Harold Byun, CEO av BlueRock – Intervju-serie

Harold Byun, CEO av BlueRock, er en veteran ledere i bedriftsteknologi med dypt ekspertise i cybersikkerhet, SaaS-plattformer, sky-sikkerhet og ledelse av bedriftsprodukter. Før han ble CEO i april 2026, var han selskapets Chief Product Officer, der han hjalp til å forme BlueRocks retning rundt agenssikkerhet og overvåkning. Før han kom til BlueRock, hadde Byun ledende roller i AppOmni, ServiceNow (NOW ), Skyhigh Networks, Symantec og Citrix etter at de kjøpte Zenprise. I disse rollene bygde han en reputasjon for å hjelpe bedrifter med å sikre stadig mer komplekse sky- og data-miljøer, en erfaring som nå direkte sammenfaller med de nye sikkerhetsutfordringene rundt autonome AI-agenter og Model Context Protocol (MCP)-økosystemer.

BlueRock fokuserer på å sikre eksekveringslaget i agenssikkerhetssystemer, et område som blir stadig mer kritisk ettersom bedrifter deployer autonome AI-agenter som kan interagere med verktøy, API-er, kodebaserte og følsomme bedriftsdata. Selskapet utvikler sikkerhets- og overvåkningsteknologier som er designet for å overvåke, sandboxe og påtvinge retningslinjer for AI-agent-atferd, særlig i MCP-baserte miljøer. BlueRocks plattform legger vekt på runtime-synlighet og eksekveringslagsbeskyttelse i stedet for å bare stole på prompt-nivå-sikkerhet, noe som reflekterer en større industriell skift mot å sikre hvordan AI-agenter handler, ikke bare hva de sier. Ettersom organisasjoner flytter fra AI-eksperimentering mot autonome arbeidsflyter i produksjon, stiller selskaper som BlueRock seg i sentrum av hva som kan bli en stor ny kategori innen bedriftssikkerhet.

Du har brukt år i sky, SaaS, Data Loss Prevention (DLP) og bedriftssikkerhet i selskaper som AppOmni, Symantec, ServiceNow og Skyhigh Networks. Hva overbeviste deg om at runtime-sikkerhet for AI-agenter ville bli den neste store sikkerhetskategorien?

Hva som ble åpenbart for meg er at AI endrer hvor meningsfull operasjonell risiko og kompleksitet faktisk forekommer. I tradisjonell programvare er mesteparten av atferden definert før deployering. I agenssystemer øker atferden stadig under eksekvering gjennom promter, kontekst, verktøy, API-er, MCP-tjenere og nedstrømsinteraksjoner.

Dette skaper en helt annen operasjonell modell. Når agenter kan dynamisk ta beslutninger og iverksette handlinger over systemer, mister organisasjonene den klare synligheten og operasjonelle forståelsen de har avhengig av i årevis.

Jeg har sett lignende plattformsskift før i sky- og SaaS-sikkerhet, der infrastrukturen utviklet seg raskere enn systemene som ble brukt til å håndtere den. AI skaper enda et av disse øyeblikkene. Den langsiktige utfordringen er ikke bare modellsikkerhet. Det er å enable organisasjoner til å trygt operere agenssystemer i skala.

Kategorien som til slutt teller er den som hjelper organisasjoner å forstå hva agenter faktisk gjør i produksjon og gir dem tillit til å skala AI-naturlige operasjoner ansvarlig.

BlueRock snakker om “Agens-eksekveringsgapet”, der organisasjoner mister synlighet når agenter begynner å handle autonomt under eksekvering. Hvorfor feiler tradisjonelle overvåkings- og sikkerhetsteknologier i disse miljøene?

Tradisjonelle overvåkings- og sikkerhetsteknologier ble bygget for deterministiske systemer med relativt forutsigbare eksekveringsstier. De antar at utviklere i stor grad vet hvordan applikasjonene skal oppføre seg før de kjøres.

Agenssystemer bryter denne antagelsen.

