Nati Hazut，Bold Security 首席执行官兼联合创始人——专访系列

Nati Hazut是 Bold Security 的首席执行官兼联合创始人。他此前共同创立了 SAM Seamless Network 和 Polyrize，在联网设备安全、身份管理、云权限管理和数据保护领域积累了经验。他在 Bold 的工作将这些经验用于保障员工、AI 智能体与企业敏感数据之间交互的安全。

Bold Security开发终端数据保护技术，利用直接在设备上运行的小型语言模型对敏感信息进行分类，并了解这些信息的使用方式。其平台为安全团队提供多种控制手段，可指导用户、重定向活动，或阻止浏览器、桌面应用程序和 AI 智能体中的风险操作。在本次采访中，Hazut 谈到了影子 AI、设备端智能、自主智能体，以及企业数据安全边界的变化。

你此前共同创立了 SAM Seamless Network 和 Polyrize，后来又与 Hadar Krasner 和 Omri Mallis 一起创办了 Bold Security。你当时看到企业安全和 AI 领域出现了哪些变化，让你确信有必要从零开始再创办一家安全公司？

AI 带来的主要变化，是工作发生的地点变了。几十年来，人们使用公司数据进行的最敏感操作都发生在浏览器和 SaaS 应用程序中，安全防护体系也正是围绕这些场景构建的。如今，越来越多工作直接在设备本身上完成：人们在桌面 AI 助手中起草内容，将源代码粘贴到原生应用程序中，或运行可直接访问笔记本电脑上的文件、应用程序和公司系统的智能体。

这一转变打破了大多数安全产品赖以构建的假设。网络检查只能看到经由其传输的流量，而桌面应用程序会加密自身流量并绕过代理。CASB 能看到获准使用的云应用。DSPM 能看到存储在云端的数据。但它们都看不到被导入桌面 AI 应用的本地文件，也看不到在没有人坐在键盘前操作的情况下由智能体传输的数据。

我们创办 Bold，是因为终端是所有这些要素汇聚之处。你可以看到数据、与数据交互的员工或智能体、他们试图执行的操作，以及信息的去向。而且，你可以在敏感数据脱离公司的控制之前采取措施。

影子 AI 的形式多种多样，从员工使用个人 ChatGPT 账户，到使用桌面应用程序、浏览器扩展程序、API、模型上下文协议连接，以及日益自主的智能体。如今，哪种影子 AI 最难被企业安全团队发现和管控？

一年前，人人都在担心“影子 AI”，但现在讨论开始深入到更具体的问题。企业安全团队逐渐认识到，员工采用新 AI 工具的速度前所未有。因此，问题的重点已不再是盘点工具，而是管控流经这些工具的数据。

当然，看不见就无从管控。最难发现的，是那些从未经过任何人监控的网络路径的渠道。桌面应用程序会直接读取设备上的文件并加密流量，因此流量不会经过专为检查流量而构建的工具。智能体能够访问公司信息，并会持续使用这些信息，而不需要员工每次都向它们提供内容。

这些都是新的数据外泄渠道，而关键问题在于经由这些渠道传输的是什么。将一份公开文档放入获准使用的公司账户，与将客户数据库或专有源代码放入个人账户，并非同一回事；只有在数据所在之处和操作发生之处，才能看出这种区别。因此，无法被你发现的影子 AI，恰恰也是数据问题最为关键的所在。

Bold 采取终端优先的方法，在设备本地运行 AI，而不是主要依赖网络或云端监控。与传统的数据防泄漏技术相比，设备端模型能够理解 AI 交互中的哪些信息？

Bold 在两方面做法不同。首先，我们利用 AI 保护敏感数据，而不必将数据发送给其他 AI 服务进行分析。我们的小型语言模型直接在设备上运行，能够识别哪些数据属于敏感信息、谁在访问这些数据，以及数据将被发送到哪里。这样，我们就能实时识别并阻止风险操作，无须将所有数据发送到云端，因此也避免了由此产生的延迟和成本。

