Liat Hayun, Senior Vice President for Produktledelse og Forskning i Tenable – Intervju-serie

Liat Hayun er Senior Vice President for Produktledelse og Forskning i Tenable Cloud Security. Før hun begynte i Tenable, var Liat medstifter og administrerende direktør i Eureka Security, et datasikkerhetsselskap som ble kjøpt opp av Tenable. Før hun var medstifter av Eureka Security, tilbragte Liat over ett tiår med å lede cybersikkerhetsinnsatsen i det israelske cyberkommandoen og i Palo Alto Networks (PANW ). Som Vice President for Produktledelse i Palo Alto Networks, ledet Liat utviklingen av Cortex XDR og selskapets managed threat hunting-tjeneste.

Tenable er et amerikansk selskap som spesialiserer seg på å hjelpe organisasjoner med å identifisere, forstå, prioritere og rette opp sikkerhetssårbarheter over hele deres digitale angrepsflate. Det er best kjent for sin eksponeringsledelsesplattform og verktøy som den vidt brukte Nessus-vulnerabilitetsscanneren, som gjør det mulig for bedrifter å få innsikt i trusler som omfatter IT-infrastruktur, skytjenester, OT/IoT og identitetssystemer, og å iverksette avgjørende tiltak for å redusere risikoer som kan påvirke forretningen. Tenables løsninger leverer kontinuerlig oppdagelse, kontekstuell prioritering og trusselinsikt for å støtte proaktivt cybersikkerhetsledelse for titusener av kunder over hele verden.

Hva er det som i grunn gjør autonome AI-agenter farligere enn tradisjonelle AI-modeller som bare reagerer på brukerforespørsler, i stedet for å handle uavhengig?

Autonome AI-agenter endrer risikoenes karakter fordi de kan initiere oppgaver, aksessere systemer, fatte beslutninger og samhandle med andre tjenester uten menneskelig tilsyn.

Denne uavhengigheten utvider både hastigheten og omfanget av potensiell innvirkning, og øker sannsynligheten for dataeksponering, operasjonell forstyrrelse og finansielle tap. En AI-agent kan spørre dataarkiver, utløse arbeidsflyter, ringe API-er eller modifisere infrastruktur i sanntid. Hvis den er feilkonfigurert eller kompromittert, kan den bevege seg lateralt over systemer med de tillatelser den har fått, ofte raskere enn et menneske kan oppdage eller gripe inn.

Ifølge Tenables rapport om sky- og AI-sikkerhetsrisiko 2026, har 52 % av organisasjonene nå ikke-menneskelige identiteter med eksessive tillatelser, og nesten halvparten av disse er inaktive, noe som skaper utstrakt ustyrt tilgang over produksjonsmiljøer. Dette betyr at mange AI-drevne prosesser allerede har tilgang de ikke aktivt bruker, men angripere kan.

Angripere utnytter stadig det som kalles Confused Deputy-problemet. De trenger ikke å kompromittere agenten selv. I stedet lurte de en autorisert agent til å utføre handlinger på deres vegne, ofte gjennom indirekte promptinjeksjon eller manipulerte inndata. Agenten utfører forespørselen ved å bruke sine legitime tillatelser, og gjør i praksis angriperens arbeid. Når autonome systemer arver brede tillatelser eller overtar overprivilegerte roller, forsvinner tiden mellom feilkonfigurering og utnyttelse i praksis, og skaper en null-margin AI-eksponeringsgap.

Mange bedrifter eksperimenterer med AI-agenter på uformell måte. Hva er de første konkrete skrittene sikkerhetsteamene bør ta for å vurdere om agens AI allerede opererer i deres miljø?

Lukking av AI-eksponeringsgapet begynner med oppdagelse som går utover tradisjonelle aktivainventarer. Eksperimentfasen er ofte den farligste fordi organisasjonene ikke fullt ut vet hva slags AI som brukes, hvordan den er konfigurert eller hva slags tilgang den har fått.

AI-agenter bor sjelden i et enkelt, tydelig merket system. Mange opererer utenfor formell styring. De dukker opp i utviklertverktøy, SaaS-integreringer, automatiseringsarbeidsflyter, nettleserutvidelser og skytjenester, noe som skaper en distribuert utbredelse som øker blinde flekker og begrenser sentralisert kontroll. Dette er allerede utbredt, ettersom over 70 % av organisasjonene har integrert minst ett tredjeparts AI- eller modell-relatert pakke, ofte med AI dypt innarbeidet i applikasjoner og infrastruktur med begrenset sentralisert tilsyn.

