Rami Habal，Magnitude 创始人兼首席执行官 – 访谈系列

Rami Habal，Magnitude 的创始人兼首席执行官，是一位资深的网络安全和人工智能产品高管，职业生涯横跨企业安全、机器学习、消费技术以及风险投资支持的初创公司。创立 Magnitude 之前，他曾在 Ballistic Ventures 担任驻企业家，并在 Abnormal Security 工作超过四年，期间担任首席产品官和首席客户官等职务。早期，Habal 负责 Amazon Alexa 的多设备体验，曾在 Reverb 负责产品，并且是 Proofpoint 最早的员工之一，在公司从初创阶段成长至最终 IPO 期间，他帮助构建并商业化安全产品。他的职业经历还包括风险投资、移动技术、API 和产品战略，使他在网络安全、人工智能与企业软件交叉领域拥有广泛背景。

Magnitude 是一家 AI 原生的网络安全公司，致力于将第三方风险管理（TPRM）从周期性的合规审查转变为持续的安全职能。其多代理平台利用专门的 AI 代理评估供应商和产品，持续监控漏洞及其他风险变化，绘制第四方、第五方及更深层的依赖关系，自动化供应商沟通，并帮助管理修复工作。Magnitude 并非主要依赖问卷和瞬时评估，而是依据组织自身的政策进行推理，提供基于证据、可追溯来源和推理过程的决策。更广泛的目标是为安全团队提供对日益复杂的软件和供应商生态系统的持续可视性，同时让人工分析师专注于更高价值的判断决策。

在帮助构建 Proofpoint、Amazon Alexa 和 Abnormal Security 的产品之后，是什么让您确信现在是创立 Magnitude 的最佳时机？是否有某个具体的领悟或客户痛点让您相信自主的第三方风险管理需要成为一家独立的公司？

我知道在离开 Abnormal 之后，我想创办一家公司。但我当时并不知道哪个问题值得围绕它建立公司。我的职业生涯中，我一直致力于解决广泛、普遍需求的应用机器学习产品，例如 Proofpoint 的邮件安全、Alexa 的语音计算以及 Abnormal 的行为安全。我想找到另一个具有同等影响力的问题，以帮助企业。

随后，代理技术出现。经历了上一波机器学习的浪潮后，我看到这不仅仅是另一个产品特性，而是一次平台层面的转变，而此类转变并不常见。

在我担任 Ballistic Ventures 的驻企业家期间，我开始与首席信息安全官（CISO）讨论这一转变可能产生的最大影响。第三方风险屡次被提及。历史上，将 TPRM 放在 GRC（治理、风险与合规）职能下是合理的，因为供应商风险变化缓慢，周期性审查能够跟上。但这种假设正在瓦解。大家一致认为这是一个重大问题，但大多数组织仍然通过每年一次的问卷、电子表格、定期审查以及大量人工工作来管理它。反应是一致的：第三方风险管理至关重要，但我们仍缺乏有效的解决方案。

这正是 Magnitude 背后的领悟。我知道传统模式已经失效，我们需要一种能够彻底改变运营模式的技术，而不仅仅是让旧的基于电子表格的流程稍快一些。从一开始，我的想法是每个供应商最终都会拥有一群持续评估其风险的代理。Magnitude 正是基于这一信念而诞生。

您描述了“神话时代”的到来，在该时代 AI 能够比人类更快地识别并利用漏洞。过去一年中，您观察到哪些变化让您确信这一转变已经在进行，而不是未来的担忧？

我看到的最大变化是这些攻击发生的速度。去年，许多讨论仍围绕 AI 可能最终让攻击者能够做什么。而现在我们已经看到这些能力实时成形。AI 能帮助攻击者审视更庞大的软件生态系统，发现此前可能未知的弱点，并以人类团队难以匹配的规模攻击这些弱点。

在神话时代，AI 系统已经展示出能够在软件生态系统中发现超过 2,000 项此前未知缺陷的能力，预计到 2026 年底，漏洞发现到武器化利用的中位时间将降至一小时以下。虽然发现与武器化之间的时间持续缩短，但这导致了曝光出现的速度与传统审查周期响应速度之间的差距。

我们也看到事件模式朝同一方向发展。根据我们的分析，供应链攻击的频率从 2024 年大约每月 13 起上升至 2026 年每月 41 起。我们注意到这一活动的上升伴随着前沿模型的重大改进。我并不声称每一次模型发布都会直接导致更多攻击，但这一趋势难以忽视。随着攻击节奏加快，工具的能力也在提升。

真正让我确认这种变化的是我与安全领袖的对话。他们不再把第三方风险视为可以通过年度审查并在续约时重新评估的事项。他们在这些审查之间的几个月里感到暴露，因为他们的供应商、软件依赖和下游供应商不断变化。

