Rami Habal, grunnlegger og administrerende direktør i Magnitude – intervjuserie

Rami Habal, grunnlegger og administrerende direktør i Magnitude, er en erfaren leder innen cybersikkerhet og AI‑produkter med en karriere som spenner over bedrifts­sikkerhet, maskinlæring, forbrukerteknologi og venture‑støttede oppstartsbedrifter. Før han grunnla Magnitude, var han entreprenør‑i‑residens hos Ballistic Ventures og tilbrakte mer enn fire år i Abnormal Security, hvor han hadde roller som Chief Product Officer og Chief Customer Officer. Tidligere ledet Habal den fler‑enhetsopplevelsen for Amazon Alexa, hadde produktansvar i Reverb, og var en av de første ansatte i Proofpoint, der han bidro til å bygge og kommersialisere sikkerhetsprodukter mens selskapet vokste fra en oppstartsbedrift til sin eventuale børsnotering. Karrieren hans inkluderer også erfaring innen venturekapital, mobilteknologi, API‑er og produktstrategi, noe som gir ham en bred bakgrunn i skjæringspunktet mellom cybersikkerhet, AI og bedriftsprogramvare.

Magnitude er et AI‑native cybersikkerhetsselskap som fokuserer på å transformere tredjepartsrisikostyring (TPRM) fra periodiske samsvarsgjennomganger til en kontinuerlig sikkerhetsfunksjon. Dens fler‑agent‑plattform bruker spesialiserte AI‑agenter til å vurdere leverandører og produkter, kontinuerlig overvåke sårbarheter og andre risikoforandringer, kartlegge fjerde‑, femte‑ og dypere‑parti‑avhengigheter, automatisere leverandørkommunikasjon, og hjelpe til med å håndtere utbedringer. I stedet for å stole hovedsakelig på spørreskjemaer og punkt‑i‑tid‑vurderinger, er Magnitude designet for å resonere mot en organisasjons egne retningslinjer og levere evidensbaserte beslutninger med sporbare kilder og begrunnelser. Det overordnede målet er å gi sikkerhetsteam kontinuerlig innsikt i stadig mer komplekse programvare‑ og leverandørekosystemer, samtidig som menneskelige analytikere kan konsentrere seg om høyere‑verdige vurderingsoppgaver.

Etter å ha vært med på å bygge produkter hos Proofpoint, Amazon Alexa og Abnormal Security, hva overbeviste deg om at nå var riktig tidspunkt for å grunnlegge Magnitude? Var det en spesiell erkjennelse eller et kundebehov som fikk deg til å tro at autonom tredjepartsrisikostyring måtte bli et eget selskap?

Jeg visste at etter min tid i Abnormal ønsket jeg å starte et selskap. Det jeg ikke visste, var hvilket problem som var verdt å bygge et selskap rundt. Gjennom karrieren har jeg blitt tiltrukket av anvendte maskinlæringsprodukter som adresserer brede, universelle behov, som e‑post‑sikkerhet i Proofpoint, stemme‑databehandling med Alexa og atferds‑sikkerhet i Abnormal. Jeg ønsket å finne et annet problem med samme rekkevidde for å hjelpe bedrifter.

Så kom agentene. Etter å ha jobbet gjennom den forrige bølgen av maskinlæring, kunne jeg se at dette ikke bare var en ny produktfunksjon. Det var et plattformskifte, og slike skjer sjelden.

Mens jeg var entreprenør‑i‑residens hos Ballistic Ventures, begynte jeg å snakke med CISOs om hvor dette skiftet kunne ha størst innvirkning. Tredjepartsrisiko kom stadig tilbake. Historisk sett var det fornuftig at TPRM skulle sitte innen GRC‑funksjonen fordi leverandørrisikoen utviklet seg sakte nok til at periodiske gjennomganger kunne holde tritt. Men den antakelsen begynte å bryte sammen. Alle var enige om at det var et stort problem, men de fleste organisasjoner håndterte det fortsatt med årlige spørreskjemaer, regneark, periodiske gjennomganger og omfattende manuelt arbeid. Reaksjonen var konsistent: tredjepartsrisikostyring er kritisk, men vi har fortsatt ingen god løsning på det.

