Rami Habal, założyciel i dyrektor generalny Magnitude – seria wywiadów

Rami Habal, założyciel i dyrektor generalny Magnitude, jest doświadczonym menedżerem ds. cyberbezpieczeństwa i produktów AI, którego kariera obejmuje bezpieczeństwo przedsiębiorstw, uczenie maszynowe, technologię konsumencką oraz startupy wspierane przez venture capital. Przed założeniem Magnitude pełnił funkcję przedsiębiorcy‑rezydenta w Ballistic Ventures i spędził ponad cztery lata w Abnormal Security, m.in. jako dyrektor produktu i dyrektor ds. klientów. Wcześniej Habal kierował doświadczeniem wielourządzeniowym w Amazon Alexa, zarządzał produktem w Reverb i był jednym z pierwszych pracowników Proofpoint, gdzie pomógł budować i komercjalizować produkty bezpieczeństwa, gdy firma rozwijała się z startupu w kierunku planowanej oferty publicznej (IPO). Jego kariera obejmuje także doświadczenie w venture capital, technologiach mobilnych, interfejsach API oraz strategii produktu, co daje mu szerokie kompetencje na styku cyberbezpieczeństwa, AI i oprogramowania korporacyjnego.

Magnitude to firma cyberbezpieczeństwa oparta na AI, skoncentrowana na przekształceniu zarządzania ryzykiem podmiotów trzecich (TPRM) z okresowych przeglądów zgodności w ciągłą funkcję bezpieczeństwa. Jej platforma wielo‑agentowa wykorzystuje wyspecjalizowane agenty AI do oceny dostawców i produktów, ciągłego monitorowania podatności oraz innych zmian ryzyka, mapowania zależności czwartego, piątego i dalszych podmiotów, automatyzacji komunikacji z dostawcami oraz wspomagania zarządzania naprawami. Zamiast polegać głównie na kwestionariuszach i jednorazowych ocenach, Magnitude jest zaprojektowana tak, aby rozumować w oparciu o własne polityki organizacji i dostarczać decyzje oparte na dowodach, z możliwością śledzenia źródeł i uzasadnień. Szerszym celem jest zapewnienie zespołom bezpieczeństwa ciągłej widoczności w coraz bardziej złożonych ekosystemach oprogramowania i dostawców, jednocześnie umożliwiając analitykom skupienie się na decyzjach o wyższej wartości.

Po pomocy przy tworzeniu produktów w Proofpoint, Amazon Alexa i Abnormal Security, co przekonało Cię, że właśnie teraz jest odpowiedni moment na założenie Magnitude? Czy istniało konkretne uświadomienie lub problem klienta, który sprawił, że uwierzyłeś, iż autonomiczne zarządzanie ryzykiem podmiotów trzecich musi stać się odrębną firmą?

Wiedziałem, że po czasie spędzonym w Abnormal chcę założyć firmę. Nie wiedziałem jednak, jaki problem jest wart budowy przedsiębiorstwa. W całej mojej karierze przyciągały mnie produkty oparte na uczeniu maszynowym, które rozwiązują szerokie, uniwersalne potrzeby, takie jak zabezpieczenia poczty elektronicznej w Proofpoint, przetwarzanie głosu w Alexa oraz bezpieczeństwo behawioralne w Abnormal. Chciałem znaleźć kolejny problem o podobnym zasięgu, który pomógłby przedsiębiorstwom.

Następnie pojawiły się agenty. Po doświadczeniach z poprzednią falą uczenia maszynowego widziałem, że to nie tylko kolejna funkcja produktu. To zmiana platformy, a takie zmiany nie zdarzają się często.

