Alan LeFort, CEO og medgrunnlegger av StrongestLayer – Intervju-serie

Alan Lefort er en cybersecurity-leder med over 15 års erfaring med å bygge og skale sikkerhetsprodukter som brukes av Fortune 500-selskaper. Han ledet tidligere produkt- og forretningsenheter i Proofpoint, McAfee og Intel (INTC ) Security, der han fokuserte på avansert trusselbeskyttelse, insider-risiko og atferdsanalyse. Hos Intel hjalp han til å drive produktstrategi over globale markeder, og ledet team i USA, Europa og Israel. Nå som CEO i StrongestLayer, utnytter Alan denne dypt enterprise-erfaringen til å stoppe AI-drevne phishing-angrep før de når brukerne – og omdefinere e-post-sikkerhet for AI-æraen.

StrongestLayer er en AI-nativ e-post-sikkerhetsplattform designet for å stoppe avanserte phishing- og Business Email Compromise-angrep. Ved å bruke sin proprietære TRACE-motor, anvender den store språkmodeller, atferdsinferens og kontekstanalyse for å identifisere skadelige e-poster som tradisjonelle regelbaserte systemer ikke oppdager. Plattformen integrerer raskt med Microsoft 365 og Google Workspace, legger til browser-beskyttelse og tilbyr AI-drevet ansatt-trening, og tilbyr organisasjonene både sterk forsvar og en mer sikkerhetsbevisst kultur.

Hva inspirerte deg og dine medgrunnleggere til å starte StrongestLayer, og hva var den spesifikke lukken i sikkerhetslandskapet dere ønsket å løse basert på erfaringene dine fra selskaper som Proofpoint, FireEye og Mandiant?

Selskapet utviklet seg med hver medgrunnleggers perspektiv. Det startet med Riz, vår CTO, som erkjente at phishing ble for sofistikert for tradisjonell ansatt-trening. Hans innsikt var at AI-drevet tilpasning kunne fundamentalt forbedre sikkerhetsbevisstheten.

Når Josh ble med som vår Chief Product Officer, brakte han det manglende puzzlestykket. Mens han testet vår tidlige produkt, oppdaget han at vår AI-analyse oppdaget komplekse angrep som etablerte e-post-sikkerhetsleverandører fullstendig gikk glipp av. Da forstod vi at vi ikke bare forbedret treningen – vi oppdaget en grunnleggende luke i trussel-opptak.

Jeg ble med som CEO tidlig i 2025 etter å ha rådgitt teamet, og så den strategiske muligheten tydelig: hvis bare AI kan forsvare mot våpenisert AI, måtte vi tenke om ikke bare oppdakelse, men hvordan vi befaler mennesker i denne nye virkeligheten. Beslutningen var enkel – gå all-in på AI-nativ oppdakelse og forebygging.

Hvorfor tror du at e-post fortsatt er en så kritisk angrepsvektor, særlig i æraen med generativ AI?

E-post forblir den primære angrepsvektoren fordi det er den ene kanalen der forretningskontekst betyr mest, og generativ AI har gjort det trivielt å utnytte denne konteksten.

Tradisjonelle e-post-angrep var volumbaserte og åpenlyse. AI endrer spilleregler fullstendig – angripere kan nå generere personlige e-poster som forstår organisatoriske hierarkier, etterligner kommunikasjonsstiler og refererer til faktiske forretningsprosesser. De sender ikke bare generiske phishing-lenger; de konstruerer angrep som føles autentiske for spesifikke organisasjoner.

E-post er også der hvor tillitsbeslutninger skjer daglig. Ansatte mottar regelmessig forespørsler fra leverandører, partnere og kolleger som krever dømmekraft om legitimitet. AI-drevne angrep utnytter nettopp disse tillitsforholdene ved å fremstå som om de kommer fra kjente enheter med plausibele forespørsler.

Den grunnleggende utfordringen er at e-post-sikkerhet alltid har vært om å oppdage “dårlige” tekniske mønster, men AI-angrep ser teknisk sett bra ut mens de er ondsinnet.

Hvordan skiller StrongestLayers LLM-nativ arkitektur seg fundamentalt fra tradisjonelle e-post-sikkerhetsløsninger?

