← Archive
lm-002455 · 2026-08

常駐 AI 資安服務

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

常駐 AI 資安服務

從 MSSP／MDR 到自治式數位免疫基礎設施

英文工作名： Persistent AI Security Services: From MSSP/MDR to Autonomous Digital Immune Infrastructure
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
系列：《AI 時代的數位免疫與資安基礎設施》第六篇
文件性質： 理論資安研究／未來基礎設施模型／產業架構論文
版本： v0.1
日期： 2026-08-10

摘要

當企業的應用程式、雲端、身份、端點、API、供應鏈與 AI Agent 持續增加時，資安已逐漸超過單一組織依靠少量 generalist 工程師即可完整覆蓋的複雜度。

本系列前五篇分別指出：密碼安全存在熵飽和後的旁路轉移、系統安全接近最低有效攻擊路徑、AI 正在壓縮部分攻擊門檻、企業存在安全能力覆蓋缺口，以及攻擊者注意力稀缺這項非正式防線正在被機器規模分析所削弱。

由此產生一個直接問題：

如果企業既無法依靠「沒有人注意我」，也無法自行養成所有安全能力，那麼安全是否會逐漸變成一種可以長期購買的外部基礎設施？

本文提出「常駐管理式 AI 資安基礎設施」（Persistent Managed AI Security Infrastructure）構想：

Local Security Agents+Cloud Security Intelligence+Human Expert Pool+Policy & Governance\boxed{ \text{Local Security Agents} + \text{Cloud Security Intelligence} + \text{Human Expert Pool} + \text{Policy \& Governance} }

共同構成持續運行的數位免疫系統。

這種系統並不只是防毒軟體，也不只是 SOC、MDR 或一個 Security Copilot。它必須持續理解客戶的：

Identity+Endpoint+Application+Cloud+Network+Credential+Dependency+AI Agent\text{Identity} + \text{Endpoint} + \text{Application} + \text{Cloud} + \text{Network} + \text{Credential} + \text{Dependency} + \text{AI Agent}

並執行：

Observe→Model→Detect→Prioritize→Respond→Verify→Learn.\boxed{ \text{Observe} \rightarrow \text{Model} \rightarrow \text{Detect} \rightarrow \text{Prioritize} \rightarrow \text{Respond} \rightarrow \text{Verify} \rightarrow \text{Learn}. }

2026 年的實際市場已出現大量前置拼圖。Palo Alto Networks 的 Cortex XSIAM 已將 SIEM、XDR、SOAR、Attack Surface Management、Threat Intelligence 以及部分 Cloud Security 統合於同一資料與 AI 平台，並加入能規劃、推理與進行調查的 Agentic AI。 CrowdStrike Falcon Complete MDR 已將 AI-native 平台、24/7 全球安全專家、端點、雲端、身份、威脅獵捕與事件修復包成管理式服務。 Google Mandiant Threat Defense 則採取專家主導、AI 輔助的持續威脅搜索與快速回應模式。 Microsoft Security Copilot 也開始把專門 Agent 嵌入 Defender、Entra、Intune 與 Purview，其中 Conditional Access Optimization Agent 已能週期性檢查身份與應用程式的政策覆蓋缺口，產生修正建議並在管理者授權下套用變更。

因此，本文並不主張這些能力尚不存在，而提出下一步的統合命題：

Security Products→Managed Security Capability→Security Infrastructure.\boxed{ \text{Security Products} \rightarrow \text{Managed Security Capability} \rightarrow \text{Security Infrastructure}. }

最終，企業購買的可能不再是「某一套防毒軟體」，而是：

持續維持某個最低安全狀態的服務。

關鍵詞： AI 資安、MDR、MSSP、SOC-as-a-Service、Security Agent、Agentic AI、數位免疫、常駐安全、Security Infrastructure、Managed Security

一、從「買工具」到「買安全能力」

傳統企業安全採購通常是：

Firewall+Antivirus+SIEM+IAM+Scanner+Backup.\text{Firewall} + \text{Antivirus} + \text{SIEM} + \text{IAM} + \text{Scanner} + \text{Backup}.

