Piyush Sharma, medgrunnlegger og administrerende direktør i Tuskira – Intervju-serie

Piyush Sharrma  er en erfaren sikkerhets- og produktleder med over 18 års erfaring med å bygge og skala opp bedriftsgraderte sikkerhetsplattformer. Han var tidligere medgrunnlegger av Accurics, et cloud-nativt sikkerhetsselskap som ble kjøpt opp av Tenable, der han spilte en nøkkelrolle i å integrere infrastruktur-som-kode-sikkerhet i bredere bedriftsøkosystemer. Med en bakgrunn fra Department of Management Sciences (PUMBA), er Piyush kjent for sin menneske-først-ledelsesstil og tankeledelse i områder som shift-left-sikkerhet, DevSecOps og AI-drevet trusseloppsporing.

Han er for tiden administrerende direktør og medgrunnlegger av Tuskira, en AI-drevet sikkerhetsplattform designet for å samle telemetri fra over 150 sikkerhetstverktøy i en samlet sikkerhetsgitter. Tuskira bruker GenAI-baserte agenter og en dynamisk digital tvilling for å simulere virkelige angrepsveier, validerer utnyttbarhet, prioriterer håndterbare risikoer og forbedrer autonomt forsvar i sanntid. Ved å redusere varslingstrøtthet og øke effektiviteten til eksisterende verktøy, hjelper plattformen bedrifter med å skifte fra reaktiv til proaktiv, eksponeringsdrevet sikkerhetsdrift.

La oss starte med din grunnleggende visjon—hva inspirerte deg til å lansere Tuskira, og hva var det grunnleggende sikkerhetsproblemet du var bestemt på å løse fra starten av?

AI sin styrke ligger i å gjøre enorme mengder dataanalyse, og sikkerhet har tradisjonelt vært et dataproblem. Miljøene er dynamiske, kundens applikasjoner er dynamiske, og det er mange store bevegelige deler. Målet med Tuskira var å utnytte AI til å løse de komplekse problemene som oppstår i disse miljøene, samtidig som man reduserer mengden menneskelig inngripen som kreves.

Du har bygget og solgt flere sikkerhetsforetak før dette. Hvordan har dine erfaringer med Accurics, Tenable og Symantec formet din tilnærming til å bygge en AI-nativ sikkerhetsplattform fra dag én?

Mine erfaringer med Accurics, Tenable og Symantec ga meg en dyp, førstehåndsforståelse av hvor nye trusler vil oppstå og hvordan de vil utvikle seg. I sikkerhet er det ikke å gjette på fremtiden, men å kjenne mønsteret i hvordan angripere tenker og tilpasser seg. Denne type innsikt kommer bare fra å tilbringe en betydelig mengde tid i domenet.

Sikkerhet er ikke et tradisjonelt programvareutviklingsfelt hvor du kan hoppe inn uten erfaring og likevel klare å lage noe av det. Det er sagt at du ikke trenger å ha erfaring i sikkerhet for å være en sikkerhetsgrunnlegger. Sannheten er mer nyansert. Mens sterke produktinstinkter er viktige, krever virkelig effektive sikkerhetsplattformer mer enn produkt-markedsfit, de krever en dyp forståelse av trussellandskapet og hvordan det endrer seg i sanntid.

Sikkerhet handler om å løse en kundeproblem, snarere enn å bygge en narrativ som passer med hva folk vil høre. Den type innsikt kommer bare fra domene-dybde, og det er det som til slutt gjør det mulig å bygge løsninger som fungerer ikke bare i teorien, men i de uforutsigbare, motstridende miljøene kundene møter hver dag.

En nylig Gartner-studie forutser at 40% av AI-relaterte databrudd vil oppstå fra misbruk innen 2027. Hva er de vanligste måtene sikkerhetsteamene i dag misbruker AI?

Den vanligste måten jeg har sett sikkerhetsteamene misbruke AI er å bruke offentlige versjoner av AI, som ChatGPT, Anthropic eller Microsoft Copilot, til å analysere organisatorisk data. Dette kan føre til at konfidensiell informasjon blir utilsiktet lekket.

