Interviews

Oran Moyal, medeoprichter en CTO van Ocean Security – Interviewreeks

Antoine Tardif
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Oran Moyal, Co-Founder and CTO of Ocean Security
Belangrijkste puntenAI-native status is organisatorisch in plaats van technisch, omdat het verandert hoe…
Meer weergeven
  • AI-native status is organisatorisch in plaats van technisch, omdat het verandert hoe elk team werk aanpakt.
  • Het versnellen van individuele taken mislukt wanneer overdrachten en goedkeuringen de echte knelpunten tussen stappen blijven.
  • Agenten hebben afgedwongen machtigingen en onafhankelijke validatie nodig, omdat instructies alleen geen beveiligingsmaatregelen zijn.

Oran Moyal is medeoprichter en CTO van Ocean Security, waar hij AI-agenten ontwikkelt om geavanceerde e-mailbedreigingen te onderzoeken. Zijn achtergrond omvat onderzoek en ontwikkeling op het gebied van cyberbeveiliging, offensieve social engineering en bedrijfsbeveiliging. In 2024 richtte hij samen met Shay Shwartz Ocean op, waarbij ze hun ervaring inzetten met het analyseren van hoe aanvallers misbruik maken van vertrouwde communicatie en hoe beveiligingssystemen kunnen reageren op steeds gerichter wordende bedreigingen.

Ocean Security bouwt een platform voor e-mailbeveiliging met AI-agenten, dat is ontworpen om gerichte phishingaanvallen, zakelijke e-mailfraude en financiële fraude te onderzoeken. De gespecialiseerde AI-agenten analyseren de context van communicatie en de intentie van afzenders, zodat beveiligingsteams bedreigingen kunnen herkennen in interacties die ogenschijnlijk legitiem zakelijk verkeer zijn. In dit interview bespreekt Moyal waaraan je een AI-native organisatie herkent, hoe je werkprocessen rond agenten opnieuw kunt vormgeven en waarom duidelijke vereisten, onafhankelijke validatie, afgedwongen machtigingen en menselijk inzicht essentieel blijven voor effectieve automatisering.

Voordat je in 2024 medeoprichter werd van Ocean, werkte je jarenlang in onderzoek en ontwikkeling op het gebied van cyberbeveiliging, onder meer bij de Israel Defense Forces en VisibleRisk / Microsoft Security. Welke ervaringen brachten je ertoe Ocean op te richten, en hoe heeft de opkomst van AI vanaf het begin je visie voor het bedrijf beïnvloed?

Voor een gerichte spearphishingcampagne waren vroeger een toegewijd team en weken van handmatig onderzoek en voorbereiding nodig. Toen generatieve AI opkwam, beseften we dat elke werknemer bij elk bedrijf nu het doelwit kan zijn van een verwoestende phishingaanval op het niveau van een natiestaat. Van de ene op de andere dag gaf een abonnement van $ 20 elke aanvaller mogelijkheden op het niveau van een natiestaat.

Shay en ik hebben ruime ervaring met social engineering vanuit aanvallersperspectief, en we hebben allebei bedrijven voor bedrijfsbeveiliging opgebouwd en opgeschaald. Daarom wisten we dat verouderde tools dit niet konden bijbenen. Ze zoeken naar overtredingen van regels en afwijkingen, maar deze aanvallen vinden plaats binnen normale zakelijke communicatie: echte e-mailgesprekken, vertrouwde accounts en legitieme diensten. Niets lijkt abnormaal. Daarom zijn we in 2024 met Ocean begonnen: om bedrijven te helpen zich aan deze nieuwe dreiging aan te passen met AI-gestuurde e-mailbeveiliging die context en de intentie van afzenders in realtime analyseert, net zoals een menselijke onderzoeker dat zou doen, voordat er een inbreuk plaatsvindt.

Veel organisaties noemen zichzelf ‘AI-native’ simpelweg omdat ze AI-tools hebben ingevoerd of bepaalde processen hebben geautomatiseerd. Wat onderscheidt volgens jou een organisatie die werkelijk AI-native is fundamenteel van een organisatie die AI alleen in haar bestaande bedrijfsvoering heeft geïntegreerd?

Veel bedrijven noemen zichzelf AI-native omdat ze AI-tools hebben aangeschaft. Dat is het invoeren van nieuwe technologie. AI-native zijn verandert hoe een bedrijf het dagelijkse werk aanpakt en knelpunten oplost.

