Aaron Fulkerson, CEO av OPAQUE – Intervju-serie

Aaron Fulkerson, CEO av OPAQUE, er en erfaren entreprenør innenfor bedriftsprogramvare og åpen kildekode, med en karriere som spenner over mer enn to tiår med bygging og skaling av teknologiplattformer fokusert på tillit, data og digital transformasjon. Før han ble med i OPAQUE i 2023, grunnla han MindTouch, og hjalp til å vokse det til et vidt akseptert bedrifts kunnskapsplattform før det ble kjøpt av NICE Systems, og ledet lanseringen av ServiceNow (NOW ) Impact, en av de raskest voksende forretningsenhetene i ServiceNow historie. Gjennom hele sin karriere, har Fulkerson arbeidet på grensen mellom nye teknologier, bedriftsprogramvare og åpne økosystemer, samtidig som han har rådgitt flere teknologiselskaper og organisasjoner. Mer nylig har han blitt en fremtredende talsperson for Confidential AI, og argumenterer for at personvern, styring og verifiserbar tillit vil være grunnleggende krav når AI-systemer blir integrert i kritiske bedriftsprosesser.

OPAQUE er et Confidential AI-selskap som oppstod fra det anerkjente UC Berkeley RISELab, samme forskningsøkosystem som hjalp til å skape teknologier som Apache Spark og Databricks. Selskapet har utviklet en plattform som gjør det mulig for bedrifter å kjøre AI-modeller, agenter og prosesser på svært sensitive data samtidig som de opprettholder kryptografisk verifiserbare personvern og overholdelsesgarantier. I stedet for å tvinge organisasjoner til å velge mellom AI-innovasjon og datasikkerhet, bruker OPAQUE konfidensiell beregning, krypterte kjøremiljøer og maskin-attestert kjøring for å sikre at sensitive opplysninger forblir beskyttet før, under og etter AI-behandling. Deres teknologi er designet for høyt regulerte industrier, inkludert finans, forsikring, helse og høyteknologi, med kunder og partnere som inkluderer ServiceNow, Anthropic, Accenture og andre bedriftsorganisasjoner som søker å flytte AI-prosjekter fra pilotprogrammer til produksjon uten å eksponere proprietær eller regulert data.

Hva var det som gjorde at du gikk inn i stillingen som CEO i OPAQUE og fokuserte din neste kapittel på tillit, personvern og AI-styring?

Jeg har tilbragt nesten to tiår med å bygge bedriftsplattformer, først i MindTouch, som fortsatt brukes av en milliard brukere årlig, og deretter i ServiceNow, hvor jeg skapte deres raskest voksende produkt. Begge lærte meg det samme budskapet: den mest kraftfulle teknologien vinner bare når mennesker stoler på den.

Da jeg møtte OPAQUEs medgrunnleggere Raluca Ada Popa, Ion Stoica og Rishabh Poddar, så jeg en sjelden kombinasjon av talent og visjon. Raluca er en av verdens fremste forskere innen personvern og sikkerhet. Ion var med på å grunnlegge Databricks. Rishabh bygde de kryptografiske systemene som ble OPAQUEs grunnlag.

På UC Berkeley RISELab hadde de skapt noe jeg umiddelbart gjenkjente som generasjonsdefinerende. Kryptografisk bevis på at data forblir privat gjennom hver AI-prosess. Ikke løfter. Ikke politikk. Bevis.

Jeg så på hvor AI var på vei, agenter som opererte selvstendig over bedriftssystemer i maskin-hastighet, og jeg så det samme gapet som Vint Cerf har advart mot i 30 år: ingen tillitslag. Internettet overlevde uten en slik lag fordi mennesker var veggen. Det agente nettet vil ikke ha den luksusen.

Med MCP (Modell Kontekst Protokoll, en standard som gjør det mulig for AI-agenter å sikker tilgang til verktøy, programmer og data) som oppstår som en felles grunnlag, hvordan ser du for deg at dette vil endre måten bedrifter distribuerer og skalerer agente AI?

MCP er et viktig skritt i hvordan bedrifter distribuerer og skalerer agente AI. Tenk på det som en universell connector for AI-prosesser. Det standardiserer hvordan agenter kobles til verktøy, programmer og data, reduserer reell friksjon og øker eksperimentering.