Vi bygde den første LLM-som-mester-arkitekturen, fundamentalt forskjellig fra leverandører som festet LLM-funksjoner til eksisterende mønster-matching-systemer. Forskjellen er arkitektonisk – LLM-koordinerer hele analyseprosessen i stedet for å være en tilføyd modul.

Tradisjonelle løsninger opererer som en aktor-only rettssystem – de kan bare jakte på skyld med ingen mekanisme for å bevise uskyld. Dette skaper den klassiske feil-positiv/-negativ spenning som aldri kan løses innenfor et aktor-only-arkitektur.

Vår gjennombrudd er dobbelt bevis-innsamling. Vi bryter aktor-only-paradigmet fullstendig ved å gi hver e-post sin dag i retten. Vårt system fungerer som både offentlig forsvarer og aktor, mens en upartisk LLM-dommer veier bevis og avgjør dom.

Arkitekturen krevde fullstendig ny infrastruktur: LLM-som-mester-koordinering, dobbelt bevis-syntese-algoritmer, blanding av eksperter-arkitektur for spesialisert analyse og null-minne-arkitektur for bedriftsdatavern. Vi leverer resonemse-evnen til tusen elite-analytikere med minnet til en gullfisk – maksimal analytisk evne, null data-persistens.

Kan du forklare hvordan deres TRACE (Threat Reasoning AI Correlation Engine)-system fungerer og hva som gjør det unikt effektivt mot AI-drevne phishing-angrep?

TRACE opererer gjennom dobbelt bevis-innsamling som fundamentalt endrer e-post-sikkerhetens økonomi.

For hver e-post, kjører vi to parallele undersøkelser: offentlig forsvarer-bevis som samler normalitetsindikatorer, og aktor-bevis som samler trussel-signal. En upartisk LLM-dommer veier alle bevis og avgjør dom.

La oss ta et eksempel på en $50M-leverandør-betaling fra din CFO under kvartalsstengning. Eksisterende systemer ser urgente språk, stor sum, ettertimer-merke – hvert mønster skriker trussel. E-posten havner i karantene, og forretningen blir forstyrret.

Vår dobbelt bevis-arkitektur kjører parallele undersøkelser: Offentlig forsvarer-bevis inkluderer CFOs kommunikasjonsmønster, leverandørens etablerte forhold, betaling innenfor innkjøpsgrenser, og følger dokumenterte arbeidsflyter. Aktor-bevis inkluderer eksternt trussel-intelligens, kommunikasjons-intent-analyse, autoritets-omgåelsesforsøk og manipulation av urgensi-mønster.

LLM-dommeren veier alle bevis. Sterke legitimitetsindikatorer overveier mindre trussel-signal. E-posten klarer automatisk med høy tillit, forretningens kontinuitet opprettholdes, og analytikere fokuserer på faktiske trusler.

Hva gjør dette unikt effektivt mot AI-angrep er at vi fokuserer på stabile indikatorer som består uavhengig av angreps-novitet – forretnings-logiske mønster og ondsinnet-intent-mønster forblir konsistente selv når angrepsmetodene er fullstendig nye.

Med AI som nå muliggjør angripere å generere personlige e-poster i stor skala, hvordan holder deres plattform pace med disse utviklende truslene?

Nøkkelinsiktet er at selv om AI gjør angreps-generering uendelig skalerbar, løser det ikke forretnings-logikk-problemet for angriperne.

AI kan konstruere perfekt grammatikk, etterligne kommunikasjonsstiler og referere til offentlig informasjon om organisasjoner. Men det kan ikke fullstendig forstå interne forretningsprosesser, godkjenningsflyter, kontrakt-sykluser og relasjons-dynamikk over hver organisasjon samtidig.

Vår plattform holder pace ved å fokusere på forretnings-logisk rimelighet i stedet for tekniske mønster. Mens AI-angrep blir mer sofistikerte i sin tekniske presentasjon, blir de ofte mer desperate i sin forretnings-logikk – skaper urgensi hvor ingen bør eksistere, omgår normale prosesser eller ber om handlinger som ikke stemmer overens med etablerte forhold.

