Ido Livneh, VD och medgrundare av Jazz – Intervjuserie

Ido Livneh, VD och medgrundare av Jazz, är en erfaren produktledare och entreprenör med en stark meritlista av att bygga och skala högpresterande teknologiplattformar, inklusive att leda produktutvecklingen på Laminar genom dess förvärv av Rubrik och hjälpa till att driva den framgångsrika försäljningen av Tapingo till Grubhub för 150 miljoner dollar; hans karriär inkluderar seniorroller på Axonius och tidigare företag som KnuPo, och har en djup teknisk grund som utvecklats under nästan ett decennium i Israels försvarsmakt där han avancerade från ingenjör till att leda programvaruutveckling, en erfarenhet som nu formar hans fokus på att bygga AI-nativa cybersäkerhetslösningar.

Jazz är ett AI-nativt cybersäkerhetsföretag som omdefinierar Data Loss Prevention genom att gå bortom äldre regelbaserade system och introducera en kontextmedveten plattform som förstår hur data flödar genom organisationer, analyserar användarbeteende, system och arbetsflöden för att identifiera verkliga risker istället för att generera onödiga varningar; genom att använda AI för att undersöka incidenter vid källan och ge handlingsbara insikter, möjliggör plattformen för smala säkerhetsteam att hantera komplexa miljöer och förhindra känslig dataexponering över molntillämpningar, slutpunkter och interna system, vilket positionerar Jazz som en del av en ny generation av företag som bygger om företagssäkerhet för AI-eran.

Du har lett produktutvecklingen på företag som Laminar genom dess förvärv och haft ledande roller på Axonius och Grubhub, samtidigt som du har grundat flera startups. Vilken specifik lucka eller insikt från dessa erfarenheter fick dig att starta Jazz, och varför var nu rätt ögonblick att revolutionera Data Loss Prevention (DLP)?

Jag har tillbringat det senaste decenniet med att bygga säkerhetsprodukter och suttit mittemot CISO:er. Tre VP Product-roller, två exits – inklusive Laminar, som vi sålde till Rubrik. Och om det finns en sak jag har lärt mig över allt, är det detta: absolut ingen älskar sitt DLP.

På Laminar byggde vi den första delen av DSPM-kategorin – data security posture management. Ett bra problem, men vi tillbringade tre år med att utbilda marknaden innan inkommande försäljning ens började. Jag gick därifrån med tanken: nästa gång vill jag ha ett gammalt problem. Ett problem som varje styrelse redan känner till, varje CISO redan har budget för, och som ingen har faktiskt löst.

DLP är det problemet. Det är tjugo år gammalt. Varje säkerhetsorganisation känner till risken. Och lösningarna på marknaden är universellt hatade – inte för att leverantörerna är inkompetenta, utan för att hela ramverket är fel. Vi har bett maskiner att matcha mönster och människor att ge kontext. Den modellen var alltid ödesbestämd att bryta samman.

Tidpunkten var uppenbar. AI gav oss möjligheten att göra något som var bokstavligen omöjligt tidigare – bygga ett system som förstår data på samma sätt som en senioranalytiker, men autonomt och i skala. När vi såg det, visste de fyra medgrundarna – alla Unit 81-alumner – att detta var ögonblicket att gå tillbaka till grunderna och bygga om DLP från scratch. Och den här gången, göra det fungera, och enkelt så.

Traditionella DLP-system har länge kritiserats för att generera onödiga varningar. Vad bryter i grunden i regelbaserad DLP, och varför har branschen kämpat för att lösa detta problem?

Problemet är inte att regelbaserad DLP behöver bättre regler. Problemet är att regler var fel verktyg för det här jobbet från början.

Här är hur det faktiskt fungerar. Du distribuerar ett system som förstår mönster – regex, filtyper, nyckelord. Du skriver regler. Maskinen matchar data mot dessa regler, och varje gång det finns en match, berättar den för en mänsklig analytiker: “Kom och titta på det här.” Analytikern måste sedan ta med all kontext – vem är den här personen, vad gjorde de, varför gjorde de det – och fatta ett bedömningsbeslut.

