Anthropic 与 Google 的竞争进入 SOC，但 Claude 并非安全平台

Anthropic 和 Google 正在将 AI 更深入地推向安全运营领域，但对于应赋予这些系统多大权限，双方仍存在未解决的分歧。Anthropic 与 Google 的竞争如今进入了一个尤其严苛的工作场景：安全运营中心（SOC），在这里，一次自信却错误的判断就可能演变为安全事件。

直接诱因是市场对 Claude 等通用 AI 平台，以及 Google Security Operations 等集成产品的兴趣不断上升。安全负责人看到了在告警调查、检测工程、事件摘要和重复性行政工作方面取得合理收益的可能性。他们也面临压力：必须在竞争对手看似获得优势之前采用这些工具。

这种压力让问题从一开始就偏离了重点。关键并不是 Claude、Gemini 或其他模型能否生成令人印象深刻的安全分析，而是组织能否将这些分析置于受控工作流中，确保可靠证据、有限权限，以及由人类承担责任的决策。

Google 选择了集成平台路线。Anthropic 则强调 Claude 的推理和网络安全能力，包括与安全厂商及企业合作伙伴的合作。因此，核心竞争并不只是一个模型与另一个模型的较量，而是通用推理层与安全平台之间的竞争：后者已经掌握遥测数据、工作流、策略和响应控制。

当 Claude 进入 SOC 讨论后发生了什么变化

Claude 已从非正式的分析师实验，逐渐成为企业安全工作流中的重要组成部分。

多年来，安全团队一直以非正式方式使用语言模型。分析师会将脱敏脚本粘贴到聊天界面中，请求解释不熟悉的命令，或让模型总结公开的威胁报告。这些活动几乎不需要集成，也不会赋予模型任何操作权限。

较新的应用场景则更接近生产环境。Anthropic 将 Claude 定位为可用于分析漏洞、解读安全数据、支持威胁检测，以及帮助团队调查事件的工具。其网络安全解决方案描述了将 Claude 与安全工具及组织上下文连接起来的工作流。

Anthropic 还宣布了将 Claude 纳入托管服务的合作伙伴关系。它与 DXC 的合作包含一个始终在线的安全工程子智能体，计划部署到 DXC 的安全运营中心。这与让聊天机器人解释一条日志记录相比，代表着完全不同程度的投入。

与此同时，Google 正在推广围绕 Gemini 和 Google Security Operations 构建的智能体 SOC。智能体系统能够规划并执行多项相互关联的任务，而不是一次只回答一个提示。Google 表示，其智能体支持告警分流、威胁狩猎、调查和检测工程。

Google 声称，其分流和调查智能体可将典型的 30 分钟人工分析缩短至 60 秒。该数据来自 Google，而非独立的对比试验。尽管如此，这一说法说明了为何 Anthropic 与 Google 的竞争会受到安全采购方的重视——他们正面对大量积压任务和有限的人手。

这一变化带来了核心张力：模型可以很有用，但并不等于它是完整的安全产品。Claude 可以跨越各类工件进行推理、起草查询并整理证据，但它并不会自动提供可信遥测、身份控制、案件管理、审批关卡或可辩护的审计轨迹。

在经过精心打磨的演示中，这一区别很容易被忽略。模型可能会以惊人的速度分析其收到的证据；但如果证据不完整、标准化不正确，或缺失环境上下文，答案依然可能既流畅又错误。

因此，真正发生的并非某一次单独的产品发布，而是基础模型正在成为运营安全工作的一部分。这一转变迫使领导者明确：辅助在哪里结束，授权委托又从哪里开始。

为什么 Anthropic 与 Google 的竞争给安全负责人带来压力

压力落在 CISO 身上：他们必须展示 AI 方面的进展，同时不能削弱自己一直在维护的控制措施。

安全负责人听到了两种相互竞争的信息。供应商承诺更快的调查和更广的覆盖范围；治理团队则警告，敏感日志、凭据、源代码和事件记录不能随意流入外部模型。

等待会带来一种被感知的成本。同行组织可能报告调查时间缩短、规则创建更快，或分析师生产率提高。随后，高管会询问，为什么自家的安全团队尚未采用类似工具。

迅速行动则带来更具体的风险。安全数据包含攻击者最想获取的信息，包括账户名称、内部地址、软件版本、检测逻辑和响应程序。治理不善的助手可能泄露这些信息，或对嵌入其中的恶意内容采取行动。

