Intervjuer
Omer Bachar, medgrundare och VD för Vetric – Intervju-serie

Viktiga punkterBootstrapping tvingade Vetric att prioritera infrastrukturens tillförlitlighet framför…
Visa mer
- Bootstrapping tvingade Vetric att prioritera infrastrukturens tillförlitlighet framför expansion till varje pris.
- Detektionsmodeller är värdelösa utan skalbar offentlig datainfrastruktur som matar dem med hot i realtid.
- Deepfake-as-a-Service är redan kommodifierad på gratissnivån med öppen källkodsverktyg.
Omer Bachar, medgrundare och VD för Vetric, är en israelisk entreprenör och öppen källkodsunderrättelse (OSINT) fokuserad teknikledare som har byggt en karriär kring att lösa komplexa data- och underrättelseutmaningar. Innan han grundade Vetric 2022 utvecklade och kommersialiserade Bachar flera webbverksamheter som tonåring, vilket gav honom erfarenhet av webbutveckling, SEO, trafikmonetarisering och skalbara digitala operationer. Han tjänstgjorde senare i Israels försvarsmakt, där han hjälpte till att modernisera militärpolisens verksamhet genom automatisering, AI, datautvinning och agila metoder medan han ledde team och produktinitiativ. Efter ett tidigare misslyckat företag och en intensiv forskningsperiod i Thailand med sina medgrundare lanserade Bachar Vetric med fokus på infrastruktur snarare än riskkapital, och växte företaget genom bootstrapping medan han betjänade organisationer som förlitar sig på skalbar tillgång till offentliga webbdata. Hans arbete kretsar kring WEBINT, OSINT, datainsamling och digital hotunderrättelser, särskilt inom områden som involverar imitation, bedrägeri och deepfake-relaterade risker.
Vetric är ett datainfrastrukturföretag som hjälper organisationer att samla in, bearbeta och operationalisera offentliga webbdata i stor skala. Företaget positionerar sig som ett pålitligt infrastrukturlager för företag som behöver tillförlitlig, realtidsåtkomst till öppen webbinformation. Istället för att bygga en konsumentinriktad plattform fokuserar Vetric på hanterade API:er och flexibla datapipeliner som är utformade för att förenkla storstilssamling av offentliga data i konstant föränderliga online-miljöer. Företaget har betonat en “data för det goda” -ansats, som stöder organisationer som arbetar för att identifiera imitationkampanjer, deepfakes, bedrägeri och andra digitala hot. Enligt företaget har det vuxit från ett litet grundarteam till en snabbt expanderande verksamhet som betjänar mer än 100 organisationer globalt, samtidigt som det förblir fokuserat på skalbar infrastruktur och operativ tillförlitlighet.
Du började bygga internetföretag som tonåring, arbetade senare med att modernisera den israeliska militärpolisen med AI- och OSINT-verktyg och grundade till slut Vetric.io efter att ha tillbringat månader med att forska problem i Thailand. Hur formade dessa upplevelser din övertygelse om att datainfrastruktur, och inte bara upptäcktsmodeller, skulle bli det riktiga slagfältet i kampen mot deepfakes och digital imitation?
Tråden genom alla tre av dessa kapitel var densamma: varje problem jag trodde var ett upptäcktsproblem visade sig vara ett dataproblem ett lager ner.
Som tonåring som hittade sårbarheter var det hårda delen aldrig exploaten – det var att bygga infrastrukturen för att hitta rätt mål i stor skala. I militärpolisen var OSINT gapet som ingen arbetade med. Kriminella lämnade bevis överallt på den öppna webben, i öppen syn, och vi hade nästan ingen systematisk metod för att nå det. Sedan i Thailand tillbringade vi månader med att prata med försvarsbyråer, hotunderrättelseteam, varumärkesskyddsvänner, bedrägeriteam. Samma mönster överallt. Alla ville ha insikter.
Det var då det klickade. Upptäcktsmodeller är bara så bra som de data du matar dem med. Om du inte kan se deepfaken i samma ögonblick den dyker upp på den öppna webben är din upptäcktsmodell irrelevant. Slagfältet är inte om din modell kan upptäcka ett syntetiskt ansikte i en benchmark – det är om du har insyn i ytan där attacken faktiskt lever. Offentlig datainfrastruktur är den del som ingen vill bygga eftersom det är svårt och oglamoröst, men utan det är resten av stacken teater.
