volledige activiteitsketen. Het is niet “vertrouw de AI”, het is “hier is wat de AI zag, hier is wat het concludeerde en hier is de ruwe data zodat u het kunt verifiëren.” Onze klanten vertellen ons dat het voelt als het ontvangen van een briefing van een zeer grondige collega.

Dat is de lat. Beveiligingsteams opereren in omgevingen waar een verkeerde beslissing kan betekenen dat er juridische consequenties, juridische blootstelling of een carrière van een werknemer op het spel staan. Het systeem moet vertrouwen verdienen door transparant te zijn over hoe het tot zijn conclusies komt.

Jazz beschrijft zijn systeem als meer gedragen als een menselijke onderzoeker dan een regelmotor. Wat betekent dat in de praktijk, en hoe dicht staan we bij echt autonome beveiligingsoperaties?

Wanneer ik zeg dat Melody zich gedraagt als een menselijke onderzoeker, bedoel ik het letterlijk.

Een geweldige DLP-analist ziet niet alleen dat een bestand is geüpload. Ze kijken naar wie het heeft geüpload, wat erin zat, waar het naartoe ging, of deze persoon normaal gesproken dit type data behandelt, of er een zakelijke reden voor is, en wat er voor en na is gebeurd. Ze gebruiken contextuele oordeelvelling – niet alleen regels – en dat vereist contextuele kennis van hun bedrijf. Dat is precies wat Melody doet, maar over elke datatransactie in een onderneming, continu en op schaal.

In de praktijk beschrijven onze klanten Melody als een ander lid van hun team. Ze laten hen situaties zien die buiten het beleid vallen, bieden het volledige onderzoek met bewijs en vragen om hun oordeel over gevallen die echt menselijke input nodig hebben. Ze leren de organisatie over tijd – de bedrijfsprocessen, de uitzonderingen, de dingen die technisch een schending zijn maar operationeel normaal.

Wat echt autonome beveiligingsoperaties betreft – we zijn dichterbij dan de meeste mensen denken, maar ik wil precies zijn over wat dat betekent. Melody werkt al autonoom in de onderzoeksfase. Ze neemt ruwe signalen en produceert volledig onderzochte, gecontextualiseerde vonnissen zonder menselijke betrokkenheid. Voor high-confidence, high-risk scenario’s kan ze ook preventieve acties autonoom uitvoeren – blokkeren van exfiltratie voordat deze is voltooid.

De mens blijft in de lus voor oordeelvellingen, en voor het mens-in-de-lus leerproces. En dat is met opzet. Het doel is niet om mensen uit beveiliging te verwijderen, maar om het saaie, repetitieve werk dat ze uitbrandt te verwijderen en hen te laten focussen op de beslissingen die echt menselijke oordeelvelling vereisen. Dat is waar we vandaag zijn, en het verandert al hoe onze klanten hun programma’s uitvoeren.

Vanuit een product- en technisch oogpunt, wat waren de moeilijkste technische uitdagingen bij het opbouwen van een AI-natief DLP-platform van scratch in plaats van het itereren op bestaande architectuur?

Het moeilijkste deel was de verleiding weerstaan om shortcuts te nemen.

Wanneer u van scratch begint, is er altijd druk om stukken van de oude architectuur te lenen, omdat ze bewezen en snel zijn en meer in overeenstemming zijn met bestaande klantverwachtingen. Maar elke keer dat u dat doet, erft u de beperkingen van het oude model. We hebben een bewuste beslissing genomen om terug te gaan naar de eerste beginselen – denk aan de basisfysica van het probleem en herbouw.

De eindpuntagent was een van de grootste uitdagingen. We moesten de signalenverzameling opnieuw bekijken en voldoende context bereiken, en niet de geteste weg van legacy-signalen nemen – en tegelijkertijd laag systeemimpact behouden. Het bouwen van dit over alle besturingssystemen, was een serieuze inspanning van de ingenieurs. We eindigden met een gepatenteerde aanpak die ons zichtbaarheid geeft die niemand anders heeft.

Het multi-agent AI-systeem was een andere grote uitdaging. Meerdere gespecialiseerde AI-agenten krijgen om dezelfde transactie vanuit verschillende perspectieven te analyseren en vervolgens te convergeren naar een coherent, nauwkeurig verhaal – dat vereiste veel architectonische denkwijzen. Het is niet alleen een LLM naar een datafeed gooien. De orchestratielaag, de manier waarop agenten context delen, de manier waarop ze conflicterende signalen oplossen – dat is waar de meeste uitdagingen wonen.