每個產品解決一部分問題。

但是：

Security Tools≠Security Capability.\boxed{ \text{Security Tools} \neq \text{Security Capability}. }

買了 SIEM，

不代表有人看。

買了 EDR，

不代表有人能判斷事件。

買了漏洞掃描器，

不代表有人能決定：

哪一個漏洞先修？

因此真正的安全能力還需要：

Tool+Knowledge+Attention+Response.\text{Tool} + \text{Knowledge} + \text{Attention} + \text{Response}.

二、MSSP 與 MDR 已經證明「資安可以外包」

Managed Security Service Provider：

MSSP\text{MSSP}

以及：

MDR=Managed Detection & Response\text{MDR} = \text{Managed Detection \& Response}

本身就是一個重要歷史轉折。

它們已經證明：

一家公司不需要自己建立所有 24/7 資安能力。

CrowdStrike Falcon Complete 目前便以持續 MDR 形式提供 24/7 專家團隊、威脅獵捕、端點、雲端工作負載、身份威脅與事件修復能力。

Google Mandiant 亦把 Threat Defense 描述為覆蓋完整 security stack 的主動偵測、威脅搜索與快速回應服務，由 Mandiant 專家與 AI 共同運作。

所以：

Security Capability\boxed{ \text{Security Capability} }

本身早已可以成為服務。

三、問題是目前仍然太碎

即使採用 MDR，

企業仍可能需要另外處理：

  • Password Manager；
  • IAM；
  • Cloud Security；
  • AppSec；
  • API Security；
  • Backup；
  • Vulnerability Management；
  • SaaS Security；
  • AI Agent Security；
  • GRC。

於是：

Managed Security\text{Managed Security}

仍然可能是一堆：

S1+S2+⋯+Sn.S_1+S_2+\cdots+S_n.

客戶自己負責整合。

這就產生一個很奇怪的情況：

最不懂資安的中小企業，反而要自己判斷到底缺什麼資安產品。

四、真正成熟的服務應該反過來

未來客戶真正需要回答的問題也許只有：

我有哪些資產？

哪些東西最重要？

我願意承擔多少風險？

剩下由平台自己決定：

R=Required Security Capabilities.R= \text{Required Security Capabilities}.

也就是：

User buys outcomes;provider manages capabilities.\boxed{ \text{User buys outcomes;} \quad \text{provider manages capabilities}. }

這與雲端計算的歷史非常相似。

五、雲端沒有要求每家公司懂機房

企業使用：

Cloud Compute\text{Cloud Compute}

時，

不需要自己理解：

  • UPS；
  • 機房散熱；
  • 硬碟更換；
  • 骨幹交換器；
  • 實體機架。

它只需要說：

我要 Compute。

同樣地，

普通企業理論上不應該需要知道：

「我現在缺的是 Identity Threat Detection Engineer 還是 DFIR Analyst？」

它只需要：

I need to stay secure.\boxed{ \text{I need to stay secure.} }

六、Security Capability Utility

因此本文提出：

Security Capability Utility

安全能力公用服務

其基本思想為：

Security Expertise→On-Demand / Persistent Utility.\boxed{ \text{Security Expertise} \rightarrow \text{On-Demand / Persistent Utility}. }

客戶不擁有所有專家。

而是擁有：

Access⁡(Csecurity).\operatorname{Access} ( \mathcal C_{\mathrm{security}} ).

這直接延續第四篇的：

C=Cinternal+Cexternal+Cplatform+CAI.C= C_{\mathrm{internal}} + C_{\mathrm{external}} + C_{\mathrm{platform}} + C_{\mathrm{AI}}.

七、從 MDR 向全域 Security Runtime

本文進一步提出：

MDR→Security Runtime.\boxed{ \text{MDR} \rightarrow \text{Security Runtime}. }

傳統 MDR 主要處理：

Detect+Respond.\text{Detect} + \text{Respond}.

未來 Security Runtime 則需要：

Observe+Prevent+Detect+Respond+Recover+Improve.\begin{aligned} &\text{Observe}\\ &+\text{Prevent}\\ &+\text{Detect}\\ &+\text{Respond}\\ &+\text{Recover}\\ &+\text{Improve}. \end{aligned}

也就是不只等事件發生。

八、完整的常駐安全循環

本文定義：

O→M→D→P→R→V→L\boxed{ O \rightarrow M \rightarrow D \rightarrow P \rightarrow R \rightarrow V \rightarrow L }

其中：

OO — Observe

收集必要安全狀態。

MM — Model

建立組織安全模型。

DD — Detect

發現異常與暴露。

PP — Prioritize

計算真正風險。

RR — Respond

採取行動。

VV — Verify

確認問題真的解決。

LL — Learn

把結果送回安全知識系統。

完成後重新：

L→O.L\rightarrow O.