Du har hävdat att deepfake-problemet har förändrats fundamentalt under de senaste 18 månaderna. Vilka specifika tekniska förändringar gör dagens AI-genererade bedrägeri farligare än tidigare vågor av bedrägeri och imitationattacker?
Tre saker förändrades samtidigt, och kombinationen är vad som gör detta annorlunda.
Först blev multimodella modeller tillräckligt bra för att man kunde generera övertygande video, röst och text från samma prompt på några minuter. Vad som tidigare krävde ett litet team och några veckor tar nu en person och en kopp kaffe.
Andra, kostnaden sjönk genom golvet. En högkvalitativ röstklon av en offentlig person krävde tidigare en allvarlig GPU-budget. Idag körs den på konsumenthårdvara eller en $20-i-månaden SaaS-prenumeration. Kostnaden är inte längre en barriär.
Tredje – och detta är den underapprecierade biten – distributionslagret höll jämna steg. Falskheterna sitter inte längre på något obskyrt forum och väntar på att upptäckas. De lever på den öppna webben, i samma offentliga källor som dina kunder och anställda konsumerar dussintals gånger om dagen, ofta med betald förstärkning ovanpå. En fabricerad video reser exakt lika snabbt som allt annat på den offentliga internet.
I tidigare vågor var en angripare tvungen att välja mellan kvalitet, hastighet, skala och räckvidd. Nu kan de ha alla fyra för under $100. Asymmetrin mellan vad det kostar att fabricera en övertygande imitation och vad det kostar ett företag att upptäcka, attribuera och svara på det är större än den någonsin har varit. Det är skiftet.
De flesta offentliga diskussioner om deepfakes fokuserar fortfarande på upptäcktsprogramvara. Varför tror du att tillförlitlig, storstilsskalig offentlig datainfrastruktur nu är lika viktig som AI-modellerna själva?
För att en upptäcktsmodell som inte kan se hotet är ett forskningsprojekt, inte ett försvar.
De flesta deepfake-samtal fokuserar på om modellen kan skilja ett syntetiskt ansikte från ett riktigt i en kontrollerad benchmark. Det är bordsskicklighet. Det operativa problemet är det svårare: en varumärkesimitationsvideo går upp klockan 03.00, plockar upp 200 000 visningar innan någon märker det, och din upptäcktspipeline måste faktiskt ta emot det innehållet i realtid, attribuera det och utlösa en reaktion. Om du inte har en stabil, skalbar metod för att mata in offentliga data från den öppna webben – de platser där imitation och bedrägeri faktiskt utspelar sig – har du ingenting att köra din upptäcktsmodell på.
Det finns en relaterad punkt vi gjorde nyligen i en artikel om Anodot-leverantörsbrottet. Företag börjar inse att datasäkerhetsposturen hos deras dataleverantörer är deras egen säkerhetspostur. Samma insikt kommer för AI: tillförlitligheten hos din upptäcktsstack är tillförlitligheten hos din datapipeline. Modeller får pressen. Infrastruktur gör jobbet. Att behandla de två som separata budgetrader är ett misstag som marknaden snart kommer att sluta med.
Vetric växte till betydande skala utan yttre finansiering medan de betjänade företag och underrättelserelaterade organisationer. Hur påverkade bootstrapping sättet du byggde företaget och prioriterade infrastrukturtillförlitlighet över tillväxt-till-varje-pris-expansion?
Bootstrapping tvingar en sorts kundfixering som kapitaliserade företag kan undvika under lång tid. Vi har alltid trott på att ge värde innan vi växer snabbt – och för oss är det inte en slogan, det är en finansiell verklighet.
Varje dollar i vår bank är en som en kund valde att ge oss i utbyte mot något som fungerade. Vi har ingen $50 miljoner-kudde för att brottas över gapet mellan en produkt som nästan fungerar och en som gör det.
Det förändrar varje beslut företaget tar. Det formade vår arkitektur lika mycket som det formade vår roadmap. Våra kunder, underrättelsebyråer, digitala riskskyddsteam, allmänna säkerhetsteam, hotunderrättelseteam, vill inte bara en produkt som fungerar.
