Rami Habal, grundare och VD för Magnitude – intervjuserie

Rami Habal, grundare och VD för Magnitude är en veteran inom cybersäkerhet och AI‑produkter med en karriär som spänner över företags‑säkerhet, maskininlärning, konsumentteknik och riskkapitalfinansierade startup‑företag. Innan han grundade Magnitude tjänstgjorde han som Entrepreneur in Residence på Ballistic Ventures och tillbringade mer än fyra år på Abnormal Security, där han bland annat hade rollerna Chief Product Officer och Chief Customer Officer. Tidigare ledde Habal den multi‑enhetsupplevelsen för Amazon Alexa, ansvarade för produkt på Reverb och var en av de tidigaste medarbetarna på Proofpoint, där han hjälpte till att bygga och kommersialisera säkerhetsprodukter när företaget växte från en startup till sin senare börsnotering. Hans karriär omfattar också erfarenhet av riskkapital, mobilteknik, API:er och produktstrategi, vilket ger honom en bred bakgrund i skärningspunkten mellan cybersäkerhet, AI och företagsprogramvara.

Magnitude är ett AI‑inbyggt cybersäkerhetsföretag som fokuserar på att omvandla tredjepartsriskhantering (TPRM) från periodiska efterlevnadsgranskningar till en kontinuerlig säkerhetsfunktion. Dess multi‑agentplattform använder specialiserade AI‑agenter för att bedöma leverantörer och produkter, kontinuerligt övervaka sårbarheter och andra riskförändringar, kartlägga fjärde‑, femte‑ och djupare‑partsberoenden, automatisera leverantörskommunikation och hjälpa till att hantera åtgärder. Istället för att primärt förlita sig på frågeformulär och punkt‑i‑tid‑bedömningar är Magnitude utformad för att resonera mot en organisations egna policyer och leverera evidensbaserade beslut med spårbara källor och resonemang. Det övergripande målet är att ge säkerhetsteam kontinuerlig insyn i alltmer komplexa mjukvaru‑ och leverantörsekosystem samtidigt som mänskliga analytiker kan fokusera på högre‑värdiga bedömningsuppgifter.

Efter att ha byggt produkter på Proofpoint, Amazon Alexa och Abnormal Security, vad övertygade dig om att det var rätt tidpunkt att grunda Magnitude? Fanns det en specifik insikt eller kundsmärta som fick dig att tro att autonom tredjepartsriskhantering behövde bli ett eget företag?

Jag visste att jag efter min tid på Abnormal ville starta ett företag. Vad jag inte visste var vilket problem som var värt att bygga ett företag kring. Genom hela min karriär har jag dragits till tillämpade maskininlärningsprodukter som adresserar breda, universella behov, såsom e‑postsäkerhet på Proofpoint, röstberäkning med Alexa och beteendesäkerhet på Abnormal. Jag ville hitta ett annat problem med samma räckvidd för att hjälpa företag.

Sedan kom agenterna. Efter att ha arbetat med den föregående vågen av maskininlärning kunde jag se att detta inte bara var en ny produktfunktion. Det var ett plattformsbyte, och sådana sker inte ofta.

Medan jag var entreprenör‑i‑residens på Ballistic Ventures började jag prata med CISO:er om var detta skifte kunde ha störst påverkan. Tredjepartsrisk kom återkommande upp. Historiskt sett var det logiskt att TPRM placerades inom GRC‑funktionen eftersom leverantörsrisk rörde sig tillräckligt långsamt för att periodiska granskningar skulle hinna med. Men den antagandet började brytas ner. Alla höll med om att det var ett stort problem, men de flesta organisationer hanterade fortfarande det med enkäter en gång per år, kalkylblad, periodiska granskningar och omfattande manuellt arbete. Reaktionen var konsekvent: tredjepartsriskhantering är kritisk, men vi har fortfarande ingen bra lösning för den.

