Kai 表示 AI 威胁正迫使安全领域转向机器主导

Kai 向安全领导者提出了一项直接冲突：AI 赋能的攻击正在加速，而大多数企业防御仍以人类速度运转。该公司认为，自主安全智能体必须在无需每一步都等待分析师介入的情况下，完成更多检测、调查与修复工作。

随着相关报道将这一威胁转变与 CISO 对机器主导安全日益增长的兴趣联系起来，这一观点通过 Google News 获得了更多关注。然而，真正重要的发展并非某一条新闻标题或另一款 AI 安全产品，而是市场对这类软件的新兴需求：它能够决定优先级、汇集证据，并在现有系统中采取防御行动。

这一模式挑战了以分析师为中心的安全运营中心（SOC）；在这种模式下，人们审查告警，并授权大多数具有重要影响的响应措施。它也带来了一个更棘手的问题：如果自主防御系统作出错误决定，谁能够解释、撤销并承担责任？

Kai 表示，其平台通过使用 AI 智能体在多个工作流中执行安全任务来解决速度差距。政府机构、行业调查和竞争对手供应商均支持攻击正在加速这一更广泛的结论。但它们并不能证明完全自主的防御已准备好进行不受限制的部署。

因此，CISO 面临的压力正朝两个方向发展：他们必须缩短响应时间，同时证明自动化决策仍然可控、可追溯，并与业务风险挂钩。

Kai 销售的是执行能力，而非又一个告警信息流

Kai 的核心主张是，安全软件应当完成工作，而不只是告诉分析师该去哪里查看。

该公司于 2026 年 3 月 10 日结束隐身运营，获得 1.25 亿美元融资。Evolution Equity Partners 领投，N47 和战略投资者参与投资。Kai 将其产品描述为智能体网络安全平台，即软件智能体能够围绕既定安全目标对任务进行推理并执行行动。

该公司的平台发布公告称，这些智能体可跨不同用例运行，而不是局限于某个狭窄的产品类别。Kai 将该平台定位为覆盖威胁情报、暴露面管理、检测工程和修复等碎片化工作流的替代方案。

这一差异很重要，因为企业安全团队很少面临信号完全不足的问题。终端工具、云扫描器、身份系统、漏洞数据库和安全信息平台已经产生了海量数据。运营上的难题在于，在攻击者转移到其他地方之前，将这些信号转化为一系列可辩护的决策。

传统工作流通常始于某个工具发现可疑行为。分析师需要查看多个控制台，收集资产背景信息，研究相关漏洞，并判断事件是否重要。另一个团队可能还需要批准配置变更或打补丁。

机器主导安全试图压缩这一流程。智能体收集证据，评估资产的重要性，建议或执行响应措施，并检查该行动是否降低了暴露风险。人类负责制定政策、约束和升级规则，而不是手动完成每一步。

Kai 曾描述过一起供应链事件：其系统在数分钟内便从新的威胁情报转向修复响应。这一说法是公司案例研究，而非独立基准测试。它展示了预期的工作流，但并不能证明该平台在多样化客户环境中的表现。

编排与自主性之间的区别同样需要关注。安全编排已存在多年，它使用预定义的操作手册连接工具并自动化重复性操作。智能体系统承诺在事件不符合固定流程时提供更灵活的推理能力。

这种灵活性既是吸引力所在，也是风险所在。预定义操作手册能力有限，但其行为相对可预测。AI 智能体能够处理陌生证据，但在审计或事件复盘时，其推理过程可能更难复现。

因此，Kai 销售的不只是更快的自动化。它是在要求 CISO 将一部分运营判断从人工队列转入软件执行。这一变化构成了本文的核心张力：缩短响应时间的自主性，同样可能让错误响应更快发生、影响范围更广。

为什么 AI 驱动的威胁改变了 CISO 的时间表

机器主导防御的理由始于时间，因为 AI 降低了发现、调整和规模化攻击所需的人力。

AI 并不能取代参与复杂入侵的每一位专家。它仍可加速侦察、钓鱼准备、代码分析、漏洞研究和反复测试。攻击者可以利用这些优势，对更多目标开展更多试验。

五眼联盟国家网络安全机构在 2026 年 6 月的一份声明中，对这一时间变化作出了尤为明确的说明。这些机构表示，前沿 AI 的发展意味着网络风险假设可能在“数月而非数年”内过时。