形成持續閉環。

九、Local Security Agent

完整架構第一層為：

AL=Local Security Agent.A_L=\text{Local Security Agent}.

存在於：

  • PC；
  • Server；
  • Mobile；
  • Edge；
  • Local Network。

它可以負責：

Observe+Local Policy Enforcement+Immediate Response.\text{Observe} + \text{Local Policy Enforcement} + \text{Immediate Response}.

十、本地 AI 的特殊優勢

Local Security AI 可以直接取得：

Local Context.\text{Local Context}.

例如：

  • process tree；
  • file changes；
  • software inventory；
  • device state；
  • user activity；
  • network behavior。

並且某些高度敏感資料可以保持：

Local Only.\boxed{ \text{Local Only}. }

這能減少全部安全資料都送往中央雲端的需求。

十一、Cloud Security Intelligence

第二層：

AC=Cloud Security Intelligence.A_C=\text{Cloud Security Intelligence}.

雲端的價值不是單純：

模型比較大。

而是：

Cross-Organization Knowledge+Threat Intelligence+Historical Data+Expert Feedback.\text{Cross-Organization Knowledge} + \text{Threat Intelligence} + \text{Historical Data} + \text{Expert Feedback}.

Palo Alto Cortex XSIAM 目前便以中央資料層整合 endpoint、network、identity、cloud 等 telemetry，再使用 AI 進行關聯與優先排序。

十二、本地—雲端雙層安全

因此理想架構不是：

Everything to Cloud.\text{Everything to Cloud}.

也不是：

Everything Local.\text{Everything Local}.

而是：

AL↔AC.\boxed{ A_L \leftrightarrow A_C. }

Local：

  • 高敏感狀態；
  • 即時反應；
  • 離線安全；
  • 客戶專屬上下文。

Cloud：

  • 大模型；
  • 全球情報；
  • 跨組織模式；
  • 專家資源；
  • 大規模關聯。

十三、人類專家池

第三層：

H={H1,H2,…,Hn}.H= \{ H_1,H_2,\ldots,H_n \}.

例如：

HAppSec,H_{\mathrm{AppSec}}, HCloud,H_{\mathrm{Cloud}}, HIAM,H_{\mathrm{IAM}}, HDFIR,H_{\mathrm{DFIR}}, HMalware,H_{\mathrm{Malware}}, HGRC.H_{\mathrm{GRC}}.

這些人不需要平均分配給每家公司。

十四、人力池化

假設：

10410^4

家公司都自己養一名低利用率 DFIR 專家，

成本很高。

平台則可以維護：

HDFIRpoolH_{\mathrm{DFIR}}^{pool}

讓真正需要時才調用。

因此：

Expertise Ownership→Expertise Pooling.\boxed{ \text{Expertise Ownership} \rightarrow \text{Expertise Pooling}. }

這是 Managed AI Security 很大的經濟優勢。

十五、AI 負責第一層分流

令安全事件：

Ei.E_i.

AI 首先計算：

P(Threat∣Ei).P(\text{Threat}\mid E_i).

低風險事件：

ELE_L

自動完成。

不確定或重大事件：

EH→Hj.E_H \rightarrow H_j.

因此：

AI=Security Triage Layer.\boxed{ AI = \text{Security Triage Layer}. }

Microsoft 目前的 Phishing Triage Agent 已經在將大量重複性的釣魚郵件分類與調查工作轉交 AI，以減少 SOC 分析人員的人工 triage 負擔。

十六、但 AI 不應只有「建議模式」

若永遠：

AI→Suggestion→HAI\rightarrow\text{Suggestion} \rightarrow H

所有事件仍需人看，

則：

Human Bottleneck\text{Human Bottleneck}

並沒有真正消失。

所以一定會逐漸出現：

Bounded Autonomous Response.\boxed{ \text{Bounded Autonomous Response}. }

十七、有限自治，而非無限制 root

本文拒絕：

AI→Unlimited Administrator.AI \rightarrow \text{Unlimited Administrator}.