Men å standardisere tilgang alene gjør ikke agente AI trygg eller skalerbart. Når disse koblingene multipliseres, med flere agenter, flere verktøy og flere datakilder, øker datalækasjens overflate med hver ny integrasjon. Hver koblingspunkt som mangler kjøretidsenforcing er et potensielt eksponeringsvektor. Når AI-agenter interagerer med sensitive systemer og proprietær logikk, er kryptering i ro og nettverkskontroller ikke nok. Sikkerhetsgrensen har flyttet seg til kjøretid, og den flyttingen blir mer presserende ettersom økosystemet skalerer.

Hva er de største gapene i dag når det gjelder sikkerhet, politikk-gjennomføring og tillit i agente systemer?

Vi fullførte vår 2026 AI-lekkasjeoverflate-forskning og publiserte en sammenfatting av våre funn, “En dusin måter din AI-stakk lekkasjer data”, som berører dette. Vi identifiserte 46 eksponeringsvektorer over 8 kategorier som omfatter hele AI-tillitsgrensen: beregning, kontroll, program og håndover mellom dem. Det er uten å vurdere ondsinnet handling.

De største gapene er ikke i kobling; MCP løser det. Gapene er i hva som skjer etter at en agent kobles til. De fleste organisasjonene kan ikke svare på tre grunnleggende spørsmål: Hvordan oppfører vår AI seg i virkeligheten? Hvem kontrollerer den? Og hvordan kan vi bevise at politikkene ble gjennomført?

Vår forskning viste at grenser er konfigurert, men aldri gjennomført. En politikk eksisterer i et dokument, en konfigurasjonsfil eller en deploy-tid innstilling, men det kjørende systemet er ikke begrenset av det. En AI-eksekutiv assistent legger materiale ikke-offentlig informasjon på en kalenderinvitasjon. En RAG-kopilot betjener styretnivåets finansielle opplysninger til en junioranalytiker. En leverandør-SDK eksfiltrerer stille 10 millioner forespørsler over 12 måneder. I hver enkelt tilfelle var tilgangskontrollene på plass. Data lekket likevel.

Når AI-agenter får tilgang til sensitive systemer og proprietær data, hva nye personvern- og overholdelsesrisikoer oppstår som bedrifter ofte ikke er forberedt på?

De fleste bedrifter tenker på personvern i forhold til data i ro eller under overføring. Den modellen bryter sammen i agente prosesser fordi den største risikoen er dataeksponering mens den brukes.

Her er hva jeg mener. En bilprodusent kjører AI over sin samlebånd. De rå data ser harmløse ut: sensoravlesninger, tidssekvenser, kvalitetskontroller. Men en LLM kan nå rekonstruere proprietær produksjonsprosesser fra den data-eksosen. Hva var støy for fem år siden er nå en blåkopi for en konkurrent.

Hvorfor blir Confidential AI en nødvendig motpart til MCP, og hvordan løser det utfordringer som tilgangsstandarder alene ikke kan løse?

MCP løser hvem som kan få tilgang til hva og hvordan, mens Confidential AI løser hva som skjer når tilgang er gitt. De er komplementære lag.

Tilgangsstandarder alene kan ikke forhindre kjøretids-kompromiss, politikk-drift eller uautorisert data-bruk. Tenk på det slik: MCP gir deg en standardisert måte å koble agenter til dine systemer på. Confidential AI gir deg kryptografiske garantier for at når agenter er koblet til, kan de bare gjøre hva de er autorisert til å gjøre, og du kan bevise det.

Confidential AI leverer disse garantiene på kjøretid over data, identitet, kode og kommunikasjon. Det gir verifiserbart bevis på kjøring og sikrer at personvern og politikk-gjennomføring ikke stopper ved tilgangsgrensen, men varer som AI aktivt resonerer, genererer og handler. Uten det er MCP en solid grunnlag, men grunnlag alene gjør ikke en bygning trygg.

I praktisk forstand, hva ser verifiserbar tillit ut som for en bedrift som kjører autonome AI-agenter over kritiske prosesser?

