Liat Hayun, SVP Produktledning och Forskning på Tenable – Intervjuserie

Liat Hayun är VP för Produkt och Forskning på Tenable Cloud Security. Innan hon gick med i Tenable, co-founded och tjänstgjorde Liat som VD för Eureka Security, ett datasäkerhetsföretag som förvärvades av Tenable. Innan hon co-founded Eureka Security, tillbringade Liat över ett decennium med att leda cybersäkerhetsinsatser på den israeliska Cyber Command och på Palo Alto Networks (PANW ). Som VP för Produktledning på Palo Alto Networks, ledde Liat utvecklingen av Cortex XDR och företagets hanterade hotjakt-tjänst.

Tenable är ett amerikanskt cybersäkerhetsföretag som fokuserar på att hjälpa organisationer att identifiera, förstå, prioritera och åtgärda säkerhetsrisker över hela deras digitala angreppsyta. Det är mest känt för sin exponeringshanteringsplattform och verktyg som den allmänt använda Nessus-sårbarhetsskannern, som möjliggör för företag att få insyn i hot som omfattar IT-infrastruktur, moln, OT/IoT och identitetssystem och vidta beslutsamma åtgärder för att minska affärspåverkande risk. Tenables lösningar levererar kontinuerlig upptäckt, kontextuell prioritering och hotinsikt för att stödja proaktiv cyberriskhantering för tiotusentals kunder världen över.

Vad är det som i grunden gör autonoma AI-agenter farligare än traditionella AI-modeller som bara svarar på användarprompt, snarare än att agera oberoende?

Autonoma AI-agenter förändrar riskens natur eftersom de kan initiera uppgifter, komma åt system, fatta beslut och interagera med andra tjänster utan mänsklig tillsyn.

Den oberoende utökar både hastigheten och omfattningen av potentiell påverkan, vilket ökar sannolikheten för dataexponering, operativ störning och ekonomisk förlust. En AI-agent kan fråga dataarkiv, utlösa arbetsflöden, anropa API:er eller modifiera infrastruktur i realtid. Om den är felkonfigurerad eller komprometterad, kan den flytta lateralt över system med de behörigheter den har fått, ofta snabbare än en människa kan upptäcka eller ingripa.

Enligt Tenables moln- och AI-riskrapport 2026, har 52% av organisationerna nu icke-mänskliga identiteter med överdrivna behörigheter, och nästan hälften av dessa är inaktiva, vilket skapar omfattande ohanterad åtkomst över produktionsmiljöer. Det betyder att många AI-drivna processer redan har åtkomst som de inte aktivt använder, men som angripare kan.

Angripare utnyttjar alltmer vad som kallas Confused Deputy-problemet. De behöver inte kompromettera agenten själv. Istället lurar de en auktoriserad agent att utföra åtgärder på deras vägnar, ofta genom indirekt promptinjektion eller manipulerade indata. Agenten utför begäran med sina legitima behörigheter, vilket effektivt gör angriparens arbete. När autonoma system ärver breda behörigheter eller antar överprivilegierade roller, försvinner tiden mellan felkonfiguration och utnyttjande i princip, vilket skapar en nollmarginal för AI-exponeringsgapet.

Många företag experimenterar med AI-agenter informellt. Vilka är de första konkreta stegen som säkerhetsteam bör ta för att bedöma om agenter för AI redan opererar inom deras miljö?

Att stänga AI-exponeringsgapet börjar med upptäckt som sträcker sig bortom traditionella tillgångsinventeringar. Experimentfasen är ofta den farligaste eftersom organisationer inte fullständigt vet vad AI används, hur det konfigureras eller vilken åtkomst det har fått.

AI-agenter borde sällan bo i ett enda, tydligt märkt system. Många opererar utanför formell styrning. De visas i utvecklartillämpningar, SaaS-integrationer, automatiserade arbetsflöden, webbläsartillägg och molntjänster, vilket skapar en distribuerad distribution som ökar blind fläckar och begränsar central kontroll. Detta är redan utbrett, eftersom mer än 70% av organisationerna har integrerat minst en tredjeparts AI- eller modellrelaterad paket, ofta inbäddad AI djupt i tillämpningar och infrastruktur med begränsad central översikt.

Nylig forskning om Clawdbot visar att experimentella agentdistributioner kan utgöra allvarliga risker när funktioner distribueras innan säkerhetskontroller eller konfigurationsstandarder är fullständigt förstådda. Även efter att experimentet är slut och organisationer bestämmer sig för vilka AI-tillämpningar de ska anta, behöver de fortfarande stark styrning över hur dessa system används, vilka behörigheter de har och hur de interagerar med kritiska tillgångar.

