Rohan Sathe, medgrundare och VD för Nightfall – Intervju-serie

I de tidiga dagarna ville vi använda maskinlärande för att upptäcka och skydda känsliga data var de än finns i molntjänster och moderna arbetsflöden. När vi gick ut ur stealth-läget 2019 positionerade vi oss som en molnbaserad, ML-baserad SaaS DLP-lösning med en vision om att bygga “kontrollplanet för molndata”. När vi utvidgade oss bortom SaaS till att täcka dataexfiltration över slutpunkter och generativ AI blev “AI-nativ DLP” vår paraplyterm.

Före du startade Nightfall var du en medgrundare av Uber Eats, där du såg förstahands hur data spreds över SaaS och molnverktyg. Hur formade dina upplevelser där din syn på datasäkerhet, och vilka specifika ögonblick eller utmaningar utlöste idén för Nightfall?

På Uber Eats ledde jag backend-team och byggde tillämpad maskinlärande tjänster – saker som ETA-prediktion och utbud-efterfrågan förutsägelse. Vi hanterade petabyte-skala data spridda över många olika system, vilket är en miljö där känslig information kan flytta riktigt snabbt och ofta osynligt. Den erfarenheten, tillsammans med vad hela branschen lärde sig av incidenter som Uber’s 2016-brott – där angripare utnyttjade autentiseringsuppgifter som exponerades i kod på GitHub för att nå AWS-data – betonade verkligen hur kombinationen av data spridning, autentiseringsuppgifter och molninfrastruktur skapar denna oproportionerliga risk utan bättre upptäckt och skydd. Dessa verkligheter formade Nightfalls fokus på kontextmedveten upptäckt och förhindrande från början.

Nightfall lanserades offentligt 2019 med Series A-finansiering. Kan du gå igenom den tidiga resan från stealth-läge till lansering, inklusive eventuella viktiga vändpunkter?

Vi opererade i stealth under ungefär ett år, sedan lanserade vi officiellt den 7 november 2019 med 20,3 miljoner dollar i finansiering ledd av Bain Capital Ventures och Venrock. De tidiga vändpunkterna handlade verkligen om att bygga ut breda SaaS-integrationer och utveckla högprecisions ML-baserad innehållsklassificering som kunde reducera de falska positiva som plågade legacy DLP-lösningar.

Skugg-AI hänvisar till den oövervakade användningen av verktyg som ChatGPT, Gemini och Copilot på arbetsplatsen, ofta resulterande i osynliga data läckor. Hur definierar du Skugg-AI, och varför är det en växande oro för moderna organisationer?

Vi definierar Skugg-AI som den obehöriga eller oövervakade användningen av AI-verktyg av anställda – tänk på att klistra in källkod eller kunddata i chatbots – vilket skapar exponeringsrisker utanför IT-styrning. Denna definition överensstämmer med vad vi ser från andra branschaktörer som IBM och Splunk. Skugg-AI är i princip AI som används utan godkännande eller tillsyn, vilket introducerar dessa blind fläckar och potentiella dataexfiltrationsrisker. Kombinationen av lätthanterliga Generativa AI-appar och bristen på ordentliga kontroller är varför detta problem växer så snabbt.

Du har beskrivit flera sätt som Nightfalls tillvägagångssätt för Skugg-AI skiljer sig från traditionell DLP. Vilken av dessa funktionerna – antingen det är kontextmedveten övervakning, datahärstamning eller realtidsblockering – har visat sig vara mest effektiv för dina kunder?

Från vad vi konsekvent hör från kunder, finns det verkligen två huvudfaktorer som gör den största skillnaden. Först är förinskickade kontroller – faktiskt fånga känsligt innehåll innan det skickas till AI-verktyg eller publiceras på webben. Andra är vår AI-nativa detektion som flyttar bortom legacy mönstermatchning för att förstå datahärstamning och kontext.

Vad som verkligen är kraftfullt är vår brusreducering genom kontinuerligt lärande. Vårt system förstår innehåll och filhärstamning, lär av användarannoteringar och åtgärder och identifierar säkra arbetsflöden för att undertrycka lågriskaktivitet. Detta reducerar dramatiskt falska positiva jämfört med legacy DLP-lösningar. Vi gör också realtids hotdetektering och riskprioritering med LLM, transformer och datorseende, med anpassade fil- och känslighetsklassificerare som kan avslöja rörelse av immateriella tillgångar och högvärdesdokument som går långt bortom enkla regelbaserade entitetsdetektering. Våra kunder berättar att de ser denna transformation från varningsutmattning till fokuserad, högpresterande säkerhetsåtgärd.

Hur stoppar Nightfalls webbaserade och slutpunktsnativa detekteringssystem läckor innan de händer, och hur jämför det med legacy DLP-system som bara upptäcker brott efter inskickning?