Det var erkjennelsen bak Magnitude. Jeg visste at den tradisjonelle modellen ikke lenger fungerte, og vi trengte en teknologi som kunne endre driftsmodellen fullstendig, ikke bare gjøre den gamle regneark‑baserte prosessen litt raskere. Fra starten av var min oppfatning at hver leverandør til slutt ville ha en sverm av agenter som kontinuerlig evaluerte risikoene rundt den. Magnitude vokste frem fra den troen.

Du beskriver ankomsten av \”Mythos‑æraen,\” hvor AI kan identifisere og utnytte sårbarheter raskere enn mennesker kan reagere. Hvilke endringer har du observert det siste året som overbeviser deg om at dette skiftet allerede er i gang, snarere enn å være et fremtidig problem?

Den største endringen jeg har sett er hvor raskt disse angrepene nå skjer. For ett år siden handlet mye av samtalen fortsatt om hva AI eventuelt kunne gjøre mulig for en angriper. Nå ser vi disse evnene ta form i sanntid. AI kan hjelpe en angriper med å undersøke et mye større programvareøkosystem, oppdage svakheter som tidligere kan ha vært ukjente, og angripe disse svakhetene i en skala som ville vært vanskelig for et menneskelig team å matche.

I Mythos‑æraen har AI‑systemer vist evnen til å avdekke mer enn 2 000 tidligere ukjente feil i programvareøkosystemer, og median tiden fra oppdagelse av en sårbarhet til en våpenført exploit forventes å falle til under én time innen slutten av 2026. Mens tiden mellom oppdagelse og våpenisering fortsetter å krympe, skaper det et gap mellom hvor raskt eksponering kan oppstå og hvor raskt tradisjonelle gjennomgangssykluser kan reagere.

Vi ser også at hendelsesmønsteret beveger seg i samme retning. I vår analyse økte frekvensen av leverandørkjedeangrep fra omtrent 13 hendelser per måned i 2024 til 41 per måned i 2026. Vi har lagt merke til at aktiviteten øker i takt med store forbedringer i frontier‑modeller. Jeg vil ikke påstå at hver modellutgivelse direkte forårsaker flere angrep, men trenden er vanskelig å ignorere. Verktøyene blir mer kapable etter hvert som angrepstakten akselererer.

Det som virkelig bekrefter denne endringen for meg, er samtalene jeg har med sikkerhetsledere. De snakker ikke lenger om tredjepartsrisiko som noe som kan håndteres gjennom en årlig gjennomgang og revurderes ved fornyelse. De føler seg utsatt i månedene mellom disse gjennomgangene fordi leverandørene, programvareavhengighetene og nedstrømsleverandørene deres stadig endrer seg.

Det er hva Mythos‑æraen betyr for meg. Tidsvinduet for å forstå og reagere på risiko blir stadig mindre, mens den potensielle virkningen av en enkelt kompromittert leverandør blir større. En periodisk etterlevelsesprosess var simpelthen ikke laget for et slikt miljø.

Mange virksomheter ruller raskt ut AI‑agenter i hele organisasjonen. Hvordan bør sikkerhetsledere revurdere styringen når disse agentene i økende grad samhandler med eksterne leverandører, API‑er og nedstrømsavhengigheter?

Det første sikkerhetsledere må innse, er at selv en AI‑agent bygget internt i selskapet kanskje ikke er helt intern. Den kan være avhengig av en ekstern plattform, en tredjeparts‑funksjon via MCP, en tjeneste som Google Drive, eller annen teknologi som organisasjonen ikke kontrollerer direkte. Og hver av disse leverandørene kan ha egne leverandører.

Det er ikke lenger nok å godkjenne selve agenten. Ledelsen må forstå hvilken informasjon den kan få tilgang til, hvilke handlinger den kan utføre, hvilke eksterne tjenester den er avhengig av, og når menneskelig godkjenning kreves. De må også forstå hvordan disse avhengighetene kan endre seg over tid etter hvert som agenten får nye funksjoner, kobler seg til nye systemer eller begynner å bruke flere nedstrømsleverandører. Disse kontrollene kan ikke settes én gang og glemmes. Etter hvert som en agent får nye evner eller tilkoblinger, må styringen tilpasses tilsvarende.

Målet bør ikke være å bremse AI‑adopsjonen. Målet er å gi selskapene tilstrekkelig innsikt til å bruke agenter med selvtillit. Styring må bli en kontinuerlig sikkerhetspraksis, snarere enn en engangsgodkjenning som fullføres når et nytt verktøy introduseres.

