Ідо Лівне, CEO і співзасновник Jazz – Серія інтерв’ю

Ідо Лівне, CEO і співзасновник Jazz, є досвідченим лідером продукту та підприємцем з сильним послужним списком будівництва та масштабування високоефективних технологічних платформ, включаючи керівництво продуктом у Laminar через його придбання компанією Rubrik та допомогу у успішному продажу Tapingo компанії Grubhub за 150 мільйонів доларів; його кар’єра включає старші ролі в Axonius та раніше в підприємствах, таких як KnuPo, і ґрунтується на глибоких технічних знаннях, розвинених під час майже десятилітньої служби в збройних силах Ізраїлю, де він просунувся від інженерії до керівництва програмним забезпеченням та розробки, досвід, який зараз формує його увагу на будівництві ай-нативних кібербезпекових рішень.

Jazz – це ай-нативна кібербезпекова компанія, яка переосмислює запобігання втраті даних, рухаючись за межі застарілих систем, заснованих на правилах, і вводячи контекстно-чутливу платформу, яка розуміє, як дані рухаються через організації, аналізуючи поведінку користувачів, системи та робочі процеси для визначення реальних ризиків, а не генерації надмірних сповіщень; використовуючи ай для розслідування інцидентів в їхньому джерелі та надання дієвих висновків, платформа дозволяє компактним командам безпеки керувати складними середовищами та запобігати витоку чутливих даних через хмарні додатки, кінцеві точки та внутрішні системи, позиціонуючи Jazz як частину нового покоління компаній, які перебудовують корпоративну безпеку для ай-ери.

Ви керували продуктом у компаніях, таких як Laminar через його придбання, та займали керівні ролі в Axonius і Grubhub, а також заснували кілька стартапів. Яка конкретна прогалина або висновок з цих досвідів спонукав вас заснувати Jazz, і чому зараз був правильний момент для переосмислення запобігання втраті даних (DLP)?

Я провів останнє десятиліття, будуючи безпекові продукти та сидячи за столом з керівниками інформаційної безпеки. Три ролі віце-президента з продукту, два виходи – включаючи Laminar, який ми продали компанії Rubrik. І якщо є одна річ, яку я вивчив через все це, то це те, що абсолютно ніхто не любить свою систему DLP.

У Laminar ми побудували перші іннінги категорії DSPM – управління безпекою даних. Велика проблема, але ми провели три роки, навчаючи ринок, перш ніж почався входящий трафік. Я пішов, думаючи: наступного разу я хочу стару проблему. Проблему, про яку кожна рада вже знає, кожен керівник інформаційної безпеки вже має бюджет, і ніхто не фактично розв’язав.

DLP – це ця проблема. Їй двадцять років. Кожна безпекова організація знає про цей ризик. І рішення на ринку загально ненависні – не тому, що постачальники некомпетентні, а тому, що вся框架 неправильна. Ми просили машини підтримувати зразки та людей забезпечувати контекст. Ця модель завжди була призначена для розриву.

Час був очевидним. Ай дав нам можливість зробити щось, що було буквально неможливим раніше – побудувати систему, яка розуміє дані так само, як старший аналітик, але автономно та у масштабі. Коли ми побачили це, ми чотири співзасновники – всі випускники Unit 81 – знали, що це момент повернутися до першої засади та перебудувати DLP з нуля. І цього разу зробити це так, щоб воно працювало, і легко так.

Традиційні системи DLP давно критикуються за генерацію надмірних сповіщень. Що фундаментально ламається в системах DLP, заснованих на правилах, і чому галузі не вдалося розв’язати цю проблему?

Проблема не в тому, що системи DLP, засновані на правилах, потребують кращих правил. Проблема в тому, що правила були неправильним інструментом для цієї роботи з самого початку.

Ось як це фактично працює. Ви розгортаєте систему, яка розуміє зразки – регулярні вирази, типи файлів, ключові слова. Ви пишете правила. Машина підтримує дані проти цих правил, і кожного разу, коли відбувається збіг, вона повідомляє людині-аналітику: “Приходьте подивіться на це”. Аналітик потім повинен привнести весь контекст – хто ця людина, що вона робила, чому вона робила це – і прийняти судження.

