Intervjuer
Oran Moyal, medgrundare och CTO för Ocean Security – intervjuserie

Viktiga punkterAI-inhemsk status är organisatorisk snarare än teknisk eftersom den förändrar hur varje…
Visa mer
- AI-inhemsk status är organisatorisk snarare än teknisk eftersom den förändrar hur varje team hanterar arbete.
- Att snabba upp enskilda uppgifter misslyckas när överlämningar och godkännanden förblir de verkliga flaskhalsarna mellan stegen.
- Agenter behöver påtvingade behörigheter och oberoende validering eftersom instruktioner ensamma inte är säkerhetskontroller.
Oran Moyal är medgrundare och CTO för Ocean Security, där han utvecklar AI-agenter för att utreda avancerade e-posthot. Hans bakgrund omfattar forskning och utveckling inom cybersäkerhet, offensiv social ingenjörskonst och företagssäkerhet. År 2024 grundade han Ocean tillsammans med Shay Shwartz, med utgångspunkt i deras erfarenhet av att analysera hur angripare utnyttjar betrodd kommunikation och hur säkerhetssystem kan bemöta allt mer riktade hot.
Ocean Security utvecklar en plattform för e-postsäkerhet med AI-agenter, utformad för att utreda riktade nätfiskeattacker, kompromettering av företags-e-post och ekonomiskt bedrägeri. Plattformens specialiserade AI-agenter analyserar kommunikationens sammanhang och avsändarens avsikt för att hjälpa säkerhetsteam att identifiera hot i till synes legitima affärskontakter. I den här intervjun berättar Moyal vad som kännetecknar en AI-native organisation, hur arbetsflöden kan utformas på nytt kring AI-agenter och varför tydliga krav, oberoende validering, verkställbara behörigheter och mänskligt omdöme fortfarande är avgörande för effektiv automatisering.
Innan du var med och grundade Ocean 2024 arbetade du under flera år med forskning och utveckling inom cybersäkerhet, bland annat inom Israels försvarsmakt och på VisibleRisk / Microsoft Security. Vilka erfarenheter ledde fram till att du startade Ocean, och hur påverkade AI:s framväxt din vision för företaget redan från början?
En riktad spearphishingkampanj krävde tidigare ett särskilt team och flera veckors manuell research och förberedelser. När generativ AI kom insåg vi att varje anställd i varje företag nu är utsatt för förödande nätfiskeattacker på nationalstatsaktörsnivå. Över en natt gav en prenumeration för 20 dollar varje angripare kapacitet på nationalstatsaktörsnivå.
Shay och jag har djup erfarenhet av social ingenjörskonst från angriparsidan, och vi har båda byggt upp och skalat säkerhetsföretag för stora organisationer. Därför visste vi att äldre verktyg inte skulle räcka till. De letar efter regelbrott och avvikelser, men de här attackerna döljer sig i normal affärskommunikation: verkliga e-posttrådar, betrodda konton och legitima tjänster. Ingenting ser onormalt ut. Därför startade vi Ocean 2024 för att hjälpa företag att anpassa sig till det här nya hotet med AI-driven e-postsäkerhet som analyserar sammanhang och avsändarens avsikt i realtid, ungefär som en mänsklig utredare skulle göra, innan en kompromettering sker.
Många organisationer beskriver sig som ”AI-native” bara för att de har infört AI-verktyg eller automatiserat vissa processer. Vad anser du i grunden skiljer en verkligt AI-native organisation från en som bara har integrerat AI i den befintliga verksamheten?
Många företag kallar sig AI-native för att de har köpt AI-verktyg. Det är ett införande av ny teknik. Att vara AI-native förändrar hur företaget hanterar det dagliga arbetet och löser flaskhalsar.
Det börjar med hur ledare reagerar på en flaskhals. Den traditionella reflexen är: ”Det här tar för lång tid. Vi anställer någon som får ta hand om det.” En AI-native organisation frågar först: ”Hur kan AI påskynda hela den här funktionen?” Ställ den frågan i alla team, så börjar hela företaget arbeta på ett annat sätt.
En verklig AI-native omvandling handlar om organisationen, inte tekniken. Om en avdelning blir snabbare flyttas flaskhalsen bara vidare till nästa, och företaget kommer till slut att hålla samma tempo som sin långsammaste funktion. AI-native organisationer förändras tillsammans, så att informationen flödar snabbare, återkopplingscyklerna blir kortare och teamen arbetar som ett sammanhängande system.