Het begint met de manier waarop leiders op een knelpunt reageren. De traditionele reflex is: ‘Dit kost te veel tijd; laten we iemand aannemen die het afhandelt.’ Een AI-native organisatie vraagt eerst: ‘Hoe kan AI deze hele functie versnellen?’ Stel die vraag aan elk team, en het hele bedrijf gaat anders werken.

Een echte AI-native transformatie is organisatorisch, niet technisch. Als je één afdeling versnelt, verschuift het knelpunt gewoon naar de volgende afdeling en komt het bedrijf uiteindelijk vooruit in het tempo van zijn traagste functie. AI-native organisaties veranderen gezamenlijk, zodat informatie sneller stroomt, feedbackcycli korter worden en teams als één samenhangend systeem werken.

In dit model verandert de waarde van mensen. Naarmate AI meer werk op zich neemt, worden duidelijke richting bepalen, intenties formuleren en oordeelsvermogen toepassen de schaarse vaardigheden. Mensen en agenten werken zij aan zij. AI voert steeds meer uit, terwijl mensen bepalen wat het waard is om te bouwen en waarom.

Het doel is dat elk team met dezelfde middelen meer doet, sneller werkt en beter samenwerkt, zonder concessies te doen aan de kwaliteit.

Je hebt betoogd dat productiviteitswinst door AI snel kan verdwijnen als de onderliggende werkprocessen inefficiënt zijn. Wat zijn de meest voorkomende operationele knelpunten die bedrijven ervan weerhouden de volledige voordelen van AI te realiseren, en hoe kunnen leiders deze werkprocessen het beste opnieuw vormgeven?

Individuele taken versnellen, betekent niet automatisch dat de organisatie als geheel sneller werkt. Als processen, afhankelijkheden en communicatie tussen teams hetzelfde blijven, gaat onderweg het grootste deel van de productiviteitswinst door AI verloren.

De meest voorkomende knelpunten zijn niet technisch van aard. Het gaat om onduidelijke vereisten die tot herhaald herstelwerk leiden, trage overdrachten tussen teams en werk dat op goedkeuring blijft wachten. AI versnelt elke stap, maar tussen de stappen gaat tijd verloren.

Leiders moeten eerst meten waar de tijd daadwerkelijk naartoe gaat, want het echte knelpunt is vaak niet het knelpunt dat iedereen vermoedt. Vervolgens moeten ze het werkproces van begin tot eind opnieuw ontwerpen en de overdrachten, definities en feedbackcycli verbeteren, in plaats van alleen afzonderlijke taken aan te pakken. Ten slotte moeten ze elke AI-inspanning koppelen aan de KPI’s waarvoor teams al verantwoordelijk zijn.

Het belangrijkste is dat leiders hun denkwijze veranderen. Automatiseren en versnellen moeten de norm worden. In plaats van bestaande processen voor lief te nemen, moeten teams voortdurend kritisch blijven kijken naar hoe het werk wordt gedaan, zodat ze sneller vooruitgang boeken en meer impact hebben zonder concessies te doen aan de kwaliteit.

Een van de principes die u benadrukt, is hoe belangrijk het is om eisen duidelijk vast te leggen voordat AI-agenten in een werkproces worden geïntroduceerd. Hoe moeten organisaties hun aanpak herzien voor het formuleren van taken, het communiceren van verwachtingen en het vaststellen van succescriteria wanneer AI-agenten verantwoordelijk zijn voor een aanzienlijk deel van het werk?

Wanneer AI-agenten een groot deel van het werk doen, moeten organisaties hun manier van communiceren en taken formuleren herzien. Een vaag verzoek houdt een agent niet tegen. Die gaat dan zelf invullen wat de bedoeling is, en elke verkeerde aanname leidt tot extra herstelwerk.

Ik bekijk dit in drie lagen:

Duidelijke taken, doelen en context. De agent moet begrijpen wat er moet gebeuren, waarom dat belangrijk is en in welke context de taak moet worden uitgevoerd. Voordat het werk begint, moet de agent vragen kunnen stellen over alles wat onduidelijk is, zodat onduidelijkheden vooraf worden opgelost in plaats van halverwege aan het licht te komen.

Zelfvalidatie. De succescriteria moeten vooraf worden vastgelegd op een manier waarop de agent ze zelf kan controleren. Bij software moet een agent bijvoorbeeld de code kunnen uitvoeren, testen of die naar behoren werkt en bevestigen dat de tests slagen voordat iemand de code beoordeelt.