Verifiserbar tillit betyr at jeg kan bevise hva kode som kjørte, hvor den kjørte, under hvilke politikk, hva data som ble aksessert og hvordan systemet oppførte seg over tid.

I praksis, la oss si en forsikringsselskap som bruker AI-agenter til å prosessere kravbrev. Før kjøring, maskin-attestering verifiserer agentens identitet og integriteten til miljøet. Under kjøring, kryptografisk politikk-binding innenfor en maskin-basert Trusted Execution Environment (TEE) sikrer at data forblir beskyttet og at politikkene gjennomføres. Etter kjøring, en tamper-bevislig audit-spor registrerer nøyaktig hva som skjedde.

Ettersom agente systemer opererer i maskin-hastighet, hvorfor bryter tradisjonell menneskelig tilsyn sammen, og hvordan bør organisasjoner omdefinere styring i denne nye omgangen?

I flere tiår har internettet hatt en usynlig vegger: oss. Mennesker leser innhold, klikker med vilje og handler ikke stille over hundre systemer samtidig.

Agente AI utvisker disse antakelsene over natten. Agenter opererer kontinuerlig, tar beslutninger i maskin-hastighet og kan manipuleres av miljøer designet for mennesker, men utnyttbare av maskiner. En ondsinnet nettside trenger ikke å lure en AI på samme måte som den lurer et menneske; den kan bare instruere den.

Hva er de vanligste sikkerhetsfeilene du ser når bedrifter eksperimenterer med agente AI uten en innebygd tillitslag?

Mønsteret jeg ser oftest er at bedrifter lar agenter handle og koordinere uten noen kryptografiske garantier rundt deres oppførsel. De prosesserer sensitive IP på håp.

Hva som følger er forutsigbart, og vi har dokumentert de spesifikke mønsterene i vår AI-lekkasjeoverflate-forskning. Kjøretids-kompromiss unngår tradisjonelle perimeter-forsvar fordi agenten allerede er inne i nettverket. Autonome agent-kjeder skaper kaskade-feil. En utnyttet agent utløser en dominoeffekt over koblete systemer. Proprietær logikk lekkasjoner gjennom data-eksos som ingen tenkte å overvåke. Agenter mister evnen til å skille bedrifts-intent fra ondsinnet input fordi det ikke er noen verifiserbar identitet eller politikk-binding på kjøretid.

Hvordan balanserer ledende organisasjoner behovet for å låse opp avanserte AI-kapasiteter samtidig som de beskytter sine mest sensitive data-aktiva?

Organisasjonene som får dette rett behandler personvern og styring som akseleratorer, ikke brems. Det er den viktigste innsikten.

Hva jeg ser i feltet er at ledende bedrifter parer avanserte AI-kapasiteter med konfidensielle AI-plattformer som leverer verifiserbare garantier, ikke bare overholdelses-sjekklister. De låser opp sensitive data for AI-innovasjon samtidig som de sikrer at proprietær informasjon forblir beskyttet, selv når prosesser kjøres autonomt.

Basert på hva du ser i dag, hvordan forventer du at bedrifts AI-styringsmodeller vil utvikle seg over de neste årene ettersom agente systemer flyttes fra piloter til full produksjon?

Styring vil utvikle seg fra papir til bevis. Det er den enkleste måten jeg kan si det på. Tidlige styringsmodeller var bygget for menneske-påvirkede programvare: politikk på papir, godkjenninger før deploy, gjennomganger etter at noe gikk galt. Agente systemer bryter hver enkelt av disse antakelsene. De opererer kontinuerlig, handler autonomt og genererer kaskade-effekter i maskin-hastighet.

Hva vi ser er styring som flytter mot kjøretids-verifiserbarhet som den nye sikkerhetsgrensen, støttet av kryptografiske garantier som beviser oppførsel over hver fase av en agents livssyklus, før, under og etter. Samme mønster vi så med HTTPS blir standard for nett-trafikk. Ingen debatterer lenger om hvorvidt man skal kryptere nett-tilkoblinger. Innen få år vil ingen debattere om hvorvidt man skal verifisere AI-kjøring på kjøretid. Det vil være en selvfølge.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke OPAQUE.