五眼联盟警告称，AI 正在提升网络威胁的规模和速度。该警告敦促组织缩小攻击面、加强身份控制、处理遗留漏洞并加快补丁部署。

这些建议仍以人们熟悉的安全实践为基础。AI 并未让资产清单、访问控制、备份或补丁管理变得无关紧要。它提高了缓慢或不一致地执行这些工作的代价。

安全领导者还面临更广的攻击面，因为其所在组织正在部署 AI 智能体。这些系统可能访问文档、代码仓库、客户记录、消息平台和云服务。每一项连接都会增加一个身份和一条防御者必须监控的路径。

自然语言带来了一种不同寻常的暴露风险。智能体可能通过提示词、检索到的文档、电子邮件或网页内容接收指令。隐藏在看似可信材料中的恶意指令可能试图重定向智能体的行为，这种技术通常被称为提示注入。

这意味着，CISO 必须既防御 AI 辅助的攻击者，又要保护能够对业务数据采取行动的内部 AI 系统。这两项问题在身份、授权和运行时监控上交汇。

公共部门的证据显示，这项责任正在迅速扩展。2026 年的一项 NASCIO 和 Deloitte 研究调查了美国全部 50 个州和两个属地的 CISO。研究发现，94% 的受访者参与了生成式 AI 安全政策的制定，84% 参与了生成式 AI 战略。

根据州 CISO 调查，只有 26% 的受访者表示，他们对所在州的信息资产受到保护“极有信心”或“非常有信心”。这一比例低于 2022 年的 48%。

资源并未以同样的速度增长。Deloitte 报告称，22% 的参与调查 CISO 在 2026 年获得了至少 6% 的预算增长。2024 年的相应比例为 40%。

由此形成的方程式倾向于自动化。安全团队需要管理更多系统、身份、漏洞和 AI 相关职责，但不能假设人员或预算会按比例增长。

Google News 的报道可能会让这看起来像是进攻性 AI 与防御性 AI 之间的一场简单竞赛。现实的运营情况并不如此对称。攻击者可以容忍失败的试验，而防御者必须维护可用性、证据、合规与客户信任。

恶意智能体可以尝试数千种变体，并从一次成功中获益。防御智能体则必须避免在采取行动时关闭关键服务，同时还要足够迅速地发挥作用。这一差异显著提高了自主防御的门槛，远不只是原始模型能力。

机器主导安全与人工问责发生碰撞

CISO 需要机器更快地采取行动，但当自动化决策造成损害时，他们无法将问责责任转移给机器。

设想一个智能体识别出遭入侵的管理员账户。它可能撤销访问权限、隔离设备、轮换凭据，并阻止相关网络活动。这些行动可以阻止入侵，但也可能中断生产系统，或将事件响应人员拒之门外。

人类分析师面临同样的权衡。区别在于规模和延迟。自主平台可以在任何人审查底层假设之前，将一项决策应用到多个系统中。

这使得政策边界至关重要。组织需要界定哪些操作可由智能体自动执行，哪些需要审批，哪些必须保持不可执行。这些边界应反映业务影响，而不是笼统的置信度评分。

撤销临时开发令牌，并不等同于关闭支付系统。隔离一台员工笔记本电脑，也不等同于禁用数百项服务共用的身份。机器主导安全需要理解这些差异的上下文。

Kai 表示，其平台在优先级排序中纳入了业务价值。这一主张回应了漏洞管理中的真实弱点：团队往往会收到长长的列表，却缺少足够的运营背景。不过，客户仍需验证该平台如何表示资产重要性、依赖关系和可接受的中断程度。

智能体还需要可靠的证据。安全遥测数据可能不完整、延迟、重复或相互矛盾。基于薄弱输入生成的自信解释，并不会因为表达流畅而变得可靠。

这正是机器主导安全与通用办公助手的区别所在。一份存疑的文档摘要会浪费时间；一项存疑的修复行动则可能抹除证据、中断医疗服务、停止制造流程，或制造新的暴露风险。

因此，CISO 必须保留能够回答以下问题的审计轨迹：

• 智能体接收了哪些证据？

• 哪项政策授权其采取行动？

• 它排除了哪些替代方案？

• 它更改了哪些系统和身份？

• 该行动是否奏效？

• 组织能否恢复到之前的状态？

这些是治理要求，但也是工程要求。日志记录、审批控制、身份管理、回滚机制和独立验证必须被纳入运营模型。

政府指导进一步强化了对控制的需求。NIST 的Cyber AI Profile草案围绕三个领域组织这一问题：保护 AI 系统、将 AI 用于网络防御，以及防止 AI 赋能的攻击。该框架将 AI 视为组织必须治理的资产和运营能力。