Vi bénéficierer også fra cross-kunde-læring uten å eksponere enkelt-kunde-data. Mønster av forretnings-logikk-misbruk er ofte konsistente over organisasjoner, selv når den tekniske implementeringen varierer.

Hvilke typer organisasjoner er for tiden mest utsatt for AI-forbedrede phishing-angrep, og hvordan addreserer deres plattform deres unike utfordringer?

Organisasjoner med komplekse leverandør-forhold og godkjenningsprosesser er mest utsatt – særlig finansielle tjenester, helse og juridiske firmaer. Disse sektorene har verdifulle data, etablerte forretningsprosesser som angripere kan forskning, og ansatte som regelmessig håndterer følsomme forespørsler.

Mid-markeds-selskaper møter en spesifik utfordring: de har bedrifts-nivå-forpliktelser og kompleksitet, men uten sikkerhets-besetting eller budsjett til å matche. De er sofistikerte nok til å være attraktive mål, men ressurs-begrensede nok til at avanserte angrep lykkes.

Vår plattform addreserer dette ved å automatisere forretnings-kontekst-analysen som normalt ville kreve dedikerte sikkerhets-analytikere. I stedet for å kreve team å manuelt undersøke hver mistenkelig forespørsel, gir TRACE den resonemsen som hjelper organisasjoner å fatte informerte beslutninger raskt.

Vi fokuserer også på bruker-erfaring fordi disse organisasjonene ikke har råd til løsninger som skaper operasjonell friksjon eller krever omfattende trening.

Hvordan fungerer deres prediktive kampanje-deteksjonssystem, og hva gjør det unikt effektivt mot AI-drevne phishing-angrep?

Vår tilnærming kombinerer sanntids-domene-registrerings-overvåking med forretnings-kontekst-analyse.

Vi overvåker globale domene-registreringer kontinuerlig, og søker etter mønster som antyder impersonerings-kampanjer – lignende staving til legitime domener, registrerings-tidskluster og infrastruktur-mønster konsistent med angreps-forberedelse.

Men nøkkeldifferensieren er å korrelere denne tekniske intelligensen med forretnings-kontekst. Når vi ser domener registrert som kunne impersonere kunde-leverandører eller partnere, kan vi forutsi kampanje-mål og timing basert på forretnings-forhold og sykluser.

“Nøytraliseringen” skjer gjennom tidlig varsling – vi varsler kunder om potensielle impersonerings-kampanjer uker før e-poster sendes, og lar dem forberede forsvar og varsle ansatte om spesifikke trusler å se etter.

Dette pre-kampanje-deteksjon er bare mulig fordi vi forstår både teknisk angreps-infrastruktur og forretnings-konteksten som angripere sannsynligvis vil utnytte.

Hva var noen av de hardeste tekniske problemene dere møtte mens dere bygde en sant LLM-nativ sikkerhetsløsning?

Det hardeste problemet var å bygge et system som kunne resonnere om forretnings-kontekst uten å eksponere følsomme organisatoriske data, mens det ble bevist at det fungerte mot nye angrep som legacy-systemer gikk glipp av.

Vi fikk nylig validering da vårt TRACE-system oppdaget et Microsoft 365 Direct Send-utnyttelses-angrep som både Microsofts native sikkerhet og markedets leder fullstendig gikk glipp av. Angrepet ble publisert og valider av Dark Reading. Det utnyttet legitime Microsoft (MSFT ) -funksjoner, brukte bilde-basert forvrengning og dynamisk personlige phishing-sider – fullstendig nye tekniker uten noen historiske mønster å matche.

De tekniske utfordringene var betydelige: bygging av LLM-som-mester-koordinering som kunne utføre sofistikert resonemse mens det holdt følsomme data lokalt, unngåtte feil-positiv-feller når det ble flyttet fra mønster-matching til resonemse, og optimaliserte ytelse for å gi sanntids-beslutninger innenfor e-post-flyt-latens-krav.

Men det største gjennombruddet var å bevise at vår dobbelt bevis-arkitektur fungerte i den virkelige verden mot angrep som etablerte leverandører gikk glipp av. Denne valideringen ga oss tillit til at arkitekturen kunne håndtere hva som helst nye tekniker angripere utviklet neste.

