Ido Livneh, CEO și Co-Fondator al Jazz – Seria de Interviuri

Ido Livneh, CEO și Co-Fondator al Jazz, este un lider de produs experimentat și antreprenor cu o experiență puternică în construirea și scalarea platformelor tehnologice cu impact ridicat, inclusiv conducerea produsului la Laminar prin achiziția sa de către Rubrik și ajutând la vânzarea cu succes a Tapingo către Grubhub pentru 150 de milioane de dolari; cariera sa include roluri senior la Axonius și alte întreprinderi precum KnuPo, și se bazează pe o temelie tehnică profundă dezvoltată în timpul celor aproape zece ani în Forțele de Apărare ale Israelului, unde a avansat de la inginerie la conducerea cercetării și dezvoltării software, experiență care acum îi modelează focusul pe construirea soluțiilor de securitate cibernetice native AI.

Jazz este o companie de securitate cibernetica nativă AI care reînnoiește prevenirea pierderii de date prin depășirea sistemelor bazate pe reguli legacy și introducerea unei platforme conștiente de context care înțelege cum curge datele prin organizații, analizând comportamentul utilizatorilor, sistemele și fluxurile de lucru pentru a identifica riscuri reale în loc de a genera alerte excesive; prin utilizarea AI pentru a investiga incidentele la sursă și a oferi insight-uri acționabile, platforma permite echipelor de securitate să gestioneze medii complexe și să prevină expunerea datelor sensibile în aplicații cloud, puncte de capăt și sisteme interne, poziționând Jazz ca parte a unei noi generații de companii care reconstruiesc securitatea întreprinderilor pentru era AI.

Ați condus produs la companii precum Laminar prin achiziția sa și ați deținut roluri de conducere la Axonius și Grubhub, în timp ce ați fondat și mai multe startup-uri. Care a fost gap-ul specific sau insight-ul din aceste experiențe care v-a determinat să înființați Jazz, și de ce a fost momentul potrivit pentru a reinventa prevenirea pierderii de date (DLP)?

Am petrecut ultimul deceniu construind produse de securitate și stând de partea cealaltă a mesei cu CISO. Trei roluri de VP Produs, două ieșiri – inclusiv Laminar, pe care am vândut-o către Rubrik. Și dacă există ceva pe care l-am învățat de-a lungul tuturor acestor experiențe, este următorul: absolut nimeni nu își iubește sistemul DLP.

La Laminar, am construit primele etape ale categoriei DSPM – managementul posturii de securitate a datelor. Un mare problemă, dar am petrecut trei ani educând piața înainte ca vânzările să înceapă. Am plecat de acolo cu gândul: data viitoare, vreau o problemă veche. O problemă pe care fiecare consiliu o cunoaște deja, fiecare CISO are deja buget pentru ea, și pe care nimeni nu a rezolvat-o încă.

DLP este acea problemă. Este veche de douăzeci de ani. Fiecare organizație de securitate cunoaște riscul. Și soluțiile de pe piață sunt universal urâte – nu pentru că furnizorii sunt incompentenți, ci pentru că întregul cadru este greșit. Am cerut mașinilor să se potrivească cu modele și oamenilor să ofere context. Acest model a fost întotdeauna sortit să se prăbușească.

Momentul a fost evident. AI ne-a oferit capacitatea de a face ceva care era literalmente imposibil înainte – de a construi un sistem care înțelege datele așa cum face un analist senior, dar autonom și la scară. Când am văzut asta, cei patru co-fondatori – toți absolvenți ai Unit 81 – știam că acesta este momentul să ne întoarcem la principiile de bază și să reconstruim DLP de la zero. Și de data aceasta, să o facem să funcționeze, și ușor.

Sistemele DLP tradiționale au fost criticate de mult timp pentru generarea de alerte excesive. Ce se rupe fundamental în DLP bazat pe reguli, și de ce industria a luptat pentru a rezolva această problemă?

Problema nu este că DLP bazat pe reguli are nevoie de reguli mai bune. Problema este că regulile au fost instrumentul greșit pentru această sarcină de la început.

Iată cum funcționează de fapt. Implementați un sistem care înțelege modele – regex, tipuri de fișiere, cuvinte cheie. Scrieți reguli. Mașina se potrivește cu datele împotriva acelor reguli, și ori de câte ori există o potrivire, spune unui analist uman: “Venți să vedeți asta.” Analistul trebuie apoi să aducă toate contextele – cine este această persoană, ce a făcut, de ce a făcut-o – și să ia o decizie.