而提出能力集合：

CA={co,cr,cc,cv,cm}.\mathcal C_A = \{ c_o,c_r,c_c,c_v,c_m \}.

其中：

  • coc_o ：Observe；
  • crc_r ：Recommend；
  • ccc_c ：Contain；
  • cvc_v ：Revoke；
  • cmc_m ：Modify。

AI 依事件等級取得不同能力。

十八、風險分級自治

例如：

Level 0

Observe Only.\text{Observe Only}.

Level 1

Recommend.\text{Recommend}.

Level 2

Automatic Reversible Action.\text{Automatic Reversible Action}.

例如暫時隔離。

Level 3

Human Approval Required.\text{Human Approval Required}.

Level 4

Multi-Party Approval.\text{Multi-Party Approval}.

例如涉及：

  • 重要身份；
  • production；
  • 大規模 policy；
  • critical infrastructure。

十九、可逆性是一個關鍵控制

定義：

R(a)R(a)

表示動作：

aa

的可逆性。

若：

R(a)≈1,R(a)\approx1,

AI 可以得到較高自治權。

若：

R(a)≈0,R(a)\approx0,

則應提高：

Happroval.H_{\mathrm{approval}}.

因此：

Autonomy∝Reversibility.\boxed{ \text{Autonomy} \propto \text{Reversibility}. }

二十、現有系統其實已開始採用這種思想

Palo Alto XSIAM 的 autonomous playbooks 已允許自動處理複雜 security operations，同時對需要人工批准的任務保留明確 approval 標記；平台也允許停用自治 playbook。

Microsoft Entra 的 Conditional Access Optimization Agent 則會持續尋找政策缺口、產生建議與修正，但政策改動仍依使用者角色與管理者批准控制；其 phased rollout 還可在部署造成登入成功率下降時停止推進。

這代表：

AI Autonomy+Human Governance\boxed{ \text{AI Autonomy} + \text{Human Governance} }

已經開始成為真實產品架構。

二十一、Security AI 本身會成為 Tier-0 Asset

如果 AI 可以：

  • revoke token；
  • isolate endpoint；
  • rotate secrets；
  • modify firewall；
  • modify identity policy；

那麼：

AS=Privileged Security Principal.\boxed{ A_S = \text{Privileged Security Principal}. }

它可能比普通管理員更加敏感。

二十二、AI 污染問題

如果：

ASA_S

遭：

  • prompt injection；
  • model poisoning；
  • credential compromise；
  • tool compromise；
  • malicious integration；

控制，

那麼原本的防禦能力可能轉換成：

Attack Amplifier.\boxed{ \text{Attack Amplifier}. }

因此：

Security AI Security\text{Security AI Security}

會成為新的資安子領域。

二十三、AI 不能直接相信外部輸入

常駐 Security Agent 本質上每天都會閱讀：

  • email；
  • web；
  • logs；
  • code；
  • alerts；
  • documents。

其中：

Untrusted Content\text{Untrusted Content}

極多。

因此必須將：

Data Plane≠Instruction Plane.\boxed{ \text{Data Plane} \neq \text{Instruction Plane}. }

外部看到的文字不能自然取得：

Agent Authority.\text{Agent Authority}.

二十四、Agent 權限必須最小化

現有 XSIAM Agentic Assistant 已使用 RBAC 分離 Agent 與 Action 權限，由管理者控制誰能建立、修改、啟用與使用相關能力。

這種架構應進一步發展為：

Capability-Based Security for Security AI.\boxed{ \text{Capability-Based Security for Security AI}. }

即 AI 不得到：

root\text{root}

而得到：

{c1,c2,…,ck}.\{c_1,c_2,\ldots,c_k\}.

二十五、Security AI 需要第二個 AI 監督嗎？

這會產生一個有趣的問題。

主防禦 Agent：

AD.A_D.

監督 Agent：

AG.A_G.

則：

AG→Audit⁡(AD).A_G \rightarrow \operatorname{Audit}(A_D).

例如：

  • 判斷行動是否超權；
  • 是否符合 policy；
  • 是否有異常工具調用；
  • 是否產生不可接受副作用。

形成：

AI Defense+AI Governance.\boxed{ \text{AI Defense} + \text{AI Governance}. }

二十六、關鍵操作仍需要人類

所以未來完整模型不是：

AI>Human.AI>Human.