这正是平台适配性比对模型的热情更重要的原因。Google Security Operations 已经将安全信息与事件管理功能，同编排和响应功能结合在一起。其Gemini 文档也列出了采购方必须评估的数据处理和治理因素。

通用模型则从不同方向进入。Claude 可以位于现有工具之上，并对其输出进行推理。这种灵活性可以帮助组织避免依赖单一安全平台，但每一个新的连接都会引入必须经过身份验证、监控和约束的边界。

对于环境碎片化的团队，运营压力最为强烈。一个团队可能使用云原生检测平台，另一个团队负责管理端点告警，第三个团队则负责身份调查。模型可以在这些系统之上建立共同的对话层。

但对话并不会创造共同的事实来源。如果两个工具给出不同的时间戳、主机身份或严重性标签，模型仍需要确定性的逻辑来解决冲突。它不应因为提示要求给出答案，就即兴编造一个答案。

人员配置方面的论点同样值得谨慎对待。AI 可以减少重复性工作，但自动化改变的是所需技能，而不是消除这些技能。团队仍需要能够评估证据质量、设计工具权限、针对对抗性输入测试提示，以及识别缺乏支持的结论的人员。

初级分析师可能会更快获得解释，但他们也可能更少去质疑自信的输出。高级分析师仍然有责任判断，现有证据何时不足以支持某个结论。

因此，被迫作出的回应不应是立即部署自主系统。安全负责人需要开展与可衡量任务绑定的受限试点。这些试点应将模型辅助工作与当前表现进行比较，并记录错误结论、遗漏证据、升级率和分析师覆盖率。

Claude 位于证据收集与人类判断之间最为合适

Claude 最适合作为证据收集之后、产生实质影响的行动之前的推理与起草层。

最明确的应用场景是调查支持。安全平台收集告警、进程树、身份事件、网络连接和威胁情报。Claude 可以将这些材料整理成时间线，识别缺失证据，并建议分析师接下来应执行的查询。

这种部署方式利用了模型的主要优势，同时不会假装它拥有底层事实。它也为分析师提供了清晰可见的边界：模型提出解释，而证据系统保留原始记录。

事件摘要是另一个合理的契合点。在活跃调查期间，信息会分散积累在工单、聊天消息、查询和交接记录中。Claude 可以将这些碎片转化为供下一班次使用的结构化摘要。

摘要必须能够追溯至其来源。没有链接事件、查询结果或分析师备注支撑的句子，应被视为一种断言，而非证据。这一规则可以保护团队免受那些悄然添加看似可信细节的摘要影响。

检测工程带来更大的杠杆作用，也伴随更高风险。Claude 可以起草检测查询、在不同语言之间转换逻辑、解释噪声条件，并将规则映射到已知攻击者行为。分析师可以在部署前，使用历史数据测试该草案。

模型不应直接将检测规则发布到生产环境。一条语法有效的规则可能产生过多告警、遗漏重要变体，或对本地遥测数据编码了错误假设。测试和审查仍是必要的工程步骤。

Claude 也可以协助完成重复性富集工作。它可以对公开指标进行分类、从报告中提取实体，并准备调查清单。当其输出仍只是建议，或进入验证队列时，这些任务能够节省时间。

已经在构建可搜索知识库的组织，还拥有另一项有用基础。经批准的运行手册、架构文档和以往事件决策可以提供受控上下文，而无需让模型不受限制地访问每一个内部存储库。

错误的部署方式始于直接行动。允许通用模型禁用账户、隔离主机、轮换凭据或修改防火墙规则，会带来更大的故障影响范围。即使行动本身正确，若缺少时机和业务上下文，也可能造成中断。

受损输入也可能操纵智能体。提示注入发生于不可信内容包含旨在重新引导模型行为的指令时。在 SOC 中，这类内容可能出现在调查期间收集的电子邮件、文档、日志字段、恶意软件字符串或网页中。