Tradisjonelt har tredjepartsrisikostyring vært avhengig av spørreskjemaer og periodiske gjennomganger. Hvorfor mener du at denne modellen i grunn bryter sammen i et AI‑drevet miljø? 

Problemet med den tradisjonelle TPRM‑modellen er at den gir et øyeblikksbilde av hva en leverandør hevdet var sant på et bestemt tidspunkt. Et selskap kan fylle ut et spørreskjema når det først godkjennes, og så ikke bli vurdert igjen før fornyelse, som kan være flere år senere. I mellomtiden kan teknologi, sikkerhetspraksis, AI‑modeller, databruk og leverandører alle endre seg. Vi kan knapt forutsi hva som vil endre seg de neste ukene, så det gir ikke mening å stole på en flere år gammel vurdering.

Det er også et spørsmål om hvor pålitelig informasjonen er. Et rapportert svar innlagt av noen som prøver å få en avtale i mål, er ikke det samme som en fakta som støttes av en uavhengig revisjon, en signert selskapsinnlevering eller en annen verifiserbar kilde. Sikkerhetsledere må vite ikke bare hva svaret er, men hvor det kommer fra og om det fortsatt er aktuelt.

Til slutt stopper spørreskjemaer vanligvis ved den direkte leverandøren. De viser sjelden de N‑te partene, selv om disse skjulte 4.‑ og 5.‑partnsrelasjonene kan skape reell eksponering. Angripere vet nå at en virksomhets svakeste ledd ikke er selve virksomheten, men en av disse nedstrømsleverandørene. Å angripe disse leverandørene kan til slutt gi dem tilgang til virksomheten. Det er simpelthen billigere og enklere.

Derfor mener jeg ikke at svaret er å bruke AI til å fylle ut spørreskjemaer raskere. I den modellen vil det alltid være hull. Selve modellen må endres, fra periodiske, selvrapporterte øyeblikksbilder til en kontinuerlig, sanntids‑ og evidensbasert forståelse av risiko så dypt som selskapets leverandørkjede strekker seg.

Magnitude introduserer konseptet med en autonom AI‑arbeidsstyrke for sikkerhetsteam. Hvor ser du balansen mellom AI‑drevet beslutningstaking og menneskelig tilsyn, spesielt for sikkerhetsbeslutninger med høy påvirkning? 

Autonom betyr ikke at man er uten ansvar. Slik jeg ser det, bør AI håndtere det kritiske, men repeterende arbeidet som tar så mye av sikkerhetsteamets tid, mens mennesker fortsatt er involvert når en beslutning krever skjønn, kontekst eller har betydelige forretningskonsekvenser. Faktum er at ingen sikkerhetsteam i dag har nok ressurser til å håndtere den nåværende oppgaven. AI kan bidra til å fylle dette gapet.

Kvaliteten på AI er enormt viktig. Når den fungerer bra, er AI en kraftforsterker. Den gir teamet mer kapasitet og hjelper folk med å fokusere på arbeid med høyere verdi. Når den fungerer dårlig, får man motsatt effekt fordi noen må dobbeltsjekke hvert resultat. For sikkerhetsbeslutninger med høy påvirkning bør systemet være av høy kvalitet og kunne vise hvilke bevis det brukte og hvordan det kom frem til sin anbefaling, slik at det skapes en reviderbar logg.

Riktig nivå av tilsyn vil også variere fra organisasjon til organisasjon. Et stort selskap med et etablert sikkerhetsteam kan bruke AI mer som en autopilot, med folk som overvåker arbeidet og trer inn ved unntak. En mindre organisasjon kan velge å automatisere mer av programmet fordi den mangler personale eller budsjett til å bygge et stort team. I begge tilfeller bør det finnes klare punkter hvor et problem eskaleres til en person.

Til syvende og sist bør organisasjonen kunne bestemme hvor mye menneskelig involvering den ønsker, basert på hvor viktig beslutningen er. Målet er ikke å fjerne folk fra sikkerheten, men å hjelpe dem med å bruke tiden sin bedre, ta raskere forretningsbeslutninger og reservere menneskelig oppmerksomhet til de beslutningene hvor den tilfører mest verdi.

