罗汉·萨特，Nightfall 联合创始人兼 CEO – 采访系列

在早期，我们希望使用机器学习来发现和保护敏感数据，无论它存在于哪里，跨越云应用和现代工作流。在我们于 2019 年从隐身模式中脱颖而出时，我们将自己定位为云原生、机器学习驱动的 SaaS DLP 解决方案，具有构建“云数据控制平面”的愿景。随着我们超越 SaaS 扩展到端点和生成性 AI，我们的“AI 原生 DLP”成为了我们的总称。

在创立 Nightfall 之前，您曾是 Uber Eats 的联合创始人工程师，在那里您亲眼目睹了数据如何跨 SaaS 和云工具传播。您在那里的经历如何塑造了您对数据安全的看法？哪些具体时刻或挑战激发了 Nightfall 的想法?

在 Uber Eats，我领导后端团队，开发应用机器学习服务，如预计到达时间和供需预测。我们处理的是跨多个系统分布的海量数据，这种环境下，敏感信息可能会迅速、经常是不可见地传播。这种经历，加上整个行业从事件中吸取的教训，如 2016 年 Uber 的泄密事件——攻击者利用在 GitHub 上公开的代码中的凭据进入 AWS 数据——真正凸显了数据扩散、凭据和云基础设施的组合如何在没有更好检测和防护的情况下产生不成比例的风险。这些现实从一开始就塑造了 Nightfall 关注上下文感知发现和预防的重点。

Nightfall 于 2019 年公开推出，获得了 A 轮融资。您能否带我们了解一下从隐身模式到推出的早期旅程，包括任何关键转折点?

我们在隐身模式下运营了大约一年，然后于 2019 年 11 月 7 日正式推出，获得了由 Bain Capital Ventures 和 Venrock 领投的 2030 万美元融资。早期的转折点真正围绕着建立广泛的 SaaS 集成和开发更高精度的基于机器学习的内容分类，以减少传统 DLP 解决方案中困扰的假阳性。

“影子 AI”指的是在工作场所中未经监管地使用诸如 ChatGPT、Gemini 和 Copilot 之类的工具，经常导致不可见的数据泄露。您如何定义影子 AI，它为什么对现代组织来说是一个日益增长的担忧?

我们将影子 AI 定义为员工未经授权或未受监管地使用 AI 工具——例如，将源代码或客户数据粘贴到聊天机器人中——这会在 IT 治理范围之外产生风险。这种定义与其他行业参与者如 IBM 和 Splunk 的定义一致。影子 AI 本质上是指在没有批准或监督的情况下使用 AI，这会引入盲点和潜在的数据泄露风险。易于使用的生成性 AI 应用和缺乏适当控制的结合是这个问题迅速增长的原因。

您曾描述过 Nightfall 的影子 AI 方法与传统 DLP 的多种不同之处。这些功能中——无论是上下文感知监控、数据血统还是实时阻塞——哪一个被证明对您的客户最有影响?

从我们一致听到的客户反馈来看，有两个主要因素带来了最大的差异。首先是提交前控制——实际上在内容被发送到 AI 工具或发布到网上之前捕获敏感内容。第二是我们的 AI 原生检测，它超越了传统的基于模式匹配的方法，去了解数据血统和上下文。

真正强大的功能是我们的噪音减少通过持续学习。我们的系统理解内容和文件血统，学习用户注释和操作，并识别安全工作流以抑制低风险活动。这与传统的 DLP 解决方案相比大大减少了假阳性。我们还使用大型语言模型、变换器和计算机视觉进行实时威胁检测和风险优先级排序，并具有自定义文件和敏感性分类器，可以揭示知识产权和高价值文档的移动，这远远超出了简单的基于规则的实体检测。我们的客户告诉我们，他们正在从警报疲劳转变为专注、高影响力的安全行动。

Nightfall 的基于浏览器和端点的检测系统如何在泄露发生之前阻止泄露，并且它与仅在提交后检测泄露的传统 DLP 系统相比如何?