Agenter kan dynamisk oppdage verktøy, påkalle MCP-tjenere, kjede arbeidsflyter, interagere med API-er og ta beslutninger i sanntid. Eksekveringsstien ofte oppstår under eksekvering.

De fleste eksisterende verktøyene fanger fragmenter som logger, spor, telemetri eller modellutdata. Men organisasjoner øker behov for årsaksforståelse over hele eksekveringsstien: hvorfor en agent valgte et verktøy, hva konteksten påvirkte beslutningen, hvilke nedstrøms-systemer ble berørt og hvilke handlinger skjedde som følge.

Dette er Agens-eksekveringsgapet. Eksekvering har blitt dynamisk, men synlighet og kontrollmodellene har ikke utviklet seg sammen med det.

En økende mengde bedrifter eksperimenterer med Model Context Protocol (MCP)-baserte arkitekturer og autonome AI-arbeidsflyter. Hva er de største sikkerhetsmisforståelsene organisasjoner fortsatt har om MCP-tjenere og agenssystemer?

MCP er raskt på vei til å bli grunnleggende infrastruktur for hvordan AI-agenter oppdager, kobler til og interagerer med verktøy, systemer og bedriftsdata.

Hva som gjør MCP viktig er at det dramatisk reduserer friksjonen mellom AI-systemer og operasjonelle miljøer. Det øker utviklerhastighet og låser opp kraftfulle arbeidsflyter, men det åpner også opp for en stor mengde eksekveringsstier agenter kan ta over bedriftssystemer.

I mange tilfeller kan organisasjoner allerede ha AI-verktøy som interagerer med MCP-koblede tjenester uten å fullt ut forstå den nedstrøms-operasjonelle eksponeringen som skapes.

En annen misforståelse er at kontroll av promter eller modeller er tilstrekkelig. I praksis oppstår de større risikoene etter at modellen har tatt en beslutning. Når agenter kan påkalle verktøy, iverksette arbeidsflyter, hente følsomme data eller interagere med infrastruktur, skifter utfordringen mot runtime-atferd og eksekveringskontroll.

Den operasjonelle overflaten vokser mye raskere enn de fleste styrings- og overvåkingsmodellene var designet for å håndtere.

BlueRocks forskning fant alvorlige sårbarheter over offentlige MCP-tjenere, inkludert Server-Side Request Forgery (SSRF) og kommandoinjeksjonseksponering. Underestimerer bedrifter hvor raskt MCP-økosystemer kunne bli en ny programvareforsyningskjede-angrepsflate?

Ja. Jeg tror industrien fortsatt er tidlig i å forstå hvor viktig MCP-økosystemet kan bli fra et programvareforsyningskjede- og operasjonelt tillitsperspektiv. For eksempel har over 36% av de 11 000 MCP-tjenerne vi har analysert ubundne SSRF-sårbarheter. De fleste menneskene i industrien forstår ikke at dette effektivt åpner opp hele deres nettverk fra et data-tilgangsperspektiv. Dette ville aldri være tillatt i nesten alle bedriftsmiljøer i verden i dag.

Historisk sett var organisasjoner bekymret for biblioteker, containere og åpne kildekode-avhengigheter fordi disse komponentene ble en del av programvarestaben før deployering. MCP endrer denne modellen. Agenter kan nå dynamisk oppdage og interagere med eksterne verktøy og tjenester under eksekvering selv. Og i mange tilfeller har utviklere og bedrifter bare gått frem og deployert MCP uten å forstå eller vurdere risikoene. Dette skaper et helt annet tillitsproblem.

Organisasjoner er ikke lenger bare å håndtere statiske avhengigheter. De håndterer stadig mer dynamiske eksekveringsavhengigheter som oppstår mens systemene kjører. Agenter kan påkalle verktøy, kjede arbeidsflyter eller aksessere nedstrøms-systemer på måter operatørene ikke fullt ut forutser eller observerer.

Vår forskning rundt SSRF, kommandoinjeksjon og andre sårbarheter reflekterer hvor umodne deler av økosystemet fortsatt er. Men det større problemet er bredere enn enkeltstående sårbarheter. Ettersom MCP-adoptsjon akselererer, trenger organisasjoner mye dypere synlighet inn i hvordan autonome systemer interagerer med eksterne tjenester under eksekvering.