Den andra delen, den mänskliga undersökningen, skalar aldrig. Fysiken i DLP är för bullrig. Data rör sig konstant inom varje stor företag. Ett niosiffrigt nummer är inte alltid ett socialförsäkringsnummer. En filöverföring är inte alltid exfiltrering. En bokstavsbetyg “A” utlöser FERPA-regler. En intern överföring mellan avdelningar blockeras. Systemet kan inte avgöra om en känslig fildelning är viktig affärsverksamhet eller om det är kronjuvelerna som går ut genom dörren.

Så vad gör företagen? De lägger till undantag. Varje undantag är ett ögonblick då verktyget misslyckades med att förstå deras verksamhet. Och var och en är i princip en sanktionerad bakdörr. Zooma ut efter arton månader och vad du kör är inte ett säkerhetsprogram – det är en förteckning över kompromisser klädd i en efterlevnadsrapport.

Ungefär 30% av marknaden har ett moget DLP-program, och även de vet att det är en bra ansträngning i bästa fall – tillfredsställer efterlevnadsramar och ingenting mer. Vi kallar dem “de fångade”. De andra 70% har antingen aldrig försökt eller försökt och misslyckats. Tidigare försök att fixa detta strödde lite AI över det traditionella regelbaserade ramverket. Det är som att lägga en färsk målarfärg på en bil med en motor som alla vet inte kan hantera belastningen. Ramverket i sig är vad som behöver ändras.

Jazz positionerar sig som att leverera svar istället för varningar. Kan du gå igenom hur ditt system undersöker incidenter och vad som gör det annorlunda från äldre upptäcktsflöden?

Äldre DLP ger dig en brandvarnare och sedan en förstoringsglas. “Något hände i den byggnaden. Lycka till med att figurera ut vilken våning.”

Jazz gör inte det. Vi byggde en autonom utredare, hennes namn är Melody, som gör det arbete en mänsklig analytiker skulle göra, men i supermänsklig skala.

När en datatransaktion inträffar, flaggar Melody inte bara. Hon genomför en fullständig utredning över fyra dimensioner. Först, data i sig – inte med regex och mönster, utan djupt förstående vad denna data är, vem som äger den, vad risken för att förlora den faktiskt betyder för detta specifika företag. Andra, systemen – var data kommer ifrån, vart den går, och kritiskt, vilken hyresgäst. Det finns en enorm skillnad mellan att ladda upp en fil till en företags Google Drive och en personlig, och Melody förstår den distinktionen.

Tredje, människor – vi lär oss hur individer opererar, hur de använder data över tid, vad som är normalt för deras roll. Och fjärde, affärsprocessen – varför sker denna transaktion? Är det en del av en känd arbetsflöde, eller är det något vi inte kan förklara?

Dessa flera agenter kommer samman och rekonstruerar hela berättelsen: vad hände, varför hände det, och avsikt bakom aktören. När en människa ser det är det inte en varning – det är en förutundersökt berättelse med bevis, kontext och en dom. I en typisk distribution bearbetar Jazz ungefär 2 miljoner signaler per månad för varje tusen anställda, undersöker hundratusentals potentiella händelser och presenterar ungefär 80 incidenter som faktiskt behöver mänsklig uppmärksamhet. Det är en signal-till-brus-förhållande på 20 000 till 1. Det är så vi sätter stopp för otillgängliga varningar och varningsutmattning.

Din plattform analyserar kontext över data, system, människor och affärsverksamhet. Hur tekniskt sett förenar du dessa dimensioner, och vilken roll spelar AI-agenter eller resonemangssystem i den processen?

Arkitekturen är byggd kring flera specialiserade AI-agenter, var och en analyserar en enda datatransaktion från ett annat perspektiv.

En agent fokuserar på att djupt förstå data – dess innehåll, känslighet, ägande och relevans för affärsverksamheten. En annan tittar på systemlandskapet – inte bara applikationsnamnen, utan specifika hyresgäster, förtroendenivå, om det är företag eller personligt. En tredje bygger och uppdaterar kontinuerligt profiler över hur individer opererar och använder data, så att den kan bedöma om en given åtgärd är förenlig med någons roll eller helt anomalt. Och en fjärde kartlägger affärsprocesser – kopplar datatransaktioner till kända arbetsflöden och identifierar de som inte kan förklaras.