Det var den insikten bakom Magnitude. Jag visste att den traditionella modellen inte längre fungerade och att vi behövde en teknik som kunde förändra driftmodellen helt, inte bara göra den gamla kalkylbladsdrivna processen lite snabbare. Från början var min uppfattning att varje leverantör så småningom skulle ha ett svärm av agenter som kontinuerligt utvärderade de risker som omgav dem. Magnitude växte fram ur den tron.

Du beskriver ankomsten av “Mythos‑eran”, där AI kan identifiera och exploatera sårbarheter snabbare än människor kan reagera. Vilka förändringar har du observerat under det senaste året som övertygade dig om att detta skifte redan är igång snarare än ett framtida bekymmer?

Den största förändringen jag har sett är hur snabbt dessa attacker nu sker. För ett år sedan handlade mycket av samtalet fortfarande om vad AI eventuellt skulle kunna möjliggöra för en angripare. Nu kan vi se dessa förmågor ta form i realtid. AI kan hjälpa en angripare att granska ett mycket större mjukvaruekosystem, upptäcka svagheter som tidigare kanske var okända, och attackera dessa svagheter i en skala som skulle vara svår för ett mänskligt team att matcha.

I Mythos‑eran har AI‑system visat förmågan att identifiera mer än 2 000 tidigare okända fel i mjukvaruekosystem, och median tiden från sårbarhetsupptäckt till exploaterad attack förväntas sjunka under en timme i slutet av 2026. Även om tiden mellan upptäckt och exploatering fortsätter att krympa skapar det ett gap mellan hur snabbt exponering kan uppstå och hur snabbt traditionella granskningscykler kan svara.

Vi ser också att incidentmönstret rör sig i samma riktning. I vår analys ökade frekvensen av leverantörskedjeattacker från ungefär 13 incidenter per månad år 2024 till 41 per månad år 2026. Vi har märkt att aktiviteten ökar i takt med stora förbättringar i frontier‑modeller. Jag skulle inte påstå att varje modellutgåva direkt orsakar fler attacker, men trenden är svår att ignorera. Verktygen blir mer kapabla i takt med att attacktaktiken accelererar.

Det som verkligen bekräftar denna förändring för mig är de samtal jag har med säkerhetsledare. De talar inte längre om tredjepartsrisk som något som kan hanteras genom en årlig granskning och ses över vid förnyelse. De känner sig utsatta under månaderna mellan dessa granskningar eftersom deras leverantörer, mjukvaruberoenden och nedströmsleverantörer ständigt förändras.

Det är vad Mythos-eran betyder för mig. Fönstret för att förstå och reagera på risk blir allt smalare, medan den potentiella påverkan från en enskild komprometterad leverantör blir större. En periodisk efterlevnadsprocess var helt enkelt inte avsedd för den miljön.

Många företag implementerar snabbt AI‑agenter i hela sina organisationer. Hur bör säkerhetsledare ompröva styrning när dessa agenter i allt högre grad interagerar med externa leverantörer, API:er och nedströmsberoenden?

Det första säkerhetsledare måste inse är att även en AI‑agent som byggs inom företaget kanske inte är helt intern. Den kan förlita sig på en extern plattform, en tredjeparts‑skill via MCP, en tjänst som Google Drive eller annan teknik som organisationen inte direkt kontrollerar. Och var och en av dessa leverantörer kan ha egna underleverantörer.

Det räcker inte längre att bara godkänna själva agenten. Ledarna måste förstå vilken information den kan komma åt, vilka åtgärder den kan utföra, vilka externa tjänster den är beroende av och när mänskligt godkännande krävs. De måste också förstå hur dessa beroenden kan förändras över tid när agenten får nya funktioner, kopplas till nya system eller börjar förlita sig på ytterligare nedströmsleverantörer. Dessa kontroller kan inte heller sättas en gång och glömmas. När en agent får nya förmågor eller anslutningar måste dess styrning anpassas därefter.

Målet bör inte vara att bromsa AI‑adoptionen. Det bör vara att ge företag tillräcklig insyn för att använda agenter med förtroende. Styrning måste bli en pågående säkerhetspraxis, snarare än ett engångsgodkännande som genomförs när ett nytt verktyg introduceras.