Vår webbläsartillägg och slutpunktsagenter skannar förfrågningar och filer innan de skickas. Vi kan redigera eller blockera riskabelt innehåll i realtid – så innan en ChatGPT-förfrågan skickas, till exempel. Vi spårar också härstamning så att säkerhetsteam vet om en fil ursprungligen kommer från ett företagssystem. Vi distribuerar på macOS och Windows med Chrome- och Firefox-tillägg som tillhandahåller denna före-sändningsredigering och uppladdningsblockeringsfunktion. Detta är en ganska skarp kontrast till legacy DLP, som mest handlar om efter-fakta-upptäckt.

Nightfall har utvidgats avsevärt sedan dess grundande. Hur har företags säkerhetsbehov utvecklats under den tiden, och hur har din produkt anpassats till det?

Landskapet har verkligen förändrats dramatiskt. Vi började med SaaS-skanning – tänk Slack och Google Drive – runt 2020-2021. Sedan blev Generativa AI-väggar kritiska från och med 2023, och nu ser vi detta brådskande behov av autonoma, intelligenta hotförhindrande som kan skalas med organisatorisk tillväxt.

Säkerhetsoperationsteam kämpar med alltmer komplexa verktyg, legacy mönstermatchning DLP, konstant manuell principjustering och bara krossande varningsutmattning. Dessa problem bromsar utredningar, ökar overhead och minskar säkerhetseffektivitet. Vår produkts utveckling har följt denna förändring från reaktiv och manuell drift till proaktiv, intelligent automatisering. Vi tillkännagav Generativ AI-täckning 2023, utvidgade till exfiltrationsförhindrande, kryptering och e-postsäkerhet 2024, och nu med Nyx, inför vi vad vi ser som den nästa eran av agenterad AI i dataskydd – transformerar varningsutmattning till fokuserad, högpresterande säkerhetsåtgärd över SaaS, slutpunkter och AI-verktyg.

Du introducerade nyligen Nightfall Nyx, som du beskriver som branschens första autonoma AI-nativa DLP-plattform. Vad gör den autonom, och vilka problem löser det för säkerhetsteam?

Nightfalls AI-detektionsplattform levererar redan högprecisions, lågbrusresultat – 95% precision jämfört med de 5-30% som är typiska för traditionell regex eller regelbaserad DLP. Sittande på toppen av den grunden är Nyx det AI-intelligensskikt som hjälper säkerhetsteam att utreda, korrelera och förstå risker.

Även efter att bruset är borta börjar det riktiga arbetet. I stora organisationer kan säkerhetsteam fortfarande möta hundratals legitima varningar varje dag. Att filtrera igenom dem för att separera affärs godkända arbetsflöden från riskabla datahygienproblem eller insiderhot kan äta upp timmar. Nyx tar på sig denna utredningsbörda – accelererar analys så att team kan fokusera på åtgärd, inte sökning och sortering genom sidor av varningar.

Nyx kopplar punkterna över exfiltrationsevent – användare, domäner, enheter, datatyper, filnamn och mer – ytor mönster omedelbart. Genom sin naturliga språkgränssnitt kan analytiker agera på mönster, utreda resultat, producera rapporter och få rekommenderade åtgärder på sekunder. Uppgifter som tidigare tog två timmar kan nu göras på under två minuter – en sann 20 × tidssparande game-changer.

Med generativ AI-användning som exploderar på arbetsplatser och säkerhetsteam som kämpar för att hålla jämna steg, tror du att verktyg som Nightfall kommer att bli en standardkontrollskikt för företagsmiljöer?

Jag tror att trajektorien tyder på det. Vi ser en omfattande Generativ AI-antagandeplaner över företag, och stora plattformar som Microsoft (MSFT ) Entra Internet Access rullar ut inline, före-inskickningskontroller för Generativa AI-trafik. När du parar det med branschens konsensus kring Skugg-AI-risker är det rimligt att förvänta sig före-inskicknings-, AI-medveten DLP som en standardkontrollskikt bredvid saker som identitet och åtkomsthantering och slutpunktsdetektering och svar.

Till sist, som en grundare som bygger i en så snabbt föränderlig miljö, vad är din långsiktiga vision för Nightfall och rollen för AI i företagsdataskydd?

Vår långsiktiga vision bygger på vad vi artikulerade vid lanseringen – att vara kontrollplanet för molndata – men nu utvidgar vi det med autonoma drift och agenterad AI-funktioner. Vi ser en framtid där säkerhetsposture förbättras kontinuerligt utan att lägga mer arbete på analytiker, där AI eliminerar behovet av specialiserad domänexpertis och där organisationer kan skifta från reaktiv, manuell säkerhetsdrift till proaktiv, intelligent hotförhindrande.

I praktiken betyder det AI som både förstår data i kontext och tar säkra, intelligenta åtgärder – utreda, utbilda, redigera, blockera – över SaaS, slutpunkter, e-post och Skugg-AI. Vi vill stänga loopen från upptäckt till förhindrande, ge säkerhetsteam ett alltid-på intelligent partner som blir smartare med varje utredning och transformerar veckor av manuell kriminalteknik till minuter av fokuserad respons.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Nightfall.