Dessa agenter konvergerar sedan och syntetiserar sina fynd till en enhetlig utredning – en fullständig berättelse om vad som hände, varför och om det är en verklig risk.

Allt detta vilar på två grundläggande innovationer. Först, vad vi kallar endpoint-kontextvalv – en ny typ av signaler som vi har patenterat specifikt för DLP. Dessa fångar inte bara datatransaktionen i sig, utan hela berättelsen runt den: vad som hände före, vad som hände efter, vilka applikationer var inblandade, den fullständiga användaraktivitetskedjan. Dessa signaler är otroligt rika kontext och tillåter oss att leverera inte bara vad som hände, utan också varför det hände och aktörens avsikt, som alltid varit svåra för maskiner att förstå i skala.

Andra, en naturlig språkpolicy-motor som ersätter de traditionella rigida regelsatserna. Istället för att skriva tekniska regler med regex och trösklar, beskriver säkerhetsteam vad som är acceptabelt och vad som inte är det på samma sätt som en människa skulle – på vanligt språk. Melody använder det för att fatta nyanserade bedömningsbeslut i situationer som kanske inte uttryckligen nämns i någon policy. Eftersom verkligheten i dagliga affärspraxis i en organisation ofta skiljer sig enormt från vad som faktiskt är skrivet i en vanlig policydokument. Vi brottar gapet och för dem med långvarig erfarenhet av DLP-program känns det som magi.

Många företag distribuerar nu autonoma AI-agenter som interagerar med känslig data. Hur förändrar detta hotlandskapet, och varför kräver det en ny ansats till DLP?

Detta är en tidsinställd bomb.

SaaS-explosionen var redan överväldigande för säkerhetsteam – varje vecka dyker fem nya verktyg upp i miljön, många antagna av anställda utan IT-godkännande. Vi har haft kunder som upptäckt över 400 GenAI-verktyg som körs över hela organisationen som ingen visste om. Lägg nu till autonoma AI-agenter på toppen av det.

AI-agenter hanterar inte bara passivt data – de drar aktivt data, transformerar den, skickar den till andra tjänster, fattar beslut om var den ska gå. En anställd som ansluter en AI-kodhjälpare till företagets kodbas, använder ett personligt konto och sedan skickar utdata till ett personligt repository – vi har sett exakt det i fältet. Eller någon som klistrar in konfidentiella strategidokument i en personlig ChatGPT-session eftersom företaget inte har etablerat ett företagskonto. Till och med något så enkelt som ett personligt Grammarly-plugin som granskar allt du skriver, inklusive banköverföringsdetaljer och kunddata.

Regelbaserad DLP byggdes för en värld där data rörde sig genom ett fåtal kända kanaler – e-postbilagor, USB-enheter, kanske en webbuppladdning. AI-eran sprängde den modellen. Data rör sig nu genom dussintals vektorer som äldre system inte ens kan se, än mindre förstå. Du behöver ett system som kan förstå vad som händer kontextuellt – inte bara att data flyttades, utan varför, genom vad och om destinationen är sanktionerad.

Det är grundläggande varför det gamla ramverket inte kan lappas. Du behöver en ansats som förstår affärskontext naturligt, eftersom attackytan inte är en lista över kanaler längre, utan varje interaktion mellan människor, AI-verktyg och känslig data.

Förklarbarhet kvarstår som ett stort hinder för att anta AI i säkerhet. Hur säkerställer du att ditt systems beslut är förståeliga och pålitliga för säkerhetsteam som opererar i högriskmiljöer?

Detta är något vi tänkte på från dag ett, eftersom den sista sak en CISO behöver är en annan svart låda.

Varje utredning Melody producerar är en berättelse – inte en poäng, inte en färgkod, inte en kryptisk risknummer. Den läser som en briefing från en senior analytiker. Här är vad som hände. Här är vem som var inblandad. Här är varför vi tror att de gjorde det. Här är bevisen. Här är den policy det kartlägger till. Här är vår bedömning.