A doua parte, investigația umană, nu se scalează niciodată. Fizica DLP este prea zgomotoasă. Datele se mișcă constant în orice întreprindere mare. Un număr de nouă cifre nu este întotdeauna un număr de securitate socială. O încărcare de fișier nu este întotdeauna o exfiltrație. O notă de literă “A” declanșează regulile FERPA. O transfer intern între departamente este blocat. Sistemul nu poate spune dacă o partajare de fișiere sensibile este o colaborare de afaceri vitală sau comoara voastră pleacă pe ușă.

Ce fac companiile? Adaugă excepții. Fiecare excepție este un moment în care instrumentul dvs. a eșuat în a înțelege afacerea dvs. Și fiecare dintre ele este efectiv o poartă din spate sancționată. Zoom out după optsprezece luni și ceea ce rulați nu este un program de securitate – este un registru de compromisuri îmbrăcate într-un raport de conformitate.

Aproximativ 30% din piață are un program DLP matur, și chiar și ei știu că este doar o încercare – satisfăcând cadrele de conformitate și nimic mai mult. Îi numim “prinși.” Ceilalți 70% nici măcar nu au încercat, sau au încercat și au eșuat. Încercările anterioare de a remedia această problemă au adăugat un pic de AI deasupra aceluiași cadru bazat pe reguli. Acesta este ca și cum ați pune o nouă vopsea pe o mașină cu un motor pe care toată lumea știe că nu poate suporta sarcina. Cadru în sine este ceea ce are nevoie de a fi schimbat.

Jazz se poziționează ca oferind răspunsuri în loc de alerte. Puteți să ne explicați cum sistemul dvs. investighează incidentele și ce îl face diferit de fluxurile de detectare legacy?

DLP legacy vă oferă un semnal de alarmă și apoi vă dă o lupă. “Ceva s-a întâmplat în clădirea aceea. Noroc cu găsirea etajului.”

Jazz nu face asta. Am construit un investigator autonom, numele ei este Melody, care face munca pe care un analist uman ar face-o, dar la scară superumană.

Când are loc o tranzacție de date, Melody nu doar semnalează. Ea efectuează o investigație completă pe patru dimensiuni. Prima, datele însele – nu cu regex și modele, ci înțelegând profund ce sunt aceste date, cui aparțin, ce risc are pierderea lor pentru această companie specifică. A doua, sistemele – de unde vine datele, unde merg, și critic, care tenant. Există o diferență masivă între încărcarea unui fișier într-un Google Drive corporativ și unul personal, și Melody înțelege această distincție.

A treia, oamenii – învățăm cum operează indivizii, cum folosesc datele în timp, ce este normal pentru rolul lor. Și a patra, procesul de afaceri – de ce are loc această tranzacție? Este parte a unui flux de lucru cunoscut, sau este ceva pe care nu-l putem explica?

Acești agenți multipli vin împreună și reconstruiesc întreaga poveste: ce s-a întâmplat, de ce s-a întâmplat, și intenția actorului. Până când un om vede, nu este o alertă – este o narativă pre-investigată cu dovezi, context și un verdict. Într-o implementare tipică, Jazz procesează aproximativ 2 milioane de semnale pe lună pentru fiecare mie de angajați, investighează sute de mii de evenimente potențiale și aduce la suprafață aproximativ 80 de incidente care necesită într-adevăr atenție umană. Acesta este un raport semnal-zgomot de 20.000 la 1. Acesta este modul în care punem capăt alertelor inacționabile și oboselii alertelor.

Sistemul dvs. analizează contextul în date, sisteme, oameni și procese de afaceri. Cum uniți tehnic aceste dimensiuni, și ce rol joacă agenții AI sau sistemele de raționament în acest proces?

Arhitectura este construită în jurul mai multor agenți AI specializați, fiecare analizând o singură tranzacție de date dintr-o perspectivă diferită.

Un agent se concentrează pe înțelegerea profundă a datelor – conținutul, sensibilitatea, proprietatea și relevanța pentru afacere. Altul examinează peisajul sistemului – nu doar numele aplicațiilor, ci tenantul specific, nivelul de încredere, dacă este enterprise sau personal. Un al treilea construiește și actualizează în mod continuu profiluri de utilizatori și modul în care folosesc datele, astfel încât să poată evalua dacă o anumită acțiune este consistentă cu rolul lor sau complet anormală. Și un al patrulea cartografiază procesele de afaceri – conectând tranzacțiile de date la fluxurile de lucru cunoscute și identificând cele care nu pot fi explicate.