I den här modellen förändras människors roll. När AI tar över mer av arbetet blir det brist på kompetens inom att ange en tydlig riktning, definiera avsikter och göra bedömningar. Människor och AI-agenter arbetar sida vid sida. AI hanterar en större del av genomförandet, medan människor avgör vad som är värt att utveckla och varför.
Målet är att varje team ska åstadkomma mer med samma resurser, arbeta snabbare och samarbeta bättre utan att kompromissa med kvaliteten.
Du har hävdat att produktivitetsvinster från AI snabbt kan gå förlorade när de underliggande arbetsflödena är ineffektiva. Vilka är de vanligaste operativa flaskhalsarna som hindrar företag från att få ut AI:s fulla potential, och hur bör ledare gå till väga för att utforma arbetsflödena på nytt?
Att påskynda enskilda arbetsuppgifter gör inte automatiskt organisationen snabbare. Om processer, beroenden och kommunikationen mellan team förblir desamma går det mesta av den produktivitet som AI skapar förlorad på vägen.
De vanligaste flaskhalsarna är inte tekniska. De handlar om otydliga krav som leder till upprepat omarbete, långsamma överlämningar mellan team och arbete som blir liggande i väntan på godkännanden. AI gör varje steg snabbare, men tiden går förlorad mellan stegen.
Ledare bör börja med att mäta vart tiden faktiskt tar vägen, eftersom den verkliga flaskhalsen ofta inte är den som alla tror. Därefter bör de utforma hela arbetsflödet på nytt, från början till slut, och åtgärda överlämningar, definitioner och återkopplingscykler i stället för att bara fokusera på enskilda uppgifter. Slutligen bör varje AI-satsning kopplas till de nyckeltal som teamen redan ansvarar för.
Viktigast av allt är att ledare förändrar sitt tankesätt. Automatisering och effektivisering bör bli norm. I stället för att acceptera befintliga processer bör teamen fortsätta ifrågasätta hur arbetet utförs, så att de kan arbeta snabbare och öka sin påverkan utan att kompromissa med kvaliteten.
En av principerna du betonar är vikten av att definiera tydliga krav innan AI-agenter införs i ett arbetsflöde. Hur bör organisationer tänka om när det gäller att definiera uppgifter, kommunicera förväntningar och fastställa framgångskriterier när AI-agenter ansvarar för att utföra betydande delar av arbetet?
När AI-agenter utför en stor del av arbetet behöver organisationer tänka om kring hur de kommunicerar och definierar uppgifter. En vag begäran hindrar inte en agent. Den gissar, och varje felaktig gissning leder till mer omarbete.
Jag brukar tänka på det i tre lager:
Tydliga uppgifter, mål och sammanhang. Agenten behöver förstå vad som ska göras, varför det är viktigt och vilket sammanhang arbetet ingår i. Innan arbetet börjar bör den kunna fråga om allt som är oklart, så att oklarheter reds ut i förväg i stället för att upptäckas halvvägs.
Självvalidering. Framgångskriterierna bör definieras i förväg på ett sätt som agenten själv kan kontrollera. Inom programvaruutveckling bör en agent till exempel kunna köra koden, testa att den fungerar som avsett och bekräfta att den klarar testerna innan någon granskar den.
Människor som sista led. Människor bör få ett resultat som agenten redan har förfinat genom flera iterationer utifrån de överenskomna kriterierna. Deras uppgift är att använda sitt omdöme, inte att rätta till grundläggande misstag.
Ju bättre uppgiften definieras, desto mindre mänsklig tid kräver varje resultat.
Du förespråkar att AI-agenter ska kunna validera sitt eget arbete innan det når mänskliga granskare. Hur ser en effektiv AI-driven valideringsprocess ut i praktiken, och hur kan organisationer se till att automatiserade kvalitetskontroller inte bara förstärker samma misstag som begås under arbetets gång?
En effektiv valideringsprocess testar arbetet på det sätt som det faktiskt kommer att användas. Agenten bör köra det verkliga systemet från början till slut, bekräfta att resultatet motsvarar framgångskriterierna och åtgärda det som inte fungerar innan något når en människa.
För att undvika att valideringen upprepar agentens egna misstag är några principer viktiga:
Håll kriterierna åtskilda från utförandet. Människor bör definiera hur framgång ser ut innan arbetet börjar. Om en agent själv bestämmer vad ”klart” innebär får den rätta sitt eget prov.
Sätt upp strikta skyddsräcken. Alla kontroller bör inte vara beroende av agentens omdöme. Vissa måste vara fasta, deterministiska tester som verifierar specifika parametrar, standarder och policyer. De ger agenten tydliga gränser som den inte kan resonera sig runt.