Den naturliga språkpolicy-motorn är avgörande för detta. Eftersom policys själva skrivs på vanligt språk, kan säkerhetsteam se exakt vilken policy ett beslut kartlägger till och varför. Om Melody flaggar något, kan teamet spåra resonemangs kedjan från de råa signalerna genom kontextanalysen till policy-matchningen. Och om de inte håller med, kan de finjustera policyn på vanligt språk – inte genom att felsöka en regelsamling.

Vi visar också bevisen direkt, den fullständiga aktivitetskedjan. Det är inte “lita på AI”, det är “här är vad AI såg, här är vad den drog för slutsats, och här är de råa data så att du kan verifiera.” Våra kunder berättar för oss att det känns mindre som att granska AI-utdata och mer som att få en briefing från en riktigt noggrann kollega.

Det är ribban. Säkerhetsteam opererar i miljöer där ett felaktigt beslut kan innebära regulatoriska konsekvenser, rättsliga exponeringar eller en anställds karriär. Systemet måste förtjäna förtroende genom att vara transparent om hur det når sina slutsatser.

Jazz beskriver sitt system som beter sig mer som en mänsklig utredare än en regelmotor. Vad betyder det i praktiken, och hur nära är vi till verkligt autonom säkerhetsverksamhet?

När jag säger att Melody beter sig som en mänsklig utredare, menar jag det bokstavligen.

En bra DLP-analytiker ser inte bara att en fil har laddats upp. De tittar på vem som laddade upp den, vad den innehåller, vart den gick, om den här personen normalt hanterar den här typen av data, om det finns ett affärsrelaterat skäl till det och vad som hände före och efter. De använder kontextuell bedömning – inte bara regler – och det kräver kontextuell förståelse för deras affärsverksamhet. Det är exakt vad Melody gör, men över varje datatransaktion i ett företag, kontinuerligt och i skala.

I praktiken beskriver våra kunder Melody som en annan medlem i deras team. Hon visar dem situationer som ligger utanför policyn, ger den fullständiga utredningen med bevis och ber om deras bedömning i fall som verkligen behöver mänsklig inmatning. Hon lär känna organisationen över tid – affärsprocesser, undantag, saker som tekniskt sett är ett brott men operativt normala.

När det gäller verkligt autonom säkerhetsverksamhet – vi är närmare än de flesta tror, men jag vill vara tydlig med vad det betyder. Melody opererar redan autonomt i utredningsfasen. Hon tar råa signaler och producerar fullständigt utredda, kontextualiserade domar utan mänsklig inblandning. För högkonfidens-scenarier kan hon också vidta förebyggande åtgärder autonomt – blockera en exfiltrering innan den är klar.

Människan förblir i loopet för bedömningsbeslut och för den mänskliga inlärningsprocessen. Och det är avsiktligt. Målet är inte att ta bort människor från säkerhet, utan att ta bort det tråkiga, repetitiva arbetet som bränner ut dem och låta dem fokusera på de beslut som faktiskt kräver mänsklig bedömning. Det är där vi är idag, och det förändrar redan hur våra kunder kör sina program.

Från ett produkt- och ingenjörsperspektiv, vad var de mest svåra tekniska utmaningarna i att bygga ett AI-nativt DLP-plattform från scratch istället för att iterera på befintliga arkitekturer?

Det svåraste var att motstå frestelsen att ta genvägar.

När du börjar från scratch finns det alltid tryck på att låna bitar av den gamla arkitekturen eftersom de är beprövade och snabba, och mer i linje med befintliga kundförväntningar. Men varje gång du gör det, ärver du begränsningarna i den gamla modellen. Vi fattade ett medvetet beslut att gå tillbaka till grunderna – tänka på de grundläggande fysiska problemen och bygga om.

Slutpunktsagenten var en av de största utmaningarna. Vi behövde omdefiniera utmaningen med signalsamling och nå tillräcklig kontext, och inte ta den testade vägen av äldre signaler – samtidigt som vi upprätthöll låg påverkan på systemprestanda. Att bygga det över alla operativsystem var ett allvarligt ingenjörsarbete. Vi slutade med en patenterad metod som ger oss synlighet som ingen annan har.

