问题——从“内容风险”转向“行为风险”，企业安全边界面临重构。随着大模型与自动化技术融合，AI系统的能力已从生成文本、图像，延伸到自主访问数据、调用外部工具、触发工作流并执行任务。相应风险也不再局限于不当内容输出、提示词注入等传统问题，而是演变为“智能体在生产环境中能做什么、会被诱导做什么”的行为安全挑战。企业将智能体引入客服、运维、财务、研发等流程后，攻击面随之扩展到智能体工作流、委托操作链条以及非人类账号的访问路径。若缺少有效管控，可能导致敏感信息外泄、越权调用、业务中断甚至合规风险。 原因——三重变化叠加，推动安全体系从“模型护栏”走向“全生命周期治理”。一是上云与数字化持续推进，数据与工具分布在多个系统和权限域中。为提升效率，智能体往往被授予更广的访问权限，风险敞口随之扩大。二是智能体具备“链式执行”特征，一次指令可能触发多步推理与多系统联动，传统以边界防护或单点审计为主的方式难以覆盖全链路。三是AI应用迭代加快，从原型到上线周期缩短，企业常常来不及完成与传统软件同等强度的安全评估与持续验证，导致“上线即暴露”的问题累积。业内因此开始将重点从静态规则与模型层护栏，转向运行时行为的可视化、决策与阻断能力。 影响——安全治理能力将成为智能体规模化落地的关键门槛。对企业而言，缺少统一的安全控制平面会放大“影子应用”增长，数据在不同应用间流转难以追踪，不仅影响合规，也会抬高事后处置成本。对产业而言，智能体能力越强，越需要可证明的安全机制与审计链路，否则信任缺口将拖慢其在关键领域的应用节奏。对监管与合规环境而言，跨境数据、个人信息保护、关键基础设施安全等要求持续收紧，企业需要更可验证的技术手段支撑内控与审计，以应对不断升级的合规压力。 对策——统一控制平面、运行时决策与持续对抗测试并举。此次发布的AI Defense Plane定位为统一的AI安全控制平面，强调在企业使用AI技术的连接、部署、运行环节提供可扩展的防护能力。据介绍，该方案基于其AI安全平台，并整合ThreatCloud AI等能力与涉及的技术积累，覆盖AI执行全生命周期的发现、治理、可观测性、运行时管控与持续验证。其核心为AI原生安全引擎，主打快速响应与多语言自适应防护，力求在高并发业务场景中实现“可见、可控、可追溯”。 从功能模块看，方案聚焦三类典型场景：一是员工侧AI安全，强调对员工使用各类AI应用的可见性与防护，降低敏感数据在已批准与未批准工具中的泄露风险，针对企业常见的“工具扩散、数据外流难监测”问题提供管控。二是AI应用与智能体安全，面向嵌入业务流程的应用与智能体系统提供发现与治理，帮助企业识别AI部署位置、可访问的数据与工具及其行为方式，为最小权限、策略落地与审计提供依据。三是AI红队协作，通过对提示词、推理路径及智能体行为开展持续对抗测试，在从原型走向生产的过程中提前暴露漏洞，推动从“上线前一次性评估”转向“上线后持续验证”。业内观点认为，随着智能体能够查询基础设施、触发工作流并与敏感数据交互，红队测试正从可选变为必选，关键在于持续发现可被操控的路径与失效的控制点，并据此快速修补与迭代。 前景——智能体安全将走向平台化与标准化，企业需同步完善治理体系。随着智能体应用进入规模化阶段，安全投入将从单点产品采购转向平台能力建设，重点包括：建立统一的资产与权限视图，将安全策略嵌入工作流，强化对非人类身份与委托链条的管理，形成可审计的证据链与持续验证机制。同时，企业也需在组织层面完善治理：明确智能体使用边界与责任划分，推动研发、运维、合规与业务协同，建立覆盖上线前评估、上线中监控、上线后复盘的闭环流程。技术与管理配合，才能在效率与安全之间形成可持续的平衡。
智能体带来的效率提升正在改变企业生产方式，也放大了“可执行能力”背后的风险外溢。面对从模型到业务链路的攻击面扩张，安全治理需要从事后补救转向体系化建设：既要让企业看得见智能体在做什么，也要管得住它能做什么、做得是否正确。将运行时管控、持续验证和责任边界纳入统一治理框架，企业才能在加速创新与守住安全底线之间取得更稳健的平衡。