Sean Roche, seniordirektør for produktmarkedsføring og verdianalyse i Obsidian Security – intervjuserien

Sean Roche, seniordirektør for produktmarkedsføring og verdianalyse hos Obsidian Security, leder tverrfaglige initiativer som fokuserer på SaaS-sikkerhet, AI-sikkerhet og markedsstrategi. Han har spilt en nøkkelrolle i utviklingen av selskapets første felles rammeverk for bruksområder, som samordner salg, markedsføring og kundesuksess rundt målbare forretningsresultater, og har ledet lanseringer av sikkerhetsløsninger for generativ AI og AI-agenter. Før Obsidian Security, hadde Roche ledende stillinger i selskaper som Forter, Aviatrix og Okta, hvor han spesialiserte seg på rådgivning om forretningsverdi, prisstrategi, analyse av kundeverdi og analyser av investeringsavkastning for toppledelsen. Hans bakgrunn kombinerer cybersikkerhet, bedriftsprogramvarestrategi og finansiell forskning, og gir ham omfattende erfaring med å oversette tekniske evner til målbare forretningsresultater for bedriftskunder.

Obsidian Security er et cybersikkerhetsselskap som fokuserer på å sikre SaaS-applikasjoner, AI-agenter, identiteter og bedriftsintegreringer over moderne skymiljøer. Selskapet tilbyr en enhetlig plattform som er designet for å hjelpe organisasjoner med å oppdage trusler, håndtere sikkerhetstilstanden i SaaS, styre datatilgang og overvåke risikofylt aktivitet over forretningskritiske applikasjoner som Microsoft 365, Salesforce (CRM ), Slack og andre skytjenester. I de siste årene har Obsidian utvidet til AI-agent-sikkerhet, og hjelper bedrifter med å få oversikt over hvordan autonome AI-systemer samhandler med SaaS-plattformer, data og arbeidsflyter i sanntid. Grunnlagt av sikkerhetsledere med bakgrunn fra selskaper som CrowdStrike (CRWD ), Okta, Cylance og Carbon Black, posisjonerer Obsidian seg som en helhetlig SaaS- og AI-sikkerhetsplattform som er bygget for å håndtere den økende kompleksiteten i skymiljøer og miljøer med AI-agenter.

Du har bygget din karriere i skjæringspunktet mellom forretningsverdi, risikostrategi og SaaS-sikkerhet, og leder nå analyse av forretningsverdi og produktmarkedsføring hos Obsidian Security. Hva fikk deg til å fokusere på å sikre AI-drevne SaaS-økosystemer, og hvordan skiller Obsidians tilnærming seg fra andre når det gjelder nye agentteknologier som OpenClaws?

Over hele min karriere har det største gapet alltid vært det som sikkerheten ikke kan se, fordi det er der hvor brudd faktisk skjer. Vi har sett dette i hendelser hvor frakoblete eller uhåndterte systemer skapte eksponering som tradisjonelle kontroller bare ikke fanget. Og jeg har sett samme dynamikk førstehånds med de mer moderne broene folk bruker til å koble til større plattformer, eller koblinger som var utenfor sikkerhetsteamets vanlige innsyn, og i noen tilfeller til og med etter at IT-teamet trodde de hadde blitt deaktivert. Disse erfaringene gjorde det klart hvor mye av risikoen sitter i sprekker mellom systemer, ikke bare inne i systemene vi tror vi har sikret.

Denne virkeligheten er i ferd med å endre seg fra skygge-IT til nå skygge-AI, hvor nye verktøy og agentdrevne arbeidsflyter kan dukke opp og spre seg raskere enn styringsstrategier kan holde tritt. Mange sikkerhetsmetoder responderer ved å prøve å sentralisere og temme alt inn i ett sentralt styringslag. Men den modellen bryter sammen i distribuerte miljøer, spesielt når kritiske data og aktivitet skjer inne i tredjepartsapplikasjoner du ikke eier og ikke kan kontrollere fullstendig.