Använd en oberoende granskare. En andra agent, med ett nytt perspektiv och utan egenintresse i det ursprungliga tillvägagångssättet, upptäcker fel som den första missar.
Visa belägg, inte bara ett omdöme. Testresultat, skärmbilder och inspelningar gör att människor kan se vad som hände i stället för att lita på ett ”godkänt”.
Människors uppmärksamhet riktas då mot de största riskerna. Målet är inte att ta bort människor ur processen, utan att se till att deras tid går till att använda sitt omdöme, inte till mekaniska kontroller.
Traditionella organisationer förlitar sig ofta på flera ledningsnivåer, godkännanden och överlämningar mellan team. Hur förändrar en AI-inbyggd verksamhetsmodell samarbetet mellan teknik-, produkt-, säkerhets- och affärsteamen, och vad händer med traditionella roller och ansvarsområden när agenter tar över en större del av utförandet?
AI gör att varje person och varje team kan åstadkomma mer. Men om överlämningar, godkännanden och samordning förblir oförändrade hopar sig det extra arbetet i väntan på nästa steg. Organisationen arbetar inte snabbare. I stället uppstår nya flaskhalsar. En AI-inbyggd verksamhetsmodell måste förändra hur team samarbetar, inte bara hur varje team arbetar.
Det börjar med hur information flödar. Mer information bör hanteras automatiserat, så att möten kan ägnas åt beslut i stället för lägesuppdateringar. När insikter från verksamheten når produktteamet direkt blir besluten snabbare och mer träffsäkra, vilket i sin tur leder till tydligare specifikationer och bättre genomförande.
Godkännanden behöver också omprövas, och det är den svåraste delen eftersom det innebär att förändra vad organisationen betraktar som normalt. Godkännanden är fortfarande viktiga, men alla förändringar bör inte hanteras på samma sätt. Om man till exempel lägger till en riskbedömning i en viss godkännandeprocess kan antalet manuella godkännanden för arbete med låg risk minska, samtidigt som mänsklig granskning behålls där den behövs. Det är bara ett sätt att påskynda en process utan att ge avkall på kontrollen.
Även rollerna håller på att omdefinieras. När agenter tar över en större del av utförandet går människor från att ansvara för uppgifter till att ansvara för resultat. De behöver förstå hela sammanhanget, ifrågasätta antaganden och tänja på sina traditionella ansvarsområden. De organisationer som lyckas är de som förändrar hur människor samarbetar, inte bara de som inför mest AI.
Ocean använder själv specialiserade AI-agenter för att utreda avancerade e-posthot. Hur har din erfarenhet av att utveckla agentbaserad AI för cybersäkerhet påverkat hur ni använder AI internt, och finns det lärdomar från utvecklingen av autonoma säkerhetssystem som kan tillämpas på ledningen av en AI-inbyggd organisation?
Utvecklingen av autonoma agenter för e-postsäkerhet har påverkat hur vi använder AI internt på två sätt.
Den första lärdomen är att agenter bara presterar så bra som deras förståelse för sammanhanget tillåter. En säkerhetsagent fattar bättre beslut när den förstår organisationen den skyddar. Detsamma gäller internt. För att få bra resultat av agenter måste vi ge dem en verklig förståelse för hur organisationen fungerar, vad varje uppgift syftar till och hur den hänger ihop med helheten.
Den andra lärdomen är att agenter behöver utvärderas kontinuerligt. I produktionsmiljö utvärderar vi hela tiden hur våra agenter presterar, var de misslyckas och vilka verktyg eller data de saknar. Internt tillämpar vi samma arbetssätt. Vi behöver en särskild plats där vi kan testa och träna agenter och få återkoppling på dem. Utan en sådan plats är det svårt att avgöra om en agent blir bättre eller vad den behöver härnäst.
Att driva en organisation där AI är integrerat från grunden liknar mycket att bygga ett autonomt säkerhetssystem: ge agenterna djup kontext, utvärdera kontinuerligt hur de presterar och låt människor vara delaktiga där omdömet spelar roll.
När organisationer ger AI-agenter större autonomi uppstår farhågor kring ansvar, säkerhet och oavsiktliga konsekvenser. Med din bakgrund inom cybersäkerhet, hur bör företag införa skyddsräcken som låter agenter arbeta självständigt utan att äventyra säkerheten eller förlora meningsfull mänsklig tillsyn?
Agenter går mot allt större autonomi, och organisationer bör ta sig dit steg för steg. Börja där konsekvenserna är väl förstådda, visa att det fungerar och utöka sedan användningen.