Mensen als laatste schakel. Mensen moeten een resultaat ontvangen dat de agent al in meerdere rondes heeft verfijnd aan de hand van de afgesproken criteria. Hun rol is om hun oordeel toe te passen, niet om basisfouten te herstellen.

Hoe duidelijker de definitie, hoe minder menselijke tijd elk resultaat vergt.

U pleit ervoor AI-agenten hun eigen werk te laten valideren voordat het door mensen wordt beoordeeld. Hoe ziet een effectief AI-gestuurd validatieproces er in de praktijk uit, en hoe kunnen organisaties ervoor zorgen dat geautomatiseerde kwaliteitscontroles niet simpelweg dezelfde fouten versterken die tijdens de uitvoering zijn gemaakt?

Een effectief validatieproces test het werk op de manier waarop het daadwerkelijk zal worden gebruikt. De agent moet het echte systeem van begin tot eind uitvoeren, controleren of het resultaat aan de succescriteria voldoet en herstellen wat niet werkt voordat het resultaat bij iemand terechtkomt.

Om te voorkomen dat de validatie de eigen fouten van de agent herhaalt, zijn enkele principes van belang:

Houd de criteria gescheiden van de uitvoering. Mensen moeten vaststellen wat als succes geldt voordat het werk begint. Als een agent bepaalt wat ‘klaar’ betekent, kijkt die zijn eigen huiswerk na.

Stel harde waarborgen in. Niet elke controle moet afhangen van het oordeel van een agent. Sommige moeten vaste, deterministische tests zijn die specifieke parameters, normen en beleidsregels controleren. Zo krijgt de agent duidelijke grenzen die hij niet met redeneringen kan omzeilen.

Gebruik een onafhankelijke beoordelaar. Een tweede agent, met een frisse blik en zonder belang bij de oorspronkelijke aanpak, ontdekt fouten die de eerste agent over het hoofd ziet.

Toon bewijs, niet alleen een oordeel. Testresultaten, schermafbeeldingen en opnamen laten mensen zien wat er is gebeurd, zodat ze niet alleen op een ‘geslaagd’-melding hoeven te vertrouwen.

De aandacht van mensen gaat dan naar de grootste risico’s. Het doel is niet om mensen uit het proces te halen, maar ervoor te zorgen dat zij hun tijd besteden aan oordeelsvorming in plaats van aan mechanische controles.

Traditionele organisaties vertrouwen vaak op meerdere managementlagen en op goedkeuringen en overdrachten tussen teams. Hoe verandert een AI-native bedrijfsmodel de samenwerking tussen engineering-, product-, beveiligings- en zakelijke teams, en wat gebeurt er met traditionele rollen en verantwoordelijkheden wanneer agenten steeds meer uitvoerend werk overnemen?

AI stelt iedereen en elk team in staat meer te produceren. Maar als overdrachten, goedkeuringen en coördinatie hetzelfde blijven, stapelt die extra productie zich alleen maar op terwijl ze op de volgende stap wacht. De organisatie werkt daardoor niet sneller. Er ontstaan nieuwe knelpunten. Een AI-native bedrijfsmodel moet de samenwerking tussen teams opnieuw vormgeven, niet alleen de manier waarop elk team werkt.

Dat begint bij de manier waarop informatie wordt doorgegeven. Meer informatie zou via automatisering moeten stromen, zodat vergaderingen kunnen worden gebruikt voor besluitvorming in plaats van het uitwisselen van updates. Wanneer inzichten uit de praktijk het productteam rechtstreeks bereiken, worden beslissingen sneller en nauwkeuriger genomen. Dat leidt weer tot duidelijkere specificaties en een betere uitvoering.

Ook de goedkeuringsprocedures moeten opnieuw worden bekeken. Dat is het moeilijkste deel, omdat het betekent dat de organisatie moet veranderen wat zij als normaal beschouwt. Goedkeuringen blijven belangrijk, maar niet elke verandering moet op dezelfde manier worden behandeld. Zo kan het toevoegen van een risicobeoordeling aan een specifieke goedkeuringsprocedure het aantal handmatige goedkeuringen voor werk met een laag risico verminderen, terwijl menselijke controle behouden blijft waar die ertoe doet. Dat is slechts één manier om een proces te versnellen zonder de controle uit handen te geven.