这一方法并不假定自主行动天生安全或不安全。它要求组织识别风险、保护相关系统、检测异常行为、作出响应并恢复。当 AI 智能体承担部分工作时，这些职能依然适用。

安全团队可以从边界明确的任务开始。智能体可以充实告警信息、关联身份、起草检测逻辑，或识别暴露资产可能的责任人。随后，它可以在明确阈值下逐步执行可逆操作。

高影响力的变更需要更高标准。在授予广泛权限之前，组织需要进行模拟、对抗测试、分阶段部署，并确保回滚性能可衡量。

这对“机器速度”的承诺形成了实际限制。人工审批可能重新引入延迟，尤其是在每项行动都需要审批时。取消审批则会增加运营风险。

答案并非设置一个通用开关。CISO 必须按后果划分工作。常规、可逆且可充分观测的行动，更适合赋予自主权。模糊或可能造成破坏的变更则需要人工判断。

Google News 报道无法证明的自主防御问题

向更快速防御转变的趋势已有充分支持，但自主平台能够持续降低企业风险的说法，仍缺乏足够证据。

Kai 显然在商业上有动机将以人为尺度的运营描述为过时模式。其他智能体安全供应商也有同样的激励。他们的诊断方向可能正确，但其所主张的自主程度仍未经证实。

公开证据需要分为三个层面。第一，AI 正在提升多项进攻任务的速度或可及性。政府预警和安全研究支持这一结论。

第二，自动化可以减少检测与响应中的人工工作量。安全编排、机器学习和自动化遏制已经提供了相关例证。这并不是一个新颖或有争议的观点。

第三，一个智能体平台能够独立推理复杂工作流，并比既有工具和人工团队取得更好的风险结果。这是最强的主张，因此需要更有力的证据。

可信的评估不应只衡量已处理的告警数量或节省的分析师工时。它还应包括检测质量、错误遏制率、恢复时间、遗漏依赖项、策略违规情况，以及后来被撤销的行动比例。

客户还需要与现实可行的替代方案进行比较。由机器主导的平台应与使用现代自动化工具的资深分析师进行测试，而不是与人为制造的纯手工流程比较。

现有 Kai 材料包含产品主张和客户描述，但公开、可独立复现的评估仍然有限。引发本次讨论的 Google News 条目本身并未填补这一证据缺口。

调查结果也需要以同样谨慎的态度对待。调查可以表明 CISO 感到压力，或计划采用 AI；却无法证明某一种自主架构能在生产环境中安全运作。抽样方式、问题措辞、行业构成和受访者资历都会对结果产生实质影响。

最有力的质疑并不是认为人类应保留每一项任务。那种立场忽视了安全团队已经面临的速度和人员配置问题。更有力的观点是：自主权必须通过证据来赢得权限。

既有防御体系同样重要。终端平台、云安全提供商、身份供应商和安全信息系统正在为已广泛部署于企业的产品加入智能体。Kai 必须证明，为什么一个统一的新层能够比既有厂商扩展自身平台更好地协调这些环境。

既有厂商在遥测数据和分发能力方面具有优势。运营终端的供应商已经能够看到进程活动。云服务提供商了解自己的控制平面。身份平台掌握认证和访问相关信号。

跨平台智能体或许能提供更广泛的上下文，但它必须与每个来源集成，并尊重各系统的权限。集成质量决定了统一推理究竟是真正全面，还是只是对不完整数据的又一层抽象。

供应商集中化带来另一项担忧。一个获授权检查和修改多个安全领域的平台，会成为极具价值的目标。一旦其凭据、模型、更新管道或策略层遭到攻破，攻击者可能获得异常广泛的访问权限。

CISO 应审查系统如何隔离客户数据、保护智能体身份、限制凭据、验证更新，以及处理模型失效。他们还应询问，当模型或供应商服务不可用时，核心工作流能否继续运行。

还存在进一步的人为风险。过度依赖生成式结论的分析师，可能逐渐失去质疑这些结论所需的技能。团队可能因为智能体的解释听起来连贯而接受它，尤其是在高压事件期间。

这种失效模式类似于航空、医疗和其他高后果领域中的自动化偏见。系统经常显得足够胜任，以至于人们不再注意到它出错的边缘情况。

因此，机器主导的安全需要积极的人类监督，而非仪式性的审批。团队必须测试智能体、审查抽样决策、研究险些发生的事件，并在环境变化时更新策略。

既有安全研究传递的信息是一致的。AI 可以增强防御者能力，但无法弥补薄弱的基础。SecurityInfoWatch 分析也强调了 AI 辅助检测、自动化响应、持续监控和漏洞管理。