Nylig forskning på Clawdbot viser at eksperimentelle agent-utbredelser kan utgjøre alvorlige risikoer når evner utbredes før sikkerhetskontroller eller konfigurasjonsstandarder er fullt ut forstått. Selv etter at eksperimentet er avsluttet og organisasjonene har bestemt seg for hvilke AI-applikasjoner de vil bruke, trenger de fortsatt sterk styring over hvordan disse systemene brukes, hvilke tillatelser de har, og hvordan de samhandler med kritiske aktiva.

Oppdagelsesfasen bør begynne med å etablere en samlet inventar over hvor AI finnes over sluttpunkter, sky-infrastruktur og eksterne angrepsflater. Dette inkluderer å identifisere AI-biblioteker, agenter, API-er, modelltjenester og tredjeparts-integreringer, ikke bare internt utbredte systemer, men alt som er eksternt tilgjengelig.

Deretter må teamene kartlegge hvordan disse agentene er koblet sammen og hva slags data de aksesserer, hvilke identiteter de bruker, hvilke tillatelser de har, og hvilke systemer de kan nå. Synlighet krever kontekst siden risiko oppstår fra relasjoner.

Til slutt, etter eksperimentet, bør organisasjonene identifisere hvilke av disse koblingene skaper nåbare stier til kritiske aktiva og lukke AI-eksponeringsgapet.

Hvordan sammenligner risikoer som eksponerte kontrollflater eller uvurderte tredjeparts-“ferdigheter” med mer kjente trusler som leverandørangrep eller privilegieoppgradering?

Uvurderte tredjeparts-ferdigheter og eksponerte kontrollflater utvider lignende risikoer som leverandør-kompromittering og privilegieoppgradering, men med forsterket hastighet, omfang og kobling.

Tredjeparts agent-ferdigheter fungerer mye som programvare-leverandør-avhengigheter, og eksponeringsflaten bærer allerede betydelig vekt. Åttifem prosent av organisasjonene har tredjeparts-kodepakker med kritisk alvorlige sårbarheter. Når disse komponentene opererer innen autonome AI-agenter, blir utførelsen kontinuerlig og automatisert, og eliminerer tiden mellom kompromittering og innvirkning.

Eksponerte kontrollflater utvider identitets- og tilgangslagets risiko ved å skape nye operative grensesnitt som bærer forhøyede tillatelser. Atten prosent av organisasjonene tillater allerede at AI-tjenestene antar overprivilegerte roller, og gir automatiserte systemer bred rekkevidde over miljøer. Agens AI kobler disse eksponeringene sammen i en enkelt operasjonell kjede. En sårbar avhengighet, eksessive tillatelser og eksponerte grensesnitt kombinerer til en nåbar angrepsvei. Organisasjoner opererer i et null-margin-for-feil-miljø hvor eksponering og utnyttelse sammenfaller nesten umiddelbart.

Sett fra et forsvarsperspektiv, hva ser “god hygiene” ut som for organisasjoner som utroller AI-agenter med tilgang til interne systemer eller følsomme data?

God hygiene begynner med å behandle AI-agenter som privilegerte digitale aktører med reell myndighet over systemer og data. Organisasjoner trenger kontinuerlig synlighet i hver enkelt agent, hva den gjør og hva den kan nå. Teamene bør påtvinge minst mulig tillatelse for maskin- og tjensteidentiteter, fjerne dormante tilgang og strengt avgrense tillatelser. Hver agent bør være dedikert til en bestemt type oppgave, med tillatelser og tilgang begrenset strengt til den funksjonen.

Dette er viktig fordi ubrukt tilgang er utbredt. Nesten halvparten av identitetene med kritisk eksessive tillatelser er inaktive, og over 70 % av standard AI-utführingsrollene forblir ubrukte. Disse betingelsene skaper ferdige eskalasjonsveier som bærer risiko uten å levere verdi.

Sikkerhetsteamene må også forstå relasjoner over infrastruktur, dataarkiver, API-er og applikasjoner. Kartlegging av disse koblingene avslører giftige eksponeringskombinasjoner, som sårbare arbeidsflyter som kan nås gjennom overprivilegerte agenter med tilgang til følsomme data.

Streng hygiene krever også kontinuerlig styring. Organisasjoner må overvåke agent-atferd, kontrollere integreringer, påtvinge data-beskyttelse og jevnt validere tillatelser. Disse praksisene lukker AI-eksponeringsgapet og fjerner nåbare angrepsveier.

Hva anbefaler du at organisasjoner gjør for å beskytte AI-angrepsflater raskt uten å bremse innovasjon?

Organisasjoner kan beskytte AI-angrepsflater ved å redusere eksponering med hastighet og presisjon.

For å gjøre det, er den første prioritet å identifisere hvilke AI-systemer skaper nåbare stier til kritiske aktiva. Over 80 % av organisasjonene kjører arbeidsflyter med sårbarheter som allerede er utnyttet i villmarken. Risiko finnes allerede inne i de fleste miljøer. Sikkerhetsteamene må fokusere på koblingene som skaper reell innvirkning.

