Rohan Sathe, mede-oprichter en CEO van Nightfall – Interviewreeks

In de vroege dagen wilden we machine learning gebruiken om gevoelige gegevens te ontdekken en te beschermen, waar ze ook maar leefden in cloud-apps en moderne workflows. Toen we in 2019 uit de stealth-fase kwamen, positioneerden we onszelf als een cloud-native, ML-gepowered SaaS DLP-oplossing met een visie om de ‘control plane for cloud data’ te bouwen. Toen we ons uitbreidden tot buiten SaaS naar gegevensexfiltratie over eindpunten en generatieve AI, werd ‘AI-native DLP’ onze paraplu-term.

Voordat u Nightfall oprichtte, was u een van de oprichters van Uber Eats, waar u eerstehands zag hoe gegevens zich verspreidden over SaaS- en cloudtools. Hoe hebben uw ervaringen daar uw perspectief op gegevensbeveiliging gevormd, en welke specifieke momenten of uitdagingen hebben het idee voor Nightfall aangewakkerd?

Bij Uber Eats leidde ik backend-teams en bouwde ik applied machine learning-diensten, zoals ETA-voorspelling en vraag-aanbodvoorspelling. We werkten met petabyte-grote gegevens die over veel verschillende systemen waren verspreid, een omgeving waarin gevoelige informatie snel en vaak onzichtbaar kan bewegen. Die ervaring, in combinatie met wat de hele industrie heeft geleerd van incidenten zoals de Uber-breach van 2016 – waar aanvallers in wezen gebruik maakten van referenties die in code op GitHub waren blootgesteld om toegang te krijgen tot AWS-gegevens – heeft echt benadrukt hoe deze combinatie van gegevenssprawl, referenties en cloud-infrastructuur een onevenredig risico creëert zonder betere detectie en beveiligingsmaatregelen. Die realiteiten hebben Nightfalls focus op context-gevoelige ontdekking en preventie vanaf het begin gevormd.

Nightfall lanceerde zichzelf in 2019 met een Series A-financiering. Kunt u ons door de vroege reis van stealth-modus naar lancering leiden, inclusief eventuele belangrijke keerpunten?

We werkten ongeveer een jaar in stealth-modus, en lanceerden officieel op 7 november 2019 met $20,3 miljoen aan financiering, geleid door Bain Capital Ventures en Venrock. De vroege keerpunten draaiden echt om het uitbreiden van brede SaaS-integraties en het ontwikkelen van ML-gebaseerde inhoudsclassificatie met hogere nauwkeurigheid, die de valse positieven die legacy DLP-oplossingen plaagden, kon verminderen.

Shadow AI verwijst naar het ongecontroleerde gebruik van tools zoals ChatGPT, Gemini en Copilot op de werkplek, wat vaak leidt tot onzichtbare gegevenslekkages. Hoe definieert u Shadow AI, en waarom is het zo’n groeiende zorg voor moderne organisaties?

We definiëren Shadow AI als het ongeautoriseerde of ongecontroleerde gebruik van AI-tools door medewerkers – denk aan het plakken van broncode of klantgegevens in chatbots – wat blootstellingsrisico’s creëert buiten IT-governance. Deze definitie komt overeen met wat we zien van andere industrie-spelers zoals IBM en Splunk. Shadow AI is in wezen AI die zonder goedkeuring of toezicht wordt gebruikt, wat blind spots en potentiële gegevensexfiltratierisico’s introduceert. De combinatie van gemakkelijk te gebruiken Generatieve AI-apps en het ontbreken van adequate controles is waarom dit probleem zo snel groeit.

U hebt meerdere manieren beschreven waarop Nightfalls aanpak van Shadow AI verschilt van traditionele DLP. Welke van deze functies – of het nu context-gevoelige monitoring, gegevenslijn, of real-time blokkering is – heeft voor uw klanten het meest impact gehad?

Van wat we consistent van klanten horen, zijn er echt twee belangrijke hefbomen die het grootste verschil maken. Ten eerste zijn het pre-submissiecontroles – het daadwerkelijk vangen van gevoelige inhoud voordat deze naar AI-tools of op het web wordt verzonden. Ten tweede is het onze AI-native detectie die verder gaat dan legacy patroonherkenning om gegevenslijn en context te begrijpen.

Wat echt krachtig is, is onze ruisreductie door continue leren. Ons systeem begrijpt inhoud en bestandslijn, leert van gebruikersannotaties en acties, en identificeert veilige workflows om laag-risicoactiviteit te onderdrukken. Dit vermindert valse positieven aanzienlijk in vergelijking met legacy DLP-oplossingen. We doen ook real-time dreigingsdetectie en risicoprioritering met LLM’s, transformers en computerzicht, met aangepaste bestands- en gevoeligheidsclassificatoren die beweging van intellectueel eigendom en waardevolle documenten kunnen ontdekken die verder gaan dan eenvoudige regel-gebaseerde entiteitsdetectie. Onze klanten vertellen ons dat ze deze transformatie van waarschuwingsmoeheid naar gefocuste, hoge-impactbeveiligingsacties zien.

Hoe voorkomt Nightfalls browser-gebaseerde en eindpunt-natieve detectiesysteem lekkages voordat ze gebeuren, en hoe vergelijkt dit met legacy DLP-systemen die alleen na indiening detecteren?