Det var dette som fikk meg til å sikre AI-drevne SaaS-økosystemer, og det er også hvorfor Obsidians tilnærming er så overbevisende. Antallet SaaS-brudd har økt med 300%, men de fleste organisasjoner mangler fortsatt riktig innsyn i hvordan disse applikasjonene brukes. Dette er gapet vi fokuserer på, så du kan forstå hva som faktisk skjer innenfor bedriften og hvor eksponeringen finnes. Når agentteknologier som OpenClaws modnes, blir denne tilnærmingen enda viktigere, fordi risikoen ikke bare er om en agent har tilgang til bestemte data, men hva den kan tilgå og hvor raskt den kan handle.

Agentbaserte AI-systemer som OpenClaws får stor oppmerksomhet etter NVIDIA (NVDA ) GTC. Fra ditt perspektiv, hva skiller disse systemene fra tidligere AI-verktøy når det gjelder sikkerhetsrisiko?

Å forstå hva ikke-menneskelige identiteter er og hvordan å sikre dem, har blitt kritisk for sikkerhetsteam, da 68% av IT-sikkerhetshendelser nå involverer maskinidentiteter og halvparten av bedriftene som ble spurt, har opplevd et sikkerhetsbrudd på grunn av uhåndterte ikke-menneskelige identiteter. Sikkerhetsindustrien har primært fokusert på styring av sikkerhetstilstanden i SaaS og menneskelig identitetsstyring, mens ikke-menneskelige identiteter har blitt stadig flere i bakgrunnen. Nå, når organisasjoner distribuerer AI-agenter med administrative privilegier i stor skala, har underskuddet på styring blitt kritisk.

Agentsystemer som OpenClaws viser både løftene og risikoen med virkelig agentbasert AI. Det er en av de første gangene vi ser AI sluppet løs med reell autonomi utenfor en avgrenset, overvåket arbeidsflyt.

Sikkerhetsrisikoen endrer seg raskt når disse evnene blir mer tilgjengelige, og senker barrieren for ikke-eksperter til å samhandle med og potensielt utnytte disse kritiske systemene. Folk kobler allerede AI-agenter inn i sine SaaS-miljøer og utvider trusselslandskapet på en rekke måter, inkludert gjennom API-nøkler, innebygde integrasjoner og tredjepartsapplikasjoner. Men hver ny agentbasert arbeidsflyt multipliserer antallet tilgangsveier.

Det nylige Vercel-bruddet illustrerer denne voksende trusselen som sikkerhetsteam står overfor. Når du autoriserer en tredjepartsapplikasjon, stoler du implisitt på alle som berører denne applikasjonens infrastruktur, deres skyleverandør, deres utviklere, deres egne tilkoblede tjenester. De fleste organisasjoner vet ikke hva de faktisk har samtykket til, og dette problemet forsterkes av den ukontrollerte utbredelsen av agentbasert AI.

Mange AI-agenter opererer uten et reelt teknisk rammeverk som holder atferden deres under kontroll. Når det mangler spor som identifiserer agentens aktivitet, eller sikkerhetsgrensene er svake, er det vanskelig å fastslå hva agenten gjorde, hva den berørte og hva den endret, før i etterkant. Den kombinasjonen er hva som gjør risikoprofilen fundamentalt forskjellig fra tidligere AI-verktøy.

Du har beskrevet OpenClaws som systemer som potensielt åpner nye angrepsflater på grunn av deres brede tillatelser og autonomi. Kan du gå gjennom et virkelig scenario hvor denne risikoen blir konkret for en bedrift? 

Risikoen som OpenClaws utgjør, blir konkret i det øyeblikket disse agentene flyttes fra isolerte oppgaver og installeres i virkelige produksjonsmiljøer, noe som allerede skjer.

De fleste organisasjoner fokuserer på å sikre at riktig person kan tilgå en agent og at agenten oppfører seg som forventet. Men få organisasjoner tenker på hva som skjer når en agent begynner å samhandle med en annen agent.

Dette er hvor angrepsflaten utvides dramatisk. Når utdata fra ett system, som Slack-meldinger eller Jira-oppgaver, utløser handlinger i et annet system, mister ledere oversikten. De mister kontroll over interaksjoner og kan ikke opprettholde konsekvent innsyn og revisjonsspor. Disse agentene kobler seg også til via SaaS-API-er, og mange av disse mangler fortsatt egnede gatewayløsninger eller sikkerhetsmekanismer.

