Uniti Solutions AI Security 将影子 AI 控制纳入托管网络

Uniti Solutions 推出了其首项专门的托管 AI 安全服务，将对工作场所 AI 活动的控制纳入现有网络安全平台。Uniti Solutions AI Security 面向传统防火墙往往无法评估的提示词、回复、应用、模型和自主智能体。

该服务由 Cato Networks 提供支持，并作为 Uniti 托管 Secure Access Service Edge 服务的附加组件销售。SASE 在云交付架构中结合网络和安全功能。这种部署模式至关重要，因为新控制措施位于参与客户已在使用的流量路径中。

这一公告并不只是又一家安全厂商为成熟产品贴上“AI”标签。Uniti 押注于企业希望由服务提供商在获批和未获批工具之间运行 AI 控制。Microsoft、Google 以及专业安全公司正通过各自的平台解决同一问题。

这也造成了核心矛盾。托管网络服务可以为安全团队提供一个统一的执行点，但仅有可视性并不能形成可行的 AI 政策。客户仍需决定哪些提示词可被接受、哪些数据需要保护，以及自动阻断何时造成的伤害大于其防范的风险。

Uniti Solutions AI Security 监控的不只是应用访问

该服务将网络安全从控制访问延伸至解读用户与 AI 系统之间交换的内容。

Uniti 于 2026 年 10 月 13 日宣布推出该服务。其 AI Security 公告介绍了三项主要功能：发现 AI 使用情况、分析交互，以及应用实时防护措施。

发现功能覆盖参与用户和地点中的获批及未获批 AI 应用、模型和智能体。这项清单管理功能旨在应对影子 AI，即未经组织批准或治理而使用的 AI 系统。

该服务还会检查提示词、回复和操作。Uniti 表示，其底层系统会考量意图，而非仅依赖关键词匹配。当提示词包含围绕机密源代码、财务信息或客户记录的日常语言时，这一区别尤为重要。

实时防护措施提供执行层。根据 Uniti 的说法，管理员可以在交互进行时阻止不当使用或对敏感信息进行脱敏。这种方式旨在保留合法访问，而不是将每个未经批准的 AI 工具一律拒绝。

该服务覆盖三种不同的企业 AI 路径。员工可能使用公共第三方助手，开发人员可能构建内部 AI 应用，而自主智能体则可能在连接的系统之间采取行动。每条路径都会带来不同的身份、数据流和潜在后果。

员工将客户记录粘贴到聊天机器人中，会造成直接的信息泄露风险。内部应用可能因访问控制薄弱而暴露过量数据。智能体则带来另一项担忧，因为它可以通过工具和关联账户执行操作。

Uniti 仅向使用其由 Cato 驱动的托管 SASE 服务的客户提供该服务。因此，这是对现有交付关系的扩展，而不是面向所有企业的独立安全产品。

这一限制也解释了其商业逻辑。Uniti 已为这些客户提供网络连接、实施和运营支持。它可以增加 AI 流量控制，而无需要求客户另行建立独立的安全运营工作流程。

该公司表示，其更广泛的业务覆盖美国近 95% 的企业、政府和教育客户地点。该数字描述的是其服务覆盖范围，而非新 AI 服务的采用情况。

Uniti 尚未披露该服务的客户数量、部署结果、检测准确率或独立评估。此次公告确立了其预期能力，但未说明其在生产环境中的表现。

眼下的变化依然十分具体。现有托管 SASE 客户如今可选择通过同一运营其网络安全层的提供商来治理 AI 交互。

影子 AI 已成为数据控制问题

员工采用 AI 的速度快于许多安全团队建立可执行规则的速度，企业因此面临压力。

Uniti 引用超过 200 万 OpenAI 企业客户这一数据，作为企业 AI 已超越有限试验阶段的证据。OpenAI 的 企业 AI 报告还报告称，ChatGPT 工作场所席位超过 700 万个。

这些数字并未显示有多少组织的治理薄弱。但它们表明，AI 工具如今已在大量工作场所账户和可重复的业务流程中运行。

更具揭示性的统计数据来自 Microsoft 和 LinkedIn 的一项工作场所调查。调查发现，78% 的受访 AI 用户将自己的 AI 工具带入工作场所。原始的 工作场所 AI 研究将这种行为描述为在正式公司计划之外广泛存在的个人采用。

自带 AI 行为带来了棘手的执行问题。封锁一个域名或许能阻止一项服务，但员工可以转向另一个网站、浏览器扩展、应用程序或嵌入式助手。

获批工具也无法消除风险。获准使用的聊天机器人仍可能接收用户本不应分享的机密文本。获批的内部智能体也可能访问超出任务所需范围的记录。

这正是影子 AI 与简单软件清单问题不同的原因。安全团队需要知道存在哪些工具，也需要了解身份、数据、提示词和最终操作的上下文。

Microsoft 的指南将影子 AI 定义为在组织技术团队不知情、未获批准或缺乏治理的情况下使用 AI 工具。其 影子 AI 蓝图建议采取发现、应用控制、数据泄露防护、审计和调查措施。

