Natasha Mohanty, SVP för teknik på Doppel – Intervjuer

Natasha Mohanty, Senior Vice President för teknik på Doppel, är en erfaren teknisk ledare med djup erfarenhet inom AI, betalningar, media och konsumentplattformar. Innan hon anslöt sig till Doppel ledde hon teknik för Stripes Optimerad Checkout Suite och Link, och skalförde organisationen från 30 till 200 ingenjörer medan hon hjälpte till att driva majoriteten av antagandet av Stripes checkout-produkter och konsumentplånbok. Tidigare var hon Vice President för teknik på Nielsen efter förvärvet av Prizma.ai, det AI-drivna videoundersökning- och medieanalysföretaget som hon var med och grundade och ledde som CTO. Tidigare i sin karriär tillbringade hon mer än sju år på Google (GOOGL ), där hon arbetade med Sök kvalitet, Google News och Google+ personanpassning.

Doppel är ett AI-nativt företag för social ingenjörsskydd som fokuserar på att skydda organisationer, chefer, varumärken och kunder från AI-drivna imitationer, phishing, bedrägeri och bredare digitala risker. Dess plattform kombinerar digital riskskydd, exekutiv- och varumärkesskydd, e-postsäkerhet, mänsklig riskhantering, simuleringar och säkerhetsmedvetenhetsträning, med hjälp av AI och realtids hotinformation för att upptäcka, korrelera och störa angriparinfrastruktur över kanaler som domäner, sociala medier, meddelandeappar, annonser och den mörka webben. Företaget har positionerat sig runt den ökande hotbilden av generativ AI-driven social ingenjörskonst, och hjälper säkerhetsteam att svara på alltmer sofistikerade attacker över den moderna digitala hotbilden.

Du har lett tekniska organisationer på företag som Stripe, Google, Nielsen och nu Doppel. Hur har din syn på rollen som mjukvarutekniker utvecklats från att skriva system direkt till att orkestrera alltmer autonoma AI-drivna arbetsflöden?

Mjukvaruteknikerns arbetsflöde har förändrats dramatiskt, men ansvarskraven för ingenjörer har inte. När jag började min karriär på Google för två decennier sedan tillbringade ingenjörer mest tid med att skriva och granska kod själva. Idag kan AI hantera majoriteten av kodgeenerering, men ingenjörer är fortfarande ansvariga för att definiera mål, validera utdata, etablera skydd, granska kod och säkerställa att system förblir tillförlitliga på lång sikt. På många sätt har AI utvidgat omfattningen av tekniskt ansvar snarare än reducerat det.

Vad som har utvecklats är var ingenjörer skapar värde. När AI tar på sig mer av kodens mekanik blir rollen alltmer centrerad kring smak och omdöme, förståelse av problemet, arkitekturbeslut, utvärdering av avvägningar och säkerställande av att resultaten överensstämmer med användar- och affärsbehov. De bästa ingenjörerna gör mer än att bara skriva programvara. De kommer att orkestrera sammanhängande system av människor och AI, och applicera den kontext och ansvar som maskiner fortfarande saknar. Det är liknande skiftet från individuell bidragsgivare till chef.

Du har hävdat att AI inte reducerar tekniskt ansvar, utan utvidgar det. Vilka är de största missuppfattningarna som chefer fortfarande har om vad AI-kodningsagenter realistiskt kan hantera utan mänsklig tillsyn?

Den största missuppfattningen är att AI kommer att eliminera behovet av starka ingenjörer. Verkligheten är att AI höjer taket för vad en liten, skicklig grupp kan bygga, vilket gör tekniskt omdöme mer värdefullt, inte mindre.

Vad som förändras är den yta som ingenjörer är ansvariga för. De skriver inte bara kod längre. De definierar vad som byggs, validerar att agenter gör vad de avsåg, och äger resultatet när de inte gör det.

Om något har problemutrymmet blivit mer tilltalande. Angripare har tillgång till samma AI-verktyg som vi, vilket innebär att utmaningen att hålla jämna steg med dem är genuint svårare och mer intressant än det någonsin har varit. Det finns inget underskott av hårda problem att lösa, och Doppel rekryterar över hela teknikavdelningen för personer som är entusiastiska över den här typen av arbete.

När tekniska team börjar samordna flera AI-agenter över kodning, testning, felsökning och dokumentation, vad ser en effektiv “agenthanterings”-arbetsflöde ut i praktiken?