Podczas gdy pełniłem rolę przedsiębiorcy‑rezydenta w Ballistic Ventures, zacząłem rozmawiać z dyrektorami ds. bezpieczeństwa (CISO) o tym, gdzie ta zmiana może przynieść największy wpływ. Ryzyko podmiotów trzecich pojawiało się wielokrotnie. Historycznie sensowne było umieszczenie TPRM w ramach funkcji GRC, ponieważ ryzyko dostawców zmieniało się wystarczająco wolno, aby okresowe przeglądy nadążały. Jednak to założenie zaczęło się rozpadać. Wszyscy zgadzali się, że jest to poważny problem, ale większość organizacji wciąż zarządzała nim za pomocą rocznych kwestionariuszy, arkuszy kalkulacyjnych, okresowych przeglądów i rozbudowanej pracy ręcznej. Reakcja była spójna: zarządzanie ryzykiem podmiotów trzecich jest kluczowe, ale wciąż nie mamy skutecznego sposobu jego rozwiązania.

To było uświadomienie stojące za Magnitude. Wiedziałem, że tradycyjny model już nie działa i potrzebujemy technologii zdolnej całkowicie zmienić model operacyjny, a nie jedynie przyspieszyć stare, oparte na arkuszach kalkulacyjnych procesy. Od samego początku uważałem, że każdy dostawca ostatecznie będzie miał roj agenta nieustannie oceniających otaczające go ryzyka. Magnitude powstało z tego przekonania.

Opisujesz nadejście „epoki Mythos”, w której AI potrafi identyfikować i wykorzystywać podatności szybciej niż ludzie mogą zareagować. Jakie zmiany zaobserwowałeś w ciągu ostatniego roku, które przekonały Cię, że ta zmiana już zachodzi, a nie jest jedynie przyszłym zagrożeniem?

Największą zmianą, jaką zauważyłem, jest szybkość, z jaką te ataki się teraz odbywają. Rok temu większość dyskusji dotyczyła tego, co AI może ostatecznie umożliwić atakującemu. Teraz możemy obserwować, jak te możliwości przyjmują realny kształt w czasie rzeczywistym. AI może pomóc atakującemu zbadać znacznie większy ekosystem oprogramowania, odkrywać słabości, które wcześniej mogły być nieznane, i atakować je w skali trudnej do osiągnięcia przez zespół ludzi.

W erze Mythos systemy AI wykazały zdolność wykrywania ponad 2 000 dotychczas nieznanych wad w ekosystemach oprogramowania, a mediana czasu od odkrycia podatności do wykorzystania jej w ataku ma spaść poniżej jednej godziny do końca 2026 roku. Chociaż czas między odkryciem a wykorzystaniem nadal się skraca, tworzy to lukę między szybkością pojawiania się zagrożenia a szybkością reakcji tradycyjnych cykli przeglądów.

Obserwujemy również, że wzorzec incydentów podąża w tym samym kierunku. W naszej analizie częstotliwość ataków na łańcuch dostaw wzrosła z około 13 incydentów miesięcznie w 2024 roku do 41 w 2026 roku. Zauważyliśmy, że aktywność rośnie równolegle z istotnymi ulepszeniami modeli frontier. Nie twierdzę, że każde wydanie modelu bezpośrednio powoduje więcej ataków, ale trend jest trudny do zignorowania. Narzędzia stają się bardziej wydajne, gdy tempo ataków przyspiesza.

To, co naprawdę potwierdza tę zmianę dla mnie, to rozmowy, które prowadzę z liderami bezpieczeństwa. Nie mówią już o ryzyku związanym z podmiotami trzecimi jako o czymś, co można obsłużyć poprzez coroczną ocenę i ponownie rozważyć przy odnowieniu. Czują się narażeni w miesiącach pomiędzy tymi przeglądami, ponieważ ich dostawcy, zależności oprogramowania i poddostawcy stale się zmieniają.

To właśnie oznacza dla mnie era Mythos. Okno czasowe, w którym można zrozumieć i zareagować na ryzyko, się kurczy, podczas gdy potencjalny wpływ jednego skompromitowanego dostawcy rośnie. Okresowy proces zgodności po prostu nie został zaprojektowany pod takie środowisko.

Wiele przedsiębiorstw szybko wdraża agentów AI w całych swoich organizacjach. Jak liderzy bezpieczeństwa powinni przemyśleć ponownie zarządzanie, gdy ci agenci coraz częściej współdziałają z zewnętrznymi dostawcami, interfejsami API i poddostawcami?