Deretter må de innse at automatisering muliggjør skala. Kontinuerlig oppdagelse, kontekstuell prioritering og veiledet retting tillater teamene å redusere risiko samtidig som utviklingshastigheten opprettholdes.

Mens politiske retningslinjer sikrer adopsjon, hjelper just-in-time-tilgang, overvåket dataflyt og kontrollerte integreringer organisasjonene med å håndtere AI-aktivitet samtidig som innovasjonen opprettholdes.

Sammen lukker disse skrittene AI-eksponeringsgapet ved å fjerne høyrisiko-tilgang og usikre koblinger. Rask eksponeringsreduksjon beskytter systemer samtidig som AI-adoptsjon kan fortsette.

Hvordan bør CISO-er tenke om identitet, tillatelser og omfang når de gir AI-agenter tilgang til produksjonssystemer?

CISO-er bør behandle AI-agenter som høyhastighets ikke-menneskelige identiteter med operasjonell myndighet over systemer og data.

Tillatelsesbeslutninger bør fokusere på presisjon. Tillatelser bør sammenfalle med bestemte oppgaver, forbli tidsbegrensede og undergå kontinuerlig gjennomgang. Eksessiv tillatelse utvider rekkevidde og øker innvirkning når systemer samhandler i maskinhastighet.

Sikkerhetslederne trenger også klart innsikt i effektiv rekkevidde. Tillatelser, kombinert med nettverksveier, dataaksess og tjeneste-integreringer, definerer hva en agent faktisk kan gjøre. Forståelse av disse relasjoner avslører potensiell eksponering før den blir en innvirkning.

Identitet kobler infrastruktur, data og applikasjoner over AI-eksponeringsgapet. Streng tillatelsesdesign begrenser blast-radius og opprettholder kontroll. Når tiden fra eksponeringsoppdagelse til utnyttelse er nesten null, bestemmer identitetsstyring hvor trygt AI opererer i produksjon.

Forventer du at agens AI tvinger en omtenkning av eksisterende sikkerhetsrammer, eller kan dagens modeller tilpasses for å håndtere disse nye risikoene?

Sikkerhetsprinsippene forblir konsistente, men driftsmodellene utvikler seg. Agens AI kobler systemer, identiteter og data sammen i dynamiske miljøer som endrer seg kontinuerlig og opererer i maskinhastighet. I motsetning til menneskelige operatører, anvender agenter ikke dømmekraft til sine handlinger eller skille mellom passende og upassende forespørsler. De utfører basert på instruksjoner og tillatelser, noe som øker viktigheten av streng kontroll og styring.

Risiko oppstår fra relasjoner over infrastruktur, programvare-leverandørkjeder og identitetslag. Organisasjoner arver eksponering raskere enn rettingssyklene kan holde tritt. Automatisert utrulling og automatisert utnyttelse komprimerer respons tid og øker operasjonell press.

Sikkerhetsrammene må sentrere seg rundt eksponerings synlighet og reduksjon. Teamene trenger kontinuerlig innsikt i hva som finnes, hvordan systemer kobles sammen og hvilke stier leder til kritiske aktiva.

Den avgjørende utfordringen er å håndtere sammenkoblet risiko over AI-eksponeringsgapet. Sikkerhetsprogrammene lykkes ved å kontinuerlig redusere nåbar eksponering og opprettholde kontroll over komplekse miljøer.

Sett fremover, hvilke områder av agens AI-sikkerhetsforskning tror du fortjener mer oppmerksomhet når disse verktøyene går fra eksperimentell til kritisk?

Flere forskningsområder vil forme fremtiden for agens AI-sikkerhet.

Først og fremst krever veksten av ikke-menneskelige identitetssystemer dypere analyse. Organisasjoner utvider raskt maskin-identiteter som opererer over infrastruktur, data og tjenester. Forståelse av privilegie-mønster, atferd og livssyklusstyring vil være essentiel.

For det andre må forskningen fremme flertrinns angrepsveimodellering. AI-systemer kobler programvare-leverandørkjeder, sky-infrastruktur og identitetslag. Kartlegging av hvordan disse elementene samhandler vil forbedre risikoprediksjon og prioritering.

Tredje, styringen av autonomt beslutningstrekk krever større fokus. Sikkerhetsteamene trenger synlighet i hvordan agenter aksesserer, prosesserer og overfører følsomme data over tid.

Til slutt, utnyttelseshastigheten fortsetter å akselerere. Studier av hvordan angripere og forsvarere opererer i maskinhastighet vil forme responsstrategier.

Fremtidig sikkerhet avhenger av å forstå og redusere AI-eksponeringsgapet. Forskningen må fokusere på å kontrollere sammenkoblet eksponering over hele angrepsflaten.

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