Craig Riddell, Global Field CISO på Wallarm – Intervjuserie

Craig Riddell, Global Field CISO på Wallarm, är en erfaren cybersäkerhetsexpert som fokuserar på att hjälpa företag hantera de växande riskerna som är kopplade till API:er och AI-drivna system. I sin nuvarande roll arbetar han nära med CISO:er, CIO:er och teknikledare för att översätta verkliga angreppsmönster och missbruks-scenarier till agerbara säkerhetsstrategier, med stark betoning på observabilitet – förståelse för hur API:er och AI-system beter sig i produktion över användare, applikationer och integrationer. Hans karriär omfattar ledande roller inom identitet och åtkomsthantering, nolltillitarkitektur och företagssäkerhet i organisationer som inkluderar Netwrix, Kron och HP, där han drev storskaliga IAM-omvandlingar och moderniserade säkerhetsramverk. Riddells expertis centrerar sig kring nya hot som affärslogikattacker, API-missbruk, AI-systemdrift och bedrägeri, med en konsekvent fokus på att överbrygga gapet mellan högnivåsäkerhetsstrategi och operativ genomförande.

Wallarm är ett cybersäkerhetsföretag som specialiserar sig på att skydda API:er, applikationer och AI-drivna system i moderna molnmiljöer. Dess plattform erbjuder kontinuerlig upptäckt, testning och realtidskydd mot hot som API-missbruk, affärslogikattacker och automatiserade exploateringar, samtidigt som den erbjuder djup insikt i hur system beter sig över komplexa infrastrukturer. Utformad för multi-moln- och moln-nativa arkitekturer integrerar Wallarm i befintliga DevOps- och säkerhetsflöden, vilket möjliggör för organisationer att upptäcka och blockera angrepp medan de sker snarare än efteråt. Genom att kombinera API-inventering, AI-drivet hotskydd och automatiserad responsförmåga adresserar plattformen den växande verkligheten där API:er och AI-system har blivit den primära attackytan för moderna digitala företag.

Du började din karriär med att arbeta direkt med system och infrastruktur och har sedan flyttat till ledande roller som fokuserar på identitet, åtkomst, API och AI-säkerhet. Vilka är de viktigaste förändringarna under den resan som ledde dig till att dra slutsatsen att den verkliga risken har flyttat från periferin och in i API:er och maskin-styrda system?

Tidigt i min karriär fokuserade vi på att skydda gränsen. Brandväggar, segmentering, förstärkning av infrastruktur. Den modellen fungerade när systemen var mer statiska och förtroendegränser var lättare att definiera.

Vad som förändrades var hur applikationer byggs och hur system interagerar. API:er blev den sammanhållande vävnaden för allt, och AI accelererade det ytterligare. Nu fattar system beslut, anropar andra system och utför åtgärder i en skala och hastighet som inte involverar människor i loopen.

På den punkten blir periferin mindre relevant. Den verkliga risken flyttar till där beslut fattas och åtgärder utförs, inuti API:er och maskin-styrda arbetsflöden.

Om du inte har insyn och kontroll där, litar du på beteende som du inte fullständigt kan se. Det är där affärsrisken dyker upp, från finansiell exponering till oavsiktliga resultat och operativ störning.

Du har beskrivit den cyberhandslag som trasig, med hänvisning till hur system etablerar förtroende och utbyter åtgärder över alltmer komplexa kedjor av API:er och automatiserade processer. Hur ser den här sönderfallet ut i en verklig företagsmiljö idag?

I de flesta miljöer litar system på varandra baserat på identitet och autentisering. En token är giltig, en begäran är välgjord och interaktionen är tillåten.

Problemet är att detta antar att giltig är detsamma som säker. Det är inte längre sant.

Vi autentiserar identitet, men vi validerar inte avsikt. Vi verifierar åtkomst, men inte beteende över kedjan.

En tjänst kan vara auktoriserad att anropa en annan tjänst, som utlöser nedströmsåtgärder över flera API:er. Varje steg ser legitimt ut i isolering, men över hela kedjan börjar du se oavsiktligt beteende eller missbruk av logik.

I AI-drivna miljöer förstärks detta. Agenter kan kedja åtgärder och utföra arbetsflöden utan mänsklig granskning.

Handslaget sker fortfarande, men ingen frågar om beteendet har mening i sammanhanget. Förtroende etableras men inte kontinuerligt validerat.

Varför hamnar AI- och API-risken så ofta mellan organisatoriska gränser istället för att tydligt ägas?

Eftersom systemen inte stämmer överens med hur organisationer är strukturerade.

DevOps äger leverans. Säkerhet äger policy. Företagsgrupper äger resultat. Datagrupper äger modeller. Varje grupp äger en del, men ingen äger systemet som det beter sig i produktion.

API:er utför affärslogik över system. AI introducerar icke-deterministiskt beslutsfattande ovanpå det. Tillsammans skär de över alla gränser.

De byggs av ett team, säkras av ett annat och konsumeras av ett tredje, med inkonsekvent övervakning över alla.

Gapet som skapas är inte en brist i team. Det är en brist i driftsmodellen för att återspegla hur moderna system faktiskt fungerar.