这就是我所理解的 Mythos 时代。了解并应对风险的窗口正在缩小，而单一受损供应商的潜在影响却在扩大。周期性的合规流程根本不是为这种环境设计的。

许多企业正在快速在组织内部部署 AI 代理。当这些代理日益与外部供应商、API 和下游依赖进行交互时，安全领袖应如何重新思考治理？

安全领袖首先需要认识到，即使是公司内部构建的 AI 代理，也可能并非完全内部。它可能依赖外部平台、通过 MCP 的第三方技能、诸如 Google Drive 的服务，或组织未直接控制的其他技术。而且这些提供商各自可能还有自己的供应商。

仅仅批准代理本身已不再足够。领袖们需要了解它能够访问哪些信息、可以执行哪些操作、依赖哪些外部服务以及何时需要人工批准。他们还需了解随着代理获得新能力、连接新系统或开始依赖更多下游提供商时，这些依赖如何随时间变化。这些控制也不能一次设定后就被遗忘。随着代理获得新能力或新连接，其治理必须相应调整。

目标不应是放慢 AI 的采用，而是为公司提供足够的可视性，使其能够自信地使用代理。治理必须成为持续的安全实践，而不是在引入新工具时一次性完成的批准。

第三方风险管理传统上依赖问卷和定期审查。您为何认为该模型在 AI 驱动的环境中根本失效？ 

传统的 TPRM 模型的问题在于它只提供了供应商在特定时间点所称真实情况的快照。公司可能在首次批准时完成问卷，随后直到续约才再次审查，可能相隔数年。与此同时，其技术、安全实践、AI 模型、数据使用以及供应商都可能发生变化。我们几乎无法预测接下来几周会有什么变化，因此依赖多年以前的评估已不再合理。

信息的可信度也是一个问题。由试图推进交易的人填写的答案并不等同于独立审计、签署的公司文件或其他可验证来源支持的事实。安全领袖需要了解答案是什么，更要知道其来源以及是否仍然是最新的。

最后，问卷通常只涉及直接供应商。它们很少展示第 N 方，即使这些隐藏的第四方和第五方关系会带来真实的风险。攻击者现在知道，企业最薄弱的环节不是企业本身，而是这些下游供应商。攻击这些供应商最终可以让他们获取企业的访问权限。这既更便宜也更容易。

这就是为什么我认为答案并非仅仅使用 AI 更快地完成问卷。在这种模式下，总会存在漏洞。模型本身必须转变，从周期性的自我报告快照转向持续的、实时的、基于证据的风险认知，深入到公司供应链的每一个环节。

Magnitude 引入了安全团队自主 AI 劳动力的概念。您如何看待 AI 驱动决策与人工监督之间的平衡，尤其是针对高影响力的安全决策？ 

自主并不意味着不负责任。我认为，AI 应该处理那些关键但重复的工作，这些工作占用了安全团队大量时间，而在决策需要判断、上下文或涉及重大业务后果时，人仍然参与。事实上，现有的安全团队资源不足以应对当前的任务。AI 可以帮助填补这一缺口。

AI 的质量极其重要。若实现得当，AI 是力量倍增器，能够提升团队的产能，使人员专注于更高价值的工作。若实现不佳，则适得其反，因为必须有人对每个输出进行复核。对于高影响力的安全决策，系统必须具备高质量，并能够展示所使用的证据以及如何得出推荐，从而形成可审计的记录。

适当的监督层级也会因组织而异。大型且已有成熟安全团队的公司可能将 AI 视为自动驾驶仪，由人员监督工作并在例外情况下介入。小型组织可能会选择更大程度的自动化，因为其缺乏人员或预算来组建大型团队。无论哪种情况，都应设定明确的节点，将问题升级至人工处理。

最终，组织应能够根据决策的重要性决定所需的人力参与程度。目标并不是将人从安全工作中剔除，而是帮助他们更好地利用时间、更快地做出业务决策，并将人力注意力保留在最能产生价值的决策上。

贵团队汇聚了 AI、网络安全以及面向消费者的大规模平台的专业知识。这种组合如何影响了你们在设计 Magnitude 时与传统网络安全产品的区别？ 

我们各自的背景让我们对 AI 安全产品必须具备的能力有了不同的认识。在网络安全领域，答案只有在可信、可追溯至证据并可付诸行动时才有价值。通过我们在 AI 与机器学习方面的工作，我们认识到真正的机会并非仅仅对信息进行汇总，而是将专家的工作转化为能够持续执行该工作的系统。构建 Alexa 和 Pandora 等平台让我们学会在极大规模下考虑可靠性和可用性。

这些经验使我们摒弃了传统网络安全模式——为已经超负荷的团队再提供一个仪表盘或另一串警报去调查。我们设计 Magnitude 的目标是承担这些工作：收集并验证信息、评估供应商、监控变化、将新信息关联业务风险，并帮助推动问题走向解决。