Pierwszą rzeczą, którą liderzy bezpieczeństwa muszą zdać sobie sprawę, jest to, że nawet agent AI zbudowany wewnątrz firmy może nie być w pełni wewnętrzny. Może opierać się na zewnętrznej platformie, umiejętności trzeciej strony za pośrednictwem MCP, usłudze takiej jak Google Drive lub innej technologii, której organizacja nie kontroluje bezpośrednio. Każdy z tych dostawców może mieć własnych poddostawców.

Nie wystarczy już zatwierdzić samego agenta. Liderzy muszą rozumieć, do jakich informacji ma dostęp, jakie działania może podjąć, od jakich usług zewnętrznych zależy oraz kiedy wymagana jest zgoda człowieka. Muszą także rozumieć, jak te zależności mogą zmieniać się w czasie, gdy agent zyskuje nowe możliwości, łączy się z nowymi systemami lub zaczyna polegać na dodatkowych poddostawcach. Te kontrole nie mogą być ustawione raz i zapomniane. Gdy agent zyskuje nowe możliwości lub połączenia, jego zarządzanie musi odpowiednio się dostosować.

Celem nie powinno być spowolnienie przyjmowania AI. Powinno być to zapewnienie firmom wystarczającej przejrzystości, aby mogły pewnie korzystać z agentów. Zarządzanie musi stać się ciągłą praktyką bezpieczeństwa, a nie jednorazową aprobatą dokonywaną przy wprowadzaniu nowego narzędzia.

Zarządzanie ryzykiem podmiotów trzecich tradycyjnie opierało się na kwestionariuszach i okresowych przeglądach. Dlaczego uważasz, że ten model zasadniczo nie sprawdza się w środowisku napędzanym przez AI? 

Problem tradycyjnego modelu TPRM polega na tym, że dostarcza on migawkę tego, co dostawca twierdził jako prawdziwe w określonym momencie. Firma może wypełnić kwestionariusz przy pierwszej akceptacji, a następnie nie być ponownie oceniana aż do odnowienia, co może nastąpić po kilku latach. W międzyczasie jej technologia, praktyki bezpieczeństwa, modele AI, wykorzystanie danych i dostawcy mogą się zmienić. Ledwo jesteśmy w stanie przewidzieć, co zmieni się w ciągu kilku najbliższych tygodni, więc opieranie się na kilkuletniej ocenie nie ma już sensu.

Istnieje również kwestia wiarygodności informacji. Zgłoszona odpowiedź wprowadzona przez kogoś, kto chce przyspieszyć transakcję, nie jest tym samym co fakt poparty niezależnym audytem, podpisanym sprawozdaniem firmy lub innym weryfikowalnym źródłem. Liderzy bezpieczeństwa muszą wiedzieć nie tylko, jaka jest odpowiedź, ale skąd pochodzi i czy jest nadal aktualna.

Na koniec, kwestionariusze zazwyczaj kończą się na bezpośrednim dostawcy. Rzadko ukazują podmioty N‑tego stopnia, mimo że te ukryte relacje czwartego i piątego stopnia mogą stwarzać realne narażenie. Atakujący teraz wiedzą, że najsłabszym ogniwem przedsiębiorstwa nie jest samo przedsiębiorstwo, lecz jeden z tych poddostawców. Atakowanie tych dostawców może ostatecznie dać im dostęp do przedsiębiorstwa. Jest to po prostu tańsze i łatwiejsze.

Dlatego nie uważam, że odpowiedzią jest po prostu użycie AI do szybszego wypełniania kwestionariuszy. W takim modelu zawsze będą istnieły luki. Sam model musi się zmienić, z okresowych, samodzielnie raportowanych migawkowych ocen na ciągłe, w czasie rzeczywistym, oparte na dowodach rozumienie ryzyka tak głębokiego, jak łańcuch dostaw firmy.

Magnitude wprowadza koncepcję autonomicznej siły roboczej AI dla zespołów bezpieczeństwa. Gdzie widzisz równowagę między podejmowaniem decyzji napędzanym przez AI a nadzorem ludzkim, szczególnie w przypadku decyzji o wysokim wpływie na bezpieczeństwo? 