Tredjepartsriskhantering har traditionellt förlitat sig på frågeformulär och periodiska granskningar. Varför anser du att den modellen i grunden fallerar i en AI‑driven miljö? 

Problemet med den traditionella TPRM-modellen är att den ger en ögonblicksbild av vad en leverantör påstod vara sant vid en specifik tidpunkt. Ett företag kan fylla i ett frågeformulär när det först godkänns och sedan inte granskas igen förrän vid förnyelse, vilket kan vara flera år senare. Under tiden kan dess teknik, säkerhetspraxis, AI‑modeller, datanvändning och leverantörer alla förändras. Vi kan knappt förutsäga vad som kommer att förändras de kommande veckorna, så att förlita sig på en flera år gammal bedömning är inte längre meningsfullt.

Det finns också en fråga om hur pålitlig informationen är. Ett rapporterat svar som matas in av någon som försöker driva ett avtal framåt är inte detsamma som ett faktum som stöds av en oberoende revision, en undertecknad bolagsfil eller en annan verifierbar källa. Säkerhetsledare måste veta inte bara vad svaret är, utan var det kommer ifrån och om det fortfarande är aktuellt.

Slutligen slutar frågeformulären vanligtvis vid den direkta leverantören. De visar sällan de N:e parterna, även om dessa dolda fjärde- och femtepartsrelationer kan skapa verklig exponering. Angripare vet nu att ett företags svagaste länk inte är själva företaget, utan en av dessa nedströmsleverantörer. Att attackera dessa leverantörer kan i slutändan ge dem åtkomst till företaget. Det är helt enkelt billigare och enklare.

Det är därför jag inte tror att svaret bara är att använda AI för att fylla i frågeformulär snabbare. I den modellen kommer det alltid att finnas luckor. Modellen själv måste förändras, från periodiska, självrapporterade ögonblicksbilder till en kontinuerlig, realtidsbaserad, evidensbaserad förståelse av risk så djupt som ett företags leverantörskedja sträcker sig.

Magnitude introducerar konceptet med en autonom AI‑arbetsstyrka för säkerhetsteam. Var ser du balansen mellan AI‑drivet beslutsfattande och mänsklig tillsyn, särskilt för högpåverkande säkerhetsbeslut? 

Autonom betyder inte nödvändigtvis ansvarslös. Så här ser jag på det: AI bör hantera det kritiska men repetitiva arbete som tar så mycket av ett säkerhetsteams tid, medan människor förblir involverade när ett beslut kräver omdöme, kontext eller har betydande affärskonsekvenser. Faktum är att inget säkerhetsteam har tillräckliga resurser idag för att hantera den nuvarande uppgiften. AI kan hjälpa till att fylla det gapet.

AI:s kvalitet är av enorm betydelse. När den är väl utförd blir AI en kraftmultiplikator. Den ger ett team mer kapacitet och hjälper människor att fokusera på arbete med högre värde. När den är dåligt utförd får den motsatt effekt eftersom någon måste dubbelkolla varje resultat. För högpåverkande säkerhetsbeslut bör systemet vara av hög kvalitet och kunna visa vilken evidens det använde och hur det kom fram till sin rekommendation, vilket skapar en granskbar dokumentation.

Rätt nivå av tillsyn kommer också att variera mellan organisationer. Ett stort företag med ett etablerat säkerhetsteam kan använda AI mer som en autopilot, där människor övervakar arbetet och ingriper vid undantag. En mindre organisation kan välja att automatisera mer av programmet eftersom den saknar personal eller budget för att bygga ett stort team. I båda fallen bör det finnas tydliga punkter där ett ärende eskaleras till en person.

I slutändan bör organisationen kunna besluta hur mycket mänskligt engagemang den vill ha baserat på beslutets betydelse. Målet är inte att ta bort människor från säkerheten. Det är att hjälpa dem att använda sin tid bättre, fatta snabbare affärsbeslut och reservera mänsklig uppmärksamhet för de beslut där den tillför mest värde.