Ingenjörer agerar alltmer som chefer för autonoma system, inte bara bidragsgivare till dem. De bästa ingenjörerna kan hålla betydande kontext över flera parallella arbetsflöden samtidigt som de vet exakt vilken kontext som ska delas med varje agent. I praktiken innebär det att skriva väldefinierade acceptanskriterier, ange tydliga skydd för sekretess och säkerhet, och be agenter förklara sin resonemang och antaganden som en valideringssteg. Om en agent inte kan artikulera vad den gör och varför kan du inte fullständigt lita på utdata.

På Doppel bygger vi agenter som undersöker hot, kontinuerligt anpassar upptäcktsprinciper och förklarar sina beslut på ren svenska. Effektiv agenthantering kräver också systemnivåinfrastruktur, inklusive staging-miljöer, automatiserade testpipeliner, säkerhetsverktyg med definierade behörigheter och tillsyn, och utvärderingsramar som kontinuerligt bedömer om agenter och det bredare systemet fungerar som avsett.

Vilka är de största operativa eller säkerhetsriskerna som uppstår när AI-agenter ges tillgång till interna verktyg, produktionsystem eller känsliga arbetsflöden utan starka skydd?

Risken är inte bara att AI-agenter gör misstag. Det är att de kan göra dem i en skala som är svår att upptäcka i realtid. Den mer specifika faran är agenter som agerar utanför sin avsedda omfattning, antingen genom att komma åt system de inte var avsedda att röra eller hantera data de inte borde behålla.

I vår e-postsäkerhetsprodukt, till exempel, bearbetar agenter data som är inneboende känsliga. Vi har gått till betydande längder för att säkerställa att dessa agenter har strikt begränsad åtkomst, inte kan oavsiktligt exponera känslig personlig information nedströms och inte behåller konfidentiell information, samtidigt som de fortfarande har den kontext som behövs för att fatta rätt beslut.

Vid vilken punkt börjar beroendet av AI-genererad kod att introducera långsiktiga tekniska skulder, och hur bör tekniska chefer tänka kring att balansera hastighet mot underhållbarhet?

Risken är att prioritera kortvarig hastighet över grunderna som tillåter system att skala och utvecklas. En av de största lärdomarna från min tid på Stripe var att inte alla beslut är lika. Vissa är fällor: svåra att återställa och sannolika att ha långsiktiga konsekvenser, medan andra kan ändras mer lätt.

Med AI är disciplinen att veta vilka beslut fortfarande har långsiktiga konsekvenser, sätta starkare skydd runt dem och flytta snabbt på resten. På Doppel innebär det att använda utvärderingssystem och aktuell dokumentation för att säkerställa att agenter fortsätter att fungera som avsett när system utvecklas. Målet är inte att sakta ner, utan att se till att hastighet inte tyst eroderar grunderna du bygger på.

Under din tid med att skala tekniska organisationer på Stripe, vilka lärdomar om tillförlitlighet, förtroende och systemdesign känns särskilt relevanta i eran av autonoma AI-agenter?

På Stripe var tillförlitlighet allt, särskilt eftersom den finansiella industrin är så reglerad och det kunde vara katastrofalt för företag om deras betalningsportaler gick ner. Om ett system inte fungerade som avsett fanns en direkt påverkan på kunder, och det skapade en stark kultur av ägarskap och ansvar på företaget.

En av de saker som drog mig till Doppel var en liknande nivå av kundfixering. Teamen här är djupt fokuserade på att förstå de utmaningar kunderna står inför och ta ägarskap för att lösa dem.

Nu när jag är på Doppel känns dessa lärdomar särskilt relevanta. Vi bygger AI-nativa system för att hjälpa organisationer försvara sig mot alltmer sofistikerade sociala ingenjörskonstattacker. Och liknande Stripe, där man inte har råd att ha betalningsbearbetningssystem som går ner, är det katastrofalt för företag att inte ha en stark cybersäkerhetspostur. De är båda mycket höga insatser, men av olika skäl.

Hur förväntar du dig att teknisk rekrytering kommer att förändras under de närmaste åren när företag alltmer prioriterar AI-fluens, systemtänkande och anpassningsförmåga över smalare teknisk specialisering?