Ditt team samler ekspertise fra AI, cybersikkerhet og forbruker‑skala plattformer. Hvordan har den kombinasjonen påvirket måten du har designet Magnitude på sammenlignet med tradisjonelle cybersikkerhetsprodukter? 

Hver av våre bakgrunner lærte oss noe forskjellig om hva et AI‑sikkerhetsprodukt må mestre. I cybersikkerhet er et svar kun nyttig hvis du kan stole på det, spore det tilbake til bevis og handle på det. Fra vårt arbeid med AI og maskinlæring lærte vi at den egentlige muligheten ikke bare er å oppsummere informasjon, men å gjøre ekspertarbeid til et system som kan utføre arbeidet konsekvent. Å bygge plattformer som Alexa og Pandora lærte oss å tenke på pålitelighet og brukervennlighet i svært stor skala.

De lærdommene førte oss bort fra den tradisjonelle cybersikkerhetsmodellen med å produsere enda et dashbord eller enda en strøm av varsler for et allerede overbelastet team som skal undersøke. Vi designet Magnitude til å utføre arbeidet: samle og verifisere informasjon, vurdere leverandører, overvåke endringer, knytte ny informasjon til forretningsrisiko og hjelpe til med å drive saker mot løsning.

Bak kulissene innebærer dette flere spesialiserte AI‑agenter som samarbeider. Men kundeopplevelsen skal forbli enkel. Sikkerhetsteam skal ikke måtte bli AI‑eksperter for å forstå hva systemet har funnet, hvorfor det er viktig, eller hvilken handling som bør tas.

Resultatet er et produkt designet for å operere kontinuerlig på tvers av tusenvis av leverandører, samtidig som det oppfyller standarden som kreves for sikkerhetsbeslutninger med høy påvirkning. Det er ikke AI lagt til en eldre arbeidsflyt. Det ble bygget fra starten av rundt ideen om at AI kan utføre mesteparten av arbeidsflyten selv, samtidig som det gir folk bevis, synlighet og kontroll de trenger.

En av de største bekymringene rundt AI i cybersikkerhet er at den gir både forsvarere og angripere mer kraft. Mener du at fordelen i dag ligger hos forsvarerne eller angriperne, og hva vil avgjøre hvem som holder seg foran de neste årene?

Jeg tror fordelen i dag heller mot angriperne, spesielt i angrep på leverandørkjeden. Jeg vil ikke si at forsvarerne er håpløst bakpå. Handlingsoppfordringen for forsvarerne er å slutte å behandle dette som et fremtidig problem og bevege seg raskere nå. Begge sider har tilgang til mange av de samme AI‑verktøyene, men økonomien og tiden til markedet favoriserer for øyeblikket angriperen.

AI gjør det billigere og enklere å teste flere angrepsveier, lansere flere forsøk på flere nivåer, og gjenta prosessen i stor skala. Når en angriper kompromitterer en mye brukt leverandør eller programvarekomponent, kan ett vellykket angrep spre seg til hundrevis eller til og med tusenvis av selskaper.

Forsvarerne har den vanskeligere jobben fordi de må forstå og beskytte et stort nettverk av leverandører, programvarekomponenter og nedstrøms leverandører, og det tar også tid for virksomheter å reagere, anskaffe programvare som hjelper, og sette disse verktøyene i drift, noe som skaper et vindu angripere kan utnytte.

Hva som avgjør hvem som holder seg foran, vil være om forsvarerne kan endre den ligningen. De må gå bort fra sporadiske gjennomganger og manuelle oppfølginger til kontinuerlig overvåking og raskere handling. Automatiserte styrings‑ og forsvarssystemer som kontinuerlig overvåker endringer, knytter dem til forretningsrisiko og kan svare raskt, vil gjøre angrep vanskeligere å skalere og dyrere å gjenta.

Cybersikkerhet har alltid vært et katt‑og‑mus-spill. AI endrer ikke dette, men det øker hastigheten og innsatsen. Forsvarerne trenger systemer som kan lære, tilpasse seg og handle i samme tempo som angriperne begynner å operere i.

AI‑forsyningskjeder blir stadig mer komplekse, med organisasjoner som er avhengige av tallrike grunnmodeller, SaaS‑leverandører og autonome agenter. Hvilke fremvoksende risikoer tror du bedrifter fortsatt undervurderer?

