Rami Habal, oprichter en CEO van Magnitude – Interviewreeks

Rami Habal, oprichter en CEO van Magnitude is een ervaren cybersecurity‑ en AI‑productexecutive met een loopbaan die zich uitstrekt over enterprise security, machine learning, consumententechnologie en door venture‑kapitaal gesteunde startups. Voor hij Magnitude oprichtte, was hij Entrepreneur in Residence bij Ballistic Ventures en werkte hij meer dan vier jaar bij Abnormal Security, onder andere als Chief Product Officer en Chief Customer Officer. Eerder leidde Habal de multi‑device ervaring voor Amazon Alexa, was hij productmanager bij Reverb, en was hij een van de eerste medewerkers bij Proofpoint, waar hij hielp bij het bouwen en commercialiseren van beveiligingsproducten terwijl het bedrijf groeide van een startup naar de uiteindelijke beursgang. Zijn loopbaan omvat ook ervaring in venture capital, mobiele technologie, API’s en productstrategie, waardoor hij een brede achtergrond heeft op het snijvlak van cybersecurity, AI en enterprise‑software.

Magnitude is een AI‑native cybersecurity‑bedrijf dat zich richt op het transformeren van third‑party risk management (TPRM) van periodieke compliance‑reviews naar een continue beveiligingsfunctie. Het multi‑agent platform gebruikt gespecialiseerde AI‑agents om leveranciers en producten te beoordelen, continu kwetsbaarheden en andere risicowijzigingen te monitoren, vierde‑, vijfde‑ en diepere‑partij afhankelijkheden in kaart te brengen, vendor‑communicatie te automatiseren en te helpen bij het beheer van remediatie. In plaats van voornamelijk te vertrouwen op vragenlijsten en moment‑op‑moment beoordelingen, is Magnitude ontworpen om te redeneren tegen de eigen beleidsregels van een organisatie en evidence‑gebaseerde beslissingen te leveren met traceerbare bronnen en onderbouwing. Het bredere doel is om security‑teams continue zichtbaarheid te geven over steeds complexere software‑ en leveranciers‑ecosystemen, terwijl menselijke analisten zich kunnen richten op waardevollere beoordelingsbeslissingen.

Na het helpen bouwen van producten bij Proofpoint, Amazon Alexa en Abnormal Security, wat overtuigde u dat dit het juiste moment was om Magnitude op te richten? Was er een specifieke realisatie of klantpijnpunt dat u deed geloven dat autonome third‑party risk management een eigen bedrijf moest worden?

Ik wist dat ik na mijn tijd bij Abnormal een bedrijf wilde starten. Wat ik niet wist, was welk probleem het waard was om een bedrijf omheen te bouwen. Gedurende mijn carrière ben ik aangetrokken tot toegepaste machine‑learning producten die brede, universele behoeften aanpakken, zoals e‑mailbeveiliging bij Proofpoint, spraakcomputing met Alexa en gedragsbeveiliging bij Abnormal. Ik wilde een ander probleem vinden met dezelfde reikwijdte om ondernemingen te helpen.

Toen kwamen agents. Na te hebben gewerkt aan de vorige golf van machine learning, kon ik zien dat dit niet zomaar een nieuwe productfunctie was. Het was een platformverschuiving, en die komen niet vaak voor.

Terwijl ik entrepreneur‑in‑residence was bij Ballistic Ventures, begon ik met CISOs te praten over waar die verschuiving de grootste impact kon hebben. Risico van derden kwam steeds terug. Historisch gezien was het logisch dat TPRM binnen de GRC‑functie zat omdat leveranciersrisico langzaam genoeg veranderde voor periodieke beoordelingen. Maar die veronderstelling begon te breken. Iedereen was het erover eens dat het een groot probleem was, maar de meeste organisaties beheerden het nog steeds met jaarlijkse vragenlijsten, spreadsheets, periodieke beoordelingen en uitgebreid handmatig werk. De reactie was consistent: beheer van risico’s van derden is cruciaal, maar we hebben nog steeds geen goede manier om het op te lossen.

Dat was de realisatie achter Magnitude. Ik wist dat het traditionele model niet meer werkte, en dat we een technologie nodig hadden die het operationele model volledig kon veranderen, niet alleen het oude spreadsheet‑gedreven proces iets sneller kon maken. Vanaf het begin was mijn visie dat elke leverancier uiteindelijk een zwerm agents zou hebben die continu de risico’s eromheen evalueren. Magnitude is vanuit dat geloof gegroeid.