Uniti 和 Cato 正从托管网络层应对同一控制链条。流量可视性可以发现采购记录或身份系统遗漏的第三方 AI 服务。随后，内联检查可支持基于所传输信息制定的政策。

这一模式给多项既有安全职能带来压力。数据治理团队必须定义受保护信息。网络团队必须在不干扰合法工作的情况下实施控制。安全运营团队则需要有用的警报，而不是另一条缺乏上下文的事件流。

应用所有者同样面临审查。如果内部 AI 系统出现在清单中，其所有者必须说明它使用哪些数据，以及能够执行哪些操作。一旦智能体开始访问生产系统，它就不能再只是非正式实验。

因此，该服务回应的既是组织层面的缺口，也是技术层面的缺口。员工有强烈动力使用高效的 AI 工具。安全团队无法仅靠可接受使用文件来管理这种需求。

可行的计划需要足够的可视性来识别高风险行为，也需要足够的精准度来避免阻断普通研究、起草或分析工作。Uniti 的主张是，对于已通过 Cato 路由流量的客户，托管执行可以弥合这一缺口。

Cato AI Security 将 SASE 转变为执行点

其技术押注在于：当控制措施能够跨应用、地点和设备跟随用户与流量时，AI 治理会更有效。

Cato 的 SASE 平台在云原生服务中结合网络访问和安全检查。Uniti 则围绕该平台，为托管客户提供实施、连接、监控和运营支持。

这一结构为 Uniti AI 安全服务提供了广泛的观察点。用户可能从办公室、远程连接或云托管应用访问公共聊天机器人。当流量经过托管服务时，SASE 政策可以随之应用。

传统防火墙主要评估地址、端口、协议、应用程序和已知威胁指标。这些控制措施仍然重要，但它们无法完整解释提示词或回复的含义。

一项请求在技术上可能被允许，却仍会造成数据暴露。例如，员工可能要求获批助手总结一份机密收购文件。连接本身是合法的，但内容违反了公司政策。

Uniti 表示，Cato AI Security 可以检查提示词和回复的意图、检测敏感数据并采取内联操作。它还可以盘点数百种 AI 工具，并区分已获批准和未获批准的服务。

脱敏相比完全阻断是一种干扰较小的选项。政策可以移除受保护的标识符，同时允许提示词的其余部分继续处理。理论上，这可以在降低披露风险的同时保持生产力。

不过，有效脱敏取决于分类质量。系统必须能识别多种格式中的受保护数据，并理解周边语境。它还必须避免删除用户进行合法工作所需的普通信息。

智能体提高了风险等级，因为它们能够采取行动，而不只是生成文本。智能体可能查询数据库、创建支持工单、发送消息或修改记录。其安全画像包括身份权限、工具访问、指令和数据暴露。

Cato 的平台战略已围绕这些智能体风险扩展。2026 年早些时候，该公司宣布了原生 AI 安全能力和智能体威胁防护服务。Uniti 正将这一方向的部分能力打包为面向客户运营的服务。

双方的合作关系已在商业层面确立。2026 年 8 月，Uniti 与 Cato 续签了一项多年协议，并获得 Advanced Partner 身份。Uniti 表示，Cato 的全球合作伙伴中持有该称号的不足 2%。

两家公司还将 Uniti 描述为首家提供由 Cato 驱动的托管 SASE 服务的北美托管服务商。这些是公司关于合作伙伴身份的说法，并非对安全结果的独立衡量。

尽管如此，这种关系降低了一类集成风险。Uniti 并非在推出前仓促组装一套陌生的 AI 安全技术栈，而是在扩展其技术团队已部署和支持的平台。

这种机制也形成了边界。控制措施只能检查通过集成的流量、身份、端点或应用可见的交互。加密流量、非托管设备、直接应用集成和不受支持的渠道都可能形成缺口。

因此，客户应询问该服务能够看到哪些路径。他们应分别测试浏览器、桌面应用、移动设备、API、内部模型和智能体工具。只有在其覆盖范围被明确定义时，“AI 可视性”才具有实际意义。

Microsoft 和 Google 正在争夺同一控制层

Uniti 的主要对手并非某一家托管服务商，而是大型企业技术体系中已有的平台原生安全模型。

Microsoft 通过 Purview、Defender for Cloud Apps、Entra 和 Intune 提供 AI 发现与数据控制能力。Purview 可以应用数据丢失防护策略、审计交互、分类信息并调查高风险活动。

其优势来自于与 Microsoft 身份、端点、生产力数据及 Copilot 产品的紧密关联。深度采用 Microsoft 365 的组织可能更倾向于使用能够继承既有标签与合规策略的控制措施。

Microsoft 还记录了对部分第三方 AI 应用的支持。其 AI 保护指南将 Microsoft copilots、已注册的企业 AI 应用，以及通过浏览器检测到的生成式 AI 服务归入不同的控制类别。

Google 正围绕 Security Command Center、Sensitive Data Protection、Model Armor 及其云 AI 服务构建类似产品组合。Model Armor 会筛查提示词和响应中的提示词注入、敏感数据、有害内容和恶意链接。