Ook rollen worden opnieuw gedefinieerd. Naarmate agenten meer uitvoerend werk overnemen, verschuift de verantwoordelijkheid van mensen van taken naar resultaten. Zij moeten de volledige context begrijpen, aannames ter discussie stellen en buiten hun traditionele rolgrenzen treden. De organisaties die succesvol zullen zijn, zijn de organisaties die de samenwerking tussen mensen opnieuw vormgeven, niet alleen de organisaties die de meeste AI toevoegen.

Ocean gebruikt zelf gespecialiseerde AI-agenten om geavanceerde e-maildreigingen te onderzoeken. Hoe heeft uw ervaring met de ontwikkeling van autonome AI voor cybersecurity invloed gehad op de manier waarop u AI intern inzet, en zijn er lessen uit de ontwikkeling van autonome beveiligingssystemen die toepasbaar zijn op het leiden van een AI-native organisatie?

De ontwikkeling van autonome agenten voor e-mailbeveiliging heeft op twee manieren bepaald hoe we AI intern gebruiken.

De eerste les is dat agents alleen zo goed presteren als ze de context begrijpen. Een beveiligingsagent neemt betere beslissingen als hij de organisatie begrijpt die hij beschermt. Dat geldt ook intern. Om goede resultaten met agents te behalen, moeten we ze echt inzicht geven in hoe de organisatie werkt, wat het doel is van elke taak en hoe die samenhangt met het grotere geheel.

De tweede les is dat agents voortdurend moeten worden geëvalueerd. In productie beoordelen we continu hoe onze agents presteren, waar ze tekortschieten en welke tools of gegevens ze missen. Intern hanteren we dezelfde aanpak. We hebben een vaste plek nodig om agents te testen en te trainen, en om feedback over ze te verzamelen. Zonder zo’n plek is het moeilijk te bepalen of een agent vooruitgang boekt en wat hij vervolgens nodig heeft.

Een organisatie die van meet af aan op AI is ingericht, lijkt in veel opzichten op een autonoom beveiligingssysteem bouwen: geef agents diepgaand inzicht in de context, blijf hun prestaties evalueren en betrek mensen waar beoordelingsvermogen van belang is.

Naarmate organisaties AI-agenten meer zelfstandigheid geven, ontstaan er zorgen over verantwoordelijkheid, beveiliging en onbedoelde gevolgen. Hoe kunnen bedrijven, voortbouwend op uw achtergrond in cyberbeveiliging, waarborgen invoeren waardoor agents zelfstandig kunnen werken zonder de beveiliging in gevaar te brengen of betekenisvol menselijk toezicht te verliezen?

Agents ontwikkelen zich steeds verder in de richting van zelfstandigheid, en organisaties moeten die stap voor stap invoeren. Begin op terreinen waar de impact goed te overzien is, toon de waarde aan en breid het gebruik daarna uit.

Echte waarborgen zijn geen instructies. Tegen een agent zeggen: ‘Doe dit niet’ is geen beveiligingsmaatregel. Waarborgen moeten worden afgedwongen: strikte beperkingen op waartoe de agent toegang heeft, controles om te verifiëren dat hij niets buiten zijn bevoegdheden kan bereiken, en voortdurende monitoring die niet-voorziene acties tegenhoudt. Net als elk ander onderdeel van het systeem moeten ze regelmatig worden getest en gevalideerd.

Verantwoordelijkheid begint bij degene die de agent aanstuurt. Die bepaalt de grenzen: wat de agent zelfstandig mag doen, waarvoor goedkeuring nodig is en waar hij niet bij mag. Neem een agent die reageert op e-mailbedreigingen. Die kan verdachte berichten zelfstandig, snel en betrouwbaar in quarantaine plaatsen. Voor handelingen met een grotere impact, zoals een afzender binnen de hele organisatie blokkeren, kan de operator beginnen met een controle achteraf. Naarmate de agent een betrouwbaardere staat van dienst opbouwt, kunnen die grenzen met vertrouwen worden verruimd. Duidelijke waarborgen maken meer zelfstandigheid mogelijk.

Dit is des te belangrijker omdat aanvallers zich steeds vaker op AI-agenten richten. Het bedrijf wil sneller werken, maar beveiligingsteams hebben nog steeds geen duidelijk draaiboek voor de bescherming van agents. Daarom moeten afgedwongen toegangsrechten en voortdurende monitoring de basis vormen.

Veel bedrijven meten de invoering van AI aan de hand van tijdwinst, geautomatiseerde taken of de productiviteit van medewerkers. Welke meetgegevens laten volgens u daadwerkelijk zien of een bedrijfsmodel dat op AI is ingericht duurzame bedrijfswaarde oplevert, vooral wanneer ook herstelwerk, kwaliteit en coördinatiekosten worden meegewogen?