U beschrijft de komst van het “Mythos‑tijdperk,” waarin AI kwetsbaarheden kan identificeren en wapen maken sneller dan mensen kunnen reageren. Welke veranderingen heeft u het afgelopen jaar waargenomen die u overtuigen dat deze verschuiving al gaande is en niet slechts een toekomstige zorg?

De grootste verandering die ik heb gezien, is hoe snel deze aanvallen nu plaatsvinden. Een jaar geleden ging een groot deel van de discussie nog over wat AI een aanvaller uiteindelijk zou kunnen laten doen. Nu zien we die mogelijkheden zich in realtime vormen. AI kan een aanvaller helpen een veel grotere software‑ecosysteem te onderzoeken, zwaktes te ontdekken die eerder onbekend waren, en die zwaktes aan te vallen op een schaal die moeilijk te evenaren is voor een menselijk team.

In het Mythos‑tijdperk hebben AI‑systemen aangetoond dat ze meer dan 2.000 eerder onbekende fouten kunnen blootleggen in software‑ecosystemen, en wordt verwacht dat de mediane tijd van kwetsbaarheidsontdekking tot een gewapende exploit tegen het einde van 2026 onder één uur zal vallen. Terwijl de tijd tussen ontdekking en wapenisering blijft krimpen, ontstaat er een kloof tussen hoe snel blootstelling kan ontstaan en hoe snel traditionele beoordelingscycli kunnen reageren.

We zien ook dat het incidentpatroon dezelfde richting op beweegt. In onze analyse is de frequentie van supply‑chain‑aanvallen gestegen van ongeveer 13 incidenten per maand in 2024 naar 41 per maand in 2026. We hebben opgemerkt dat de activiteit toeneemt parallel aan grote verbeteringen in frontier‑modellen. Ik zou niet beweren dat elke modelrelease direct meer aanvallen veroorzaakt, maar de trend is moeilijk te negeren. De tools worden capabeler naarmate het tempo van aanvallen versnelt.

Wat deze verandering voor mij echt bevestigt, zijn de gesprekken die ik voer met security‑leiders. Ze praten niet langer over risico van derden als iets dat kan worden afgehandeld via een jaarlijkse beoordeling en bij vernieuwing opnieuw bekeken. Ze voelen zich kwetsbaar in de maanden tussen die beoordelingen omdat hun leveranciers, software‑afhankelijkheden en downstream‑leveranciers voortdurend veranderen.

Dat is wat het Mythos‑tijdperk voor mij betekent. Het venster om risico te begrijpen en erop te reageren wordt smaller, terwijl de potentiële impact van één gecompromitteerde leverancier groter wordt. Een periodiek compliance‑proces is simpelweg niet ontworpen voor die omgeving.

Veel ondernemingen zetten AI‑agenten snel in door hun hele organisatie. Hoe moeten security‑leiders governance heroverwegen nu die agenten steeds vaker communiceren met externe leveranciers, API’s en downstream‑afhankelijkheden?

Het eerste dat security‑leiders moeten erkennen, is dat zelfs een AI‑agent die binnen het bedrijf is gebouwd, niet volledig intern kan zijn. Hij kan afhankelijk zijn van een extern platform, een derde‑partij vaardigheid via MCP, een dienst zoals Google Drive, of andere technologie die de organisatie niet direct beheert. En elk van die leveranciers kan op zijn beurt weer eigen leveranciers hebben.

Het is niet langer voldoende om alleen de agent goed te keuren. Leiders moeten begrijpen tot welke informatie de agent toegang heeft, welke acties hij kan uitvoeren, van welke externe diensten hij afhankelijk is en wanneer menselijke goedkeuring vereist is. Ze moeten ook begrijpen hoe die afhankelijkheden in de loop van de tijd kunnen veranderen wanneer de agent nieuwe mogelijkheden krijgt, verbinding maakt met nieuwe systemen of begint te vertrouwen op extra downstream‑leveranciers. Die controles kunnen ook niet één keer worden ingesteld en vervolgens worden vergeten. Naarmate een agent nieuwe mogelijkheden of verbindingen krijgt, moet de governance dienovereenkomstig worden aangepast.

Het doel mag niet zijn om de adoptie van AI te vertragen. Het moet bedrijven voldoende inzicht geven om agenten met vertrouwen te gebruiken. Governance moet een doorlopende security‑praktijk worden, in plaats van een eenmalige goedkeuring die wordt voltooid wanneer een nieuw hulpmiddel wordt geïntroduceerd.

Beheer van risico’s van derden is traditioneel gebaseerd op vragenlijsten en periodieke beoordelingen. Waarom denk je dat dat model fundamenteel faalt in een AI‑gedreven omgeving? 