Ditt team samlar expertis från AI, cybersäkerhet och konsumentplattformar i stor skala. Hur har den kombinationen påverkat hur du har designat Magnitude jämfört med traditionella cybersäkerhetsprodukter? 

Var och en av våra bakgrunder lärde oss något annorlunda om vad en AI‑säkerhetsprodukt måste göra bra. Inom cybersäkerhet är ett svar bara användbart om du kan lita på det, spåra det tillbaka till bevis och agera på det. Genom vårt arbete med AI och maskininlärning lärde vi oss att den verkliga möjligheten inte bara är att sammanfatta information, utan att omvandla expertarbete till ett system som kan utföra det arbetet konsekvent. Att bygga plattformar som Alexa och Pandora lärde oss att tänka på tillförlitlighet och användbarhet i mycket stor skala.

De lärdomarna tog oss bort från den traditionella cybersäkerhetsmodellen att producera ännu ett instrumentpanel eller ännu ett flöde av larm för ett redan överbelastat team att undersöka. Vi designade Magnitude för att utföra arbetet: samla in och verifiera information, bedöma leverantörer, övervaka förändringar, koppla ny information till affärsrisk och hjälpa till att föra frågor mot en lösning.

Bakom kulisserna innebär det att flera specialiserade AI‑agenter arbetar tillsammans. Men kundupplevelsen bör förbli enkel. Säkerhetsteam bör inte behöva bli AI‑experter för att förstå vad systemet har hittat, varför det är viktigt eller vilken åtgärd som ska vidtas.

Resultatet är en produkt som är utformad för att fungera kontinuerligt över tusentals leverantörer samtidigt som den uppfyller den standard som krävs för högpåverkande säkerhetsbeslut. Det är inte AI som lagts till ett äldre arbetsflöde. Den byggdes från början kring idén att AI kan utföra en stor del av arbetsflödet själv, samtidigt som den ger människor de bevis, den insyn och den kontroll de behöver.

En av de största oroarna kring AI inom cybersäkerhet är att den ger både försvarare och angripare mer kraft. Anser du att fördelen för närvarande ligger hos försvararna eller motståndarna, och vad kommer att avgöra vem som ligger steget före under de kommande åren?

Jag tror att fördelen idag lutar åt angriparna, särskilt vid leverantörskedjeattacker. Jag skulle inte säga att försvararna är hopplöst efter. Uppmaningen till försvararna är att sluta behandla detta som ett framtida problem och agera snabbare nu. Båda sidor har tillgång till många av samma AI‑verktyg, men ekonomin och tiden till marknad gynnar för närvarande angriparen.

AI gör det billigare och enklare att testa fler attackvägar, lansera fler försök på N‑nivåer djupt och upprepa processen i skala. När en angripare komprometterar en mycket använd leverantör eller mjukvarukomponent kan en lyckad attack spridas till hundratals eller till och med tusentals företag.

Försvararna har det svårare eftersom de måste förstå och skydda ett stort nätverk av leverantörer, mjukvarukomponenter och nedströmsleverantörer, och det tar också tid för företag att reagera, anskaffa mjukvara som hjälper och operationalisera dessa verktyg, vilket skapar ett fönster som angripare kan utnyttja.

Det som avgör vem som ligger steget före blir om försvararna kan förändra den ekvationen. De måste gå bortom sporadiska granskningar och manuella uppföljningar till kontinuerlig övervakning och snabbare åtgärder. Automatiserade styrnings‑ och försvarssystem som kontinuerligt övervakar förändringar, kopplar dem till affärsrisk och kan svara snabbt kommer att göra attacker svårare att skala och dyrare att upprepa.

Cybersäkerhet har alltid varit ett katt‑och‑mus‑spel. AI förändrar inte det, men det ökar hastigheten och insatserna. Försvararna behöver system som kan lära sig, anpassa sig och agera i samma tempo som angriparna börjar operera i.

AI‑leverantörskedjor blir alltmer komplexa, där organisationer förlitar sig på ett stort antal grundmodeller, SaaS‑leverantörer och autonoma agenter. Vilka framväxande risker tror du att företag fortfarande underskattar?