Ця друга частина, людське розслідування, ніколи не масштабується. Фізика DLP просто надто шумна. Дані рухаються постійно всередині будь-якої великої корпорації. Дев’ятизначне число не завжди є номером соціального страхування. Завантаження файлу не завжди є викраденням. Літерний рейтинг “А” спрацьовує правила FERPA. Внутрішній перехід між департаментами блокується. Система не може сказати, чи чутливий файл-спілька є життєво важливим бізнес-співробітництвом чи вашими коронними коштовностями, що виходять з дверей.

Що роблять компанії? Вони додають винятки. Кожне виняток – це момент, коли ваш інструмент не зміг зрозуміти ваш бізнес. І кожне з них є фактично санкціонованим бекдором. Віддаліть погляд після十八 місяців, і те, що ви запускаєте, не є програмою безпеки – це реєстр компромісів, переодягнений у звіт про відповідність.

Приблизно 30% ринку має зрілу програму DLP, і навіть вони знають, що це найкраща спроба на найкращу відповідність – задовольняючи кадри відповідності та нічого більше. Ми називаємо їх “полоненими”. Інші 70% або ніколи не пробували, або пробували і зазнали невдачі. Попередні спроби виправити це посипали трохи ай на вершині тієї ж самої рамки, заснованої на правилах. Це як нанесення свіжого шару фарби на машину з двигуном, який кожен знає, що не може справитися з навантаженням. Сама рамка потребує зміни.

Jazz позиціонує себе як надавання відповідей замість сповіщень. Чи можете ви описати, як ваша система розслідує інциденти та що робить її іншою від традиційних систем виявлення?

Традиційна система DLP дає вам сигнал пожежі, а потім передає вам лупу. “Щось трапилося в тому будинку. Удачі у визначенні, який поверх.”

Jazz не робить цього. Ми побудували автономного розслідувача, її ім’я Мелодія, який робить роботу, яку зробив би людський аналітик, але у суперлюдських масштабах.

Коли відбувається транзакція даних, Мелодія не просто прапор herself. Вона проводить повне розслідування по чотирьох вимірах. По-перше, самі дані – не з регулярними виразами та зразками, а глибоко розуміючи, що ці дані означають, хто їх володіє, який ризик їх втрати фактично означає для цієї конкретної компанії. По-друге, системи – звідки дані походять, куди вони прямують, і критично, який орендар. Є величезна різниця між завантаженням файлу до корпоративного Google Drive та особистого.

По-третє, люди – ми вчимося, як окремі особи оперують, як вони використовують дані з часом, що є нормальним для їх ролі. І четверте, бізнес-процес – чому відбувається ця транзакція? Чи є вона частиною відомого робочого процесу, чи це щось, що ми не можемо пояснити?

Ці багаторазові агенти збираються разом і реконструюють повну історію: що відбулося, чому це відбулося, і намір актора. До того часу, як людина побачить це, це не сповіщення – це попередньо розслідувана розповідь з доказами, контекстом та висновком. У типовому розгортанні Jazz обробляє близько 2 мільйонів сигналів на місяць для кожного тисячного працівника, розслідує сотні тисяч потенційних подій та висвітлює близько 80 інцидентів, які фактично потребують людської уваги. Це співвідношення сигналу до шуму 20 000 до 1. Це те, як ми покладаємо край бездіяльним сповіщенням та втомі від сповіщень.

Ваша платформа аналізує контекст даних, систем, людей та бізнесу. Як ви технічно уніфікуєте ці виміри, і яку роль відіграють ай-агенти або системи висновків у цьому процесі?

Архітектура побудована навколо спеціалізованих ай-агентів, кожний з яких аналізує одну транзакцію даних з іншої перспективи.

Один агент зосереджується на глибокому розумінні даних – їхнього змісту, чутливості, власності та актуальності для бізнесу. Інший дивиться на ландшафт системи – не тільки на назви застосунків, а на конкретних орендарів, рівень довіри, чи це підприємство чи особисте.