Anthropic 的零信任指南主张将智能体视为不可信参与者，并采用分级访问和受限权限。这个原则在安全运营中尤为重要，因为模型会经常接触由攻击者控制的数据。

有用的实施边界源于这一威胁。模型应只接收完成任务所需的最少数据；工具调用应采用狭窄权限；高影响操作应需要审批；每一条提示、检索步骤、工具调用和结果都应纳入审计记录。

这些控制措施将 Claude 转变为分析师工具。没有它们，同一个模型就会成为通往特权系统的不可预测接口。

Google 的平台优势并不能消除模型风险

Google 能够更深入地集成 Gemini，因为它控制着周边平台；但仅靠集成并不能建立可信的自主性。

Google 的主要优势在于其接近已标准化的安全数据。Google Security Operations 可以将模型输出与检测、案件、威胁情报和响应工作流连接起来。其智能体 SOC围绕这一共享运营环境设计。

这种架构减少了部分集成工作。平台可以应用现有的身份策略、记录工作流活动，并通过一个界面呈现证据。它还可以将模型辅助调查与既有安全控制措施连接起来。

Claude 的灵活性带来了相反的取舍。组织可以将其连接到多家供应商的产品，并保留现有的安全架构。这种方式可以减少对单一平台的依赖，但客户必须自行搭建更多控制平面。

这才是 anthropic google 比较中真正重要的部分。Claude 提供了可跨环境运行的可移植推理层。Gemini 则作为安全平台的一部分出现，原生接入工作流和遥测数据。

两种结构都不能保证得出准确结论。深度集成的模型仍可能误解事件。可移植模型在获得完整且结构化良好的证据时，也能给出有力的分析。

周边系统的质量与模型能力同样重要。该系统包括检索规则、数据标准化、身份解析、工具权限、模型指令、验证测试和升级策略。

供应商演示往往会掩盖这些依赖关系。观众看到的是一条可疑告警被转化为清晰叙述，却很少看到为确保所有相关事件都可用、去除重复项、解析身份并验证每项结论而进行的准备工作。

自主性也改变了测试负担。起草查询的 copilot 会生成可审查的产物。运行多项查询并关闭案件的 agent 则会做出一连串决策，其综合失败率至关重要。

安全团队应测试完整工作流，而非孤立的提示词。模型或许能正确解读其中 19 个单独步骤，却在决定是否禁用账户的第二十步失败。整体任务完成情况并不能揭示最终错误的影响。

Google 的产品集成可能让这些测试更易于埋点和观测。Anthropic 的模型可移植性可能让跨不同系统的独立评估更容易。买方应将两者视为架构特性，而不是任何一条路线在所有情况下都更安全的证明。

胜出的方案可能是两者结合。安全平台可以负责证据、访问和编排，而经过独立评估的模型执行特定推理任务。这种安排降低了将某一个模型宣布为永久赢家的重要性。

它也改善了退出选择。模型性能变化很快，而安全数据和组织政策会持续存在。SOC 架构应允许团队替换推理组件，而无需重建多年来积累的检测规则、案件和机构知识。

真正的风险是将流畅表达误认为取证深度

一段有说服力的叙述并非取证结论，除非每一项关键主张都始终与可靠证据相连。

即使输入存在缺口，大型语言模型也会生成连贯的解释。这种行为有助于起草内容，但当分析师将信心误解为确定性时便会带来危险。安全调查往往取决于一个缺失的进程事件，或一个被误解的身份关系。

取证深度意味着确定执行了什么、它来自何处、发生了哪些变化，以及哪些证据支持这一过程。仅靠告警文本很少能回答这些问题。一项调查可能需要内存分析、二进制文件检查、终端遥测、身份历史和网络证据。

The Hacker News 此前在报道 AI-driven investigations 时曾指出这一缺口。即使供应商的性能主张仍需独立验证，其中的核心区分依然成立：总结一条告警，不等于调查其底层系统。

模型也可能继承检索环节的弱点。如果连接器只选择高严重性告警，模型就无法识别通过多个低严重性事件才显现出来的攻击活动。如果保留策略删除了更早的登录记录，模型便无法重建该事件。