Acești agenți converg și sintetizează apoi descoperirile lor într-o investigație unitară – o narativă completă a ceea ce s-a întâmplat, de ce, și dacă este un risc real.

Toate acestea stau pe două inovații fundamentale. Prima, ceea ce numim vaulturi de context de punct de capăt – un nou tip de semnale pe care le-am brevetat în mod special pentru DLP. Acestea capturează nu doar tranzacția de date în sine, ci și întreaga poveste din jurul ei: ce s-a întâmplat înainte, ce s-a întâmplat după, care aplicații au fost implicate, lanțul complet de activitate a utilizatorului. Aceste semnale sunt context extrem de bogat și ne permit să oferim nu doar ce s-a întâmplat, ci și de ce s-a întâmplat, și intenția actorului, care au fost întotdeauna evazive pentru mașini la scară.

A doua, un motor de politică în limbaj natural care înlocuiește seturile de reguli rigide tradiționale. În loc de a scrie reguli tehnice cu regex și praguri, echipele de securitate descriu ce este acceptabil și ce nu în modul în care o face un om – în limbaj simplu. Melody folosește asta pentru a face apeluri de judecată nuanțate în situații care nu sunt menționate explicit în nicio politică. Pentru că realitatea practicilor zilnice de afaceri într-o organizație diferă adesea masiv de ceea ce este scris într-un document de politică generic. Podurile acestei lacune, și pentru cei cu experiență îndelungată cu programe DLP, se simte ca magie.

Întreprinderile deploiează acum agenți AI autonomi care interacționează cu date sensibile. Cum schimbă această schimbare peisajul amenințărilor, și de ce necesită o abordare nouă pentru DLP?

Acesta este un bombă cu ceas.

Explozia SaaS a fost deja copleșitoare pentru echipele de securitate – în fiecare săptămână, cinci unelte noi apar în mediu, multe adoptate de angajați fără aprobarea IT. Am avut clienți care au descoperit peste 400 de unelte GenAI care rulează în întreaga organizație, despre care nimeni nu știa. Acum adăugați agenți AI autonomi peste asta.

Agenții AI nu doar manipulează date pasiv – ei le extrag activ, le transformă, le trimit către alte servicii, iau decizii despre unde merg. Un angajat care conectează un asistent de codare AI la baza de cod a companiei, folosind un cont personal, și apoi trimite ieșirile către un depozit personal – am văzut exact asta pe teren. Sau cineva care lipește documente de strategie proprietară într-o sesiune ChatGPT personală pentru că compania nu a furnizat un cont enterprise. Chiar și ceva atât de simplu ca un plugin Grammarly personal care examinează tot ce tipăriți, inclusiv detalii de transfer bancar și date de client.

DLP bazat pe reguli a fost construit pentru o lume în care datele se deplasează prin câteva canale cunoscute – atașări de e-mail, unități USB, poate un încărcare web. Era AI a zdrobit acest model. Datele se deplasează acum prin zeci de vectori pe care sistemele legacy nu le pot vedea, și cu atât mai puțin înțelege. Aveți nevoie de un sistem care să poată înțelege contextual – nu doar că datele s-au mutat, ci și de ce, prin ce, și dacă destinația este sancționată.

Acesta este fundamental de ce vechiul cadru nu poate fi reparat. Aveți nevoie de o abordare care să înțeleagă contextul de afaceri în mod nativ, pentru că suprafața de atac nu mai este o listă de canale, ci fiecare interacțiune dintre oameni, unelte AI și date sensibile.

Explicabilitatea rămâne o barieră majoră pentru adoptarea AI în securitate. Cum asigurați că deciziile sistemului dvs. sunt inteligibile și de încredere pentru echipele de securitate care operează în medii cu risc ridicat?

Acesta este ceva la care am reflectat de la început, pentru că ultimul lucru de care are nevoie un CISO este încă o cutie neagră.

Fiecare investigație pe care o produce Melody este o narativă – nu un scor, nu o codă de culori, nu un număr de risc criptic. Se citește ca o informare de la un analist senior. Iată ce s-a întâmplat. Iată cine a fost implicat. Iată de ce credem că au făcut-o. Iată dovezile. Iată politica la care se potrivește. Iată evaluarea noastră.

