Ron Reiter, CTO och medgrundare av Sentra – Intervjuer

Ron Reiter, CTO och medgrundare av Sentra, är en erfaren entreprenör och cybersäkerhetsexpert med djup kunskap om molntjänster, som har byggt innovativa tekniska lösningar under mer än två decennier inom programvaruutveckling; han har medgrundat och leder tekniken på Sentra, ett företag som fokuserar på datasäkerhet i molnet och hjälper företag att skydda sina molndata, och tidigare medgrundade Crosswise (som förvärvades av Oracle (ORCL ) för 50 miljoner dollar), medan han också arbetade i över sex år som teknisk chef på Oracle/Crosswise och ansvarade för Oracle Data Cloud-produkter och team.

Sentra är en molnbaserad plattform för datasäkerhet som använder AI-driven upptäckt, klassificering och kontextuell analys för att ge organisationer fullständig insyn och kontroll över känsliga data i molnet, hybrid- och lokala miljöer, vilket hjälper dem att bedöma risker, upprätthålla styrning, uppfylla krav och förhindra dataexponering i stor skala i moderna moln- och AI-arbetsflöden.

Du har grundat flera företag inom cybersäkerhet och datainfrastruktur. Vad inspirerade dig att skapa Sentra, och hur påverkade din erfarenhet på Crosswise och Oracle företagets tidiga riktning?

Det som drev mig att starta Sentra var ett mönster som jag såg upprepa sig. På Crosswise och senare på Oracle var data alltid tyngdpunkten. Det var där värdet fanns, men också där risken ackumulerades. Men de flesta säkerhetsverktyg behandlade data som något statiskt, något som man upptäckte en gång och sedan antog var under kontroll.

När molnanvändningen accelererade och organisationer började experimentera med AI, upphörde den antagandet att gälla. Data rörde sig ständigt, kopierades, omvandlades och åtkomstes av system som ingen fullständigt spårade. Jag ville bygga ett företag som började med data som en levande tillgång, något som man kontinuerligt förstod och styrde, snarare än något som man inventerade en gång och glömde. Den idén formade Sentra från dag ett.

Sentra fokuserar på att ge organisationer fullständig kontroll och insyn över sina molndata. Vilket kärnproblem var du mest besluten att lösa när du började konstruera plattformen?

Det centrala problemet var falskt förtroende. Många organisationer trodde att de förstod sin dataläge, men det förtroendet baserades på partiell insyn. De visste var en del känsliga data fanns, men inte all, och de hade sällan en tydlig bild av hur data åtkomstes eller återanvändes över tid.

Vi satte oss att stänga den luckan. Inte bara genom att upptäcka data, utan genom att upprätthålla en kontinuerlig förståelse för vilken data som finns, hur känslig den är och vem eller vad som kan komma åt den. Utan den grunden blir allt annat inom säkerhet reaktivt.

Du har talat om vikten av noggrannhet i modern datasäkerhet. Vad gör att uppnå hög noggrannhet i stor molnskala så utmanande, och hur angrep ditt team det problemet på ett annorlunda sätt?

Noggrannhet blir svår att uppnå i stor skala eftersom sammanhang är viktigt. När miljöer växer blir data mer ostrukturerad och mer specifik för hur ett företag faktiskt fungerar. Enkel mönsterigenkänning och allmänna modeller fungerar rimligt bra i mindre miljöer, men de tenderar att bryta samman när datavolymer växer och användningsfall blir mer komplexa.

Vi såg detta i enterprise-utvärderingar där noggrannheten försämrades när kunder gick från tiotals terabyte till petabyte ostrukturerad data. Vår strategi var att konstruera klassificeringen kring sammanhang och att vara disciplinerad när det gäller effektivitet. Noggrannhet som bara fungerar i liten skala eller kräver överdriven beräkningskraft är inte användbar i riktiga företagsmiljöer.

Sökning och säkerhet för data i distribuerade molnmiljöer är notoriskt svårt. Vilka arkitektbeslut tillåter Sentra att fungera effektivt över flera moln och datalager?

Vi antog från början att kunderna skulle verka över flera moln, SaaS-plattformar och hybridmiljöer. Det tvingade oss att undvika konstruktioner som förlitar sig på tung dataförflyttning eller konstant fullständig omgenomsökning, som inte fungerar bra när miljöer växer.

Istället fokuserade vi på att upprätthålla insyn när miljöer förändras och minimera onödig överbelastning. Det konstruktionsvalet syns i tillförlitlighet och kostnadspredictibilitet, särskilt i stora, komplexa miljöer.

