Liat Hayun, SVP Product Management & Research at Tenable – Interviewreeks

Liat Hayun is de VP van Product en Onderzoek bij Tenable Cloud Security. Voordat ze bij Tenable kwam, was Liat mede-oprichter en CEO van Eureka Security, een dataveiligheidsbedrijf dat werd overgenomen door Tenable. Voordat ze Eureka Security mede-oprichtte, werkte Liat meer dan een decennium aan cybersecurity-inspanningen bij het Israëlische Cyber Command en bij Palo Alto Networks (PANW ). Als VP van Product Management bij Palo Alto Networks leidde Liat de ontwikkeling van Cortex XDR en het beheerde dreigingsjacht van het bedrijf.

Tenable is een Amerikaans cybersecuritybedrijf dat organisaties helpt om beveiligingskwetsbaarheden te identificeren, te begrijpen, te prioriteren en te verhelpen over hun hele digitale aanvalsoppervlak. Het is het meest bekend vanwege zijn exposure management-platform en tools zoals de veelgebruikte Nessus-kwetsbaarheidsscanner, waarmee bedrijven zicht krijgen op bedreigingen die zich uitstrekken over IT-infrastructuur, cloud, OT/IoT- en identiteitssystemen en beslissingen kunnen nemen om het zakelijke risico te verminderen. De oplossingen van Tenable bieden continue ontdekking, prioritering en dreigingsinzicht om proactief cyber-risicobeheer te ondersteunen voor tienduizenden klanten wereldwijd.

Wat maakt autonome AI-agents fundamenteel gevaarlijker dan traditionele AI-modellen die alleen reageren op gebruikersaanvragen, in plaats van onafhankelijk te handelen?

Autonome AI-agents veranderen de aard van het risico omdat ze taken kunnen initiëren, systemen kunnen benaderen, beslissingen kunnen nemen en interactie kunnen hebben met andere services zonder menselijke toezicht.

Die onafhankelijkheid vergroot zowel de snelheid als de omvang van het potentiële effect, waardoor de kans op gegevensblootstelling, operationele verstoring en financieel verlies toeneemt. Een AI-agent kan gegevensopslag benaderen, workflows activeren, API’s aanroepen of infrastructuur in real-time wijzigen. Als deze onjuist is geconfigureerd of is aangetast, kan deze zich lateraal over systemen verplaatsen met de machtigingen die zijn toegekend, vaak sneller dan een mens kan detecteren of ingrijpen.

Volgens Tenable’s Cloud and AI Risk Report 2026, hebben 52% van de organisaties nu niet-menselijke identiteiten met overmatige machtigingen, en bijna de helft daarvan is inactief, waardoor onbeheerde toegang overal in productieomgevingen ontstaat. Dat betekent dat veel AI-gedreven processen al toegang hebben die ze niet actief gebruiken, maar die aanvallers wel kunnen.

Aanvallers maken steeds vaker misbruik van het zogenaamde Confused Deputy-probleem. Ze hoeven de agent zelf niet te compromitteren. In plaats daarvan trickeren ze een geautoriseerde agent om acties uit te voeren namens hen, vaak via indirecte prompt-injectie of gemanipuleerde invoer. De agent voert de aanvraag uit met zijn legitieme machtigingen, waardoor hij effectief het werk van de aanvaller doet. Wanneer autonome systemen brede machtigingen erven of over-geprivilegieerde rollen aannemen, verdwijnt de tijd tussen misconfiguratie en exploitatie effectief, waardoor een zero-margin AI-blootstellingskloof ontstaat.

Veel ondernemingen experimenteren informeel met AI-agents. Wat zijn de eerste concrete stappen die beveiligingsteams moeten nemen om te beoordelen of agentic AI al in hun omgeving actief is?

Het sluiten van de AI-blootstellingskloof begint met ontdekking die verder gaat dan traditionele asset-inventarissen. De experimentele fase is vaak het gevaarlijkst omdat organisaties niet volledig weten welke AI wordt gebruikt, hoe deze is geconfigureerd of welke toegang deze heeft gekregen.

AI-agents wonen zelden in één duidelijk gelabeld systeem. Velen opereren buiten formeel beheer. Ze verschijnen in ontwikkelaarstools, SaaS-integraties, automatiseringsworkflows, browserextensies en clouddiensten, waardoor een gedistribueerde implementatie ontstaat die blind spots vergroot en centraal beheer beperkt. Dit is al wijdverbreid, aangezien meer dan 70% van de organisaties ten minste één derdepartij-AI- of model-gerelateerd pakket hebben geïntegreerd, vaak AI diep in toepassingen en infrastructuur integreren met beperkt centraal toezicht.

Recent onderzoek naar Clawdbot toont aan dat experimentele agent-implementaties serieuze risico’s kunnen vormen wanneer functionaliteiten worden geïmplementeerd voordat beveiligingscontroles of configuratiestandaarden volledig worden begrepen. Zelfs nadat het experimenteren is gestopt en organisaties hebben besloten welke AI-toepassingen ze willen aannemen, hebben ze nog steeds een sterk beheer nodig over hoe die systemen worden gebruikt, welke machtigingen ze hebben en hoe ze interactie hebben met kritieke assets.