Gjennomsnittsbedriften kjører allerede hundrevis av agenter, et tall som har vokst med nesten 100x i løpet av det siste året. Når teamene undersøker dette, viser 38% seg å ha middels, høy eller kritisk risiko, de fleste uten dokumentert eier, flere bygget av kontoer som ikke lenger eksisterer, med aktive koblinger til produksjonssystemer og null utførelseshistorikk.

Å lukke dette gapet krever inngående innsyn inne i applikasjonene selv for å bedre forstå hvilke handlinger disse tilgangsopplysningene faktisk gir adgang til, i hvert system, mot hvert datasett og for enhver som potensielt kan kalle dem opp. Uten denne ordentlige konteksten, opererer du med bare halvparten av bildet. Ledere må også skifte strategier fra deteksjon til håndheving under kjøring for å blokkere handlinger i selve utførelsesøyeblikket, før handlingen fullføres, i stedet for etter at skaden allerede er gjort.

Mange organisasjoner tror de allerede har adekvat SaaS-sikkerhet på plass. Hvor bryter disse antagelsene sammen når agentbasert AI kommer inn i bildet?

Mange organisasjoner tror de allerede har “løst” SaaS-sikkerhet, men denne antagelsen utfordres når innføringen av agentbasert AI akselererer. SaaS-sikkerhet behandles ofte som et punkt som bare skal krysses av: budsjett er godkjent, et verktøy er distribuert, og problemet regnes som håndtert. I praksis, imidlertid, er SaaS-APIene som underbygger disse miljøene, aldri fullstendig under kontroll, hovedsakelig fordi det er svært begrenset innsyn på tvers av virksomheten i hva som skjer på API-nivå og hvilke SaaS-ressurser som kommuniserer med hverandre.

Dette skaper en strukturell blindsone, hvor bedrifter kan sikre identiteter og endepunkter, men ofte mangler klar innsikt i hvordan SaaS-data brukes og hvilke handlinger som utføres på dem når APIer er i spill. Som følge, opererer mange organisasjoner fortsatt over det åpne internettet direkte inn i kritiske systemer uten å fullstendig forstå omfanget eller atferden til API-drevne interaksjoner som skjer under.

Agentbasert AI avdekker nå dette gapet, og skaper utfordringer raskere enn team kan lukke dem ned, og blir en katalysator for API-samtalen.

Hvordan bør bedrifter tenke om styring når de håndterer autonome AI-agenter som kan tilgå, flytte og handle på data over flere systemer? 

Ingen leder ønsker å bremse AI-innføring nå, spesielt når presset øker for å handle raskere eller vise målbare resultater hvor selv token-forbruk brukes i vurderinger. I mange tilfeller, kommer AI-mandater direkte fra toppen, med administrerende direktører som rapporterer fremgang til styret eller til og med offentlige interessenter, noe som bare intensiverer presset for å ta teknologien raskt i bruk. I en slik situasjon, hvor “AI til enhver pris” blir standardholdningen, kan feilkonfigurasjoner og for omfattende tillatelser ikke realistisk fikses raskt nok gjennom tradisjonelle styringsprosesser.

Problemstillingen er at agentsystemer ikke venter på at feil skal rettes. De kan oppdage systemer, kjede handlinger og kjøre arbeidsflyter over flere SaaS-applikasjoner på sekunder, og fullfører ofte ti eller flere steg før et menneske kan oppdage det, langt mindre gripe inn.

Dette er hvorfor styring ikke lenger bare handler om å fange problemer tidligere i utviklingslivssyklusen, men i stadig større grad om kontroll i øyeblikket agenten faktisk handler. Sikkerhetsledere kan ikke effektivt styre agenter hvis kontroll bare skjer etter misbruk.

I en verden hvor agenter tar autonome beslutninger over SaaS-systemer, er den eneste gjennomførbare tilnærmingen til å beskytte mot disse truslene fra agentbasert AI, styring under kjøring. Denne tilnærmingen krever å flytte seg bort fra deteksjon etter at handlinger er utført, til å detektere og blokkere rettighetseskalering, for omfattende datatilgang og brudd på sikkerhetsregler før de kan påvirke organisasjonen. Disse kontrollene må være tilpasset OWASP-standarder og beste praksis i bransjen, for å sikre at agenter opererer innenfor eksplisitte og håndhevelige grenser – så team kan holde tritt med hastigheten til innføringen av agentbasert AI uten å kompromittere innovasjon.