Het probleem met het traditionele TPRM‑model is dat het een momentopname biedt van wat een leverancier op een bepaald moment als waar heeft verklaard. Een bedrijf kan een vragenlijst invullen wanneer het voor het eerst wordt goedgekeurd en vervolgens pas bij vernieuwing, mogelijk jaren later, opnieuw worden beoordeeld. In de tussentijd kunnen de technologie, beveiligingspraktijken, AI‑modellen, datagebruik en leveranciers van het bedrijf allemaal veranderen. We kunnen nauwelijks voorspellen wat er de komende weken zal veranderen, dus vertrouwen op een jarenoude beoordeling heeft geen zin meer.

Er is ook de vraag hoe betrouwbaar de informatie is. Een gerapporteerd antwoord dat door iemand is ingevoerd om een deal vooruit te helpen, is niet hetzelfde als een feit dat wordt ondersteund door een onafhankelijke audit, een ondertekende bedrijfsfiling of een andere verifieerbare bron. Security‑leiders moeten niet alleen weten wat het antwoord is, maar ook waar het vandaan komt en of het nog actueel is.

Ten slotte stoppen vragenlijsten meestal bij de directe leverancier. Ze tonen zelden de N‑de partijen, hoewel die verborgen vierde‑ en vijfde‑partijrelaties echte blootstelling kunnen veroorzaken. Aanvallers weten nu dat de zwakste schakel van een onderneming niet de onderneming zelf is, maar een van deze downstream‑leveranciers. En het aanvallen van die leveranciers kan hen uiteindelijk toegang geven tot de onderneming. Het is gewoonweg goedkoper en makkelijker.

Daarom denk ik niet dat het antwoord simpelweg is om AI te gebruiken om vragenlijsten sneller in te vullen. In dat model zullen er altijd hiaten zijn. Het model zelf moet veranderen, van periodieke, zelfgerapporteerde momentopnames naar een continue, realtime, op bewijs gebaseerde inzicht in risico, zo diep als de toeleveringsketen van een bedrijf reikt.

Magnitude introduceert het concept van een autonome AI‑werkkracht voor security‑teams. Waar zie je de balans tussen AI‑gedreven besluitvorming en menselijke supervisie, met name voor beveiligingsbeslissingen met hoge impact? 

Autonoom hoeft niet onverantwoordelijk te betekenen. Zoals ik het zie, moet AI het kritieke maar repetitieve werk afhandelen dat zoveel tijd van een security‑team opslokt, terwijl mensen betrokken blijven wanneer een beslissing oordeel, context of aanzienlijke zakelijke consequenties vereist. Het feit is dat geen enkel security‑team vandaag voldoende middelen heeft om de huidige taak uit te voeren. AI kan helpen dat gat op te vullen.

De kwaliteit van de AI is enorm belangrijk. Als het goed wordt gedaan, is AI een vermenigvuldigingskracht. Het geeft een team meer capaciteit en helpt mensen zich te concentreren op werk met hogere waarde. Als het slecht wordt gedaan, heeft het het tegenovergestelde effect omdat iemand elke output moet dubbel controleren. Voor beveiligingsbeslissingen met grote impact moet het systeem van hoge kwaliteit zijn en kunnen aantonen welk bewijs het heeft gebruikt en hoe het tot zijn aanbeveling is gekomen, waardoor er een controleerbaar verslag ontstaat.

Het juiste niveau van toezicht varieert ook per organisatie. Een groot bedrijf met een gevestigd beveiligingsteam kan AI meer gebruiken als een autopilot, waarbij mensen het werk superviseren en ingrijpen bij uitzonderingen. Een kleinere organisatie kan ervoor kiezen meer van het programma te automatiseren omdat ze niet over het personeel of budget beschikken om een groot team op te bouwen. In beide gevallen moeten er duidelijke momenten zijn waarop een issue wordt geëscaleerd naar een persoon.

Uiteindelijk moet de organisatie kunnen bepalen hoeveel menselijke betrokkenheid ze wil, afhankelijk van het belang van de beslissing. Het doel is niet om mensen uit de beveiliging te verwijderen, maar om hen beter gebruik te laten maken van hun tijd, snellere zakelijke beslissingen te nemen en menselijke aandacht te reserveren voor de beslissingen waar het de meeste waarde toevoegt.

Uw team brengt expertise samen uit AI, cyberbeveiliging en consumentgerichte platforms. Hoe heeft die combinatie de manier beïnvloed waarop u Magnitude heeft ontworpen in vergelijking met traditionele cyberbeveiligingsproducten? 