Dere plattform betoner “agens-overvåkning” i stedet for bare å overvåke promter eller utdata. Hva ser meningsfull runtime-synlighet ut som når agenter tar dynamiske beslutninger over verktøy, API-er og infrastruktur?

Meningsfull runtime-synlighet krever å forstå hele eksekveringsstien, ikke bare isolerte hendelser.

Organisasjoner må se hvordan en modellbeslutning blir til handlinger over verktøy, MCP-tjenere, API-er, infrastruktur og nedstrøms-systemer. Det betyr å forstå hvorfor en agent valgte et verktøy, hva konteksten påvirkte beslutningen, hvilke tillatelser ble brukt, hvilke nedstrøms-handlinger ble utløst og hvilken operasjonell utfall ble til slutt skapt.

Dette blir spesielt viktig når agenter opererer over distribuerte og efemere miljøer der tradisjonell overvåking raskt fragmenteres.

Prompt-overvåking alene er ikke nok fordi promter ikke forklarer operasjonell atferd. Utdata er ikke nok fordi de ikke avslører hvilke systemer ble berørt nedstrøms.

Framtiden for overvåkning i agenssystemer er eksekverings-bevisst. Det handler om å forstå atferd fra beslutning til handling til utfall i sanntid.

BlueRocks Trust Context Engine ser ut til å koble identitet, tillit og evne-data direkte til eksekveringsflyter i sanntid. Hvor viktig vil kontekstuell tillit bli når AI-agenter stadig mer interagerer med eksterne verktøy og systemer autonomt?

Kontekstuell tillit blir grunnleggende i agenssystemer fordi agenter tar beslutninger dynamisk under eksekvering.

Tradisjonelle systemer la stor vekt på statiske tillitsantagelser. Men agenter opererer stadig mer over endrede kontekster, eksterne verktøy, API-er, MCP-tjenere, identiteter og tillatelser.

Organisasjoner må vurdere tillit kontinuerlig under eksekvering selv. Ikke bare om en modell er sikker, men om verktøyet som påkalles er tillitveis, om den forespurte handlingen matcher forventet atferd og hvilken operasjonell risiko handlingen introduserer.

Det er derfor vi tror tillitskontekst blir kritisk infrastruktur for den neste generasjonen av AI-systemer.

Vi ser rask adopsjon av AI-kodeagenter og autonome utviklerarbeidsflyter. Hva er de mest bekymringsfulle risikoene når agenter får mulighet til å modifisere infrastruktur, deployere kode eller interagere med produksjonssystemer uten menneskelig gjennomgang?

Den største skiftet er at organisasjoner prøver å dramatisk øke utviklerhastighet ved å enable mye flere mennesker til å bygge med AI, ikke bare tradisjonelle programvare-utviklere.

AI-kodeagenter kan allerede generere kode, modifisere infrastruktur, interagere med CI/CD-pipelines, påkalle skytjenester og aksessere følsomme systemer. Produktivitetsfordelen er enorm fordi bedrifter nå kan låse opp både erfarne utviklere og en ny generasjon av AI-naturlige og borger-utviklere.

Utfordringen er at operasjonell kompleksitet vokser like raskt. Bekymringen er ikke bare ondsinnet atferd. Det er den ugunstige effekten en agent kan ha som forårsaker produkt-avbrudd og påvirker tilgjengeligheten av data og infrastruktur for en organisasjon. Denne type avsporingsatferd ligner det offentlige S3-bucket-problemet for et tiår siden. Vi forventer at agenter skal oppføre seg. Vi forventer retningslinjer og kontroller som settes i verk. Men det er stier til uforutsett atferd, eksessive tillatelser, skjulte avhengigheter, usikre verktøybruk eller eksekveringsstier ingen forutså. Og det vil resultere i flere avbrudd eller under-optimerte deployeringer hvor mennesker blir knappetrykkere og ROI ikke blir fullt realisert.