也不是：

Human>AI.Human>AI.

而是：

AIscale+Humanjudgment.\boxed{ AI_{\mathrm{scale}} + Human_{\mathrm{judgment}}. }

Google Mandiant 目前就明確將其 Threat Defense 模式描述為 human-led、AI-assisted：專家提供高階威脅判斷，AI 協助建立與執行威脅搜索。

二十七、Security Orchestrator

整個服務需要一個：

AO=Security Orchestrator.A_O=\text{Security Orchestrator}.

它不必是最懂 malware 的 Agent。

它的核心工作是：

Routing.\boxed{ \text{Routing}. }

輸入：

E.E.

輸出：

arg⁡max⁡CjP(Cj can resolve E).\arg\max_{C_j} P(C_j\text{ can resolve }E).

二十八、事件自動路由

例如：

Eidentity→AIAM.E_{\mathrm{identity}} \rightarrow A_{\mathrm{IAM}}. Emalware→AEndpoint.E_{\mathrm{malware}} \rightarrow A_{\mathrm{Endpoint}}. Ecode→AAppSec.E_{\mathrm{code}} \rightarrow A_{\mathrm{AppSec}}.

重大未知事件：

EX→HIR.E_X \rightarrow H_{\mathrm{IR}}.

所以客戶完全不需要知道：

這是哪個職種？

二十九、這正好修補 Security Capability Coverage Gap

第四篇定義：

GSCC=R−C.G_{\mathrm{SCC}} = R-C.

常駐管理式服務的真正商品其實就是：

GSCC→0.\boxed{ G_{\mathrm{SCC}} \rightarrow0. }

它不是賣：

一個 AI chatbot。

而是賣：

補上你自己沒有的安全能力。

三十、Credential Security 也應納入

第一篇建立：

Human Root+Machine Entropy+MFA+Recovery.\text{Human Root} + \text{Machine Entropy} + \text{MFA} + \text{Recovery}.

這些也不應是獨立世界。

完整 Security Runtime 應知道：

  • 哪些帳號沒有 MFA；
  • 哪些密碼重複；
  • 哪些 passkey 尚未部署；
  • 哪些 API secret 即將失效；
  • 哪些 recovery path 過弱。

Microsoft Entra 的 Conditional Access Optimization Agent 現在已能持續評估使用者、應用與 Agent Identity 是否被 Conditional Access 覆蓋，並可以協助部署較強的身份安全政策與 passkey adoption。

這表示：

Credential Management\text{Credential Management}

正在自然進入：

Continuous Security Management.\text{Continuous Security Management}.

三十一、Application Security 也必須加入

如果企業使用：

AI Coding,\text{AI Coding},

則：

dCodedt↑.\frac{dCode}{dt}\uparrow.

Security Runtime 不能只在：

Production\text{Production}

才出現。

而要進入：

Code→Build→Deploy→Runtime.\boxed{ \text{Code} \rightarrow \text{Build} \rightarrow \text{Deploy} \rightarrow \text{Runtime}. }

形成完整生命週期。

三十二、因此未來不是單一防毒軟體

完整系統可能成為：

S=(SC,SI,SE,SA,SN,SD,SR)\boxed{ \mathcal S = ( S_C, S_I, S_E, S_A, S_N, S_D, S_R ) }

其中：

  • SCS_C ：Credential；
  • SIS_I ：Identity；
  • SES_E ：Endpoint；
  • SAS_A ：Application；
  • SNS_N ：Network / Cloud；
  • SDS_D ：Data；
  • SRS_R ：Recovery。

這就是：

Digital Immune Infrastructure

三十三、Security Runtime 的狀態模型

常駐 AI 不應每次從零開始。

令組織安全狀態：

Xt.X_t.

新事件：

Et.E_t.

則：

Xt+1=F(Xt,Et,At).X_{t+1} = F(X_t,E_t,A_t).

其中：

AtA_t

代表防禦行動。

也就是：

Security=Persistent State Machine.\boxed{ \text{Security} = \text{Persistent State Machine}. }

而不是：

每一次 alert 都當成彼此無關的 ticket。

三十四、常駐的價值就在記住昨天

如果昨天：

某 endpoint 出現異常。

今天：

同一 identity 又發生異常。

下週：

某 SaaS token 被使用。

三件事可能不是：

E1,E2,E3.E_1,E_2,E_3.