Motorul de politică în limbaj natural este esențial pentru asta. Pentru că politicile însele sunt scrise în limbaj simplu, echipele de securitate pot vedea exact la ce politică se potrivește o decizie și de ce. Dacă Melody semnalează ceva, echipa poate urmări lanțul de raționament de la semnalele brute prin analiza contextuală până la potrivirea politicii. Și dacă nu sunt de acord, pot rafina politica în limbaj simplu – nu prin depanarea unui set de reguli.

De asemenea, arătăm dovezile direct, lanțul complet de activitate. Nu este “încredere în AI”, este “iată ce a văzut AI, iată ce a concluzionat, și iată datele brute pentru a verifica.” Clienții noștri ne spun că se simte mai mult ca o informare de la un coleg foarte atent decât ca o revizuire a ieșirii AI.

Acesta este standardul. Echipele de securitate operează în medii în care o decizie greșită poate însemna consecințe regulatorii, expunere juridică sau cariera unui angajat. Sistemul trebuie să câștige încredere prin a fi transparent despre modul în care ajunge la concluziile sale.

Jazz descrie sistemul său ca comportându-se mai mult ca un investigator uman decât ca un motor de reguli. Ce înseamnă asta în practică, și cât de aproape suntem de operațiuni de securitate complet autonome?

Când spun că Melody se comportă ca un investigator uman, spun literalmente.

Un analist DLP excelent nu doar vede că un fișier a fost încărcat. Ei examinează cine l-a încărcat, ce conținea, unde a mers, dacă această persoană obișnuiește să manipuleze acest tip de date, dacă există un motiv de afaceri pentru asta, și ce s-a întâmplat înainte și după. Ei folosesc judecata contextuală – nu doar reguli – și asta necesită înțelegerea contextuală a afacerii lor. Acesta este exact ce face Melody, dar la scară, pentru fiecare tranzacție de date dintr-o întreprindere, continuu.

În practică, clienții noștri descriu Melody ca pe un alt membru al echipei lor. Ea le arată situații care sunt în afara politicii, oferă investigația completă cu dovezi și solicită judecata lor în cazurile care necesită într-adevăr intrarea umană. Ea învață organizația în timp – procesele de afaceri, excepțiile, lucrurile care sunt tehnic o încălcare, dar operațional normale.

În ceea ce privește operațiunile de securitate complet autonome – suntem mai aproape decât cred majoritatea oamenilor, dar vreau să fiu precis despre ce înseamnă asta. Melody operează deja autonom în faza de investigație. Ea ia semnale brute și produce verdicturi investigate, contextualizate, fără implicare umană. Pentru scenarii de risc ridicat și încredere ridicată, ea poate lua și acțiuni preventive autonom – blocând o exfiltrație înainte de a fi finalizată.

Omul rămâne în buclă pentru apeluri de judecată și pentru procesul de învățare cu omul în buclă. Și asta este intenționat. Scopul nu este să înlăturăm oamenii din securitate, ci să înlăturăm munca monotonă și repetitivă care îi epuizează și să-i lăsăm să se concentreze pe deciziile care necesită într-adevăr judecata umană. Acolo suntem astăzi, și deja transformă modul în care clienții noștri rulează programele lor.

Din punct de vedere al produsului și ingineriei, care au fost cele mai dificile provocări tehnice în construirea unei platforme DLP native AI de la zero, în loc de a itera pe arhitecturi existente?

Partea cea mai grea a fost rezistența la tentația de a face scurtături.

Când începeți de la zero, există întotdeauna presiunea de a împrumuta piese din vechea arhitectură pentru că sunt dovedite și rapide, și sunt mai aliniate cu așteptările existente ale clienților. Dar de fiecare dată când faceți asta, moșteniți limitările vechiului model. Am luat decizia conștientă de a ne întoarce la principiile de bază – gândiți-vă la fizica fundamentală a problemei și reconstruiți.

Agentul de punct de capăt a fost una dintre cele mai mari provocări. Trebuia să reînnoim provocarea colectării semnalelor și să atingem un nivel de context suficient de ridicat, și să nu urmăm calea testată a semnalelor legacy – în timp ce mențineam impactul scăzut asupra performanței sistemului. Construirea acestuia pe toate sistemele de operare a fost un efort ingineresc serios. Am ajuns la o abordare brevetată care ne oferă vizibilitate pe care nimeni altcineva nu o are.

Sistemul multi-agent AI a fost o altă mare provocare. A face ca mai mulți agenți AI specializați să analizeze aceeași tranzacție din perspective diferite și apoi să converge pe o narativă coerentă și precisă – a necesitat multă gândire arhitecturală. Nu este doar aruncarea unui LLM la un flux de date. Straturile de orchestrare, modul în care agenții împărtășesc context, modul în care rezolvă semnalele contradictorii – acolo se află mare parte din provocare.