Elk van onze achtergronden leerde ons iets anders over wat een AI-beveiligingsproduct goed moet kunnen. In cyberbeveiliging is een antwoord alleen nuttig als u het kunt vertrouwen, kunt terugleiden tot bewijs en er actie op kunt ondernemen. Uit ons werk in AI en machine learning hebben we geleerd dat de echte kans niet alleen ligt in het samenvatten van informatie, maar in het omzetten van deskundig werk naar een systeem dat dat werk consistent kan uitvoeren. Het bouwen van platforms zoals Alexa en Pandora leerde ons om na te denken over betrouwbaarheid en bruikbaarheid op zeer grote schaal.

Die lessen brachten ons weg van het traditionele cyberbeveiligingsmodel van het produceren van nog een dashboard of nog een stroom van waarschuwingen voor een al overbelast team om te onderzoeken. We hebben Magnitude ontworpen om het werk uit te voeren: informatie verzamelen en verifiëren, leveranciers beoordelen, veranderingen monitoren, nieuwe informatie koppelen aan zakelijke risico’s en helpen om kwesties naar een oplossing te bewegen.

Achter de schermen betekent dat meerdere gespecialiseerde AI‑agenten samenwerken. Maar de klantervaring moet eenvoudig blijven. Beveiligingsteams hoeven geen AI‑experts te worden om te begrijpen wat het systeem heeft gevonden, waarom het belangrijk is of welke actie ondernomen moet worden.

Het resultaat is een product dat continu kan opereren over duizenden leveranciers en toch voldoet aan de norm die vereist is voor beveiligingsbeslissingen met hoge impact. Het is niet AI die aan een ouder workflow wordt toegevoegd. Het is vanaf het begin gebouwd rond het idee dat AI een groot deel van de workflow zelf kan uitvoeren, terwijl mensen de bewijzen, zichtbaarheid en controle krijgen die ze nodig hebben.

Een van de grootste zorgen rond AI in cyberbeveiliging is dat het zowel verdedigers als aanvallers in staat stelt. Gelooft u dat het voordeel momenteel bij verdedigers of bij tegenstanders ligt, en wat zal bepalen wie de komende jaren de voorsprong behoudt?

Ik denk dat het voordeel vandaag de kant op gaat naar tegenstanders, met name bij aanvallen op de toeleveringsketen. Ik zou niet zeggen dat verdedigers hopeloos achterlopen. De oproep aan verdedigers is om dit niet langer als een toekomstig probleem te behandelen en nu sneller te handelen. Beide partijen hebben toegang tot veel van dezelfde AI‑tools, maar de economie en de time‑to‑market bevoordelen momenteel de aanvaller.

AI maakt het goedkoper en makkelijker om meer aanvalspaden te testen, meer pogingen op N‑niveau uit te voeren en dat proces op schaal te herhalen. Wanneer een aanvaller een veelgebruikte leverancier of softwarecomponent compromitteert, kan één succesvolle aanval zich verspreiden naar honderden of zelfs duizenden bedrijven.

Verdedigers hebben het moeilijkere werk omdat ze een groot netwerk van leveranciers, softwarecomponenten en downstream‑leveranciers moeten begrijpen en beschermen, en het kost bedrijven tijd om te reageren, software aan te schaffen die helpt, en die tools operationeel te maken, waardoor een venster ontstaat dat aanvallers kunnen exploiteren.

Wat bepaalt wie de voorsprong behoudt, is of verdedigers die vergelijking kunnen veranderen. Ze moeten verder gaan dan incidentele beoordelingen en handmatige follow‑ups en overstappen op continue monitoring en snellere actie. Geautomatiseerde governance‑ en verdedigingssystemen die continu veranderingen monitoren, deze koppelen aan zakelijke risico’s en snel kunnen reageren, zullen aanvallen moeilijker schaalbaar en duurder maken om te herhalen.

Cyberbeveiliging is altijd een kat‑en‑muisspel geweest. AI verandert dat niet, maar het verhoogt wel de snelheid en de inzet. Verdedigers hebben systemen nodig die kunnen leren, zich aanpassen en handelen op hetzelfde tempo waarop aanvallers beginnen te opereren.

AI‑toeleveringsketens worden steeds complexer, waarbij organisaties afhankelijk zijn van talrijke foundation‑modellen, SaaS‑leveranciers en autonome agenten. Welke opkomende risico’s denkt u dat ondernemingen nog onderschatten?