Ці агенти потім сходяться та синтезують свої висновки в єдине розслідування – повну розповідь про те, що відбулося, чому, і чи це справжній ризик.

Все це сидить на двох фундаментальних інноваціях. По-перше, те, що ми називаємо контекстними сховищами кінцевих точок – новим типом сигналів, які ми запатентували конкретно для DLP. Ці сигнали захоплюють не тільки саму транзакцію даних, а й повну історію навколо неї: що відбулося до цього, що відбулося після, які застосунки були залучені, повний ланцюжок діяльності користувача. Ці сигнали надзвичайно багаті контекстом та дозволяють нам доставляти не тільки те, що відбулося, а й чому це відбулося, і намір актора, який завжди був недосяжним для машин у масштабі.

По-друге, природньо-мовний двигун політики, який замінює традиційні жорсткі набори правил. Замість написання технічних правил з регулярними виразами та порогами безпеки команди описують, що прийнятно, а що ні, так само, як людина зробила б – у простій мові. Мелодія використовує це для прийняття нюансованих суджень щодо ситуацій, які можуть не бути явно згадані в жодній політиці. Бо реальність щоденної практики бізнесу в організації часто різко відрізняється від того, що фактично написано у документі політики. Ми мостимо цю прогалину, і для тих, хто має довгий досвід роботи з програмами DLP, це відчувається як магія.

Багато підприємств зараз розгортають автономні ай-агенти, які взаємодіють з чутливими даними. Як ця зміна змінює ландшафт загроз, і чому це вимагає нового підходу до DLP?

Це тікуча бомба.

Вибух SaaS вже був переповнений командами безпеки – кожну неделю з’являються п’ять нових інструментів у середовищі, багато з яких приймаються працівниками без затвердження ІТ. У нас були клієнти, які виявили понад 400 інструментів GenAI, що працюють по всій організації, про які ніхто не знав. Тепер накладіть автономні ай-агенти на це.

Ай-агенти не просто пасивно обробляють дані – вони активно витягують їх, перетворюють, відправляють до інших служб, приймають рішення про те, куди вони прямують. Працівник, який підключає ай-асистента до кодової бази компанії, використовуючи особистий рахунок, а потім відправляє виводи у особистий репозиторій – ми бачили саме це у полі. Або хтось вставляє пропрієтарні стратегічні документи у особисту сесію ChatGPT, оскільки компанія не провідила підприємницький рахунок. Навіть щось таке просте, як особистий плагін Grammarly, який переглядає все, що ви вводите, включаючи банківські дані про переводи та клієнтів.

Системи DLP, засновані на правилах, були побудовані для світу, де дані рухалися через кілька відомих каналів – прикріплення до електронної пошти, USB-накопичувачі, можливо, веб-завантаження. Ай-ера розірвала цю модель. Дані тепер рухаються через десятки векторів, які застарілі системи навіть не можуть бачити, не кажучи вже про розуміння. Вам потрібна система, яка може зрозуміти, що відбувається контекстно – не тільки те, що дані рухалися, а й чому, через що, і чи місце призначення санкціоновано.

Це фундаментально пояснює, чому стара рамка не може бути виправлена. Вам потрібен підхід, який розуміє контекст бізнесу природно, оскільки поверхня атаки вже не є списком каналів, а кожною взаємодією між людьми, інструментами ай та чутливими даними.

Роз’яснюваність залишається великою перешкодою для прийняття ай у сфері безпеки. Як ви забезпечуєте, щоб рішення вашої системи були зрозумілими та довіреними для команд безпеки, які працюють у високих ставках середовищах?

Це щось, про що ми подумали з дня першого, оскільки останнє, чого потребує керівник інформаційної безпеки, – це ще одна чорна скринька.

Кожне розслідування, яке проводить Мелодія, – це розповідь – не оцінка, не код кольору, не криптичний ризиковий номер. Це читаєся як брифінг від старшого аналітика. Ось що відбулося. Ось хто був залучений. Ось чому ми думаємо, що вони це зробили. Ось докази. Ось політика, до якої це відображається. Ось наша оцінка.