Det multi-agenta AI-systemet var en annan stor utmaning. Att få flera specialiserade AI-agenter att analysera samma transaktion från olika perspektiv och sedan konvergera till en sammanhängande, korrekt berättelse – det krävde mycket arkitekturarbete. Det är inte bara att kasta en LLM på en datafeed. Orkestreringsskiktet, hur agenter delar kontext, hur de löser konfliktande signaler – det är där utmaningen bor.

Och sedan den naturliga språkpolicy-motorn. Att översätta mänskligt språkbeskrivningar av vad som är acceptabelt och vad som inte är det till något som AI kan tillförlitligt tillämpa på tusentals gränsfall – det är ett grundläggande svårt problem. Dagliga affärspraxis avviker ofta avsevärt från skrivna policydokument. Systemet måste brottas gapet och det måste göra det rätt, eftersom konsekvenserna av att göra fel i DLP är allvarliga.

Vi valde var och en av dessa svåra problem medvetet, eftersom de är de som gör skillnaden mellan inkrementellt bättre DLP och något grundläggande nytt.

I var och en av dessa utmaningar och många fler finns det fortfarande öppna hinder att övervinna, och ganska unika problemuppsättningar för rätt talang att ta itu med. Att lösa DLP väl är en verkligt tankeväckande och förtjusande resa.

Jazz valdes som vinnare av 2026 års Cybersecurity Startup Accelerator som stöds av CrowdStrike (CRWD ), AWS och NVIDIA. Vad bekräftade den upplevelsen om er ansats, och hur har den påverkat er vägkarta framåt?

Tusen startups ansökte. Sex nådde finalen. Vi vann.

Jag ska vara ärlig, ögonblicket innan du går upp på den scenen, påminner din hjärna om allt som kan gå fel. Och sedan börjar du prata om problemet vi har arbetat med, och allt blir tyst. Varje sen natt som diskuterar hur Melody ska fungera, varje svårt arkitektbeslut, varje kundkonversation som formade produkten, allt komprimerades till de där minuterna.

Domarna, George Kurtz, CJ Moses, Bartley Richardson och den legendariska hajen, Robert Herjavec, såg det. De nämnde specifikt det agenterbaserade utredningsmodellen, samt vår snabba kundantagning. För oss var branschledarnas validering viktigare än trofén. Dessa är människor som har byggt och kört säkerhetsprogram på högsta nivå, och de erkände att vad vi gör är fundamentalt annorlunda från vad som har försökts tidigare – och att vår dragkraft talar för sig själv.

När det gäller vägkartan, förstärkte acceleratorn vad våra kunder redan berättade för oss – marknaden är redo för detta, och de vill att vi ska gå fort. Vi dubblar ner på att expandera utredarens förmågor och få produkten till så många säkerhetsteam som möjligt.

Om du tittar framåt, tror du att DLP utvecklas till ett fullständigt autonomt, agentdrivet system, och vad ser den långsiktiga framtiden ut för datasäkerhet i ett AI-nativt företag?

Jag tror att DLP kommer att bli fullständigt autonomt i etapper. Utredningsskiktet är redan där – Melody gör det idag. Förebyggande för högkonfidens-scenarier sker nu. Över tid blir systemet smartare om organisationen, lär sig dess arbetsflöden, förstår dess människor, och ytan som verkligen kräver mänsklig bedömning minskar.

Men jag vill vara tydlig – “autonom” betyder inte “osuperverad.” Det betyder att systemet hanterar arbetet som människor inte borde behöva göra, så att de kan fokusera på de beslut som faktiskt betyder något. CISO för framtiden drunknar inte i varningar. De granskar strategiska riskbedömningar från en AI som förstår deras affärsverksamhet lika djupt som deras bästa analytiker. De vidtar kirurgiska åtgärder som är relevanta för deras organisation, baserat på aggregerade insikter om deras landskap av aktiv dataförlust, och inte gissningar. Detta möjliggör för dem att minska datarisk utan att sakta ner sin verksamhet.

Den större bilden är den här: i ett AI-nativt företag flyttar data snabbare, genom fler kanaler, på fler sätt än något mänskligt team kan spåra. Företagen som vinner kommer att vara de vars säkerhetssystem kan förstå kontext i AI-hastighet, inte de som fortfarande skriver regex-regler och hoppas på det bästa.

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