其次，我们的保护范围超越了传统安全工具监控的渠道。市场上的大多数产品仍然聚焦于浏览器和网络流量，但越来越多敏感数据正通过桌面 AI 应用程序、编码工具、终端和自主智能体流转。传统的数据防泄漏和云安全产品更难发现这些场景中的数据。

通过在终端运行，我们能够在所有这些环境中保护数据，并在敏感信息脱离公司控制之前进行干预。

你们的技术不仅旨在理解正在访问哪些数据，还要理解操作背后的情境和意图。你们如何区分对敏感信息的正当使用与构成实际安全风险的行为，同时避免产生过多误报？

关键在于具体情境。不能把每次文件上传或每个访问数据的代理都当作安全事件处理，否则什么工作都做不成。

同一个文件，在某个场景下可能是常规内容，在另一个场景下却可能造成严重问题。客户名单出现在支持工具中是意料之中的事，但如果被上传到个人账户，就是个实实在在的问题。源代码应该留在代码仓库中，而不是放进面向消费者的 AI 工具的提示词里。

如果某个工具只知道内容是否符合某条规则，就只能要么把两种情况都标记出来，要么都不标记。这正是误报的来源。了解数据是什么、由谁转移以及要传到哪里，才能区分正常的 AI 使用和真正的风险。

AI 代理带来了不同的安全模式，因为软件如今能够越来越多地访问文件、调用工具、通过 MCP 服务器建立连接，并在很少有人参与的情况下采取行动。当与敏感企业数据交互的主体可能是自主代理而非员工时，终端安全需要如何演进？

安全防护在很大程度上是围绕人来构建的，但代理如今能够以机器的速度采取行动，打开文件、调用工具、转移数据，无须有人批准每一步操作。安全防护也必须以同样的速度运作。许多产品利用 AI 在事件发生后进行分析。我们则利用 AI 实时识别并阻止风险操作，包括在浏览器之外发生的操作。

代理可能会通过桌面应用程序、终端，或在完成任务时发现的其他工具开展工作。无论相关操作由人还是代理执行，安全防护都需要跟踪数据及其在这些环境中的操作。

这也带来了一个安全团队过去不必面对的问题。发生风险事件时，是当事人有意为之，还是代理出了差错？这两种情况需要采取不同的应对方式。如果员工判断失误，就应该指导他们。如果代理擅自做了没人要求它做的事，就应该立即制止。

终端是辨别两者差异的关键，因为数据、进程和操作都会在这里汇集。

许多企业应对生成式 AI 风险的方式，是限制或禁用某些工具。您认为组织是否正转向一种模式：只要对 AI 工具可访问的数据以及数据的去向实施管控，几乎任何 AI 工具都可以获准使用？

一刀切地全面禁用并不能解决问题。员工只需几秒钟就能找到新的 AI 工具并开始使用，而他们中的大多数人并不是想绕过安全防护，只是想更快地完成工作。

更值得关注的问题是，他们使用这些工具时，公司的数据会发生什么。

如果有人使用个人 AI 账户处理无害的工作，也许只需引导他们改用公司账户。如果他们准备把源代码、客户信息或凭证发送到公司不允许的地方，安全团队就需要介入。

我认为，未来的发展方向就是如此：让人们有空间使用 AI，同时对数据加以管控。了解哪些数据正在被访问、数据要传到哪里，以及何时需要介入。

在本地运行 AI 有望降低延迟并保护隐私，但终端设备的计算能力和内存也有限。在构建能够进行语义数据分类、并直接在员工设备上实时执行管控的模型时，您遇到了哪些技术取舍？

不能把一个庞大的模型装进某人的笔记本电脑，让它耗尽 CPU 和内存，然后就说这是安全防护。如果你的安全产品让电脑变得难以使用，员工会很反感，IT 部门也会把它关掉。