Природньо-мовний двигун політики є критично важливим для цього. Бо політики самі написані у простій мові, команди безпеки можуть бачити точно, до якої політики рішення відображається, і чому. Якщо Мелодія прапор herself, команда може простежити ланцюжок висновків від сирого сигналу через контекстний аналіз до відповідності політики. І якщо вони не згодні, вони можуть уточнити політику у простій мові – не виправляючи набір правил.

Ми також показуємо докази безпосередньо, повний ланцюжок діяльності. Це не “довіряйте ай”, а “ось, що ай бачила, ось, що вона зробила, і ось сирі дані, щоб ви могли перевірити”. Наші клієнти кажуть нам, що це відчувається не як перегляд ай-виводу, а як отримання брифінгу від дуже ретельного колеги.

Це бар. Команди безпеки працюють у середовищах, де неправильне рішення може означати нормативні наслідки, юридичну відповідальність або кар’єру працівника. Система повинна заслужити довіру, будучи прозорою щодо того, як вона приймає свої висновки.

Jazz описує свою систему як поведінку, подібну до людського розслідувача, а не двигуна правил. Що це означає на практиці, і наскільки ми близькі до真正ньо автономних операцій з безпекою?

Коли я кажу, що Мелодія поводиться як людський розслідувач, я це буквально маю на увазі.

Відмінний аналітик DLP не просто бачить, що файл був завантажений. Він дивиться на те, хто завантажив його, що було всередині, куди він пішов, чи ця людина зазвичай обробляє цей тип даних, чи є бізнес-причина для цього, і що відбулося до цього та після. Він використовує судження в контексті – не тільки правила – і це вимагає контекстного розуміння свого бізнесу. Це саме те, що робить Мелодія, але по всім транзакціям даних у підприємстві, безперервно та у масштабі.

На практиці наші клієнти описують Мелодію як ще одного члена своєї команди. Вона показує їм ситуації, які виходять за межі політики, надає повне розслідування з доказами та просить їхнього судження у випадках, які фактично потребують людського висновку. Вона вчиться організації з часом – бізнес-процеси, винятки, речі, які технічно є порушенням, але операційно нормальні.

Що стосується真正ньо автономних операцій з безпекою – ми ближчі, ніж більшість людей думають, але я хочу бути точним щодо того, що це означає. Мелодія вже працює автономно на етапі розслідування. Вона приймає сирі сигнали та виробляє повністю розслідувані, контекстно-залежні висновки без людського втручання. Для високоефективних, високоризикових сценаріїв вона також може приймати превентивні дії автономно – блокуючи викрадення до його завершення.

Людина залишається в ланцюжку для суджень, і для процесу навчання людини в ланцюжку. І це зроблено навмисно. Метою не є видалення людей з безпеки, а видалення монотонної, повторюваної роботи, яка виснажує їх, і дозволити їм зосередитися на рішеннях, які фактично потребують людського судження. Це те, де ми зараз перебуваємо, і це вже перетворює те, як наші клієнти керують своїми програмами.

З продукту та інженерної точки зору, які були найбільшими технічними викликами при побудові ай-нативної платформи DLP з нуля, а не ітерації існуючих архітектур?

Найважчою частиною було опиратися спокусі скоротити шлях.

Коли ви починаєте з нуля, завжди є тиск, щоб позичити частини старої архітектури, оскільки вони перевірені та швидкі, і більш відповідають існуючим очікуванням клієнтів. Але кожен раз, коли ви це робите, ви thừaгаєте обмеження старої моделі. Ми прийняли свідоме рішення повернутися до першої засади – подумати про базову фізику проблеми та перебудувати.

Агент кінцевої точки був одним з найбільших викликів. Нам потрібно було переосмислити проблему збору сигналів та досягти високого контексту, і не брати перевірений шлях старих сигналів – при цьому підтримуючи низький вплив на продуктивність системи. Будівництво цього на всіх операційних системах було серйозним інженерним зусиллям. Ми закінчили патентованим підходом, який дає нам видимість, якої ніхто інший не має.

