Harold Byun, VD för BlueRock – Intervjuerien

Harold Byun, VD för BlueRock, är en erfaren företagsledare inom företags-teknologi med djup kunskap inom cybersäkerhet, SaaS-plattformar, molnsäkerhet och företagsledning av produkter. Innan han blev VD i april 2026 tjänstgjorde han som företagets Chief Product Officer, där han hjälpte till att forma BlueRocks riktning kring agentic AI-säkerhet och övervakning. Innan han gick med i BlueRock hade Byun seniora ledningsroller på AppOmni, ServiceNow (NOW ), Skyhigh Networks, Symantec och Citrix efter förvärvet av Zenprise. Under dessa roller byggde han upp ett rykte för att hjälpa företag att säkra alltmer komplexa moln- och data-miljöer, erfarenhet som nu direkt överensstämmer med de framväxande säkerhetsutmaningarna kring autonoma AI-agenter och Model Context Protocol (MCP)-ekosystem.

BlueRock fokuserar på att säkra exekveringslagret för agentic AI-system, ett område som blir alltmer kritiskt när företag distribuerar autonoma AI-agenter som kan interagera med verktyg, API:er, kodbas och känsliga företagsdata. Företaget utvecklar säkerhets- och övervakningsteknologier som är utformade för att övervaka, sandboxa och tillämpa skydd på AI-agenter, särskilt inom MCP-baserade miljöer. BlueRocks plattform betonar runtime-synlighet och exekveringslagerskydd snarare än att enbart förlita sig på prompt-nivåsäkerhetsåtgärder, vilket speglar en bredare branschövergång mot att säkra hur AI-agenter agerar, inte bara vad de säger. När organisationer flyttar från AI-experiment till autonoma arbetsflöden i produktion positionerar sig företag som BlueRock i centrum för vad som kan bli en stor ny kategori inom företagssäkerhet.

Du har tillbringat år i moln, SaaS, Data Loss Prevention (DLP) och företagssäkerhet på företag som AppOmni, Symantec, ServiceNow och Skyhigh Networks. Vad övertygade dig om att runtime-säkerhet för AI-agenter skulle bli den nästa stora säkerhetskategorin?

Vad som blev uppenbart för mig är att AI förändrar var meningsfull operativ risk och komplexitet faktiskt förekommer. I traditionell programvara är de flesta beteenden definierade före distribution. I agentic system ökar beteendet under exekvering genom prompt, kontext, verktyg, API:er, MCP-servrar och nedströmsinteraktioner.

Det skapar en mycket annan operativ modell. När agenter kan fatta dynamiska beslut och vidta åtgärder över system, förlorar organisationer den tydliga synligheten och den operativa förståelsen de har förlitat sig på under år.

Jag har sett liknande plattformsskiften tidigare i moln- och SaaS-säkerhet, där infrastrukturen utvecklades snabbare än de system som användes för att hantera den. AI skapar ett annat sådant ögonblick. Den långsiktiga utmaningen är inte bara modellsäkerhet. Det är att möjliggöra för organisationer att säkert driva agentic system i stor skala.

Kategorin som slutligen är viktig kommer att vara den som hjälper organisationer att förstå vad agenter faktiskt gör i produktion och ge dem förtroende att skala AI-nativa operationer på ett ansvarsfullt sätt.

BlueRock talar om “Agentic Execution Gap”, där organisationer förlorar synlighet när agenter börjar agera autonomt under exekvering. Varför misslyckas traditionella övervaknings- och säkerhetsverktyg i dessa miljöer?

Traditionella övervaknings- och säkerhetsverktyg byggdes för deterministiska system med relativt förutsägbara exekveringsvägar. De antar att utvecklare till stor del vet hur programmen ska bete sig innan de körs.

Agentic system bryter mot den antagandet.

Agenter kan dynamiskt upptäcka verktyg, anropa MCP-servrar, kedja arbetsflöden, interagera med API:er och fatta beslut i realtid. Exekveringsvägen ofta uppstår under exekvering.

De flesta befintliga verktyg fångar fragment som loggar, spår, telemetri eller modellutdata. Men organisationer behöver alltmer en kausals förståelse över hela exekveringsvägen: varför en agent valde ett verktyg, vilken kontext påverkade beslutet, vilka nedströms system berördes och vilka åtgärder inträffade som en följd.

Det är Agentic Execution Gap. Exekvering har blivit dynamisk, men synlighets- och kontrollmodellerna har inte utvecklats i takt med det.

En växande mängd företag experimenterar med Model Context Protocol (MCP)-baserade arkitekturer och autonoma AI-arbetsflöden. Vilka är de största säkerhetsmissuppfattningarna organisationer fortfarande har om MCP-servrar och agentic system?

MCP blir snabbt grundläggande infrastruktur för hur AI-agenter upptäcker, ansluter till och interagerar med verktyg, system och företagsdata.

Vad som gör MCP viktigt är att det dramatiskt minskar friktionen mellan AI-system och operativa miljöer. Det ökar utvecklarnas hastighet och låser upp kraftfulla arbetsflöden, men det ökar också avsevärt antalet exekveringsvägar agenter kan ta över företagssystem.