Hvordan ser du på trussel-landskapet utvikle seg i 2026-2027, og hvordan forbereder dere plattformen til å møte denne fremtidige utfordringen?

I 2026-2027 forventer jeg at sofistikerte AI-forbedrede angrep blir mainstream i stedet for avanserte varige trusler. Verktøyene og teknikkene vil bli kommodifisert, og dramatisk utvide trussel-aktør-pulen.

Vi vil også se angrep utvide seg beyond e-post til alle forretnings-kommunikasjons-kanaler – Teams, Slack, mobil-meldinger. Angripere vil orkestrere kampanjer over flere kanaler, og gjøre enkelt-punkt-deteksjon utilstrekkelig.

Vi forbereder oss ved å bygge TRACE som en resonemse-motor som kan brukes på noen som helst forretnings-kommunikasjons-kanal. Kjernen – å forstå forretnings-kontekst og intent – er ikke e-post-spesifikk. Vi investerer også tungt i cross-kanal-korrelasjons-kapasiteter.

Den andre store endringen vil være angrep som utnytter AI-adoptsjon innen organisasjoner. Mens selskaper deployer AI-verktøy for forretnings-prosesser, vil angripere målrette disse integrasjonene og data-flyt.

Hva er noen av lærdommene dere har lært så langt fra virkelige implementeringer, og hvordan har disse formet produkt-veien?

Den største lærdommen er at nye angrep validerer vår arkitektoniske tilnærming på måter vi ikke kunne ha forutsett. Når vårt TRACE-system oppdaget Microsoft 365 Direct Send-utnyttelses-angrepet som både Microsoft og markedets leder gikk glipp av, beviste det vår tese at resonemse slår mønster-matching mot sant nye tekniker.

Vi lærte at bruker-erfaring betyr mer enn vi initialt trodde, men ikke på den måten vi forventet. Sikkerhets-team ønsker ikke bare nøyaktig oppdakelse – de ønsker å forstå hvorfor systemet tok beslutninger. Vår dobbelt bevis-tilnærming hjelper fordi analytikere kan se både aktor- og offentlig forsvarer-bevis som ledet til LLM-dommerens dom.

Vi oppdaget også at ny oppdakelse skaper konkurransefordeler vi ikke hadde antatt. Når vi publiserte Direct Send-analysen som Dark Reading valider, etablerte det teknisk kredibilitet på måter markedsførings-krav aldri kunne. Prospekter innsett at vi ikke bare hevdet å oppdage ukjente trusler – vi beviste det med dokumenterte tilfeller hvor etablerte leverandører feilet.

Disse lærdommene formet vår strategi rundt transparens og teknisk validering. Vår produkt-vei fokuserer nå ikke bare på oppdakelses-kapasiteter, men også evnen til å forklare resonemse og dele trussel-intelligens med det bredere sikkerhets-samfunnet.

Hvor ser du StrongestLayer i de neste to til tre årene, og hva er den lange-siktige visjonen for selskapet?

I de neste to årene ser jeg oss bli resonemse-motoren som beskytter all forretnings-kommunikasjon – ikke bare e-post, men også Teams, Slack, mobil-meldinger og fremvoksende kanaler.

Den tekniske grunnlag vi har bygget med TRACE – å forstå forretnings-kontekst og intent – gjelder beyond e-post-sikkerhet. Mens organisasjoner adopterer flere kommunikasjons-kanaler og AI-verktøy, trenger de konsistent beskyttelse som forstår forretnings-logikk over alle plattformer.

På lang sikt er vår visjon å være intelligens-laget som hjelper organisasjoner å kommunisere trygt i en AI-drevet verden. I stedet for at sikkerhet er en barriere for kommunikasjon, ønsker vi å være systemet som muliggjør at bedrifter kan adoptere nye kommunikasjons-teknologier trygt.

Det ultimate målet er å nå et punkt hvor organisasjoner ikke tenker på e-post-sikkerhet som et separat problem – det er bare bygget inn i hvordan forretnings-kommunikasjon fungerer, beskytter dem automatisk mens det muliggjør produktivitet. Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke StrongestLayer.