Багаторазовий ай-система був іншим великим викликом. Отримання декількох спеціалізованих ай-агентів для аналізу однієї транзакції з різних перспектив вимагало багато архітектурного мислення. Це не просто кидання LLM на потік даних. Шар оркестрування, спосіб, яким агенти деляться контекстом, спосіб, яким вони вирішують конфліктні сигнали – це те місце, де живе більша частина виклику.

І природньо-мовний двигун політики. Переклад людських описів того, що прийнятно, а що ні, у щось, що ай може надійно застосувати до тисяч крайніх випадків – це фундаментально складна проблема. Щоденні практики бізнесу в організації часто значно відрізняються від того, що фактично написано у документі політики. Система повинна мостити цю прогалину, і вона повинна зробити це правильно, оскільки наслідки неправильного рішення в DLP серйозні.

Ми обрали кожну з цих складних проблем навмисно, оскільки вони ті, які роблять різницю між інкрементно кращим DLP та чимось фундаментально новим.

У кожному з цих викликів та багатьох інших все ще залишаються відкриті перешкоди, які потрібно подолати, і досить унікальні набори проблем для талановитих людей, щоб взятися за них. Розв’язання DLP добре – це真正ньо мисляча та приваблива подорож.

Jazz був обраний переможцем стартап-акселератора кібербезпеки 2026 року, підтриманого CrowdStrike (CRWD ), AWS та NVIDIA. Що це досвід підтвердив про ваш підхід, і як це вплинуло на вашу дорожню карту вперед?

Тисяча стартапів подала заявку. Шість потрапили до фіналу. Ми перемогли.

Я буду чесним, момент до того, як ви виходите на сцену, ваш мозок нагадує вам про все, що може піти не так. І потім ви починаєте говорити про проблему, над якою ми працюємо, і все стає тихим.

Судді, Джордж Куртц, Сі Джей Мозес, Бартлі Річардсон та легендарний акула, Роберт Гер’явек, вони побачили це. Вони викликали модель агентського розслідування конкретно, а також нашу швидку прийняття клієнтами. Для нас підтвердження лідерів галузі було важливішим, ніж трофей. Це люди, які побудували та керували програмами безпеки на вищому рівні, і вони визнали, що те, що ми робимо, фундаментально відрізняється від того, що було спробувано раніше – і що наш тракション говорить сам за себе.

Що стосується дорожньої карти, акселератор підтвердив нам, що ринок готовий до цього, і вони хочуть, щоб ми рухалися швидко. Ми подвоюємо ставки на розширення можливостей розслідувача та отримання продукту перед якомога більшою кількістю команд безпеки.

Оглядаючи вперед, ви вважаєте, що DLP розвинеться у повністю автономну, агентно-керовану систему, і як виглядатиме довгострокове майбутнє безпеки даних у ай-нативному підприємстві?

Я вважаю, що DLP стане повністю автономним у етапах. Шар розслідування вже там – Мелодія робить це сьогодні. Запобігання для високоефективних сценаріїв відбувається зараз. З часом система стає розумнішою щодо організації, вчиться її робочих процесів, розуміє її людей, і поверхня, яка фактично потребує людського судження, зменшується.

Але я хочу бути ясним – “автономний” не означає “без нагляду”. Це означає, що система обробляє роботу, яку люди не повинні робити, щоб вони могли зосередитися на рішеннях, які фактично мають значення. Керівник інформаційної безпеки майбутнього не тоне у сповіщеннях. Він переглядає стратегічні оцінки ризиків від ай, який розуміє їхній бізнес так само глибоко, як і їхній найкращий аналітик. Вони приймають хірургічні дії, які є актуальними для їхньої організації, на основі агрегованих висновків про їхній ландшафт активної втрати даних, і не здогадки. Це дозволяє їм зменшити ризик даних, не сповільнюючи свій бізнес.

Більша картина така: у ай-нативному підприємстві дані рухаються швидше, через більше каналів, у більш складних способах, ніж будь-яка людська команда може відстежувати. Організації, які виграють, будуть тими, чиї системи безпеки можуть зрозуміти контекст зі швидкістю ай, а не ті, які все ще пишуть регулярні вирази та сподіваються на краще.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Jazz.