Jag tror att vi kommer att se en ökande betoning på att rekrytera ingenjörer som kan operera med autonomi, starkt omdöme och förmåga att lära sig snabbt. Dessa är egenskaper jag alltid har rekryterat för, men de betyder mer nu, inte mindre. Under hela min karriär har de ingenjörer som har haft den största påverkan inte nödvändigtvis varit de med den smalaste specialiseringen. De var de som kunde anpassa sig snabbt, navigera i osäkerhet och kontinuerligt lära sig när tekniken utvecklades.

Men ribban har skiftat. På Doppel är problemen vi löser inte tydligt definierade. Vi arbetar kontinuerligt för att hålla jämna steg med angripare som också använder AI, vilket innebär att bygga system som hotinformationagenter som proaktivt utforskar webben för att upptäcka hot. Det finns ingen etablerad handbok för den här typen av arbete, så det kräver uthållighet och en vilja att skjuta gränsen för vad som är möjligt.

AI kommer bara att fortsätta förändra hur arbete utförs, men företag kommer fortfarande att behöva människor som kan arbeta över system och ta ansvar för hela livscykeln för vad de bygger. De ingenjörer som trivs kommer att vara de som kontinuerligt återuppfinner vad de är kapabla till när AI-landskapet utvecklas runt dem.

Du har arbetat omfattande med personanpassning, rekommendationssystem och maskinlärningsdrivna plattformar under hela din karriär. Hur formar den erfarenheten sättet du tänker på mänsklig-AI-samarbete inom tekniska organisationer idag?

En sak jag lärde mig av att arbeta med personanpassning och maskinlärningssystem är att kvaliteten på utdata är bara så bra som kvaliteten på indata, inklusive träningsdata, utvärderingsramar och en tydlig definition av vad “bra” faktiskt betyder. Modeller är bra på att bearbeta information i stor skala, men människor bringar omdöme, kontext och en förståelse för vad som betyder mest.

Jag tror att samma princip gäller för tekniska organisationer som opererar idag. AI kan hjälpa team att flytta snabbare, men de bästa teamen kommer att vara medvetna om kontexten och sanningen de ger AI, samt hur AI-drivna system integreras i det bredare tekniska ekosystemet. Ingenjörer behöver fortfarande fatta beslut, utvärdera avvägningar och slutligen äga resultatet.

Många företag tävlar om att maximera utvecklarens produktivitet med AI-verktyg. Tror du att den konkurrensfördelen slutligen kommer från snabbare kodning, eller från att bygga organisationer som vet hur man styr och samordnar AI-system effektivt?

Hastighet betyder något, särskilt inom cybersäkerhet, där att halka efter angripare inte är ett alternativ. Men hastighet utan skydd är bara ett snabbare sätt att skapa utnyttjbara luckor. Styrning av AI-system bör vara grunden för varje företag som bygger med AI, inte en eftertanke. Det är avgörande för att säkerställa kvalitet, tillförlitlighet och ansvar i mjukvarutekniska arbetsflöden. Inom cybersäkerhetsbranschen i synnerhet är styrning avgörande eftersom angripare kommer att hitta och utnyttja varje lucka du lämnar. Det är därför vi har byggt ut vår agentplattform på Doppel, med ledande integritets- och granskningsbara spårningsfunktioner inbyggda från början.

Om fem år, vad tror du att den moderna mjukvarutekniska teamet kommer att se ut när AI-agenter blir djupt inbäddade i vardagliga utvecklingsarbetsflöden?

Fem år är svårt att förutsäga med säkerhet eftersom världen rör sig så snabbt. Vad jag kan säga med mer säkerhet är att inom de närmaste 18 månaderna till tre åren kommer AI-agenter sannolikt att hantera majoriteten av kodgegenerering, testning och första felsökning.

Vad ingenjörer kommer att äga är produktomdöme: specifikationen, smaken, arkitekturen och ansvar när något går sönder. Team kan bli mindre, men rollen kommer att bli svårare. De ingenjörer som trivs kommer inte nödvändigtvis vara de som producerar mest kod, utan de som kan dirigera, utvärdera och korrigera autonoma system effektivt.

Efter att ha arbetat genom tidigare tekniska skift, har jag lärt mig att innovation sällan följer en rak linje. De team som lyckas kommer att vara de som förblir nyfikna, anpassar sig snabbt och utvecklar sina arbetsflöden när tekniken förändras. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Doppel.