Het meest onderschatte risico is de technologie die achter het product zit dat een bedrijf denkt te hebben goedgekeurd. Zelfs een intern gebouwde agent kan afhankelijk zijn van externe platforms, plug‑ins, contractanten of softwarecomponenten. Die verborgen relaties creëren N‑de‑partij‑risico, de leveranciers achter een directe leverancier.

De meeste ondernemingen hebben nog steeds zeer weinig zicht op die diepere laag. Ze weten misschien met wie ze een contract hebben afgesloten, maar niet elke externe dienst, softwarecomponent of onderaannemer die uiteindelijk het product ondersteunt.

Het andere probleem is hoe verbonden deze systemen zijn geworden. Een zwakte in één plug‑in of ondersteunende dienst blijft mogelijk niet geïsoleerd bij die provider. Het kan een pad creëren naar een groter platform en vervolgens veel organisaties die erop vertrouwen beïnvloeden. Dat betekent dat een relatief kleine leverancier een veel grotere bron van blootstelling kan worden.

Wat de risicomanagers zouden moeten vragen, is niet simpelweg: “Welk AI‑model gebruiken we?” Het is: “Waarvan is dit systeem afhankelijk, waarvan zijn die leveranciers afhankelijk, en hoe zou een probleem ergens in die keten ons kunnen bereiken?” Totdat bedrijven deze vragen kunnen beantwoorden, blijven ze risico’s overnemen die ze niet kunnen zien.

Kijkend voorbij de huidige grote taalmodellen, welke technologische ontwikkelingen verwacht u de komende vijf jaar die de enterprise‑cybersecurity en risicobeheer het meest ingrijpend zullen hervormen? 

Ik denk niet dat de bepalende verandering één nieuw model zal zijn. Het zal de overgang zijn van AI die vragen beantwoordt naar AI‑systemen die continu kunnen observeren wat er gebeurt, informatie uit verschillende bronnen kunnen verbinden en actie kunnen ondernemen.

De volgende generatie modellen zal niet slechts een beetje beter zijn; ze zullen veel capabeler zijn. Maar de grotere verschuiving zal komen van gespecialiseerde agenten die samenwerken over security‑operaties heen. Vandaag worden leveranciersbeoordelingen, dreigingsinformatie, bedrijfsrisico’s en herstel vaak beheerd in afzonderlijke tools en door afzonderlijke teams. Na verloop van tijd zullen die functies beginnen samen te komen.

Ik verwacht dat beveiligingssystemen veel meer verbonden zullen worden, waarbij dreigingsinformatie, bedrijfscontext, bedrijfsbeleid en responsacties worden samengebracht in plaats van ze in afzonderlijke tools te beheren. Het zou kunnen herkennen dat een leverancier is blootgesteld aan een nieuwe dreiging, begrijpen welke delen van het bedrijf mogelijk worden getroffen, en helpen de respons te starten zonder te wachten op meerdere handmatige overdrachten.

Dat zal risicobeheer veranderen van een reeks periodieke oefeningen naar een continue operationele capaciteit. De sterkste risicoprogramma’s zullen worden opgebouwd rond bedrijfscontext, betrouwbare bewijsmateriaal en het vermogen om informatie om te zetten in vertrouwde actie.

Als u één advies zou kunnen geven aan CISOs en bedrijfsleiders die zich voorbereiden op de volgende generatie AI‑gedreven bedreigingen, wat zou dat dan zijn en welke acties zouden zij vandaag moeten prioriteren?

Mijn advies zou zijn om het beheer van supply‑chain‑risico niet langer als een jaarlijkse oefening te beschouwen. Risico verandert continu, en uw aanpak moet gelijke tred houden. De omgeving leeft en ademt. Ze is te verbonden, en verandert te snel voor een reeks afzonderlijke beoordelingen en tools om bij te blijven.

Hoe u dit opkomende aanvalsvlak beschermt, is met een enkele AI‑native control‑plane voor continue, autonome governance en verdediging van al uw externe risico’s.

Het startpunt is de onderdelen van het bedrijf die het belangrijkst zijn. Identificeer de leveranciers en externe diensten die die kritieke operaties ondersteunen, begrijp waar de verborgen afhankelijkheden liggen, en stel duidelijke eigenaarschap vast voor wat er gebeurt wanneer een risico wordt gevonden. Automatiseer vervolgens zoveel mogelijk van de voortdurende monitoring en routinematige respons, terwijl u mensen betrokken houdt bij beslissingen met grote zakelijke consequenties.

Het doel is niet simpelweg meer informatie verzamelen. Het gaat erom continu te verbinden wat u weet, te bepalen wat belangrijk is, en actie te ondernemen voordat een leveranciersprobleem een bedrijf breed probleem wordt.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op Magnitude.