Onze browserextensie en eindpuntagents scannen prompts en bestanden voordat ze worden verzonden. We kunnen risicovolle inhoud in real-time redigeren of blokkeren – dus voordat een ChatGPT-prompt wordt verzonden, bijvoorbeeld. We traceren ook de herkomst, zodat beveiligingsteams weten of een bestand afkomstig is uit een bedrijfssysteem. We implementeren op macOS en Windows met Chrome- en Firefox-extensies die deze voor-verzendingredactie- en uploadblokkeringfunctie bieden. Dit is een vrij scherp contrast met legacy DLP, dat voornamelijk over nasleepdetectie gaat.

Nightfall is aanzienlijk uitgebreid sinds de oprichting. Hoe zijn de beveiligingsbehoeften van ondernemingen in die tijd geëvolueerd, en hoe heeft uw product zich daaraan aangepast?

Het landschap is echt dramatisch veranderd. We begonnen met SaaS-scanning – denk aan Slack en Google Drive – rond 2020-2021. Toen werden Generatieve AI-beveiligingsmaatregelen kritiek vanaf 2023, en nu zien we deze dringende behoefte aan autonome, intelligente dreigingspreventie die kan schalen met organisatorische groei.

Beveiligingsoperatieteams worstelen met steeds complexere tools, legacy patroonherkenning DLP, constante handmatige beleidstuning en gewoon verpletterende waarschuwingsmoeheid. Deze problemen vertragen onderzoeken, verhogen de overhead en verminderen de beveiligingseffectiviteit. Onze productevolutie heeft deze verschuiving van reactieve, handmatige operaties naar proactieve, intelligente automatisering gevolgd. We kondigden Generatieve AI-dekking aan in 2023, breidde uit naar exfiltratiepreventie, encryptie en e-mailbescherming in 2024, en nu met Nyx, lanceren we wat we zien als de volgende generatie van agente AI in gegevensbeveiliging – waardoor waarschuwingsmoeheid wordt omgezet in gefocuste, hoge-impactbeveiligingsacties over SaaS, eindpunten en AI-tools.

U heeft onlangs Nightfall Nyx geïntroduceerd, die u beschrijft als het eerste autonome AI-native DLP-platform in de industrie. Wat maakt het autonoom, en welke problemen lost dit op voor beveiligingsteams?

Nightfalls AI-detectieplatform levert al hoog nauwkeurige, laag-ruisresultaten – 95% precisie in vergelijking met de 5-30% die typisch is voor traditionele regex- of regel-gebaseerde DLP. Gebouwd op die basis, is Nyx het AI-intelligentielaag dat beveiligingsteams helpt bij het onderzoeken, correleren en begrijpen van risico’s.

Zelfs nadat de ruis is weggenomen, begint het echte werk. In grote organisaties kunnen SecOps-teams nog steeds honderden legitieme waarschuwingen per dag tegenkomen. Door deze te zeven om bedrijfsgekeurde workflows van risicovolle gegevenshygiëneproblemen of insiderdreigingen te scheiden, kan dit uren in beslag nemen. Nyx neemt deze onderzoekszware tillen op zich – versnelt analyse zodat teams zich kunnen concentreren op actie, niet op zoeken en sorteren door pagina’s met waarschuwingen.

Nyx verbindt de puntjes over exfiltratiegebeurtenissen – gebruikers, domeinen, apparaten, gegevenstypen, bestandsnamen en meer – en brengt patronen onmiddellijk aan het licht. Via haar natuurlijke taalinterface kunnen analisten handelen op basis van patronen, onderzoeksresultaten produceren, rapporten maken en aanbevolen acties krijgen in seconden. Taken die eerder twee uur duurden, kunnen nu in minder dan twee minuten worden gedaan – een echte 20× tijdswinst.

Met de explosieve groei van generatieve AI-gebruik op de werkplek en beveiligingsteams die worstelen om bij te blijven, gelooft u dat tools zoals Nightfall standaardcontrolelagen voor enterprise-omgevingen zullen worden?

Ik denk dat de trajectoriëring dat suggereert. We zien brede adoptieplannen voor Generatieve AI over de hele linie in ondernemingen, en grote platforms zoals Microsoft (MSFT ) Entra Internet Access rollen inline, pre-submissiecontroles voor Generatieve AI-verkeer uit. Wanneer u dit combineert met de industrie-overeenstemming over Shadow AI-risico’s, is het redelijk om aan te nemen dat pre-submissie, AI-gevoelige DLP een standaardcontrolelaag zal worden, naast dingen zoals identiteits- en toegangsbeheer en eindpuntdetectie en -respons.

Tenslotte, als oprichter die in zo’n snel evoluerende ruimte bouwt, wat is uw langetermijnvisie voor Nightfall en de rol van AI in enterprise-gegevensbeveiliging?

Onze langetermijnvisie bouwt voort op wat we bij de lancering hebben gearticuleerd – om de controlelaag voor clouddata te zijn – maar nu breiden we dit uit met autonome operaties en agente AI-mogelijkheden. We zien een toekomst waarin de beveiligingspositie continu verbetert zonder meer werk voor analisten te creëren, waar AI de behoefte aan gespecialiseerde domeinkennis elimineert en waar organisaties kunnen verschuiven van reactieve, handmatige beveiligingsoperaties naar proactieve, intelligente dreigingspreventie.

In de praktijk betekent dit AI die zowel gegevens in context begrijpt als veilige, intelligente acties onderneemt – onderzoekt, coacht, redigeert, blokkeert – over SaaS, eindpunten, e-mail en Shadow AI. We willen de cirkel sluiten van detectie tot preventie, waardoor beveiligingsteams een altijd-aan, intelligente partner krijgen die slimmer wordt met elk onderzoek en weken van handmatige forensische analyse omzet in minuten van gefocuste respons.

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