在幕后，这意味着多个专门的 AI 代理协同工作。但客户体验应保持简洁。安全团队不必成为 AI 专家，就能理解系统发现了什么、为何重要以及应采取何种行动。

最终，这是一款能够在数千家供应商之间持续运行，同时仍满足高影响力安全决策所需标准的产品。它不是在旧工作流上叠加的 AI，而是从一开始就围绕 AI 能自行完成大部分工作流的理念构建，同时为人提供所需的证据、可视性和控制权。

围绕 AI 在网络安全中的最大担忧之一是它同时赋能防御者和攻击者。您认为目前优势倾向于防御者还是攻击者？未来几年内，谁将保持领先的因素是什么？

我认为目前优势倾向于攻击者，尤其是在供应链攻击方面。我并不认为防御者完全落后。防御者需要采取的行动是停止把这视为未来问题，而是现在就加快步伐。双方都能使用许多相同的 AI 工具，但目前的经济性和上市时间更有利于攻击者。

AI 使得测试更多攻击路径、发起更深层次的攻击尝试以及大规模重复这些过程变得更便宜、更容易。当攻击者入侵一个被广泛使用的供应商或软件组件时，一次成功的攻击可能会蔓延至数百甚至数千家公司。

防御者的工作更为艰巨，因为他们必须了解并保护庞大的供应商、软件组件和下游供应链网络，同时企业需要时间来响应、采购有助于防御的软硬件，并将这些工具投入运营，这就为攻击者留下了可利用的窗口。

决定谁能保持领先的关键在于防御者是否能够改变这种局面。他们需要从偶尔的审查和手动跟进转向持续监控和更快的响应。能够持续监测变化、将其关联业务风险并快速响应的自动化治理与防御系统，将使攻击的规模更难实现、成本更高。

网络安全一直是一场猫捉老鼠的游戏。AI 并未改变这一点，但它加快了速度并提升了风险。防御者需要能够以攻击者日益加快的节奏学习、适应并采取行动的系统。

AI 供应链正变得日益复杂，组织依赖众多基础模型、SaaS 供应商和自主代理。您认为企业仍在低估哪些新兴风险？

最被低估的风险是公司认为已批准的产品背后所使用的技术。即使是内部构建的代理，也可能依赖外部平台、插件、承包商或软件组件。这些隐藏的关联产生了第 N 方风险，即直接供应商背后的供应商。

大多数企业对这一更深层的风险几乎没有可见性。他们可能知道与谁签订了合同，却不了解最终支撑产品的每一个外部服务、软件组件或分包商。

另一个问题是这些系统之间的互联程度。一个插件或支撑服务的弱点可能不会局限于该提供商本身，而是形成通向更大平台的路径，进而影响依赖该平台的众多组织。这意味着相对小的供应商可能会成为更大的暴露源。

因此，风险负责人应该关注的并非仅仅“我们在使用哪种 AI 模型？”而是“这个系统依赖什么，这些供应商依赖什么，链条任何环节出现问题会如何影响我们？”在公司能够回答这些问题之前，他们将继续承担看不见的风险。

展望今天的大型语言模型之外，您预计在未来五年内哪些技术发展将最显著地重塑企业网络安全和风险管理？ 

我认为决定性的变化不会是单一的新模型，而是从仅能回答问题的 AI 转变为能够持续观察发生情况、连接不同来源信息并采取行动的 AI 系统。

下一代模型不仅仅会稍有提升，而是会显著更强大。但更大的转变将来自跨安全运营的专用代理协同工作。如今，供应商评估、威胁信息、业务风险和补救措施往往在不同的工具和团队中分别管理。随着时间推移，这些职能将逐步融合。

我预期安全系统将变得更加互联，将威胁信息、业务背景、公司政策和响应行动整合在一起，而不再分散于不同的工具中。系统能够识别出供应商已暴露于新威胁，了解业务哪些部分可能受影响，并在无需多次人工交接的情况下启动响应。

这将把风险管理从一系列周期性演练转变为持续的运营能力。最强大的风险计划将围绕企业背景、可靠证据以及将信息转化为可信行动的能力构建。

如果您可以向为应对下一代 AI 驱动威胁而做准备的CISO和企业领导者提供一条建议，那会是什么？他们今天应优先采取哪些行动？

我的建议是不要把供应链风险管理视为一年一次的活动。风险持续变化，您的方法必须同步跟进。环境是活生生的、在不断呼吸。它过于互联，变化过快，单一的审查和工具系列难以跟上。

保护这一新兴攻击面的方法是采用单一的 AI 原生控制平面，实现对所有外部风险的持续、自治治理与防御。

首先应从最关键的业务环节入手。识别支撑这些关键运营的供应商和外部服务，了解隐藏的依赖关系，并明确在发现风险时的所有权归属。随后尽可能自动化持续监控和常规响应，同时让人员参与处理具有重大业务后果的决策。

目标并非仅仅收集更多信息，而是持续将已知内容相连接，判断关键要素，并在供应商问题演变为全公司危机之前采取行动。

感谢这次精彩的采访，想了解更多的读者请访问 Magnitude。