När AI-agenter, copiloter och automatiserade arbetsflöden integreras i företagssystem, vilka nya kategorier av datasäkerhetsrisker tror du att företagen fortfarande underskattar?

Den största blindfläcken är icke-mänsklig åtkomst. AI-agenter, integrationer och automatiserade arbetsflöden kommer åt känsliga data kontinuerligt, ofta utanför de kontroller som är utformade för mänskliga användare.

Detta system loggar inte in på samma sätt som människor och utlöser inte traditionella larm. Att behandla dem som en annan användare är ett misstag. Företagen måste förstå vad dessa system kan komma åt och säkerställa att dessa behörigheter förblir i linje med avsikten, annars ökar risken snabbare än teamen kan svara.

Sentra använder en modellbaserad strategi för att klassificera och säkra känsliga data. Hur balanserar du modellprestanda, driftskostnad och skalbarhet när du bygger för företagsarbetsbelastningar?

Balans kommer från att vara medveten om hur modellerna används. Inte alla problem kräver den största eller mest allmänna modellen. Vi fokuserar på att använda små språkmodeller (SLM) som är väl lämpade för klassificeringsuppgifter och kan fungera effektivt i stora miljöer.

Detta tillåter oss att upprätthålla stark noggrannhet medan vi håller driftskostnaderna låga och predictibla. För företagssäkerhetsteam är konsekvens och tillförlitlighet lika viktiga som råprestanda.

Vad är den största missuppfattningen du ser bland CISO om att säkra molndata i AI-eran, och hur bör deras strategier utvecklas?

En vanlig missuppfattning är att upptäcka data en gång är tillräckligt. I verkligheten förändras moln- och AI-miljöer kontinuerligt. Data flyttas, behörigheter förändras och nya system kommer online varje vecka.

Strategierna måste skifta från periodisk bedömning till kontinuerlig styrning. Det innebär att behandla datasäkerhet som en kontinuerlig disciplin snarare än ett projekt. Målet är inte bara att hitta risk, utan att förhindra att risk återuppstår när miljön utvecklas.

Data Security Posture Management (DSPM) har blivit en central del av den moderna molnsäkerhetsstacken. Enligt dig, vilka egenskaper definierar en verkligt mogen DSPM-plattform?

En mogen DSPM-plattform gör tre saker bra. Den måste förstå data korrekt, den måste fungera tillförlitligt i stor skala och den måste stödja åtgärder snarare än bara rapportering.

Det vi ser nu är att många plattformar ser starka ut i POVs eller tidiga distributioner, men kämpar när miljöer växer och åtkomstmönster blir mer dynamiska. Sökningar saknar fart, kostnader stiger och noggrannheten försämras, särskilt med ostrukturerad data. En mogen DSPM-plattform är en som säkerhetsteam fortfarande litar på när datavolymer når produktionsnivå och AI-system kommer åt data kontinuerligt. Förtroende i skala är vad skiljer användbara plattformar från teoretiska.

Du har också investerat i flera cybersäkerhetsstartups. Från det perspektivet, vad skiljer grundare som lyckas i den här branschen från de som kämpar?

De grundare som lyckas tenderar att vara mycket nära verkliga kundproblem. De motstår frestelsen att jaga buzzwords eller överbygga för edgefall, och fokuserar istället på att lösa problem som dyker upp upprepat i produktionsmiljöer.

De tänker också på hållbarhet tidigt. Inom säkerhet är det lätt att vinna en proof of concept, men att köra tillförlitligt i skala under år är mycket svårare. Grundare som utformar för den verkligheten från början tenderar att vara kvar.

I 2026 och därefter, hur förväntar du dig att datasäkerhetskraven kommer att förändras när organisationer antar decentraliserade arkitekturer, autonoma AI-system och alltmer komplexa dataflöden?

Datasäkerhet kommer att flytta från att skydda platser till att styra rörelse. När arkitekturerna decentraliseras och AI-system agerar autonomt, kommer frågan inte längre att vara var data sitter, utan hur den flyttas och vem eller vad som kan använda den.

Organisationer kommer att behöva kontinuerlig insyn och policygenomförande som reser med data själv. De som inte kan uppnå det kommer att se sina AI-initiativ bromsas av risk- och regelefterlevnadsproblem. De som kan kommer att röra sig snabbare, med förtroende.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Sentra.