Autonomia nie musi oznaczać braku odpowiedzialności. Myślę o tym tak, że AI powinno zajmować się krytyczną, ale powtarzalną pracą, która pochłania tak dużo czasu zespołu bezpieczeństwa, podczas gdy ludzie pozostają zaangażowani, gdy decyzja wymaga osądu, kontekstu lub niesie znaczące konsekwencje biznesowe. Faktem jest, że żaden zespół bezpieczeństwa nie ma dziś wystarczających zasobów, aby sprostać obecnym zadaniom. AI może pomóc wypełnić tę lukę.

Jakość AI ma ogromne znaczenie. Gdy jest dobrze wykonana, AI jest mnożnikiem siły. Daje zespołowi większą pojemność i pomaga ludziom skupić się na pracy o wyższej wartości. Gdy jest źle wykonana, ma odwrotny efekt, ponieważ ktoś musi podwójnie sprawdzać każdy wynik. W przypadku decyzji o wysokim wpływie na bezpieczeństwo system powinien być wysokiej jakości i być w stanie pokazać, jakie dowody wykorzystał oraz jak doszedł do swojej rekomendacji, tworząc audytowalny zapis.

Odpowiedni poziom nadzoru będzie się również różnić w zależności od organizacji. Duża firma z ugruntowanym zespołem bezpieczeństwa może używać AI bardziej jako autopilota, przy czym ludzie nadzorują pracę i interweniują w wyjątkowych sytuacjach. Mniejsza organizacja może zdecydować się na automatyzację większej części programu, ponieważ brakuje jej personelu lub budżetu na budowę dużego zespołu. W obu przypadkach powinny istnieć wyraźne punkty, w których problem jest eskalowany do osoby.

Ostatecznie organizacja powinna móc zdecydować, jak duży udział człowieka jest potrzebny, w zależności od wagi decyzji. Celem nie jest usunięcie ludzi z bezpieczeństwa, lecz pomóc im lepiej wykorzystać swój czas, podejmować szybsze decyzje biznesowe i skierować ludzką uwagę na te decyzje, które przynoszą najwięcej wartości.

Wasz zespół łączy wiedzę z zakresu AI, cyberbezpieczeństwa i platform konsumenckich na dużą skalę. Jak to połączenie wpłynęło na sposób, w jaki zaprojektowaliście Magnitude w porównaniu z tradycyjnymi produktami cyberbezpieczeństwa? 

Każde z naszych doświadczeń nauczyło nas czegoś innego o tym, co produkt bezpieczeństwa oparty na AI musi robić dobrze. W cyberbezpieczeństwie odpowiedź jest użyteczna tylko wtedy, gdy można jej zaufać, odnieść ją do dowodów i podjąć na jej podstawie działanie. Z pracy nad AI i uczeniem maszynowym dowiedzieliśmy się, że prawdziwa szansa nie polega jedynie na podsumowywaniu informacji, lecz na przekształceniu pracy ekspertów w system, który może tę pracę wykonywać konsekwentnie. Budowanie platform takich jak Alexa i Pandora nauczyło nas myśleć o niezawodności i użyteczności w bardzo dużej skali.

Te lekcje odciągnęły nas od tradycyjnego modelu cyberbezpieczeństwa, polegającego na tworzeniu kolejnego pulpitu nawigacyjnego lub kolejnego strumienia alertów dla już przeciążonego zespołu. Zaprojektowaliśmy Magnitude tak, aby wykonywało pracę: zbierało i weryfikowało informacje, oceniało dostawców, monitorowało zmiany, łączyło nowe informacje z ryzykiem biznesowym i pomagało przesuwać problemy w kierunku ich rozwiązania.

Za kulisami oznacza to współpracę wielu wyspecjalizowanych agentów AI. Jednak doświadczenie klienta powinno pozostać proste. Zespoły bezpieczeństwa nie powinny musieć stawać się ekspertami AI, aby zrozumieć, co system znalazł, dlaczego ma to znaczenie i jakie podjąć działania.