Den mest undervurderte risikoen er teknologien som ligger bak produktet en bedrift tror den har godkjent. Selv en internt bygget agent kan avhenge av eksterne plattformer, plug‑ins, kontraktører eller programvarekomponenter. Disse skjulte relasjonene skaper N‑partsrisk, leverandørene bak en direkte leverandør.

De fleste virksomheter har fortsatt svært lite innsikt i dette dypere laget. De kan vite hvem de har signert kontrakt med, men ikke hver ekstern tjeneste, programvarekomponent eller underleverandør som til slutt støtter produktet.

Den andre problemstillingen er hvor sammenkoblede disse systemene har blitt. En svakhet i ett plug‑in eller støttetjeneste kan bli isolert fra den leverandøren. Den kan skape en vei inn i en større plattform og deretter påvirke mange organisasjoner som er avhengige av den. Det betyr at en relativt liten leverandør kan bli en mye større kilde til eksponering.

Det risikolederne bør spørre om er ikke bare: «Hvilken AI-modell bruker vi?» Det er: «Hva er dette systemet avhengig av, hva er de leverandørene avhengige av, og hvordan kan et problem hvor som helst i den kjeden nå oss?» Inntil selskaper kan svare på disse spørsmålene, vil de fortsette å arve risikoer de ikke kan se.

Ser du forbi dagens store språkmodeller, hvilke teknologiske utviklinger de neste fem årene vil du forvente vil omforme bedrifts‑cybersikkerhet og risikostyring mest? 

Jeg tror ikke den avgjørende endringen vil være én ny modell. Det blir overgangen fra AI som svarer på spørsmål til AI‑systemer som kontinuerlig observerer hva som skjer, kobler informasjon fra ulike kilder og handler.

Neste generasjons modeller vil ikke bare være litt bedre; de vil være mye mer kapable. Men den større forskyvningen vil komme fra spesialiserte agenter som samarbeider på tvers av sikkerhetsoperasjoner. I dag håndteres leverandørvurderinger, trusselinformasjon, forretningsrisiko og utbedring ofte i separate verktøy og av separate team. Over tid vil disse funksjonene begynne å samles.

Jeg forventer at sikkerhetssystemer blir langt mer sammenkoblede, og bringer trusselinformasjon, forretningskontekst, selskapspolicyer og responsaksjoner sammen i stedet for å håndtere dem i separate verktøy. Systemet kan gjenkjenne at en leverandør er eksponert for en ny trussel, forstå hvilke deler av virksomheten som kan bli påvirket, og bidra til å starte responsen uten å vente på flere manuelle overleveringer.

Det vil endre risikostyring fra en serie periodiske øvelser til en kontinuerlig driftskapasitet. De sterkeste risikoprogrammene vil bygges rundt bedriftskontekst, pålitelig bevis og evnen til å omdanne informasjon til pålitelig handling.

Hvis du kunne gi ett råd til CISO‑er og bedriftsledere som forbereder seg på neste generasjon av AI‑drevne trusler, hva ville det være og hvilke handlinger bør de prioritere i dag?

Mitt råd er å slutte å håndtere leverandørkjederisiko som en årlig øvelse. Risiko endrer seg kontinuerlig, og tilnærmingen din må holde tritt. Miljøet lever og puster. Det er for sammenkoblet, og det endrer seg for raskt til at en rekke separate vurderinger og verktøy kan holde følge.

Hvordan du beskytter dette fremvoksende angrepsflaten er med en enkelt AI‑native kontrollplan for kontinuerlig, autonom styring og forsvar for all din eksterne risiko.

Startpunktet er de delene av virksomheten som betyr mest. Identifiser leverandørene og eksterne tjenestene som støtter disse kritiske operasjonene, forstå hvor de skjulte avhengighetene ligger, og etabler klar eierskap for hva som skjer når risiko oppdages. Deretter automatiser så mye som mulig av den pågående overvåkingen og rutinemessige responsen, samtidig som du holder folk involvert i beslutninger med store forretningskonsekvenser.

Målet er ikke bare å samle mer informasjon. Det handler om kontinuerlig å koble sammen det du vet, bestemme hva som er viktig, og handle før et leverandørproblem blir et selskapsovergripende problem.

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