De ontdekkingsfase moet beginnen met het vaststellen van een uniforme inventaris van waar AI bestaat over endpoints, clouddiensten en externe aanvalsoppervlakken. Dit omvat het identificeren van AI-bibliotheken, -agenten, -API’s, -modelservices en derdepartij-integraties, niet alleen intern geïmplementeerde systemen, maar alles wat extern bereikbaar is.

Vervolgens moeten teams in kaart brengen hoe die agenten zijn verbonden en welke gegevens ze benaderen, welke identiteiten ze gebruiken, welke machtigingen ze hebben en welke systemen ze kunnen bereiken. Zichtbaarheid vereist context, aangezien risico ontstaat uit relaties.

Tenslotte, na het experiment, moeten organisaties identificeren welke van die verbindingen bereikbare paden naar kritieke assets creëren en de AI-blootstellingskloof sluiten.

Hoe verhouden risico’s zoals blootgestelde controle-oppervlakken of ongeverifieerde derdepartij-“vaardigheden” zich tot meer vertrouwde bedreigingen zoals aanvalslijn-aanvallen of privilege-escalatie?

Ongeverifieerde derdepartij-vaardigheden en blootgestelde controle-oppervlakken verlengen soortgelijke risico’s als aanvalslijn-compromissen en privilege-escalatie, maar met verhoogde snelheid, omvang en connectiviteit.

Derdepartij-agent-vaardigheden functioneren veel zoals software-aanvalslijn-afhankelijkheden, en het blootstellingsoppervlak draagt al significant gewicht. Zesentachtig procent van de organisaties hosten derdepartij-codepakketten met kritieke-zwaarte-vulnerabiliteiten. Wanneer deze componenten binnen autonome AI-agents opereren, wordt de uitvoering continu en geautomatiseerd, waardoor de tijd tussen compromis en impact wordt geëlimineerd.

Blootgestelde controle-oppervlakken vergroten de identiteit- en toegangslaag van risico door nieuwe operationele interfaces te creëren die verhoogde machtigingen dragen. Achttien procent van de organisaties staat AI-diensten toe om over-geprivilegieerde rollen aan te nemen, waardoor geautomatiseerde systemen een brede reikwijdte over omgevingen hebben. Agentic AI verbindt deze blootstellingen in een enkele operationele keten. Een kwetsbare afhankelijkheid, overmatige machtigingen en blootgestelde interfaces combineren in een bereikbaar aanvals-pad. Organisaties opereren in een zero-margin-for-error-omgeving waar blootstelling en exploitatie bijna onmiddellijk samenvallen.

Vanuit een defensief oogpunt, wat ziet “goede hygiëne” eruit voor organisaties die AI-agents implementeren met toegang tot interne systemen of gevoelige gegevens?

Goede hygiëne begint met het behandelen van AI-agents als bevoorrechte digitale actoren met echte autoriteit over systemen en gegevens. Organisaties hebben continue zichtbaarheid nodig in elke agent, wat het doet en wat het kan bereiken. Teams moeten least privilege voor machine- en service-identiteiten afdwingen, inactieve toegang verwijderen en machtigingen strikt beperken. Elke agent moet zijn toegewezen aan een specifiek type taak, met machtigingen en toegang beperkt tot die functie.

Dit is belangrijk omdat ongebruikte toegang wijdverbreid is. Bijna de helft van de identiteiten met overmatige machtigingen is inactief, en meer dan 70% van de standaard AI-uitvoerrollen blijven ongebruikt. Deze omstandigheden creëren gereedgemaakte escalatie-paden die risico’s met zich meebrengen zonder waarde te leveren.

Beveiligingsteams moeten ook de relaties over infrastructuur, gegevensopslag, API’s en toepassingen begrijpen. Het in kaart brengen van deze verbindingen onthult giftige blootstellingscombinaties, zoals kwetsbare workloads die bereikbaar zijn via over-geprivilegieerde agents met toegang tot gevoelige gegevens.

Sterke hygiëne vereist ook continue governance. Organisaties moeten agent-gedrag monitoren, integraties controleren, gegevensbeveiligingshekken afdwingen en regelmatig machtigingen valideren. Deze praktijken sluiten de AI-blootstellingskloof en verwijderen bereikbare aanvals-paden.

Wat raden organisaties aan om AI-aanvalsoppervlakken snel te beschermen zonder innovatie te vertragen?

Organisaties kunnen AI-aanvalsoppervlakken beschermen door blootstelling te verminderen met snelheid en precisie.

Om dat te doen, is de eerste prioriteit het identificeren van welke AI-systemen bereikbare paden naar kritieke assets creëren. Meer dan 80% van de organisaties draaien workloads met kwetsbaarheden die al in het wild zijn geëxploiteerd. Risico bestaat al in de meeste omgevingen. Beveiligingsteams moeten zich richten op de verbindingen die echte impact creëren.