Bedrifter trenger finegraderte, private LLM-er for å sikre at sensitiv informasjon ikke slipper ut av organisasjonen. Disse private modellene gir mye større kontroll over hvor informasjonen går, og hvem som har tilgang til den. I tillegg er gyldigheten av offentlige modeller mye vanskeligere å bestemme enn private, noe som potensielt kan kompromittere informasjonen som returneres.

Hvilke typer datainndata er mest kritiske for at AI skal kunne generere meningsfulle og sikre resultater i sikkerhet, og hvordan kan teamene sikre at de gir riktig kontekst?

AI krever destillert og velformet sikkerhetsdata for å generere meningsfulle resultater. Det er vanskelig å bringe data fra hundrevis av verktøy brukt i en bedrift inn i en samlet taksonomi, og deretter destillere det enda mer så AI kan virkelig forstå hva det absorberer. Uten riktig datafiltrering vil AI ikke kunne fungere korrekt.

AI krever data fra alle sikkerhetskontroller, IT-kontroller og infrastrukturverktøy. Sikkerhetsteamene trenger en omfattende datastrategi for å sikre at det fine datasettet er forberedt, merket og destillert så AI har riktig kontekst bak informasjonen det presenteres med. Tankeløs data- dumping er ikke nok.

Tuskira beskriver seg selv som “agentic AI”. Kan du forklare hva det betyr i praktisk sammenheng for et sikkerhetsteam? Hvordan er dette forskjellig fra tradisjonell automatisering eller selv GenAI-drevne verktøy?

Tuskira er en AI-nativ plattform som utnytter AI SOC-agenter til å oppdage, vurdere og respondere på dypt begravde trusler under store mengder data. Ditt sikkerhetsverktøy lager mye data hver dag. Å gjøre mening av denne dataen er et maskin-nivå-problem. Agentic AI leverer AI-agenter som kan mine, høste og produsere riktig verdi fra denne dataen, og det er hva Tuskira tilbyr som en nativ plattform.

Sikkerhetsteamene kan bruke disse AI- agentene for sine egne tilpassede ønskede resultater. Agentene er resultatdrevne og har sanntidskonteksten til kunder og sikkerhetsteam. I tradisjonell automatisering krever all automatisering at mennesker skriver playbooken, inkludert stegene som skal følges av automatiserings-skriptene. AI-agenter endrer denne forestillingen, siden de har sin egen forstand og finjusterte modeller som gjør det mulig for dem å lage, kjøre og validere sin egen playbook, og gjenskape playbooken hvis den forrige ikke fungerte.

Tuskira sin plattform har evnen til å granske, identifisere sin egen plan og levere resultatet uten noen menneskelig inngripen. Dette er ikke mulig i tradisjonell automatisering.

Tuskira sin plattform simulerer virkelige angrep i en digital tvilling. Hvordan hjelper denne simuleringsprosessen med å proaktivt identifisere trusler som ellers ville gå uoppdaget?

Ved Tuskira har vi bygget en plattform som ikke venter på at trusler skal dukke opp, men aktivt søker dem opp. Vår digitale tvillingsteknologi lager en sanntidskopi av din miljø, og våre AI-agenter kan simulere en rekke angrep, fra API- og DNS-utnyttelser til supply chain-intrusjoner, før de noen gang når produksjon.

Denne simuleringsprosessen er ikke hypotetisk. Den speiler din faktiske systemer, konfigurasjoner og datastrømmer, og gjør det mulig for oss å avdekke ikke bare utnyttbare sårbarheter, men også de som er uforklarlige, problemer som tradisjonelle skannere vanligvis går glipp av. Ved å validere hvilke svakheter som kunne brukes til å omgå eksisterende kontroller, omgjør vi ukjente risikoer til kjente, håndterbare innsikter.

Dette er skiftet fra reaktivt forsvar til proaktiv motstandskraft. Og det er bare mulig når plattformen din kan tenke, teste og handle foran trusselen. Det er hva vi har bygget med Tuskira.

Du har samlet telemetri fra over 150 verktøy inn i en enkelt sikkerhetsgitter. Hva var de største tekniske utfordringene i å bygge et virkelig interoperabelt system i denne skalaen?