Upptäcktsfasen bör börja med att etablera en enhetlig inventering av var AI finns över slutpunkter, molninfrastruktur och externa angreppsytor. Detta inkluderar att identifiera AI-bibliotek, agenter, API:er, modelltjänster och tredjepartsintegrationer, inte bara internt distribuerade system, utan allt som är externt nåbart.

Sedan måste teamen kartlägga hur dessa agenter är anslutna och vilken data de kommer åt, vilka identiteter de använder, vilka behörigheter de har och vilka system de kan nå. Synlighet kräver sammanhang eftersom risk uppstår från relationer.

Slutligen, efter experimentet, bör organisationer identifiera vilka av dessa anslutningar skapar nåbara vägar till kritiska tillgångar och stänga AI-exponeringsgapet.

Hur jämför sig risker som exponerade kontroll-ytor eller otestade tredjeparts-“färdigheter” med mer bekanta hot som leverantörskedjeattacker eller behörighetsuppgradering?

Otestade tredjepartsagentfärdigheter och exponerade kontroll-ytor utvidgar liknande risker som leverantörskedje-kompromettering och behörighetsuppgradering, men med förstärkt hastighet, omfattning och anslutning.

Tredjepartsagentfärdigheter fungerar mycket som programvaruleverantörskedjeberoenden, och exponeringsytan bär redan betydande vikt. Åttiosex procent av organisationerna har tredjeparts-kodpaket med kritiska allvarlighetsgrads-sårbarheter. När dessa komponenter opererar inom autonoma AI-agenter, blir utförandet kontinuerligt och automatiserat, vilket eliminerar tiden mellan kompromettering och påverkan.

Exponerade kontroll-ytor utvidgar identitets- och åtkomstlagret av risk genom att skapa nya operativa gränssnitt som bär höga behörigheter. Arton procent av organisationerna tillåter redan AI-tjänster att anta överprivilegierade roller, vilket ger automatiserade system en bred räckvidd över miljöer. Agentic AI länkar dessa exponeringar till en enda operativ kedja. En sårbar beroende, överdrivna behörigheter och exponerade gränssnitt kombineras till en nåbar angreppsväg. Organisationer opererar i en nollmarginal-miljö där exponering och utnyttjande nästan sammanfaller.

Från ett defensivt perspektiv, vad ser “god hygien” ut som för organisationer som distribuerar AI-agenter med åtkomst till interna system eller känsliga data?

God hygien börjar med att behandla AI-agenter som privilegierade digitala aktörer med verklig auktoritet över system och data. Organisationer behöver kontinuerlig synlighet i varje agent, vad den gör och vad den kan nå. Team bör tillämpa minsta behörighet för maskin- och tjänsteidentiteter, ta bort inaktiv åtkomst och strängt begränsa behörigheter. Varje agent bör vara dedikerad till en specifik uppgift, med behörigheter och åtkomst begränsade strikt till den funktionen.

Detta är viktigt eftersom outnyttjad åtkomst är utbredd. Nästan hälften av identiteter med kritiska överdrivna behörigheter är inaktiva, och mer än 70% av standard AI-körningsroller förblir outnyttjade. Dessa förhållanden skapar färdiga eskalationsvägar som bär risk utan att leverera värde.

Säkerhetsteam måste också förstå relationer över infrastruktur, dataarkiv, API:er och tillämpningar. Att kartlägga dessa anslutningar avslöjar giftiga exponeringskombinationer, såsom sårbara arbetsbelastningar som är tillgängliga via överprivilegierade agenter med åtkomst till känsliga data.

Stark hygien kräver också kontinuerlig styrning. Organisationer måste övervaka agentbeteende, kontrollera integrationer, tillämpa dataskydd och regelbundet validera behörigheter. Dessa metoder stänger AI-exponeringsgapet och tar bort nåbara angreppsvägar.

Vad rekommenderar du att organisationer gör för att skydda AI-angreppsytor snabbt utan att sakta ner innovation?

Organisationer kan skydda AI-angreppsytor genom att minska exponering med hastighet och precision.

För att göra det bör prioritet ett vara att identifiera vilka AI-system som skapar nåbara vägar till kritiska tillgångar. Mer än 80% av organisationerna kör arbetsbelastningar med sårbarheter som redan utnyttjats i vilt tillstånd. Risken finns redan inom de flesta miljöer. Säkerhetsteam behöver fokusera på de anslutningar som skapar verklig påverkan.