而是：

E1→E2→E3.\boxed{ E_1\rightarrow E_2\rightarrow E_3. }

所以安全 AI 的價值很大部分來自：

Longitudinal Memory.\text{Longitudinal Memory}.

三十五、這也是現有 AI SOC 平台正在靠近的方向

Palo Alto XSIAM 已將不同 telemetry 深度 stitching 到共同資料層，讓端點、身份、網路與 Cloud events 被整理為更完整的 case，而不是孤立 alert；其 Agentic AI 進一步使用 case context 規劃調查與處置。

因此：

Alert-Centric Security→State-Centric Security.\boxed{ \text{Alert-Centric Security} \rightarrow \text{State-Centric Security}. }

已經具有明顯產業方向。

三十六、普通個人版本也成立

這套架構不一定只服務企業。

個人安全環境也逐漸包含：

PC+Phone+Email+Cloud+Passwords+Banking+Smart Home.\text{PC} + \text{Phone} + \text{Email} + \text{Cloud} + \text{Passwords} + \text{Banking} + \text{Smart Home}.

普通人不可能自己理解所有安全問題。

所以可以存在：

Personal Security Guardian

三十七、個人用戶真正需要的是結果

使用者不需要看到：

OAuth scope anomaly detected.

而可以看到：

一個你很少使用的服務取得了新的帳號權限。

我建議撤銷。

或：

這不是你平常使用的裝置。

我已暫時鎖定高風險登入。

也就是：

Technical Complexity→Actionable Decision.\text{Technical Complexity} \rightarrow \text{Actionable Decision}.

三十八、Security AI 會逐漸成為代理人

所以：

Antivirus\text{Antivirus}

最終可能只是：

S\mathcal S

的一個子功能。

真正產品是：

Security Agent\boxed{ \text{Security Agent} }

代表使用者持續處理其數位安全事務。

三十九、但代理權與主權必須分離

即使委託安全服務，

仍應保持：

Delegation≠Sovereignty Transfer.\boxed{ \text{Delegation} \neq \text{Sovereignty Transfer}. }

客戶必須保留：

  • key ownership；
  • emergency override；
  • audit access；
  • provider revocation；
  • export capability。

否則 Security Provider 會成為新的數位主權中心。

四十、服務商本身成為超高價值目標

若平台保護：

NN

家公司，

攻破平台可能影響：

NN

家公司。

所以：

Vprovider∝N.V_{\mathrm{provider}} \propto N.

形成：

Security Concentration Risk.\boxed{ \text{Security Concentration Risk}. }

四十一、中央防禦增益悖論

可以表示：

Centralization Gain⇒{Defense AmplificationCompromise Amplification\text{Centralization Gain} \Rightarrow \begin{cases} \text{Defense Amplification}\\ \text{Compromise Amplification} \end{cases}

這和既有 AI Hacker／具身攻擊研究中「中央智能越強，中央失陷後的放大效應也越大」完全同構。

四十二、所以不能有萬能中央 root

應採：

Split Authority.\text{Split Authority}.

例如：

ACA_C

知道威脅，

但不持有完整明文 key。

ALA_L

持有執行能力，

但受到 local policy 約束。

重大行動還需要：

H.H.

形成：

AC+AL+H.\boxed{ A_C+A_L+H. }

四十三、客戶自己的 Local Policy 是最後防線

即使雲端 AI 發送：

a.a.

本地端仍計算：

Allow(a)=PL(a,Xt).Allow(a) = P_L(a,X_t).

若：

Allow(a)=0,Allow(a)=0,

則不執行。

這意味著：

Cloud Intelligence≠Unconditional Authority.\boxed{ \text{Cloud Intelligence} \neq \text{Unconditional Authority}. }

四十四、平台的真正 KPI 也會改變

傳統安全產品容易宣傳：

  • alerts detected；
  • malware blocked；
  • CVEs found。

但管理式數位免疫真正應看：

MTTD\text{MTTD} MTTR\text{MTTR} Exposure Time\text{Exposure Time} Capability Coverage\text{Capability Coverage} Residual Risk.\text{Residual Risk}.