Vervolgens moet men beseffen dat automatisering schaal mogelijk maakt. Continue ontdekking, contextuele prioritering en geleide remediation stellen teams in staat om risico’s te verminderen terwijl de ontwikkelingsvelocity wordt behouden.

Terwijl beleidsbeveiligingshekken de adoptie beschermen, helpen just-in-time-toegang, gemonitorde gegevensstromen en gecontroleerde integraties organisaties om AI-activiteit te beheren terwijl innovatie wordt gestimuleerd.

Samen verkleinen deze stappen de AI-blootstellingskloof door het verwijderen van hoog-risico-toegang en onveilige verbindingen. Snelle blootstellingsreductie beschermt systemen terwijl AI-adoptie naar voren gaat.

Hoe moeten CISO’s denken over identiteit, machtigingen en reikwijdte bij het verlenen van toegang aan AI-agents tot productiesystemen?

CISO’s moeten AI-agents behandelen als hoge-snelheid non-menselijke identiteiten met operationele autoriteit over systemen en gegevens.

Toegangsbeslissingen moeten zich richten op precisie. Machtigingen moeten overeenkomen met specifieke taken, tijdelijk zijn en ondergaan continue review. Overmatige privilege vergroot bereik en verhoogt impact wanneer systemen op machinesnelheid interactie hebben.

Beveiligingsleiders hebben ook duidelijk inzicht nodig in effectief bereik. Machtigingen, in combinatie met netwerkpaden, gegevenstoegang en service-integraties, definiëren wat een agent daadwerkelijk kan doen. Het begrijpen van deze relaties onthult potentiële blootstelling voordat deze impact wordt.

Identiteit verbindt infrastructuur, gegevens en toepassingen over de AI-blootstellingskloof. Strikte machtigingsontwerp beperkt de blast-radius en behoudt controle. Wanneer de tijd van blootstelling tot exploitatie bijna nul is, bepaalt identiteitsbeheer hoe veilig AI in productie werkt.

Verwachten agentic AI een heroverweging van bestaande beveiligingskaders, of kunnen de huidige modellen worden aangepast om deze nieuwe risico’s aan te pakken?

Beveiligingsprincipes blijven consistent, maar operationele modellen evolueren. Agentic AI verbindt systemen, identiteiten en gegevens in dynamische omgevingen die continu veranderen en op machinesnelheid opereren. In tegenstelling tot menselijke operators, passen agenten geen oordeel toe op hun acties of onderscheiden ze tussen geschikte en ongeschikte verzoeken. Ze voeren uit op basis van instructies en machtigingen, waardoor strikte controle en governance belangrijker worden.

Risico ontstaat uit relaties over infrastructuur, software-aanvalslijnen en identiteitslagen. Organisaties erven blootstelling sneller dan herstelcycli kunnen bijhouden. Geautomatiseerde implementatie en geautomatiseerde exploitatie comprimeren responstijd en verhogen operationele druk.

Beveiligingskaders moeten zich richten op blootstellingszichtbaarheid en -reductie. Teams hebben continue inzicht nodig in wat bestaat, hoe systemen zijn verbonden en welke paden leiden naar kritieke assets.

De definitieve uitdaging is het beheren van verbonden risico over de AI-blootstellingskloof. Beveiligingsprogramma’s slagen door continue bereikbare blootstelling te verminderen en controle te behouden over complexe omgevingen.

Kijkend naar de toekomst, welke gebieden van agentic AI-beveiligingsonderzoek verdienen meer aandacht nu deze tools van experimenteel naar mission-critical gaan?

Er zijn verschillende onderzoeksgebieden die de toekomst van agentic AI-beveiliging zullen vormen.

Ten eerste vereist de groei van niet-menselijke identiteitsecosystemen dieper onderzoek. Organisaties breiden snel machine-identiteiten uit die opereren over infrastructuur, gegevens en services. Het begrijpen van privilege-patronen, gedrag en levenscyclusbeheer zal essentieel zijn.

Ten tweede moet onderzoek de multi-stap-aanvals-pad-modellering vooruit helpen. AI-systemen verbinden software-aanvalslijnen, clouddiensten en identiteitslagen. Het in kaart brengen van hoe deze elementen interactie hebben, zal risicovoorspelling en prioritering verbeteren.

Ten derde vereist governance van autonome besluitvorming grotere aandacht. Beveiligingsteams hebben zichtbaarheid nodig in hoe agenten toegang hebben tot, verwerken en overdragen van gevoelige gegevens over tijd.

Tenslotte, exploitatiesnelheid blijft versnellen. Het bestuderen van hoe aanvallers en verdedigers opereren op machinesnelheid, zal responstrategieën vormen.

Toekomstige beveiliging hangt af van het begrijpen en verminderen van de AI-blootstellingskloof. Onderzoek moet zich richten op het controleren van verbonden blootstelling over het hele aanvalsoppervlak.

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