Tijdwinst is een belangrijke maatstaf en vaak het eerste duidelijke teken dat AI waarde oplevert. De volledige impact wordt echter pas zichtbaar wanneer die wordt afgezet tegen meetgegevens die laten zien wat de organisatie met die tijd doet en of de voordelen op de lange termijn standhouden.

Kwaliteit. Sneller werken is alleen beter als de kwaliteit gelijk blijft of verbetert. Houd bij hoeveel herstelwerk en defecten er zijn en hoe vaak resultaten na oplevering moeten worden gecorrigeerd. Als zowel de snelheid als de kwaliteit verbetert, zijn de voordelen echt en blijvend.

Bedrijfsgroei. De werkelijke waarde van een organisatie die op AI is ingericht, blijkt uit wat de bespaarde tijd mogelijk maakt. We meten hoeveel nieuwe mogelijkheden en initiatieven we oppakken zonder het personeelsbestand uit te breiden.

Snelheid van begin tot eind. Hoelang een agent nodig heeft om een functie te ontwikkelen, is maar een deel van het verhaal. De echte maatstaf is het volledige proces, inclusief elke overdracht, vanaf het moment waarop we besluiten iets prioriteit te geven tot het moment waarop het in het product beschikbaar is. Zo meten we hoe snel we daadwerkelijk werken, en worden ook de coördinatiekosten zichtbaar die maatstaven op taakniveau niet laten zien. In de beveiliging is snelheid van begin tot eind cruciaal. Aanvallers gebruiken nu al AI-agenten, dus de tijd die nodig is om een dreiging te detecteren en erop te reageren, moet steeds korter worden.

Tijdwinst laat zien dat AI werkt. Deze meetgegevens laten zien of AI blijvende waarde voor het bedrijf oplevert.

U hebt aangegeven dat kleinere, wendbaardere technologiebedrijven een aanzienlijk concurrentievoordeel kunnen behalen door hun bedrijfsvoering opnieuw in te richten rond AI. Welke voordelen hebben startups die vanaf de basis op AI zijn gebouwd ten opzichte van gevestigde bedrijven, en hoe denkt u dat de structuur van succesvolle technologiebedrijven zich de komende drie tot vijf jaar zal ontwikkelen?

Startups die vanaf de basis op AI zijn gebouwd, hebben een structureel voordeel. Vanaf dag één kunnen ze werkprocessen, technologie en teams rond AI-agenten opzetten, terwijl gevestigde bedrijven moeten omgaan met decennia aan verouderde infrastructuur en organisatorische complexiteit. Het grootste verschil is niet technisch. Iedereen heeft toegang tot dezelfde AI-tools. Het voordeel ligt bij bedrijven die hun manier van werken opnieuw kunnen inrichten zonder eerst lagen van goedkeuring, overdrachten en vastomlijnde functies te moeten afbouwen.

De komende drie tot vijf jaar zullen succesvolle technologiebedrijven naar mijn verwachting verder gaan dan eenvoudige AI-automatisering en overstappen op operationele modellen die op AI-agenten zijn gebaseerd, waarbij gespecialiseerde AI-agenten volledige workflows uitvoeren. Menselijke teams zullen niet verdwijnen, maar mensen zullen minder tijd besteden aan het handmatig uitvoeren van taken en meer tijd aan het bieden van context, het stellen van kaders en het aansturen van resultaten. Het resultaat zal bestaan uit slankere organisaties die sneller kunnen opschalen, efficiënter kunnen werken en kunnen concurreren met bedrijven die vele malen zo groot zijn.

Bedankt voor het geweldige interview. Lezers die meer willen weten over e-mailbeveiliging op basis van AI-agenten kunnen terecht bij Ocean Security.

Antoine is een visionaire leider en medeoprichter van Unite.AI, gedreven door een onwankelbare passie om de toekomst van AI en robotica vorm te geven en vooruit te helpen. Als serieondernemer gelooft hij dat AI de samenleving net zo ingrijpend zal veranderen als elektriciteit. Hij spreekt vaak enthousiast over het potentieel van baanbrekende technologieën en artificiële algemene intelligentie (AGI).

Als futurist onderzoekt hij hoe deze innovaties onze wereld zullen vormgeven. Daarnaast is hij oprichter van Securities.io, een platform dat zich richt op investeringen in geavanceerde technologieën die de toekomst opnieuw definiëren en hele sectoren veranderen.