Verkliga skyddsräcken är inte instruktioner. Att säga till en agent ”gör inte det här” är ingen säkerhetsåtgärd. Skyddsräcken måste upprätthållas: strikta begränsningar av vad agenten får åtkomst till, verifiering av att den inte kan nå något utanför sitt behörighetsområde och kontinuerlig övervakning som blockerar åtgärder som ingen har planerat för. Precis som alla andra delar av systemet bör de testas och valideras regelbundet.
Ansvarsskyldigheten börjar hos operatören. Den som kör en agent fastställer dess gränser: vad den får göra på egen hand, vad som kräver godkännande och vart den inte får gå. Ta till exempel en agent som hanterar e-posthot. Den kan snabbt och tillförlitligt sätta misstänkta meddelanden i karantän på egen hand. För åtgärder med större räckvidd, som att blockera en avsändare i hela organisationen, kan operatören inleda med ett granskningssteg. När agenten får en längre historik av goda resultat kan gränserna utökas med större trygghet. Tydliga skyddsräcken är det som gör större autonomi möjlig.
Det här är ännu viktigare eftersom angripare i allt högre grad riktar in sig på AI-agenter. Verksamheten vill arbeta snabbare, men säkerhetsteamen saknar fortfarande tydliga riktlinjer för hur agenter ska skyddas. Därför måste grunden vara behörigheter som upprätthålls och kontinuerlig övervakning.
Många företag mäter införandet av AI utifrån tidsbesparingar, automatiserade uppgifter eller medarbetarnas produktivitet. Vilka mätvärden visar enligt dig faktiskt om en AI-baserad verksamhetsmodell skapar hållbart affärsvärde, särskilt när man räknar in kostnader för omarbete, kvalitet och samordning?
Sparad tid är ett viktigt mätvärde och ofta det första tydliga tecknet på att AI skapar värde. Men den fulla effekten blir synlig först när mätvärdet kombineras med mått på vad organisationen gör med den tiden och om vinsterna består på lång sikt.
Kvalitet. Snabbare är bara bättre om kvaliteten bibehålls eller förbättras. Följ upp omarbete, fel och hur ofta resultat behöver korrigeras efter leverans. När både hastighet och kvalitet förbättras är vinsterna verkliga och bestående.
Affärsexpansion. Det verkliga värdet av en organisation där AI är integrerat från grunden ligger i vad tidsbesparingarna gör möjligt. Vi mäter hur många nya förmågor och initiativ vi tar oss an utan att öka personalstyrkan.
Hastighet från början till slut. Hur lång tid det tar för en agent att utveckla en funktion är bara en del av bilden. Det verkliga måttet är hela processen, inklusive varje överlämning, från det ögonblick vi beslutar att prioritera något till dess att det finns i produkten. Det visar hur snabbt vi faktiskt arbetar och synliggör de samordningskostnader som mått på enskilda uppgifter missar. Inom säkerhet är hastigheten från början till slut avgörande. Angripare använder redan AI-agenter, så tiden det tar att upptäcka och bemöta ett hot måste fortsätta att minska.
Sparad tid visar att AI fungerar. De här mätvärdena visar att AI skapar ett bestående affärsvärde.
Du har framhållit att mindre och mer snabbfotade teknikföretag kan få en betydande konkurrensfördel genom att utforma om sin verksamhet med AI som grund. Vilka fördelar har startups som byggts kring AI från grunden jämfört med etablerade företag, och hur tror du att framgångsrika teknikföretag kommer att utvecklas organisatoriskt under de kommande tre till fem åren?
Startups som byggts kring AI från grunden har en strukturell fördel. De kan utforma arbetsflöden, teknik och team kring AI-agenter från dag ett, medan etablerade företag måste hantera årtionden av äldre infrastruktur och organisatorisk komplexitet. Den största skillnaden är inte teknisk. Alla har tillgång till samma AI-verktyg. Fördelen tillfaller de företag som kan utforma om sitt arbetssätt utan att först behöva avveckla lager av godkännanden, överlämningar och fasta roller.
Under de kommande tre till fem åren tror jag att framgångsrika teknikföretag kommer att gå från grundläggande AI-automatisering till agentbaserade verksamhetsmodeller, där specialiserade AI-agenter utför hela arbetsflöden. Mänskliga team kommer inte att försvinna, men människor kommer att ägna mindre tid åt att utföra uppgifter manuellt och mer tid åt att tillföra sammanhang, sätta ramar och styra resultaten. Resultatet blir slimmare organisationer som kan växa snabbare, arbeta effektivare och konkurrera med företag som är många gånger större.
Tack för en fantastisk intervju! Läsare som vill veta mer om agentbaserad e-postsäkerhet kan besöka Ocean Security.












