Craig Riddell, Global Field CISO i Wallarm – Intervju-serie

Craig Riddell, Global Field CISO i Wallarm, er en erfaren cybersecurity-ekspert som fokuserer på å hjelpe bedrifter med å håndtere de økende risikoene knyttet til API-er og AI-drevne systemer. I sin nåværende stilling arbeider han tett med CISO-er, CIO-er og ingeniørledere for å oversette virkelige angrepsmønster og misbruksscenarier til håndterbare sikkerhetsstrategier, med sterkt fokus på observabilitet – å forstå hvordan API-er og AI-systemer oppfører seg i produksjon over brukere, applikasjoner og integrasjoner. Hans karriere omfatter ledelsesroller innen identitet og tilgangs kontroll, zero trust-arkitektur og bedriftssikkerhet i organisasjoner som Netwrix, Kron og HP, hvor han drev større skala IAM-transformasjoner og moderniserte sikkerhetsrammer. Riddells ekspertise sentrerer seg rundt nye trusler som forretningslogiske angrep, API-misbruk, AI-systemdrift og svindel, med en konsekvent fokus på å lukke gapet mellom høynivå sikkerhetsstrategi og operasjonell gjennomføring.

Wallarm er et selskap som spesialiserer seg på å beskytte API-er, applikasjoner og AI-drevne systemer i moderne sky-miljøer. Deres plattform tilbyr kontinuerlig oppdagelse, testing og sanntidsbeskyttelse mot trusler som API-misbruk, forretningslogiske angrep og automatiserte utnyttelser, samtidig som den tilbyr dyp innsikt i hvordan systemer oppfører seg over komplekse infrastrukturer. Designet for multi-sky og sky-naturlige arkitekturer, integrerer Wallarm i eksisterende DevOps- og sikkerhetsarbeidsflyter, og muliggjør at organisasjoner kan oppdage og blokkere angrep mens de skjer, i stedet for etterpå. Ved å kombinere API-inventar, AI-drevet trusseldeteksjon og automatiserte responsmuligheter, addreserer plattformen en økende realitet hvor API-er og AI-systemer har blitt det primære angrepsflaten for moderne digitale bedrifter.

Du startet din karriere med å arbeide direkte med systemer og infrastruktur, og har siden flyttet inn i ledelsesroller fokusert på identitet, tilgang, API og AI-sikkerhet. Hva var de viktigste skiftene langs denne reisen som ledet deg til å konkludere at den virkelige risikoen har flyttet seg bort fra periferien og inn i API-er og maskin-drevne systemer?

Tidlig i min karriere var fokuset på å beskytte kanten. Brannmurer, segmentering, infrastruktur-forsterkning. Denne modellen fungerte når systemer var mer statiske og tillitsgrenser var enklere å definere.

Hva som endret seg, er hvordan applikasjoner er bygget og hvordan systemer samhandler. API-er ble det sammenkoblede vævet av alt, og AI akselererte dette videre. Nå gjør systemer beslutninger, ringer andre systemer og utfører handlinger i en skala og hastighet som ikke involverer mennesker i løkken.

På det punktet blir periferien mindre relevant. Den virkelige risikoen flytter seg til hvor beslutninger tas og handlinger utføres, innenfor API-er og maskin-drevne arbeidsflyter.

Hvis du ikke har innsikt og kontroll der, stoler du på atferd du ikke fullt ut kan se. Det er der hvor forretningsrisiko viser seg, fra finansiell eksponering til uventede resultater og operasjonell forstyrrelse.

Du har beskrevet den cybernetiske håndtrykket som ødelagt, med henvisning til hvordan systemer etablerer tillit og utveksler handlinger over stadig mer komplekse kjeder av API-er og automatiserte prosesser. Hva ser denne nedbrytningen ut som i en virkelig verden bedriftsmiljø i dag?

I de fleste miljøer, tillits systemer hverandre basert på identitet og autentisering. En token er gyldig, en forespørsel er velformet, og interaksjonen er tillatt.

Problemet er at dette antar at gyldig betyr trygt. Det er ikke lenger sant.

Vi autentiserer identitet, men vi validerer ikke intensjon. Vi verifiserer tilgang, men ikke atferd over kjeden.

En tjeneste kan være autorisert til å ringe en annen tjeneste, som utløser nedstrøms handlinger over flere API-er. Hver trinn ser legitimt ut i isolasjon, men over hele kjeden begynner du å se uventet atferd eller misbruk av logikk.

I AI-drevne miljøer, er dette forsterket. Agenter kan kjede handlinger og utføre arbeidsflyter uten menneskelig gjennomgang.

Håndtrykket skjer fortsatt, men ingen spør om atferden har mening i kontekst. Tillit etableres, men ikke kontinuerlig valideres.

Hvorfor faller AI- og API-risiko så ofte mellom organisatoriske grenser i stedet for å bli tydelig eid?

Fordi systemene ikke stemmer overens med hvordan organisasjoner er strukturert.

DevOps eier levering. Sikkerhet eier politikk. Forretningslag eier resultater. Datateam eier modeller. Hver gruppe eier en del, men ingen eier systemet som det oppfører seg i produksjon.

API-er utfører forretningslogikk over systemer. AI introduserer ikke-deterministisk beslutningstagning på toppen av det. Sammen, skjærer de over hver grense.

De er bygget av ett lag, sikret av et annet, og forbrukt av et tredje, med inkonsistent overvåking over alle av dem.

Gapene dette skaper, er ikke feil fra lag. De er feil i driftsmodellen til å reflektere hvordan moderne systemer faktisk fungerer.