I din erfarenhet, vilka team tenderar att tro att de äger AI-risken, och var finns de största blindfläckarna mellan säkerhet, DevOps och företagsenheter?

Säkerhetsteam tenderar att äga AI-risken från ett styrnings- och regelefterlevnadsperpektiv. DevOps äger distribution och tillförlitlighet. Företagsenheter fokuserar på resultat.

Blindfläckarna dyker upp mellan dessa områden.

Säkerhet definierar vad som ska hända. DevOps ser till att systemet körs. Företaget fokuserar på resultat. Men mycket få team tittar konsekvent på vad systemet faktiskt gör i realtid.

Det gapet är där risken bor, särskilt när beteendet är tekniskt giltigt men kontextuellt fel.

Många moderna attacker verkar som giltig och autentiserad beteende snarare än uppenbara intrång. Hur bör organisationer omdefiniera upptäckt i denna nya verklighet?

Vi måste gå bortom att identifiera “dåliga” begäranden.

I många fall är begäran giltig. Behörigheterna är legitima. API-anropet är förväntat. Vad som inte är förväntat är sekvensen av åtgärder, volymen eller resultatet.

Upptäckt måste bli beteendemässig och kontextuell. Det handlar mindre om att blockera en enskild begäran och mer om att förstå hur system interagerar över tid.

Tillvägagångssätten som faktiskt fungerar i stor skala går bortom mönstermatchning. De dekomponerar begäranden strukturellt, behandlar varje interaktion som en uppsättning beteendemässiga token snarare än att försöka matcha mot kända dåliga mönster.

Det gör att du kan förstå hur beteendet utvecklas och var det avviker, även när allt ser giltigt ut på ytan.

Om du förlitar dig på statiska regler eller signaturer kommer du att missa det mesta av vad som är viktigt.

Du har betonat vikten av insyn i verklig beteende. Vad ser meningsfull insyn ut för API:er och AI-system i produktion?

Meningsfull insyn är inte bara loggar och mått. Det handlar om att förstå beteende i sammanhang.

För API:er betyder det fullständig begäran- och svarsinsyn, hur slutpunkter används och hur interaktioner utvecklas över tid.

För AI-system betyder det att förstå indata, beslut och resulterande åtgärder.

Viktigast av allt betyder det att ansluta dessa över system till fullständiga arbetsflöden, inte isolerade händelser.

Utan det opererar du på antaganden om systembeteende istället för verklighet.

Varför blir traditionell mänsklig granskning och godkännande mindre effektiv i maskin-styrda miljöer?

Eftersom hastigheten och omfattningen har förändrats.

System fattar tusentals eller miljontals beslut per minut, och angrepp eller oavsiktligt beteende kan utvecklas på minuter eller sekunder. Du kan inte realistiskt sätta en människa i loopen för varje beslut utan att bryta prestanda.

AI-system är inte alltid deterministiska, vilket gör för-godkännande-modeller mindre effektiva.

Mänsklig tillsyn är fortfarande viktig, men den behöver skifta från att godkänna enskilda åtgärder till att definiera skyddsräcken och övervaka resultat.

Vilka är de vanligaste operativa gapen du ser när företag försöker säkra AI-system med hjälp av äldre säkerhetsramverk?

Det största gapet är en alltför stor tillit till design-tid-kontroller.

Organisationer fokuserar på att säkra modeller, granska kod och definiera policys innan distribution. Det är viktigt, men det antar att system kommer att bete sig som förväntat när de är live.

I verkligheten utvecklas system. API:er ändras. AI-modeller interagerar med nya data och arbetsflöden. Beteendet förändras över tid.

Utan kontinuerlig validering av beteende i produktion är organisationer i praktiken blinda efter distribution.

Vad ser en praktisk driftsmodell ut när flera intressenter delar ansvar för AI- och API-risk?

Det börjar med att erkänna att inget enskilt team kan äga detta från början till slut.

En praktisk modell definierar delat ansvar, förankrat kring en gemensam sanning: driftsbeteende.

Säkerhet definierar risk och policy. Teknik bygger och opererar system. Företaget definierar acceptabla resultat.

Teamen som kommer före detta opererar i en sluten loop. Kontinuerlig upptäckt, genomdrivande och förfining driven av vad system faktiskt gör i produktion, inte vad som antogs vid design-tiden.

Alla intressenter behöver insyn i hur system opererar i produktion. Därifrån kan teamen anpassa sig till vad “bra” ser ut, upptäcka avvikelser och svara.

Skiftet är från enskild ägo till samordnat ansvar, grundat i driftsinsikt.

Om vi blickar framåt, förväntar du dig att säkerhetsansvaret kommer att bli mer centraliserat igen, eller kommer det att fortsätta att fragmenteras när system blir mer autonoma?

Ansvaret kommer att förbli distribuerat eftersom det speglar hur system byggs.

Vad som kommer att förändras är hur det ansvaret samordnas.

Vi kommer att se mer enhetliga styrningsmodeller där team äger sina domäner men opererar med delad insyn och sammanhang.

De organisationer som lyckas kommer inte att vara de som försöker centralisera allt. De kommer att vara de som anpassar intressenter runt hur system faktiskt beter sig i den verkliga världen.

Eftersom om ingen förstår driftsbeteende, äger ingen verkligen risken.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Wallarm.