Å samle inn data fra over 150 verktøy er ikke utfordringen; å kunne destillere og korrekt merke dataene så AI kan forstå dem alle er utfordringen. Tuskira har bygget en AI-nativ semantisk lag som kan innkaste data på tvers av flere formater, hundrevis av sikkerhetskontroller og MCP-servere for å samle data i en struktur som AI-modellene kan forstå. Dette kjører autonomt, hvor AI-agenter kuraterer og re-normaliserer dataene inn i den struktur som er mest gunstig for ekstreme mengder analyse.

De fleste sikkerhetsløsninger i dag er reaktive—de venter på at trusler skal dukke opp. Hvordan skifter Tuskira industrien mot en proaktiv modell, og hva målbare resultater låser dette opp for organisasjoner?

De fleste moderne løsninger handler bare når et forsøk på å bryte inn i et system har blitt varslet. Tuskira identifiserer proaktivt hvor de mest sårbare områdene for potensielle brudd er i en organisasjons forsvar, og fyller disse gapene for å redusere sjansen for utnyttelse fra et angrep.

Tuskira sine AI SOC-agenter analyserer konstant varslingene som kommer inn fra ulike sikkerhetsverktøy, korrelerer dem med de mest utnyttbare sårbarhetene og tar en passende handling ved å optimalisere forsvarslaget i stedet for å reagere konstant på det. I tilfelle av et angrep kan Tuskira måle om handling trengs å bli tatt, eller om angriperen ikke har midlene til å bryte forsvarene som er på plass.

Du holder over et dusin sikkerhetspatenter. Kan du dele en nylig innovasjon innen Tuskira som du er spesielt stolt av, og hva problemet det løser?

Det er flere problemer som løses med Tuskira. Det første er: hvordan kan du bygge en AI-nativ plattform som kan analysere terabyte med data på bedriftsskala? Gjennom våre innovasjoner rundt datahåndtering og destillasjon er vi i stand til å utføre dataanalyse på en høyt skalerbar måte.

Tuskira har dusinvis av patenter som bestemmer hvordan man finjusterer modeller rundt et sikkerhetsdomene. Vi har skapt en sværm av LLM-modeller for å produsere det mest effektive og høyeste effikasitetsresultatet.

Ved å lage interne retningslinjer rundt oppdaging og vurdering kan Tuskira lage agenter som produserer et forutsigbart resultat over en periode.

Om fem år, hva rolle tror du AI vil spille i sikkerhetsoperasjonssentre (SOC)? Vil den menneskelige analysatoren bli foreldet—or noe mer kraftfullt?

Om fem år vil AI ta over L1, L2 og L3-roller. De fleste funksjonene vil bli levert gjennom AI-agenter, og mennesker vil fokusere på å sikre at AI tar de riktige beslutningene og hjelpe med å automatisere disse beslutningene.

AI vil ikke erstatte mennesker; de vil supplere hva mennesker kan gjøre på en større skala. Det er AI sin jobb å gjøre angripernes jobb vanskeligere. Menneskenes fokus vil skifte til beslutningene AI tar og automatiserer disse beslutningene, snarere enn all den muckwork de må ta seg av hver dag.

Hvis du måtte gi ett råd til CISO-er som prøver å fremtidssikre sin sikkerhetsarkitektur i AI-alderen, hva ville det være?

Det skjer en grunnleggende endring i sikkerhet. Du har plattformer som ble bygget før AI og nå retrofitterer det, og plattformer som ble bygget med AI i kjernen. Denne forskjellen betyr mer enn noen gang.

Hvis jeg måtte gi ett råd til CISO-er, er det dette: ikke bare spør om dine verktøy bruker AI, spør hvordan dypt AI er integrert i arkitekturen. Er plattformen AI-nativ, eller er den avhengig av overflatiske integrasjoner for å sjekke en boks?

Truslene vi står overfor nå, og hastigheten de utvikler seg med, krever systemer som ikke bare er intelligente, men også innebygget tilpasningsdyktige. Sikkerhetsarkitektur må bygges for AI-alderen fra bunnen av, med evnen til å kontinuerlig lære, simulere og respondere i sanntid. Noe mindre vil etterlate deg med gap du ikke vil se før det er for sent.

 Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Tuskira.