Și apoi motorul de politică în limbaj natural. Traducerea descrierilor în limbaj uman a ceea ce este acceptabil și ce nu în ceva pe care AI îl poate aplica în mod fiabil la mii de cazuri limită – aceasta este o problemă fundamental dificilă. Practicile zilnice de afaceri adesea diverg semnificativ de la politici scrise. Sistemul trebuie să podure această lacună, și trebuie să o facă corect, pentru că consecințele greșelii în DLP sunt grave.

Am ales fiecare dintre aceste provocări dificile intenționat, pentru că acestea sunt cele care fac diferența între DLP puțin mai bun și ceva fundamental nou.

În fiecare dintre aceste provocări și multe altele, există încă obstacole deschise de depășit, și seturi de probleme unice pentru talentele potrivite pentru a le aborda. Rezolvarea DLP în mod corespunzător este o călătorie cu adevărat provocatoare și tentantă.

Jazz a fost selectat ca câștigător al Acceleratorului de Startup de Securitate Cibernetică 2026, sprijinit de CrowdStrike (CRWD ), AWS și NVIDIA. Ce a validat această experiență despre abordarea dvs., și cum a influențat drumul dvs. înainte?

O mie de startup-uri au aplicat. Șase au ajuns în finală. Noi am câștigat.

Sunt sincer, momentul dinainte de a urca pe scenă îți amintește de tot ce ar putea merge prost. Și apoi începi să vorbești despre problema pe care am lucrat, și totul devine liniștit. Fiecare noapte târzie de dispută despre cum ar trebui să funcționeze Melody, fiecare decizie arhitecturală dificilă, fiecare conversație cu clienții care a modelat produsul, toate s-au comprimat în acele minute.

Judecătorii, George Kurtz, CJ Moses, Bartley Richardson, și legendara “rechin”, Robert Herjavec, au văzut. Ei au menționat în mod special modelul de investigație agentică, precum și adoptarea noastră rapidă de către clienți. Pentru noi, validarea liderilor industriei a contat mai mult decât trofeul. Aceștia sunt oameni care au construit și condus programe de securitate la nivelul cel mai înalt, și ei au recunoscut că ceea ce facem este fundamental diferit de ceea ce s-a încercat anterior – și că tracțiunea noastră vorbește de la sine.

În ceea ce privește drumul, acceleratorul a întărit ceea ce ne spuneau deja clienții noștri – piața este gata pentru asta, și vor ca noi să ne mișcăm rapid. Ne dublăm eforturile pentru a extinde capacitățile investigatorului și pentru a pune produsul în fața cât mai multor echipe de securitate.

Privind înainte, credeți că DLP evoluează într-un sistem complet autonom, condus de agenți, și ce arată viitorul pe termen lung al securității datelor într-o întreprindere nativă AI?

Cred că DLP va deveni complet autonom în etape. Stratul de investigație este deja acolo – Melody face asta astăzi. Prevenirea pentru scenarii de încredere ridicată se întâmplă acum. În timp, sistemul devine mai inteligent despre organizație, învață fluxurile de lucru, înțelege oamenii, și suprafața care necesită într-adevăr judecata umană se micșorează.

Dar vreau să fiu clar – “autonom” nu înseamnă “nesupravegheat.” Înseamnă că sistemul face munca pe care oamenii nu ar trebui să o facă, astfel încât ei să se poată concentra pe deciziile care cu adevărat contează. CISO-ul viitorului nu se sufocă în alerte. Ei examinează evaluări de risc strategice de la un AI care înțelege afacerea lor la fel de bine cum o face cel mai bun analist. Ei iau acțiuni chirurgicale care sunt relevante pentru organizația lor, pe baza insight-urilor agregate despre peisajul activ de pierdere de date, și nu ghicitori. Acest lucru le permite să reducă riscul datelor, fără a încetini afacerea.

Imaginea de ansamblu este următoarea: într-o întreprindere nativă AI, datele se mișcă mai repede, prin mai multe canale, în moduri mai complexe decât orice echipă umană poate urmări. Organizațiile care vor câștiga vor fi cele ale căror sisteme de securitate pot înțelege contextul la viteza AI, nu cele care încă scriu reguli regex și speră la cel mai bun. Mulțumesc pentru acest interviu minunat, cititorilor care doresc să afle mai multe despre Jazz.