我们的浏览器扩展和端点代理实际上会在内容提交之前扫描提示和文件。我们可以在实时中编辑或阻止风险内容——例如，在 ChatGPT 提示发送之前。我们还会跟踪血统，以便安全团队知道文件是否源自公司系统。我们在 macOS 和 Windows 上部署，并具有 Chrome 和 Firefox 扩展，提供此前发送编辑和上传阻塞功能。这与传统的 DLP 形成鲜明对比，传统的 DLP 大多是事后检测。

Nightfall 自成立以来已经扩展了很多。企业安全需求在此期间如何演变，您的产品又如何适应这些变化?

安全格局已经发生了戏剧性的转变。我们最初关注 SaaS 扫描——例如 Slack 和 Google Drive——大约在 2020-2021 年。然后，从 2023 年开始，生成性 AI 防护变得至关重要，现在我们看到对自主、智能威胁预防的迫切需求，这种预防可以随着组织的增长而扩展。

安全运营团队正在努力应对日益复杂的工具、传统的基于模式匹配的 DLP、不断的手动策略调整以及令人压倒的警报疲劳。这些问题减慢了调查速度，增加了开支，降低了安全性。我们的产品演进跟踪了这一从反应性、手动安全运营到主动、智能自动化的转变。我们在 2023 年宣布了生成性 AI 覆盖范围，扩展到数据泄露预防、加密和电子邮件保护，并且现在通过 Nyx，我们正在引入我们所认为的数据保护中的下一个时代——将警报疲劳转变为跨 SaaS、端点和 AI 工具的专注、高影响力的安全行动。

您最近推出了 Nightfall Nyx，它被描述为行业首个自主 AI 原生 DLP 平台。是什么使其具有自主性，它解决了安全团队的哪些问题?

Nightfall 的 AI 检测平台已经提供了高精度、低噪音的结果——与传统的基于正则表达式或基于规则的 DLP 相比，精度提高了 95%。在此基础上，Nyx 是帮助安全团队调查、关联和了解风险的 AI 智能层。

即使在噪音消失后，真正的工作才刚刚开始。在大型组织中，安全运营团队仍然可能面临每天数百个合法警报。筛选它们以区分商业批准的工作流和风险数据卫生问题或内部威胁可能会消耗数小时。Nyx 承担了这种调查的重任——加速分析，以便团队可以专注于行动，而不是搜索和排序数页的警报。

Nyx 连接了泄露事件的点——用户、域、设备、数据类型、文件名等——并立即显示模式。通过其自然语言界面，分析师可以采取行动、调查发现、生成报告并获得推荐的行动——所有这些都可以在几秒钟内完成。曾经需要两个小时的任务现在可以在不到两分钟内完成——这是真正的 20 倍时间节省的游戏规则改变者。

随着生成性 AI 在工作场所的使用激增，安全团队难以跟上，您是否认为像 Nightfall 这样的工具将成为企业环境中的默认控制层?

我认为轨迹表明是的。我们看到企业范围内对生成性 AI 的采用计划正在进行中，像 Microsoft (MSFT ) Entra Internet Access 这样的主要平台正在为生成性 AI 流量推出内联、提交前的控制。将此与行业对影子 AI 风险的共识结合起来，很合理地期待提交前的、AI 感知的 DLP 将成为默认的控制层，类似于身份和访问管理以及端点检测和响应。

最后，作为一名在快速发展领域创业的创始人，您对 Nightfall 和 AI 在企业数据保护中的作用的长期愿景是什么?

我们的长期愿景建立在我们在启动时阐述的基础上——成为云数据的控制平面——现在我们正在通过自主运营和代理 AI 能力来扩展这一愿景。我们设想一个未来，安全态势会不断改善，而不会给分析师增加更多工作量，AI 消除了对专门领域专业知识的需求，组织可以从反应性、手动的安全运营转变为主动、智能的威胁预防。

在实践中，这意味着 AI 不仅理解数据的上下文，还会在 SaaS、端点、电子邮件和影子 AI 中采取安全、智能的行动——调查、指导、编辑、阻止。我们希望从检测到预防关闭循环，给安全团队一个始终在线的智能伙伴，它会随着每次调查而变得更加智能，并将数周的手动法医分析转变为几分钟的专注响应。

感谢这次精彩的采访，希望了解更多的读者可以访问 Nightfall。