I många fall kan organisationer redan ha AI-verktyg som interagerar med MCP-anslutna tjänster utan att fullständigt förstå den nedströms operativa exponeringen som skapas.

En annan missuppfattning är att kontroll av prompt eller modeller är tillräckligt. I praktiken uppstår de större riskerna efter att modellen har fattat ett beslut. När agenter kan anropa verktyg, exekvera arbetsflöden, hämta känsliga data eller interagera med infrastruktur, skiftar utmaningen mot runtime-beteende och exekveringskontroll.

Den operativa ytan växer mycket snabbare än de flesta styrnings- och övervakningsmodeller var utformade för att hantera.

BlueRocks forskning fann allvarliga sårbarheter över offentliga MCP-servrar, inklusive Server-Side Request Forgery (SSRF) och kommandoinjektionsexponering. Underskattar företag hur snabbt MCP-ekosystem kan bli en ny programvaruleveransattackyta?

Ja. Jag tror att branschen fortfarande är tidig i att förstå hur viktigt MCP-ekosystemet kan bli ur ett leverans- och operativt förtroendeperspektiv. Till exempel har över 36% av de 11 000 MCP-servrar vi har analyserat obegränsade SSRF-sårbarheter. De flesta människor i branschen förstår inte att detta i princip öppnar upp hela nätverket från ett dataåtkomstperspektiv. Det skulle aldrig tillåtas i nästan alla företagsmiljöer i världen idag.

Historiskt sett har organisationer varit oroliga för bibliotek, containrar och öppen källkodsberoenden eftersom dessa komponenter blev en del av programvarustacken före distribution. MCP ändrar den modellen. Agenter kan nu dynamiskt upptäcka och interagera med externa verktyg och tjänster under exekvering i sig. Och i många fall har utvecklare och företaget bara sprungit framåt och distribuerat MCP utan att förstå eller bedöma riskerna.

Det skapar ett mycket annat förtroendeproblem.

Organisationer hanterar inte längre bara statiska beroenden. De hanterar alltmer dynamiska exekveringsberoenden som uppstår medan system körs. Agenter kan anropa verktyg, kedja arbetsflöden eller komma åt nedströms system på sätt som operatörer inte fullständigt förutser eller observerar.

Vår forskning kring SSRF, kommandoinjektion och andra sårbarheter visar hur omogna delar av ekosystemet fortfarande är. Men det större problemet är bredare än enskilda sårbarheter. När MCP-antagandet accelererar kommer organisationer att behöva mycket djupare insikt i hur autonoma system interagerar med externa tjänster under exekvering.

Din plattform betonar “agentic övervakning” snarare än att bara övervaka prompt eller utdata. Vad ser meningsfull runtime-synlighet ut som när agenter fattar dynamiska beslut över verktyg, API:er och infrastruktur?

Meningsfull runtime-synlighet kräver förståelse för hela exekveringsvägen, inte bara isolerade händelser.

Organisationer behöver se hur ett modellbeslut förvandlas till åtgärder över verktyg, MCP-servrar, API:er, infrastruktur och nedströms system. Det innebär att förstå varför en agent valde ett verktyg, vilken kontext påverkade beslutet, vilka behörigheter användes, vilka nedströms åtgärder utlöstes och vilket operativt resultat skapades.

Det blir särskilt viktigt när agenter opererar över distribuerade och efemära miljöer där traditionell övervakning snabbt fragmenteras.

Prompt-övervakning ensam är inte tillräckligt eftersom prompt inte förklarar operativt beteende. Utdata är inte tillräckligt eftersom de inte avslöjar vilka system som påverkades nedströms.

Framtiden för övervakning i agentic system är exekveringsmedveten. Det handlar om att förstå beteende från beslut till åtgärd till resultat i realtid.

BlueRocks Trust Context Engine verkar koppla identitet, förtroende och kapacitetsdata direkt till exekveringsflöden i realtid. Hur viktigt kommer kontextuellt förtroende att bli när AI-agenter alltmer interagerar med externa verktyg och system autonomt?

Kontextuellt förtroende blir grundläggande i agentic system eftersom agenter fattar dynamiska beslut under exekvering.

Traditionella system förlitade sig tungt på statiska förtroendeförutsättningar. Men agenter opererar alltmer över föränderliga kontexter, externa verktyg, API:er, MCP-servrar, identiteter och behörigheter.

Organisationer behöver utvärdera förtroende kontinuerligt under exekvering i sig. Inte bara om en modell är säker, utan om det verktyg som anropas är betrott, om den begärda åtgärden matchar förväntat beteende och vilken operativ risk åtgärden introducerar.

Därför tror vi att förtroendekontext blir kritisk infrastruktur för nästa generationens AI-system.

Vi ser en snabb tillämpning av AI-kodningsagenter och autonoma utvecklararbetsflöden. Vilka är de mest oroande riskerna när agenter får möjlighet att modifiera infrastruktur, distribuera kod eller interagera med produktionsystem utan mänsklig granskning?