甚至：

Bsys(t)\boxed{ B_{\mathrm{sys}}(t) }

也就是第二篇定義的最低有效攻擊成本。

四十五、服務商的工作是持續抬高 BsysB_{\mathrm{sys}}

最終：

max⁡Dmin⁡p∈PC(p∣D).\boxed{ \max_D \min_{p\in\mathcal P} C(p\mid D). }

Security Runtime 的目標不是：

找最多漏洞。

而是：

持續使最便宜的有效攻擊路徑變貴。

這是整個系列到目前為止最重要的統合。

四十六、服務等級可以自然形成

未來可能有：

Basic

AIobserve+AIrecommend.AI_{\mathrm{observe}} + AI_{\mathrm{recommend}}.

Managed

AI+24/7 Human Escalation.AI + 24/7\ Human\ Escalation.

Advanced

AI+SOC+IR+Cloud+Identity.AI + SOC + IR + Cloud + Identity.

Critical

AI+Dedicated Experts+Split Authority+High Assurance.AI + Dedicated\ Experts + Split\ Authority + High\ Assurance.

而後續還能再加入：

Insurance / Compensation.\text{Insurance / Compensation}.

四十七、這會重新定義資安公司的商業模式

今天公司可能賣：

License。

未來賣：

Security Outcome Subscription.\boxed{ \text{Security Outcome Subscription}. }

客戶支付：

Pmonth.P_{\mathrm{month}}.

平台承擔：

  • AI inference；
  • telemetry；
  • expert pool；
  • incident handling；
  • continuous updates。

所以產品越來越接近：

Security Operations Utility.\boxed{ \text{Security Operations Utility}. }

四十八、可證偽命題

命題一：AI First-Line 可以大幅降低人工事件量

令：

NEN_E

為全部 security events。

人類實際處理：

NH.N_H.

若：

NHNE↓\frac{N_H}{N_E} \downarrow

且 missed-critical-event rate 不顯著上升，

則支持 AI First-Line 模型。

命題二：能力池化降低 SME 的完整安全成本

比較：

CinternalC_{\mathrm{internal}}

與：

Cmanaged.C_{\mathrm{managed}}.

在相同：

CCRCCR

下，

若：

Cmanaged<Cinternal,C_{\mathrm{managed}} < C_{\mathrm{internal}},

則 Managed Security Infrastructure 具有明確規模經濟。

命題三：持續安全模型優於週期稽核

比較：

TexposureT_{\mathrm{exposure}}

在：

  • quarterly review；
  • continuous observation；

兩組中的差異。

預測：

Tcontinuous<Tperiodic.T_{\mathrm{continuous}} < T_{\mathrm{periodic}}.

命題四：Local + Cloud 優於純中央模型

在相同偵測效果下測量：

Duploaded,D_{\mathrm{uploaded}}, Tresponse,T_{\mathrm{response}}, Roffline.R_{\mathrm{offline}}.

如果雙層架構兼具：

  • 較低資料集中；
  • 較快本地反應；
  • 較強全球情報；

則支持：

AL+ACA_L+A_C

架構。

命題五：自治安全必須受到能力與可逆性限制

比較：

AunboundedA_{\mathrm{unbounded}}

與：

Abounded.A_{\mathrm{bounded}}.

測量：

  • false positive damage；
  • privilege abuse；
  • recovery time。

預期：

AboundedA_{\mathrm{bounded}}

具有較好的整體安全—自治平衡。

四十九、研究限制

本文不主張：

  1. AI 已能取代完整 SOC；
  2. 所有企業都應外包安全；
  3. MDR 已經等於本文提出的完整 Security Runtime；
  4. AI 應取得無限制管理權；
  5. 所有安全資料都應上傳中央雲端；
  6. Security-as-a-Service 可以消除客戶自身責任；
  7. AI 防禦可以保證零失陷。

本文真正提出的是：

Security Capability 可以被平台化、池化與持續提供。\boxed{ \text{Security Capability 可以被平台化、池化與持續提供。} }

而 AI 使這種服務的邊際成本開始下降。

五十、結論：從企業職能到數位基礎設施

過去：

Security=Internal IT Function.\text{Security} = \text{Internal IT Function}.

再後來：

Security=Products.\text{Security} = \text{Products}.

接著出現：

MSSP / MDR.\text{MSSP / MDR}.