所以，确实存在很现实的取舍。模型必须足够理解数据，能够区分无害内容和敏感内容，同时也必须足够快速、轻量且可靠，能够持续在后台运行。

我们最初的工作，是构建能够在不同类型的计算机上进行有效分类、又不会拖慢设备运行的模型。这项工程工作我们已经完成，因此客户不必自行面对这些取舍。

在整个开发过程中，用户体验始终是我们的首要任务。我们的产品在本地实时作出决策，所使用的计算资源约为传统竞争对手的非 AI 代理的 20%。无需仅仅为了判断数据是否敏感，就让敏感数据离开设备。

Bold 能够识别 AI 工具、账户和代理活动，并通过指导用户、引导用户改用其他方式或阻止风险操作来进行干预。您如何判断系统应当只是警告用户，还是自动阻止某项操作？

想想一位得体的同事会怎么处理。如果你正要把一份草稿粘贴到个人 ChatGPT 账户里，对方会凑过来提醒你：“嘿，我们有公司账户可以用。”如果你正要把客户数据库上传到个人 Drive，对方就会赶紧拉住你。

我们努力采用同样的方式，并发现，通过引导，至少 90% 的用户会转而选择安全的替代方案。多数情况下，用户只是误用了错误的账户，或者不了解公司的数据流向政策。

最终在哪里设置拦截，由客户决定，而且每家公司划定的界限都不一样。我们的职责是提供相关背景信息，让他们有信心做出正确的决定。对于更复杂的高风险流程，这意味着要结合我们之前谈到的背景信息，并根据用户自身的历史行为，甚至其同侪群体的情况进行评估。

你的职业生涯从在 SAM 保护联网设备，到在 Polyrize 管理身份和云权限，再到如今在 Bold 保护人与 AI 智能体及企业数据之间的交互。经历了这三代网络安全发展之后，你对安全边界本质的看法发生了怎样的变化？

我对安全基本原则的认识更加清晰了。贯穿始终的共同点是：让安全防护贴近行动发生之处，并使其能够大规模运行。

在 SAM，我们让资源非常有限的路由器也具备了企业级安全防护能力。这段经历让我们懂得，如何高效地将先进技术部署到边缘设备上。在 Polyrize，我们专注于通过提升可见性和管理安全态势，保护云环境和 SaaS 环境中的数据。了解数据暴露情况至关重要，但这并不一定能让你阻止高风险操作。

Bold 汇集了这些经验。我们将智能能力部署在终端上，也就是人与 AI 智能体同数据交互的地方，并为安全团队提供相关背景信息，帮助他们了解风险并实时介入。

网络安全和云安全仍然重要，但终端能够通过桌面应用、本地文件、个人账户以及设备上运行的智能体，观察各类活动。我逐渐认识到，安全防护在何处、何时发挥作用，与其智能程度同样重要。

展望未来三到五年，随着员工与自主性日益增强的 AI 智能体协同工作，你认为企业终端将演变成什么样？我们是否会迎来这样一个阶段：每台设备实际上都运行着自己的智能安全层，持续判断哪些人和智能体可以访问特定数据？

我认为，这正是我们前进的方向。

终端将成为一个智能安全层，能够理解设备上的数据，识别与数据交互的是人还是智能体，并在本地决定哪些操作可以进行、哪些不可以。

随着智能体变得更加自主，这一点会愈发重要。一个人可能同时有多个智能体代表自己处理文件、应用程序和公司系统中的事务。安全防护不能依赖这个人逐步批准每项操作，因为今后他们越来越可能不会一直关注这些操作。

数据仍然需要受到保护，但访问数据的主体数量将远远超出坐在键盘前的一个人。安全系统需要与智能体通信，在操作发生时做出决策并自主响应。管理这些系统的人员将越来越多地负责监督控制措施和决策，而不是逐一审查每个事件。终端是能够在数据仍处于公司控制之下时做出这些决策的地方。

感谢您接受我们的精彩采访。希望进一步了解终端数据保护和安全采用企业级 AI 的读者，请访问 Bold Security。