Sedan bör man inse att automatisering möjliggör skalbarhet. Kontinuerlig upptäckt, kontextuell prioritering och vägledande avhjälpning tillåter team att minska risk samtidigt som utvecklingshastigheten upprätthålls.

Medan policy-skyddsräcken säkerställer antagande, hjälper just-in-time-åtkomst, övervakade dataflöden och kontrollerade integrationer organisationer att hantera AI-aktivitet samtidigt som innovationen upprätthålls.

Tillsammans minskar dessa steg AI-exponeringsgapet genom att ta bort högriskåtkomst och osäkra anslutningar. Snabb exponeringsreducering skyddar system samtidigt som AI-antagande kan fortsätta.

Hur bör CISO:er tänka på identitet, behörigheter och omfattning när de ger AI-agenter åtkomst till produktionsystem?

CISO:er bör behandla AI-agenter som höghastighets icke-mänskliga identiteter med operativ auktoritet över system och data.

Beslut om åtkomst bör fokusera på precision. Behörigheter bör överensstämma med specifika uppgifter, förbli tidsbundna och genomgå kontinuerlig granskning. Överdriven behörighet utvidgar räckvidd och ökar påverkan när system interagerar i maskinhastighet.

Säkerhetsledare behöver också tydlig insikt i effektiv räckvidd. Behörigheter, kombinerade med nätverksvägar, dataåtkomst och tjänsteintegrationer, definierar vad en agent egentligen kan göra. Att förstå dessa relationer avslöjar potentiell exponering innan den blir en påverkan.

Identitet kopplar samman infrastruktur, data och tillämpningar över AI-exponeringsgapet. Strikt behörighetsdesign begränsar spridningsområdet och upprätthåller kontroll. När tiden från exponeringsupptäckt till utnyttjande är nästan noll, bestämmer identitetsstyrning hur säkert AI opererar i produktion.

Förväntar du dig att agentic AI kommer att tvinga en omprövning av befintliga säkerhetsramverk, eller kan dagens modeller anpassas för att hantera dessa nya risker?

Säkerhetsprinciper förblir konsekventa, men driftsmodellerna utvecklas. Agentic AI kopplar samman system, identiteter och data till dynamiska miljöer som förändras kontinuerligt och opererar i maskinhastighet. Till skillnad från mänskliga operatörer, tillämpar agenter inte omdöme på sina handlingar eller skiljer mellan lämpliga och olämpliga begäranden. De utför baserat på instruktioner och behörigheter, vilket ökar vikten av strikt kontroll och styrning.

Risk uppstår från relationer över infrastruktur, programvaruleverantörskedjor och identitetslager. Organisationer ärver exponering snabbare än avhjälpningscykler kan hålla jämna steg. Automatiserad distribution och automatiserat utnyttjande komprimerar svarstid och ökar operativt tryck.

Säkerhetsramverk behöver fokusera på exponerings synlighet och reduktion. Team kräver kontinuerlig insikt i vad som finns, hur system är anslutna och vilka vägar leder till kritiska tillgångar.

Den avgörande utmaningen är att hantera sammanlänkad risk över AI-exponeringsgapet. Säkerhetsprogram lyckas genom att kontinuerligt minska nåbar exponering och upprätthålla kontroll över komplexa miljöer.

Om man ser framåt, vilka områden av agentic AI-säkerhetsforskning tror du förtjänar mer uppmärksamhet när dessa verktyg flyttar från experimentell till mission-kritisk?

Flera forskningsområden kommer att forma framtiden för agentic AI-säkerhet.

Först, tillväxten av icke-mänskliga identitetsekosystem kräver djupare analys. Organisationer expanderar snabbt maskinidentiteter som opererar över infrastruktur, data och tjänster. Att förstå privilegiemönster, beteende och livscykelhantering kommer att vara avgörande.

Sedan måste forskningen främja multi-stegs-angreppsvägsmodellering. AI-system kopplar samman programvaruleverantörskedjor, molninfrastruktur och identitetslager. Att kartlägga hur dessa element interagerar kommer att förbättra riskprediktion och prioritering.

Tredje, styrningen av autonomt beslutsfattande kräver större fokus. Säkerhetsteam behöver synlighet i hur agenter kommer åt, bearbetar och överför känslig data över tid.

Slutligen, exploateringshastighet fortsätter att accelerera. Att studera hur angripare och försvarare opererar i maskinhastighet kommer att forma svarstrategier.

Framtida säkerhet beror på att förstå och minska AI-exponeringsgapet. Forskning måste fokusera på att kontrollera sammanlänkad exponering över hela angreppssytor.

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