En dan de natuurlijke taalbeleidsmotor. Het vertalen van mensentaalbeschrijvingen van wat acceptabel is en wat niet in iets dat een AI betrouwbaar kan toepassen op duizenden randgevallen – dat is een fundamenteel moeilijk probleem. Dagelijkse bedrijfspraktijken in een organisatie verschillen vaak enorm van wat er werkelijk in een standaardbeleidsdocument is geschreven. Het systeem moet die kloof overbruggen, en het moet het goed doen, omdat de gevolgen van het verkeerd krijgen in DLP ernstig zijn.

We hebben elk van die moeilijke problemen opzettelijk gekozen, omdat ze het verschil maken tussen incrementeel beter DLP en iets fundamenteel nieuw.

In elke van die uitdagingen en veel meer, zijn er nog steeds open obstakels om te overwinnen, en unieke probleemsets voor het juiste talent om aan te pakken. DLP goed oplossen is een echt boeiende en verleidelijke reis.

Jazz werd geselecteerd als winnaar van de 2026 Cybersecurity Startup Accelerator gesteund door CrowdStrike (CRWD ), AWS en NVIDIA. Wat valideerde deze ervaring over uw aanpak, en hoe heeft het uw roadmap beïnvloed?

Duizend startups hebben zich aangemeld. Zes hebben de finale gehaald. We hebben gewonnen.

Ik zal eerlijk zijn, het moment voordat je het podium opkomt, herinnert je aan alles wat fout kan gaan. En dan begin je te praten over het probleem waar we aan hebben gewerkt, en alles wordt stil. Elke late nacht die we hebben doorgebracht met discussiëren over hoe Melody zou moeten werken, elke moeilijke architectonische beslissing, elke klantgesprek die het product heeft gevormd, het werd allemaal samengeperst in die minuten.

De jury, George Kurtz, CJ Moses, Bartley Richardson en de legendarische haai, Robert Herjavec, zagen het. Ze noemden het agente-onderzoekmodel specifiek, evenals onze snelle klantadoptie. Voor ons was de validatie van de industrieleiders belangrijker dan de trofee. Dit zijn mensen die beveiligingsprogramma’s op het hoogste niveau hebben gebouwd en uitgevoerd, en ze erkenden dat wat we doen fundamenteel anders is dan wat eerder is geprobeerd – en dat onze traction voor zichzelf spreekt.

Wat de roadmap betreft, versterkte de accelerator wat onze klanten ons al vertelden – de markt is klaar voor dit, en ze willen dat we snel bewegen. We verdubbelen onze inspanningen om de mogelijkheden van de onderzoeker uit te breiden en het product voor zoveel mogelijk beveiligingsteams te plaatsen.

Kijkend naar de toekomst, gelooft u dat DLP evolueert naar een volledig autonoom, agent-gedreven systeem, en wat ziet de langetermijnvisie van gegevensbeveiliging in een AI-natieve onderneming?

Ik geloof dat DLP in fasen volledig autonoom zal worden. Het onderzoekslayer is er al – Melody doet dat vandaag. Preventie voor high-confidence scenario’s gebeurt nu. Over tijd wordt het systeem slimmer over de organisatie, leert het de workflows, begrijpt het de mensen, en het oppervlak dat echt menselijke oordeelvelling vereist, krimpt.

Maar ik wil duidelijk zijn – “autonoom” betekent niet “onbeheerd.” Het betekent dat het systeem het werk doet dat mensen niet zouden moeten doen, zodat ze zich kunnen concentreren op de beslissingen die echt ertoe doen. De CISO van de toekomst verdrinkt niet in waarschuwingen. Ze bekijken strategische risicobeoordelingen van een AI die hun bedrijf zo diep begrijpt als hun beste analist. Ze nemen chirurgische acties die relevant zijn voor hun organisatie, op basis van geaggregeerde inzichten in hun landschap van actieve dataverlies, en niet gokken. Dit stelt hen in staat om datarisico te verminderen, zonder hun bedrijf te vertragen.

Het grotere plaatje is dit: in een AI-natieve onderneming stroomt data sneller, door meer kanalen, in meer complexe manieren dan enig menselijk team kan volgen. De organisaties die winnen zullen degenen zijn wiens beveiligingssystemen context kunnen begrijpen op de snelheid van AI, niet degenen die nog steeds regex-regels schrijven en het beste hopen. Thank you for the great interview, readers who wish to learn more should visit Jazz.