Den mest underskattade risken är tekniken som ligger bakom den produkt ett företag tror att det har godkänt. Även en internt byggd agent kan vara beroende av externa plattformar, tillägg, entreprenörer eller mjukvarukomponenter. Dessa dolda relationer skapar N‑te parts‑risk, leverantörerna bakom en direkt leverantör.

De flesta företag har fortfarande mycket liten insyn i det djupare lagret. De kan veta vem de har skrivit avtal med, men inte varje extern tjänst, mjukvarukomponent eller underleverantör som i slutändan stödjer produkten.

Den andra frågan är hur sammankopplade dessa system har blivit. En svaghet i ett tillägg eller en stödjande tjänst kanske inte förblir isolerad till den leverantören. Den kan skapa en väg in i en större plattform och sedan påverka många organisationer som är beroende av den. Det innebär att en relativt liten leverantör kan bli en mycket större källa till exponering.

Det som riskcheferna bör fråga om är inte bara “Vilken AI-modell använder vi?” utan “Vad är detta system beroende av, vad är dessa leverantörer beroende av, och hur skulle ett problem någonstans i kedjan nå oss?” Tills företag kan besvara dessa frågor kommer de fortsätta ärva risker de inte kan se.

Om vi ser bortom dagens stora språkmodeller, vilka teknologiska utvecklingar under de kommande fem åren förväntar du dig kommer att omforma företags‑cybersäkerhet och riskhantering mest signifikant? 

Jag tror inte att den avgörande förändringen blir en enda ny modell. Det blir övergången från AI som svarar på frågor till AI‑system som kontinuerligt kan observera vad som händer, koppla ihop information från olika källor och vidta åtgärder.

Nästa generations modeller kommer inte bara att vara lite bättre; de kommer att vara mycket mer kapabla. Men den större förändringen kommer från specialiserade agenter som samarbetar över säkerhetsoperationer. Idag hanteras leverantörsgranskningar, hotinformation, affärsrisker och åtgärder ofta i separata verktyg och av olika team. Med tiden kommer dessa funktioner att börja sammanslås.

Jag förväntar mig att säkerhetssystem blir mycket mer sammankopplade, så att hotinformation, affärskontext, företagspolicyer och responsåtgärder samlas snarare än att hanteras i separata verktyg. Systemet kan då identifiera att en leverantör har utsatts för ett nytt hot, förstå vilka delar av verksamheten som kan påverkas och hjälpa till att påbörja responsen utan att vänta på flera manuella överlämningar.

Detta kommer att förändra riskhanteringen från en serie periodiska övningar till en kontinuerlig driftkapacitet. De starkaste riskprogrammen kommer att byggas kring företagskontext, pålitliga bevis och förmågan att omvandla information till betrodda åtgärder.

Om du kunde ge ett råd till CISO:er och företagsledare som förbereder sig för nästa generation av AI‑drivna hot, vad skulle det vara och vilka åtgärder bör de prioritera idag?

Mitt råd är att sluta hantera leverantörskedjerisk som en årlig övning. Risker förändras kontinuerligt, och ditt tillvägagångssätt måste hålla takten. Miljön lever och andas. Den är för sammankopplad och förändras för snabbt för att en serie separata granskningar och verktyg ska kunna hålla jämna steg.

Hur du skyddar denna framväxande attackyta är med en enda AI‑inbyggd kontrollplan för kontinuerlig, autonom styrning och försvar av all din externa risk.

Det bästa stället att börja är med de delar av verksamheten som är viktigast. Identifiera leverantörerna och externa tjänsterna som stödjer dessa kritiska operationer, förstå var de dolda beroendena finns och fastställ tydligt ansvar för vad som händer när en risk upptäcks. Automatisera sedan så mycket som möjligt av den löpande övervakningen och rutinresponsen, samtidigt som du låter människor vara med i beslut som har stora affärskonsekvenser.

Målet är inte bara att samla in mer information. Det handlar om att kontinuerligt koppla ihop det du vet, avgöra vad som är viktigt och agera innan ett leverantörsproblem blir ett företagsskaligt problem.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Magnitude.