这些能力都无法消除对准确资产清单、分段访问、安全配置或受训响应人员的需求。无法识别关键系统的组织，将难以告诉自主智能体哪些资产值得保护。

因此，最站得住脚的解读比营销主张更为有限。机器主导的工作流正变得必要，因为人工队列无法以攻击速度处理每一个信号。对机器判断的完全信任并不会自动随之而来。

三个信号将检验 Kai 的论点是否成立

下一阶段将由可衡量的自主性、既有厂商的响应，以及监管机构对机器行动所期待的控制措施决定。

第一个信号是生产环境证据。Kai 及其客户需要公布能够区分自主执行与普通自动化的结果。

有价值的证据应显示，智能体多久会采取独立行动、其中多大比例成功，以及人类多久会将其撤销。它应将低风险的信息补充与具有实质后果的修复措施区分开来。

平均检测时间和平均响应时间仍然重要，但还不够。系统可以通过采取过于激进的行动来改善响应时间。衡量指标必须包括服务中断、错误遏制和漏报事件。

独立评估比筛选出的客户案例更有说服力。覆盖云、终端、身份和软件环境的可重复测试，将揭示智能体推理是否能超越精心配置的部署环境而普遍适用。

第二个信号是既有安全供应商如何重新设计其产品。如果终端、云、身份和 SIEM 提供商赋予智能体更广泛的权限，机器主导的运营将成为全平台范围的转变，而非 Kai 对某一类别的主张。

届时，竞争将聚焦于上下文和控制。供应商需要证明哪个系统拥有最佳证据、最安全的权限、最清晰的解释和最可靠的回滚能力。

这种回应可能强化 Kai 的论点，同时削弱其市场地位。既有厂商采用自主执行将验证这一模式，但客户可能更偏好嵌入在他们已信任工具中的智能体。

或者，企业可能倾向于中立的协调层，因为攻击会跨越供应商边界移动。这一结果将支持 Kai 关于跨安全技术栈统一推理的论点。

第三个信号是治理。NIST 指引、保险要求、采购标准和行业监管机构，将塑造组织能够授予安全智能体多少独立权限。

决定性的规则将涉及可追溯性、人类监督、测试和问责。要求记录决策和确保行动可逆的规定，将有利于围绕受限自主性设计的平台。

要求大多数实质性变更均须审批的规则，将限制速度优势。它们不会消除智能体安全，但会将其价值转向调查、优先级排序和建议响应。

CISO 还应关注威胁数据本身。ISACA 在 2026 年 6 月报告称，35% 的受访欧洲组织无法确定自己是否遭遇过 AI 驱动的网络攻击。报告还发现，71% 的受访者认为 AI 驱动的钓鱼和社会工程攻击更难识别。

这些 AI 威胁发现凸显了一个衡量问题。组织不能仅因担忧自己无法可靠分类的攻击，就为广泛的自主控制提供正当理由。

更好的归因将十分重要。安全团队需要区分由 AI 创建的攻击、仅由自动化加速的攻击，以及针对 AI 系统的常规攻击。每一类都可能需要不同的防御方式。

未来的 SOC 很可能会结合机器与人，而非二选一。智能体将处理高容量关联、证据收集和有边界的响应。人类将制定策略、调查模糊情况、批准严重行动并管理后果。

这种分工仍可能代表重大转变。分析师将减少在不同控制台间搬运数据的时间，把更多精力投入到检验假设或处理异常事件上。

Kai 最有力的洞见是，仅增加一个告警已不再足够。安全产品必须帮助缩小“知道存在暴露”与“降低暴露风险”之间的差距。

其尚未解决的责任在于证明，自主执行能够做到这一点，同时不会制造新的系统性风险来源。融资、曝光度和 Google News 的关注并不能回答这个问题。运营证据才能。

评估这一转变的安全领导者应选择一个范围受控的工作流，并要求明确的基线。在授予智能体权限之前，衡量当前延迟、行动质量、撤销频率和业务影响。

然后提出最重要的问题：当证据不完整时，该系统是否能在保留人工控制的同时降低经验证的风险？当供应商能够用数据而非仅凭紧迫感回答这一问题时，机器主导的安全才会真正持久。