Organisasjoner trenger operasjonell synlighet og eksekverings-bevisste kontroller som flytter med arbeidsbelastningen så de kan trygt skala AI-naturlig utvikling uten å bremse innovasjonen ned.

Mange organisasjoner tenker fortsatt på AI-sikkerhet primært gjennom linser av modellsikkerhet og prompt-injeksjon. Hvorfor tror du industrien nå må skifte mot å sikre handlinger og eksekveringsstier i stedet?

Modellsikkerhet og prompt-injeksjon er absolutt viktig, men de representerer bare en del av utfordringen.

Industrien beveger seg fra systemer som genererer svar til systemer som tar handlinger. Når agenter kan påkalle verktøy, modifisere systemer, hente følsomme data, iverksette arbeidsflyter eller interagere med infrastruktur, skifter operasjonell risiko mot eksekveringsatferd selv.

En fullt tilpasset modell kan fortsatt skape risiko hvis den påkaller feil verktøy, aksesserer feil system eller utløser uforutsette nedstrøms-handlinger. Det er derfor å sikre promter alene er utilstrekkelig. Og det vil alltid være nye tilnærminger til å omgå disse typene prompt-retningslinjer. Det vil være en konstant kat-og-mus-lek.

Organisasjoner må erkjenne at disse retningslinjene vil bli omgått, og når de gjøres, er den potensielle ugunstige effekten høyest senere i eksekveringsstien. Derfor trenger de stadig mer synlighet og kontroll over hele eksekveringsstien og operasjonell påvirkning av agent-atferd i sanntid.

Noen forskere har sammenlignet MCP-adoptsjon med å gi AI-systemer en “universell USB-port” inn i bedriftsinfrastruktur. Hvor skal selskaper balansere den enorme produktivitetsfordelen av koblete agenter med de operasjonelle risikoene de introduserer?

Produktivitetsfordelen er reel. MCP forenkler dramatisk hvordan agenter kobler til verktøy, systemer og arbeidsflyter, noe er en av grunnene til at adopsjonen akselererer så raskt.

Men organisasjoner bør unngå å tenke på MCP som bare en koblingslag. Det blir effektivt en del av bedriftens operasjonelle stoff.

Balansen kommer fra å enable utviklere og AI-naturlige byggere til å flytte raskt mens de beholder eksekverings-bevisste synlighet og kontroll.

Det betyr å forstå sikkerheten til MCP-tjenerimplementeringen selv, noe er grunnen til at vi bygde mcp-trust.com-registret. Og det betyr å forstå hvilke MCP-tjenere agenter interagerer med, hvilke typer verktøy disse tjenerne eksponerer, hvilke tillatelser er gitt og hvordan handlinger propagerer under eksekvering.

Organisasjoner som lykkes vil være de som bygger operasjonell tillit rundt autonom eksekvering.

Ser fremover, hva ser en moden bedrifts AI-sikkerhetsstakk ut som i en verden der autonome agenter rutinemessig samarbeider, tar beslutninger og iverksetter oppgaver over flere systemer i produksjon?

Jeg tror den modne bedrifts AI-stakken blir mye mer eksekverings-sentrert.

Organisasjoner vil fortsatt trenge modellsikkerhet, identitet, datasikkerhet og infrastruktursikkerhet. Men den større skiftet er at bedrifter vil trenge operasjonelle systemer designet for autonome og ikke-deterministiske programvare.

Ettersom agenter stadig mer samarbeider, tar beslutninger og iverksetter handlinger over verktøy, infrastruktur og bedrifts-arbeidsflyter, trenger organisasjoner kontinuerlig synlighet inn i hvordan AI-systemer faktisk oppfører seg under eksekvering.

Framtidens stakk vil kombinere overvåkning, tillitskontekst, operasjonell styring, eksekverings-bevisste politikk-gjennomføring, identitet og runtime-sikkerhet til en samlet operasjonell lag for agenssystemer.

Organisasjoner som lykkes vil være de som kan kontinuerlig forstå og operationalisere autonom eksekvering uten å bremse innovasjonen ned.

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