Efektem jest produkt zaprojektowany do ciągłej pracy wśród tysięcy dostawców, przy jednoczesnym spełnianiu standardów wymaganych przy decyzjach o wysokim wpływie na bezpieczeństwo. To nie jest AI dodane do starszego przepływu pracy. Zostało zbudowane od początku wokół pomysłu, że AI może wykonać dużą część tego przepływu, jednocześnie dostarczając ludziom dowody, przejrzystość i kontrolę, których potrzebują.

Jednym z największych zmartwień związanych z AI w cyberbezpieczeństwie jest to, że wzmacnia zarówno obrońców, jak i atakujących. Czy uważasz, że przewaga obecnie leży po stronie obrońców czy przeciwników i co zdecyduje, kto będzie wyprzedzał w ciągu najbliższych kilku lat?

Myślę, że dziś przewaga przechyla się na stronę przeciwników, szczególnie w atakach na łańcuch dostaw. Nie powiedziałbym, że obrońcy są beznadziejnie w tyle. Wezwanie do działania dla obrońców brzmi: przestańcie traktować to jako problem przyszłości i działajcie szybciej już teraz. Obie strony mają dostęp do wielu tych samych narzędzi AI, ale ekonomia i czas wprowadzenia na rynek obecnie sprzyjają atakującemu.

AI sprawia, że testowanie większej liczby ścieżek ataku, uruchamianie większej liczby prób na wielu poziomach i powtarzanie tego procesu w skali jest tańsze i łatwiejsze. Gdy atakujący przejmuje kontrolę nad szeroko używanym dostawcą lub komponentem oprogramowania, jeden udany atak może rozprzestrzenić się na setki, a nawet tysiące firm.

Obrońcy mają trudniejsze zadanie, ponieważ muszą rozumieć i chronić rozległą sieć dostawców, komponentów oprogramowania i poddostawców, a także potrzebny jest czas, aby przedsiębiorstwa zareagowały, zakupiły pomocne oprogramowanie i wdrożyły te narzędzia, co tworzy okno, które atakujący mogą wykorzystać.

To, kto pozostanie w przewadze, będzie zależało od tego, czy obrońcy zdołają zmienić tę równowagę. Muszą przejść od okazjonalnych przeglądów i ręcznych działań następczych do ciągłego monitorowania i szybszych reakcji. Zautomatyzowane systemy zarządzania i obrony, które nieustannie monitorują zmiany, łączą je z ryzykiem biznesowym i mogą szybko reagować, utrudnią skalowanie ataków i zwiększą ich koszt powtórzenia.

Cyberbezpieczeństwo zawsze było grą w kotka i myszkę. AI tego nie zmienia, ale zwiększa tempo i stawki. Obrońcy potrzebują systemów, które potrafią uczyć się, adaptować i działać w tym samym tempie, w jakim zaczynają działać atakujący.

Łańcuchy dostaw AI stają się coraz bardziej złożone, a organizacje polegają na licznych modelach podstawowych, dostawcach SaaS i autonomicznych agentach. Jakie pojawiające się ryzyka według Ciebie przedsiębiorstwa nadal niedoceniają?

Najbardziej niedocenianym ryzykiem jest technologia stojąca za produktem, który firma uważa za zatwierdzony. Nawet wewnętrznie zbudowany agent może zależeć od zewnętrznych platform, wtyczek, kontrahentów lub komponentów oprogramowania. Te ukryte powiązania tworzą ryzyko N-tej strony, czyli dostawców stojących za bezpośrednim dostawcą.

Większość przedsiębiorstw wciąż ma bardzo ograniczoną widoczność tej głębszej warstwy. Mogą wiedzieć, z kim podpisali umowę, ale nie każdy zewnętrzny serwis, komponent oprogramowania czy podwykonawca, który ostatecznie wspiera produkt.

Kolejną kwestią jest stopień połączenia tych systemów. Słabość w jednej wtyczce lub usłudze pomocniczej nie musi pozostać odizolowana od tego dostawcy. Może stworzyć ścieżkę do większej platformy, a następnie wpłynąć na wiele organizacji, które z niej korzystają. Oznacza to, że stosunkowo mały dostawca może stać się znacznie większym źródłem narażenia.