Det är också varför vi drog förtroendegränsen som vi gjorde. Vi skickar data till kunder; vi drar aldrig data från dem. Vi har inte långsiktiga autentiseringsuppgifter till en kunds moln. När kunder vill ha leverans till sitt eget AWS använder vi avgränsade, skrivbara IAM-roller med externa ID – AWS-rekommenderad mönster specifikt utformad för att förhindra den typ av leverantörsattacker som just träffade Anodots kunder.
Deepfake-as-a-Service-plattformar sänker tröskeln för angripare. Närmar vi oss en punkt där högt avancerade bedrägerikapaciteter blir fullständigt kommersialiserade och tillgängliga för nästan alla?
Vi är redan där för de grundläggande kapaciteterna – och inte bara på betalningsnivån, på den fria nivån. Vi är 12 till 18 månader bort från de mer avancerade. Titta på vad som är öppet tillgängligt just nu. Modeller som Sora genererar övertygande video från en textprompt. Öppen källkodsansiktsutbytesprojekt på GitHub tar vilken referensbild som helst och sätter det ansiktet i en video, och resultaten ser verkligen bra ut – ingen specialistfärdighet krävs, ingen betalning, ingen underjordisk marknad.
Tröskeln för att producera en högkvalitativ falsk är en gratis nedladdning och en eftermiddag av experiment. Det finns också betalda tjänster som omsluter en färdig arbetsflöde runt samma typer av modeller för personer som inte vill installera något, men den öppna källkodsgraden är den riktiga historien, eftersom den är den som man inte kan prissätta någon ur. Personen som använder det behöver inte förstå den underliggande tekniken mer än någon som kör en phishingskit behöver förstå SMTP.
Vad som kommer härnäst är den förtemplatiska, kampanj-i-en-låda-nivån – färdiga imitationssatser för specifika varumärken, specifika chefer, specifika valcykler, med det syntetiska mediet, de falska kontona, distributionschemat och målgruppen allt förpackat tillsammans. När det finns tillgängligt i stor skala sjunker den marginella kostnaden för att köra en imitationattacker till ungefär samma kostnad som att köra en betald annons. Implikationen för försvararna är obekväm. Du kan inte längre anta att angriparen är sofistikerad eller välresurserad. Angriparen är vem som helst med en laptop och ett agg. Det förändrar volymen och variationen av hot med en storleksordning, och det omdefinierar vad “tillförlitligt hot” betyder för varje varumärke, chef, eller offentlig person med en internetnärvaro.
Många företag förlitar sig fortfarande på fragmenterade övervakningssystem och fördröjda hotunderrättelser. Vilka är de största svagheterna du ser i hur organisationer för närvarande samlar in och bearbetar offentliga webbdata relaterade till imitation och bedrägeri?
En svaghet som fortsätter att dyka upp över kundkonversationer är fragmentering. De flesta företag kör ett verktyg för varumärkesövervakning, ett annat för chefsskydd, ett annat för bedrägeri, ett annat för säkerhetsoperationer. Var och en drar från olika källor med olika täckning, olika fördröjning och olika blinda fläckar.
När en imitationkampanj bryter ut över flera hörn av den öppna webben samtidigt är fogarna mellan dessa verktyg exakt där angriparen gömmer sig. Och under den fragmenteringen finns ett djupare problem: de flesta av dessa verktyg optimerar för nedtagning. Att ta bort det falska kontot är nödvändigt, men på egen hand är det whac-a-mole – ett annat dyker upp nästa dag. Teamen som får riktigt utbyte är de som dubblar ner på utredning: ansluter prickarna mellan konton, infrastruktur och kampanjer, så att de demonterar nätverket bakom imitationen snarare än att slå på en URL i taget.
Den andra är beroende av mellanprogramvara som kräver djup inkommande åtkomst till kundsystem. Det är det strukturella problemet vi skrev om i samband med Anodot-brottet – leverantörer som kräver OAuth eller API-nycklar till din moln blir enkla felpunkter för alla nedströms. SOC 2 kommer inte att rädda dig från det. Arkitekturen antingen har sprängverkan eller så har den inte.