Den största förändringen är att organisationer försöker dramatiskt öka utvecklingshastigheten genom att möjliggöra för långt fler människor att bygga med AI, inte bara traditionella programvaruutvecklare.

AI-kodningsagenter kan redan generera kod, modifiera infrastruktur, interagera med CI/CD-pipelines, anropa molntjänster och komma åt känsliga system. Produktivitetsuppsidan är enorm eftersom företag nu kan låsa upp både erfarna utvecklare och en ny generation AI-nativa och medborgarutvecklare.

Utmaningen är att operativ komplexitet växer lika snabbt. Oroande är inte bara skadligt beteende. Det är den negativa påverkan en agent kan ha som orsakar produktionsavbrott och påverkar tillgängligheten för data och infrastruktur för en organisation. Detta typ av avvikande beteende är liknande det offentliga S3-bucket-problemet för ett decennium sedan. Vi förväntar oss att agenter ska bete sig. Vi förväntar oss att skydd och kontroller ska sättas i drift. Men det finns vägar till oavsiktligt beteende, överdrivna behörigheter, dolda beroenden, osäkra verktygsanvändning eller exekveringsvägar som ingen förutsett. Och det kommer att resultera i fler avbrott eller underoptimerade distributioner där människor blir knapptryckare och ROI inte förverkligas fullt ut.

Organisationer behöver operativ synlighet och exekveringsmedvetna kontroller som följer med arbetsbelastningen så att de kan säkert skala AI-nativ utveckling utan att bromsa innovationen.

Många organisationer tänker fortfarande på AI-säkerhet främst genom linsen för modellsäkerhet och promptinjektion. Varför tror du att branschen nu behöver skifta mot att säkra åtgärder och exekveringsvägar istället?

Modellsäkerhet och promptinjektion är absolut viktiga, men de representerar bara en del av utmaningen.

Branschen flyttar från system som genererar svar till system som vidtar åtgärder. När agenter kan anropa verktyg, modifiera system, hämta känsliga data, exekvera arbetsflöden eller interagera med infrastruktur, skiftar den operativa risken mot exekveringsbeteende i sig.

En perfekt anpassad modell kan fortfarande skapa risk om den anropar fel verktyg, kommer åt fel system eller utlöser oavsiktliga nedströms åtgärder. Därför är att säkra prompt ensam otillräckligt. Och det kommer alltid att finnas nya tillvägagångssätt för att kringgå dessa typer av prompt-skydd. Det kommer att vara en ständig katt-och-råtta-lek.

Organisationer behöver inse att dessa skydd kommer att kringgås, och när de gör det, är den potentiella negativa påverkan som störst senare i exekveringsvägen. Därför behöver de alltmer synlighet och kontroll över hela exekveringsvägen och den operativa påverkan av agentbeteende i realtid.

Vissa forskare har jämfört MCP-antagandet med att ge AI-system ett “universellt USB-port” till företagsinfrastruktur. Hur bör företag balansera den enorma produktivitetsuppsidan av anslutna agenter med de operativa risker de introducerar?

Produktivitetsuppsidan är verklig. MCP förenklar dramatiskt hur agenter ansluter till verktyg, system och arbetsflöden, vilket är en anledning till att antagandet accelererar så snabbt.

Men organisationer bör undvika att tänka på MCP som enbart en anslutningslager. Det blir i princip en del av företagets operativa tyg.

Balansen kommer från att möjliggöra för utvecklare och AI-nativa byggare att flytta snabbt samtidigt som de upprätthåller exekveringsmedveten synlighet och kontroll.

Det innebär att förstå säkerheten för MCP-serverimplementeringen i sig, vilket är varför vi byggde mcp-trust.com-registret. Och det innebär att förstå vilka MCP-servrar agenter interagerar med, vilka typer av verktyg dessa servrar exponerar, vilka behörigheter beviljas och hur åtgärder propagerar under exekvering.

De organisationer som lyckas kommer att vara de som bygger operativt förtroende kring autonom exekvering.

Om vi ser framåt, vad ser en mogen företags AI-säkerhetsstack ut som i en värld där autonoma agenter rutinmässigt samarbetar, fattar beslut och utför uppgifter över flera system i produktion?

Jag tror att den mogna företags AI-stacken blir mycket mer exekveringscentrerad.

Organisationer kommer fortfarande att behöva modellsäkerhet, identitet, datasäkerhet och infrastruktursäkerhet. Men den större förändringen är att företag kommer att behöva operativa system utformade för autonoma och icke-deterministiska programvara.

När agenter alltmer samarbetar, fattar beslut och vidtar åtgärder över verktyg, infrastruktur och affärsarbetsflöden, kommer organisationer att behöva kontinuerlig synlighet i hur AI-system faktiskt beter sig under exekvering.

Framtida stacken kommer att kombinera övervakning, förtroendekontext, operativ styrning, exekveringsmedveten policytillämpning, identitet och runtime-säkerhet till ett enat operativt lager för agentic system.

De organisationer som lyckas kommer att vara de som kan kontinuerligt förstå och operationalisera autonom exekvering utan att bromsa innovationen.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka BlueRock.