而 AI Agent、統一 security data platform、持續 telemetry 與專家池的結合，正在使下一個階段變得可以想像：

Security=Persistent Infrastructure.\boxed{ \text{Security} = \text{Persistent Infrastructure}. }

此時企業不再主要購買：

一套防毒。

一套 SIEM。

一套漏洞掃描器。

而是購買：

持續存在的安全能力。\boxed{ \text{持續存在的安全能力。} }

服務商則負責：

Machine Scale+Expert Judgment+Continuous State.\text{Machine Scale} + \text{Expert Judgment} + \text{Continuous State}.

於是：

AI→First-Line Security Operator\boxed{ \text{AI} \rightarrow \text{First-Line Security Operator} }

而：

Human→Escalation + Governance + Novel Judgment.\boxed{ \text{Human} \rightarrow \text{Escalation + Governance + Novel Judgment}. }

這不是「AI 取代資安人」。

而是：

AI 改變資安人力的配置方式。\boxed{ \text{AI 改變資安人力的配置方式。} }

企業也不必再解決：

「我要去哪裡找到十種不同資安人才？」

因為安全服務本身負責：

Capability Routing.\boxed{ \text{Capability Routing}. }

因此，本系列從第一篇到第六篇已經完成：

Password\text{Password} ↓\downarrow Attack Path\text{Attack Path} ↓\downarrow Attacker Capability\text{Attacker Capability} ↓\downarrow Defender Capability Gap\text{Defender Capability Gap} ↓\downarrow Attention Scarcity Collapse\text{Attention Scarcity Collapse} ↓\downarrow Persistent Managed AI Security Infrastructure.\boxed{ \text{Persistent Managed AI Security Infrastructure}. }

然而，當大量公司開始把安全交給少數平台之後，

下一個問題立即出現：

哪一家平台會比較強？

答案可能不只是：

誰的 AI 模型最好。

因為模型可以更換。

真正難複製的是：

多年安全事件+全球 Threat Telemetry+攻擊鏈+專家修正+實際處置結果.\boxed{ \text{多年安全事件} + \text{全球 Threat Telemetry} + \text{攻擊鏈} + \text{專家修正} + \text{實際處置結果}. }

因此下一篇將進入：

《安全資料網路效應》

Threat Graph、專家回饋與 AI 資安平台的資料護城河

其核心問題是：

當 AI 資安逐漸成為基礎設施後，真正決定平台能力的會不會不再是模型，而是誰擁有最大、最長期、最有回饋閉環的安全世界資料？

參考資料

  1. Palo Alto Networks, Cortex XSIAM Documentation, 2026。XSIAM 將 SIEM、XDR、SOAR、ASM、Threat Intelligence 與 Cloud Security 等功能整合於中央資料與 AI 平台，並加入 Agentic AI 進行調查及處置。
  2. Palo Alto Networks, Resolving cases with AI。Agentic Assistant 可使用 case context 規劃、推理、執行調查與相關 action。
  3. Palo Alto Networks, Autonomous Playbooks。平台允許管理式自治 playbook 執行 security operations，並對部分任務保留人工批准機制。
  4. Palo Alto Networks, Agentic Assistant Security / Permissions。XSIAM 使用 RBAC 控制 Agent 與相關 Action 權限。
  5. CrowdStrike, Falcon Complete MDR。其服務結合 AI-native Falcon 平台與 24/7 全球安全專家，涵蓋端點、Cloud workload、Identity、threat hunting 與 remediation。
  6. Google Cloud, Mandiant Threat Defense。目前採取 human-led、AI-assisted 的主動偵測、威脅搜索與快速回應服務。
  7. Microsoft, Security Copilot Agents. Security Copilot Agent 已逐步嵌入 Defender、Entra、Intune 與 Purview 等安全工作流。
  8. Microsoft, Conditional Access Optimization Agent, 2026。Agent 可持續分析身份與應用程式 Conditional Access 覆蓋情況、提出新政策或修改建議，並支援受管理者控制的修正。
  9. Microsoft, Conditional Access Optimization Agent phased rollout。提供逐階段部署與安全停止機制，讓 AI 政策管理保留可觀察與人工控制。
  10. Microsoft, Phishing Triage Agent. AI Agent 已用於協助 SOC 大規模處理使用者回報的可疑郵件與重複性分析工作。