Tak więc liderzy ds. ryzyka powinni pytać nie tylko: „Jakiego modelu SI używamy?” lecz: „Od czego zależy ten system, od czego zależą ci dostawcy i jak problem w dowolnym miejscu łańcucha może do nas dotrzeć?” Dopóki firmy nie będą w stanie odpowiedzieć na te pytania, będą nadal dziedziczyć ryzyka, których nie widzą.

Patrząc poza dzisiejsze duże modele językowe, jakie rozwinięcia technologiczne w ciągu najbliższych pięciu lat przewidujesz, że najbardziej znacząco przekształcą cyberbezpieczeństwo przedsiębiorstw i zarządzanie ryzykiem? 

Nie sądzę, że przełomowa zmiana będzie jednym nowym modelem. Chodzi o przejście od SI, która odpowiada na pytania, do systemów SI, które mogą nieustannie obserwować, co się dzieje, łączyć informacje z różnych źródeł i podejmować działania.

Kolejna generacja modeli nie będzie jedynie nieco lepsza; będzie znacznie bardziej zdolna. Jednak większa zmiana nadejdzie dzięki wyspecjalizowanym agentom współpracującym w ramach operacji bezpieczeństwa. Obecnie przeglądy dostawców, informacje o zagrożeniach, ryzyko biznesowe i działania naprawcze są często zarządzane w oddzielnych narzędziach i przez odrębne zespoły. Z czasem te funkcje zaczną się łączyć.

Spodziewam się, że systemy bezpieczeństwa staną się znacznie bardziej połączone, łącząc informacje o zagrożeniach, kontekst biznesowy, polityki firmy i działania reagujące, zamiast zarządzać nimi w oddzielnych narzędziach. Mogą rozpoznać, że dostawca został narażony na nowe zagrożenie, zrozumieć, które części biznesu mogą być dotknięte, i pomóc rozpocząć reakcję bez oczekiwania na liczne ręczne przekazania.

Spowoduje to zmianę zarządzania ryzykiem z serii okresowych ćwiczeń na ciągłą zdolność operacyjną. Najsilniejsze programy ryzyka będą budowane wokół kontekstu przedsiębiorstwa, wiarygodnych dowodów oraz możliwości przekształcenia informacji w zaufane działania.

Gdybyś mógł udzielić jednej rady CISO i liderom przedsiębiorstw przygotowującym się na następną generację zagrożeń napędzanych SI, jaka by ona była i jakie działania powinni dziś priorytetyzować?

Moja rada to przestać zarządzać ryzykiem łańcucha dostaw jako corocznym ćwiczeniem. Ryzyko zmienia się nieustannie i twoje podejście musi nadążać. Środowisko jest żywe i oddychające. Jest zbyt połączone i zmienia się zbyt szybko, by seria oddzielnych przeglądów i narzędzi mogła nadążyć.

Sposobem na ochronę tej nowej powierzchni ataku jest jednopłaszczyznowa, natywna dla SI, warstwa kontrolna zapewniająca ciągłe, autonomiczne zarządzanie i obronę przed wszystkimi zewnętrznymi ryzykami.

Miejsce, od którego warto zacząć, to najważniejsze części działalności. Zidentyfikuj dostawców i zewnętrzne usługi wspierające te krytyczne operacje, zrozum, gdzie kryją się ukryte zależności, i ustal jasną odpowiedzialność za to, co się stanie, gdy zostanie wykryte ryzyko. Następnie zautomatyzuj tak wiele bieżącego monitorowania i rutynowych reakcji, jak to możliwe, pozostawiając ludzi zaangażowanych w decyzje o dużych konsekwencjach biznesowych.

Celem nie jest po prostu zbieranie większej ilości informacji. Chodzi o ciągłe łączenie tego, co wiesz, decydowanie, co jest istotne, i podejmowanie działań, zanim problem z dostawcą przekształci się w problem całej firmy.

Dziękujemy za świetny wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Magnitude.