Den tredje är fördröjning. Mycket av vad som säljs som “realtids hotunderrättelser” är faktiskt på en 4-24-timmars fördröjning eftersom den underliggande insamlingen är batch-orienterad. För imitation och bedrägeri är det en evighet. När larmet utlöses har kampanjen redan sprungit sin gång.
Den fjärde är felallokering mellan upptäckts täckning och analysförmåga. Företag investerar i verktyg som flaggar syntetiskt eller misstänkt innehåll, men de underinvesterar i täckningen för att faktiskt se vad som postas om dem över hela den öppna webben, och i analysförmågan att förstå vad de ser – vem som ligger bakom det, hur kontona ansluter, vilken infrastruktur de delar. Flagging är ett steg; täckning och analys är vad som förvandlar en flagga till åtgärd. Det är som att köpa en bra brandvarnare och glömma att ansluta den.
Du har talat om att hantera miljarder offentliga datapunkter varje månad. Vilka tekniska utmaningar uppstår när man försöker bygga realtidsinfrastruktur som kan identifiera AI-drivna hot i internet-skala?
De hårda problemen är inte de som de flesta människor förväntar sig. Det första som ska sägas är att att bygga den här typen av infrastruktur inte är den hårda delen – att underhålla den är. Du bygger inte en pipeline som vår en gång och går sedan därifrån. Du behöver ett helt team vars jobb är att hålla den vid liv, och det är det teamet vi har byggt. De offentliga källor vi samlar in från trycker förändringar konstant, och vilken som helst av dem kan tysta bryta en insamlare. Det mesta av utvecklingsinsatsen under en produkts livstid går till underhåll, inte ny utveckling.
Den andra är att skalbarhet är en löpande band. Du förbättrar pipelinen, du trycker den hårdare, och vid någon punkt blir skalan för stor för vad du byggt och saker börjar skaka. Sedan bygger du om den här lagern – ibland från scratch – för nästa nivå. Den cykeln slutar aldrig. Varje storleksordning i volym är effektivt ett annat system, även om det ser ut som samma produkt från utsidan.
Den tredje är uptime, som låter tråkigt tills du kommer ihåg vem våra kunder är. Några av dem använder vår data för att hjälpa till att förhindra terrorattacker. Realtid betyder att du inte får en nådeperiod. Saker kommer att bryta – de gör alltid – och vad som betyder är att de är uppe resten av tiden och fixade så snabbt som möjligt när de inte är. Vi har utformat on-call-posturen, larmet och redundansen kring den verkligheten, inte kring en generisk SaaS-uptime-siffra.
När syntetiskt media blir mer övertygande, tror du att samhället är på väg mot en bredare “tillitskris” där människor börjar tvivla på legitima ljud, video och kommunikation som standard?
Närmare än människor vill erkänna. Men jag tror inte att det slutar i kollaps – jag tror att det slutar i en annan jämvikt.
Den naiva versionen av tillitskrisen säger: ingen kommer att tro något ljud eller video, och den offentliga sfären kollapsar. Jag tror inte att det är dit det går. Människor är anmärkningsvärt anpassningsbara när det gäller epistemiska miljöer. Vi lärde oss att läsa tidningar med skepticism, sedan television, sedan webben. Vi kommer att lära oss att läsa AI-genererat media med skepticism också, och det är inte helt ett dåligt resultat – en sundare baslinje för “verifiera innan du litar” är överskådlig.
Vad jag tror att vi kommer att se är en skiftning i vad som räknas som bevis. Rå video och ljud kommer att bli svagare former av bevis; proveniens, kryptografisk signering, kedja av vård och identitetsverifiering kommer att bli starkare. Institutionerna som lyckas med att trovärdigt verifiera sina egna kommunikationer – banker, regeringar, nyhetsorganisationer – kommer att dra ifrån. De som inte kommer att bli imiterade till irrelevans.
Den farliga intervallet är det mellersta, de kommande två till tre åren, där falskheterna blir övertygande snabbare än verifieringslagret blir distribuerat. Det är fönstret där skadan görs, och det är fönstret vi försöker ge våra kunder synen att överleva.
Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Vetric.