获得更多数据并不能解决所有问题。广泛访问会增加隐私、保密性和提示注入风险。正确目标是充分且受治理的上下文，而不是不受限制的上下文。

数据驻留带来了另一项约束。安全记录可能包含受监管的信息，或受合同承诺约束的细节。团队必须了解提示词和检索记录在何处处理、供应商保留它们多久，以及人工人员是否可以访问它们。

模型更新使验证更加复杂。针对某一版本测试过的工作流，可能会在供应商更改模型后表现不同。安全团队需要版本记录、可重复的测试用例，以及在变更影响生产环境前的审批流程。

anthropic google 的竞争可能掩盖这些共同局限。营销内容引导买方比较基准测试结果和 agent 演示。运营层面的信任取决于使用组织自身遥测数据、工具、攻击模式和审批要求进行的本地测试。

严肃的试点应包含看起来像攻击的正常活动，也应包含不完整的证据、相互矛盾的时间戳、检索内容中的恶意指令，以及不可用的工具。评估应在正确答案未知时奖励模型选择弃答。

人工审查也必须具有实际意义。让一名工作负荷过重的分析师批准一篇冗长的 AI 生成叙述，可能沦为自动化仪式。审查者需要简明的证据、突出显示的不确定性，以及每项拟议操作的清晰记录。

组织应衡量覆核质量，而不仅仅是覆核频率。低覆核率可能反映出高准确率，也可能意味着分析师过于轻信系统，或没有时间检查其推理过程。

没有任何供应商能够凭借通用基准测试解决这些问题。每个 SOC 的数据质量、业务优先级和对中断的容忍度各不相同。信任必须在模型实际运行的确切工作流中赢得。

安全团队接下来应关注什么

下一阶段将由可验证的运营证据、权限设计，以及在不丢失安全知识的前提下更换模型的能力决定。

第一个信号是供应商是否发布工作流级别的评估结果。买方需要的不只是关于更快分诊或更好推理的主张，还需要任务定义、证据要求、错误类别、弃答率和人工覆核数据。

独立评估将增强大规模部署的理由。结果应覆盖真实调查，并纳入对抗性输入。如果供应商继续强调演示，却不披露失败模式，那么自主使用的理由就会减弱。

第二个信号是操作权限的设计。关注 Anthropic 的合作伙伴和 Google 是否为每种工具、数据源和响应操作提供细粒度控制。强大的系统会将读取、提议、批准和执行分开。

审批应取决于后果。起草查询与隔离生产服务器绝不应采用相同的授权路径。能够让这些边界清晰可见的供应商，将为安全团队提供更好的受控采用基础。

第三个信号是模型可移植性。安全组织应关注平台是否以可在模型变更后继续使用的格式保留检测规则、证据、案件历史、提示词和评估结果。推理模型不应成为运营知识的唯一存储库。

可移植性将决定 anthropic google 的竞争是让买方受益，还是形成另一种锁定形式。如果团队能够针对相同案件测试 Claude 和 Gemini，竞争就能提升性能和问责性。如果每个模型都需要独立的数据和工作流栈，切换成本就会上升。

安全负责人无需在等待完美保障时拒绝 AI。他们可以从产出可审查结果的狭窄任务开始，例如事件摘要、查询草稿、证据时间线和检测建议。每个工作流都应有明确的负责人、测试集、权限边界和回滚路径。

更难的问题是，成功的助手是否应获得更多自主权。该决定应依据可衡量的证据，而不是高管的兴奋情绪或供应商的紧迫感。为分析师节省时间的模型已经证明其有用性，但并未自动证明自己拥有权限。

当 Claude 帮助分析师基于受治理的证据进行推理时，它就适合进入 SOC。当 Google 的集成方案中的 agents 仍受透明控制和可审查记录约束时，它也适合进入 SOC。两者都不应仅仅因为界面听起来很确定，就被赋予主导权。

安全团队下一步的行动很具体：选择一个高频、低后果的工作流，并针对历史案件进行测试。记录缺乏支持的主张、遗漏的证据、分析师修正和节省的时间。然后判断结果是否在不掩盖结论形成过程的前提下改善了调查。