I din erfaring, hvilke lag tenderer å anta at de eier AI-risiko, og hvor finner du de største blindsonene mellom sikkerhet, DevOps og forretningsenheter?

Sikkerhetslag tenderer å eie AI-risiko fra et styrings- og overholdelsesperspektiv. DevOps eier levering og pålitelighet. Forretningsenheter fokuserer på resultater.

Blindsonene viser seg mellom disse områdene.

Sikkerhet definerer hva som skal skje. DevOps sikrer at systemet kjører. Forretningslag fokuserer på resultater. Men svært få lag ser konsekvent på hva systemet faktisk gjør i sanntid.

Det gapet er hvor risiko bor, spesielt når atferd er teknisk gyldig, men kontekstuelt feil.

Mange moderne angrep viser seg som gyldig og autentisert atferd, i stedet for åpenbare intrusjoner. Hvordan bør organisasjoner omdefinere oppdagelse i denne nye virkeligheten?

Vi må flytte oss bort fra å identifisere “dårlige” forespørsler.

I mange tilfeller er forespørselen gyldig. Legitimasjonskriteriene er legitime. API-kallet er forventet. Hva som ikke er forventet, er sekvensen av handlinger, volumet eller resultatet.

Oppdagelse må bli atferds- og kontekstbasert. Det er mindre om å blokkere en enkelt forespørsel og mer om å forstå hvordan systemer samhandler over tid.

Tilnærmingene som faktisk holder i skala, dekomponerer forespørsler strukturelt, behandler hver interaksjon som en sett med atferds-token, i stedet for å prøve å matche mot kjente dårlige mønster.

Dette tillater deg å forstå hvordan atferd utvikler seg og hvor den avviker, selv når alt ser gyldig ut på overflaten.

Hvis du bare baserer deg på statiske regler eller signaturer, vil du gå glipp av det meste av hva som teller.

Du har betonet viktigheten av innsikt i virkelig verden-atferd. Hva ser meningsfull innsikt ut som for API-er og AI-systemer i produksjon?

Meningsfull innsikt er ikke bare logger og målinger. Det er å forstå atferd i kontekst.

For API-er, betyr det fullstendig forespørsel- og svar-innsikt, hvordan endepunkter brukes og hvordan interaksjoner utvikler seg over tid.

For AI-systemer, betyr det å forstå inndata, beslutninger og resulterende handlinger.

Viktigst, betyr det å koble disse over systemer inn i fullstendige arbeidsflyter, ikke isolerte hendelser.

Uten det, opererer du på antagelser om systematferd i stedet for virkeligheten.

Hvorfor blir tradisjonell menneskelig gjennomgang og godkjenning mindre effektive i maskin-drevne miljøer?

Fordi hastigheten og skalaen har endret seg.

Systemer gjør tusenvis eller millioner av kall per minutt, og angrep eller uventet atferd kan utvikle seg i minutter eller sekunder. Du kan ikke realistisk sett plassere en menneskelig i løkken for hver beslutning uten å bryte ytelsen.

AI-systemer er heller ikke alltid deterministiske, noe som gjør forhånds-godkjenning modeller mindre effektive.

Menneskelig tilsyn er fortsatt viktig, men det må skifte fra å godkjenne enkelt handlinger til å definere retningslinjer og overvåke resultater.

Hva er de vanligste operasjonelle gapene du ser når bedrifter prøver å sikre AI-systemer ved hjelp av legacy-sikkerhetsrammer?

Det største gapet er over-avhengighet av design-tid kontroller.

Organisasjoner fokuserer på å sikre modeller, gjennomgå kode og definere politikker før distribusjon. Det er viktig, men det antar at systemer vil oppføre seg som forventet når de er live.

I virkeligheten, utvikler systemer seg. API-er endrer seg. AI-modeller samhandler med nye data og arbeidsflyter. Atferd skifter over tid.

Uten kontinuerlig validering av atferd i produksjon, er organisasjoner effektivt blinde etter distribusjon.

Hva ser en praktisk driftsmodell ut som når flere interessenter deler ansvar for AI- og API-risiko?

Det starter med å anerkjenne at ingen enkelt lag kan eie dette hele veien.

En praktisk modell definerer delt ansvar, forankret rundt en felles kilde til sannhet: runtime-atferd.

Sikkerhet definerer risiko og politikk. Ingeniører bygger og opererer systemer. Forretningslag definerer akseptable resultater.

Lagene som kommer fremover, opererer i en lukket løkke. Kontinuerlig oppdagelse, gjennomføring og forbedring, drevet av hva systemer faktisk gjør i produksjon, ikke hva som ble antatt på design-tid.

Alle interessenter trenger innsikt i hvordan systemer opererer i produksjon. Derfra kan lagene justere seg på hva “godt” ser ut, oppdage avvik og reagere.

Skiftet er fra isolert eierskap til koordinert ansvar, forankret i runtime-innsikt.

Ser du for deg at sikkerhetsansvar kommer til å bli mer sentralisert igjen, eller vil det fortsette å fragmenteres når systemer blir mer autonome?

Ansvaret vil forbli distribuert fordi det reflekterer hvordan systemer er bygget.

Hva som vil endre seg, er hvordan dette ansvaret koordineres.

Vi vil se mer forent styringsmodell hvor lag eier sine domener, men opererer med delt innsikt og kontekst.

Organisasjonene som lykkes, vil ikke være de som prøver å sentralisere alt. De vil være de som justerer interessenter rundt hvordan systemer faktisk oppfører seg i den virkelige verden.

Fordi hvis ingen forstår runtime-atferd, eier ingen virkelig risikoen.

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