Fra et teknisk ståsted, hva er de mest oversette svakhetene som introduseres av agentbasert AI i SaaS-miljøer?

Når organisasjoner tar i bruk et nytt SaaS-verktøy, finner de ofte at AI-funksjonalitet blir stille og rolig lagt til eller aktivert som standard. Problemet er at disse evnene ofte ikke kommer med samme nivå av konfigurasjonskontroller eller mulighet for revisjon som sikkerhetsteam er avhengige av for tradisjonelle SaaS-funksjoner. Som følge, når en handling utføres, blir det vanskelig å skille om den ble initiert av en menneskelig bruker eller en autonom agent. I mange tilfeller, har bedrifter ikke mulighet til å slå av AI-funksjonalitet, da disse evnene er innebygget i SaaS-applikasjonen selv.

Denne usikkerheten skaper en stor blindsone for sikkerhet og styring. Hvis en innebygd AI-funksjon tar beslutninger på vegne av en bruker, har organisasjoner ofte ingen klar måte å spore intensjon, forstå beslutningslogikk eller til og med bekrefte hva som utløste en bestemt handling.

Risikoen blir enda mer uttalt når man tar i betraktning AI-forsyningskjeden inne i SaaS selv. Disse innebygde AI-evnene avhenger ofte av oppstrømsmodeller, tjenester og tredjepartsintegreringer. Hvis noen del av denne kjeden er kompromittert, degradert eller manipulert, kan AI-en inne i SaaS-applikasjonen bli en aktiv deltaker i en angrepsvei.

AI-laget inne i SaaS har effektivt blitt sin egen forsyningskjede, og introduserer en ny type risiko som må overvåkes og styres på egen hånd. Uten innsyn i hvordan disse innebygde AI-systemene oppfører seg og hvilke data de er avhengige av, er organisasjoner blinde for en voksende del av deres SaaS-angrepsflate.

Du har arbeidet omfattende med å kvantifisere forretningsverdi og risiko. Hvordan bør organisasjoner måle den økonomiske og omdømmemessige eksponeringen knyttet til usikrede AI-agenter? 

Hvis en AI-agent misbrukes eller forårsaker et brudd, er den umiddelbare effekten ikke bare hendelsen selv, men også den organisatoriske responsen som følger. Denne hendelsen vil bremse hastigheten som bedriften er villig til å ta i bruk og skalere AI med. Når tillit brytes, blir det betydelig vanskeligere å starte opp igjen innovasjonsmotoren som drev verdi i første omgang.

Denne dynamikken utvides utover interne team til eksterne interessenter også. Styret, kunder og aksjonærer forventer ansvarlig distribusjon, og enhver feil knyttet til autonome agenter blir raskt et spørsmål om forvalteransvar og omdømme. Når sikkerhet ikke er bygget inn fra starten, blir organisasjoner tvunget til reaktive samtaler om kontroll og sikkerhet, noe som uunngåelig bremser beslutningstaking over hele bedriften.

Det er også en mer strukturell økonomisk eksponering som ofte overses. Når det oppfattede skadeomfanget til AI-agenter vokser, blir bedrifter mer konservative i hvordan de allokerer kapital. I noen tilfeller, betyr det å holde tilbake midler eller forsinke investeringer for å beskytte mot potensielle hendelser.

I denne sammenhengen, blir sikring av AI-agenter mindre en ren øvelse i risikoreduksjon og mer en diskusjon om omsetning og vekst. Organisasjoner som kan distribuere AI med tillit, og vet at agentene styres og holdes innenfor klare grenser, vil kunne handle raskere, mens de uten denne tilliten, naturlig vil bremse opp. I 2026 er evnen til å kombinere hastighet med tillit i ferd med å bli en superkraft.

Det er tydelig en spenning mellom rask AI-innføring og ansvarlig distribusjon. Hvordan ser en balansert strategi ut for bedrifter som ønsker å innovere uten å øke deres risikoprofil? 

Akkurat nå er ett av de største gapene mellom AI-innføring og ansvarlig distribusjon, kommunikasjon. Mange bedrifter bruker AI aktivt over SaaS-miljøer, men de har ikke alltid en klar, ekstern samtale om hvordan det brukes, og hvilke sikkerhetstiltak som er på plass. Denne mangelen på transparens kan faktisk øke risikoen, fordi den lar kunder og partnere anta det verste i stedet for å forstå de faktiske kontrollene som er på plass.

En mer balansert tilnærming behandler ansvarlig AI-bruk som en del av verditilbudet, ikke bare en intern øvelse i etterlevelse. Det er en mulighet for bedrifter til å være mer tydelige om hvordan AI styres innenfor deres miljøer, inkludert hva det kan og ikke kan gjøre, og hvilke beskyttelsestiltak som gjelder når det samhandler med sensitive systemer. Denne tydeligheten bygger tillit og bidrar til å skalere AI på en trygg måte.

Bedrifter som kan tydelig artikulere hvordan AI brukes over sine SaaS-miljøer og demonstrere at det er kontrollert på en strukturert og overvåkbar måte, vil kunne innovere raskere uten å øke den oppfattede risikoen.

Etter hvert som flere bedrifter eksperimenterer med agentbasert AI, hvilke umiddelbare tiltak bør sikkerhetsteam ta i dag for å unngå å rammes av det neste sikkerhetsbruddet som havner i overskriftene? 

Agentbasert AI introduserer ikke bare en ny type risiko, men akselererer også de risikoene organisasjoner ikke kan se. Skygge-AI øker faktisk den gjennomsnittlige kostnaden ved et sikkerhetsbrudd med ytterligere $670K. Men, rotproblemet er innsyn. Når organisasjoner ikke vet hvor AI brukes eller hvordan det samhandler med systemer, tar det lenger tid å detektere og begrense hendelser, noe som direkte øker både de økonomiske og regulatoriske konsekvensene.

Det første umiddelbare skrittet er å etablere innsyn over hele bedriften. Sikkerhetsteam må ha et klart bilde av både godkjent og ikke-godkjent AI-bruk, ikke bare på applikasjonsnivå, men over arbeidsflyter hvor AI aktivt tar eller påvirker beslutninger.

Når dette innsynet er på plass, blir oppgaven å omsette innsikten til regler som kan håndheves, og bygge dem inn i systemene der arbeidet faktisk utføres. Det betyr å samarbeide med bedriften om hvordan AI bør brukes, og deretter flytte fra dokumentasjon til tekniske kontroller som opererer på tvers av endepunkter, SaaS-plattformer og agentsystemer. Jo tidligere disse kontrollene innføres i handlingsforløpet, jo lavere er sannsynligheten for kostbare hendelser som er vanskelige å begrense, og som skyldes skygge-AI og autonome agenter.

Når du ser fremover, hvordan tror du sikkerhetslandskapet utvikler seg når agentbaserte AI-systemer blir mer dypt integrert i bedriftsinfrastruktur?

Organisasjoner vil trenge sikkerhet som er utviklet spesielt for AI for å håndtere AI-drevne trusler. Disse systemene må operere med maskiners hastighet, og fundamentalt omforme sikkerhetsoperasjoner. Mennesker vil fortsatt delta i prosessen, men skifte mot strategisk overordnet tilsyn, og anvende kontekst og dømmekraft som AI fortsatt mangler.

Dette skiftet endrer også hvordan sikkerhetsteam er strukturert. Teamene blir ikke nødvendigvis mindre, men deres omfang vil utvides betydelig, med én sikkerhetsmedarbeider ansvarlig for et mye større overflateområde gjennom automatisering og AI-drevne verktøy.

I tillegg, i miljøer med AI-agenter, er overvåking og deteksjon ikke nok. Organisasjoner må implementere reelle kontrollmekanismer. Det betyr å bygge systemer som fungerer som brytere: evnen til å slå på eller av, begrense atferd i sanntid, og isolere systemer som oppfører seg dårlig eller kan kompromittere den bredere bedriften. Forsyningskjederisikoen i AI er simpelthen for stor til å ikke ha mekanismer for nødavstenging innebygd i arkitekturen.

Fremover vil AI fortsette å akselerere potensielt utover menneskelig hastighet og evne. Men samtalen kan ikke fokusere bare på risiko; den må også inkludere mulighet. Det er som å oppdra barn: AI vil vokse og gjøre feil, men har også muligheten til å overgå oss. Vinnerne vil være de som omfavner AI i stor skala samtidig som de bygger kontrollsystemene som er nødvendige for å distribuere det trygt og med tillit.

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