当开发者在 Google Cloud 上构建 AI 应用，或需要通过 API 获得模型级保护时，Google 的方案颇具吸引力。当 AI 工作流仍处于 Microsoft 的身份与生产力环境中时，Microsoft 也具备类似优势。

Uniti 和 Cato 则提供了不同路径。它们的执行点是融合的网络与安全服务，而非某一套生产力套件或云开发平台。

这能够帮助拥有混合技术环境的企业。员工可能使用 Microsoft 365、Google Workspace、公共 AI 助手、专业软件以及内部开发的代理。网络层策略能够为这些环境提供共享的控制层。

这一模式也减轻了缺乏大型内部安全团队的客户的运营负担。托管服务商可协助配置策略、监控事件并支持变更，而不是再交给管理员一个控制台。

不过，平台原生工具在自身环境内可能拥有更丰富的上下文。Microsoft 可以利用敏感度标签、身份信号、设备状态和文档权限。网络层或许能看到传输内容，却未必理解每一项底层业务权限。

这不是一次简单的功能比较。客户必须决定哪一个控制点拥有其所需的上下文，以及哪个团队能够持续、稳定地运营它。

一些组织会结合两种方法。原生工具可保护云平台内的数据和身份，而 SASE 控制措施则监控更广泛的流量。这种分层设计可以扩大覆盖面，但也可能造成警报和执行措施重复。

冲突的策略会带来实际问题。一个系统可能在脱敏后允许提示词通过，另一个系统却阻断会话。不同工具还可能以不同的用户、应用或风险标签记录同一事件。

因此，Uniti 的托管服务必须证明，整合能够创造运营价值。最有力的证据包括更短的调查时间、更少的未受管控应用、更低的敏感数据暴露，以及可接受的误报率。

该公告并未提供这些指标。在部署产生相关数据之前，Uniti Solutions AI Security 仍是一种可信的交付模式，主要由产品能力和既有合作关系支撑。

提示词检查本身也会带来安全权衡

控制 AI 所需的可见性，同样可能将高度敏感的员工与公司交互暴露给另一套检查系统。

在组织认真审视提示词中的材料之前，提示词检查听起来很直接。员工可能提交源代码、法律建议、医疗信息、客户记录、安全发现，或尚未发布的财务数据。

读取提示词和响应的控制措施，会成为敏感数据传输路径的一部分。客户需要就处理地点、保留期限、管理员访问权限、加密、区域路由和事件响应获得明确答案。

他们还应确定被检查的内容是否会训练任何模型。服务公告没有说明数据保留或模型训练条款。在部署前，这些细节需要经过合同和技术审查。

误报也带来另一项挑战。开发人员可能出于正当目的分析包含类似凭据字词的代码样本。财务员工可能在获批准的工具中使用经过适当脱敏的记录。过于宽泛的控制措施可能中断这两类工作。

漏报同样严重。敏感信息可能以不寻常的格式出现，或仅在与其他上下文结合后才具有可识别性。意图分析可以改善检测，但没有任何公告能够证明其具备完美理解能力。

AI 应用还面临超出员工意外泄露范围的威胁。OWASP 风险清单包括提示词注入、敏感信息泄露、不当输出处理和过度自主性。

提示词注入利用精心构造的内容影响模型行为。代理可能在文档、网站、电子邮件或其他检索材料中遇到恶意指令。即使员工遵守公司政策，这种风险依然存在。

内联检查可以为防御作出贡献，但无法取代安全的应用设计。开发人员仍需要严格授权、有限的工具权限、输入处理、输出验证，以及对重要行动的人工审批。

员工使用 AI 与内部构建代理之间的差异也很重要。浏览器控制措施可以管理员工向公共助手发送文本的行为，却无法自动修正拥有过高数据库权限的内部代理。

客户不应将一份清单视为完整的 AI 资产登记册。网络观察结果需要与云账户、API 密钥、应用代码库、身份系统、模型网关和采购记录进行核对。

策略设计应从一组高置信度保护措施开始。组织可以先阻断密钥、受监管标识符和明显未经授权的应用，然后根据监控活动获得的证据扩展控制措施。

在开始执行前的一段仅监控期，可以揭示员工实际如何使用 AI。安全团队能够识别关键业务工作流、反复出现的数据类型，以及需要获批替代方案的部门。

清晰的用户反馈同样至关重要。被阻断的提示词应说明所适用的策略，但不应泄露攻击者可轻易规避的检测逻辑。用户需要安全的下一步操作，而不只是错误信息。

托管服务可以协助处理这些运营细节，但客户仍需对策略选择负责。Uniti 无法决定每个组织在生产力、隐私、合规与安全之间可接受的平衡。

因此，核心权衡无法回避。更多检查可以减少未受管控的信息泄露，但也会集中敏感交互数据，并在员工工作流中引入另一套决策引擎。

三项信号将表明该服务是否兑现承诺

下一项考验并非另一则功能公告，而是客户能否在不进一步将 AI 使用推向地下的情况下对其进行治理的证据。

第一个信号是 Uniti 托管 SASE 客户中的可量化采用情况。Uniti 尚未披露将有多少客户启用这一附加服务，或哪些行业会率先采用。

在受监管组织中的采用将增强该服务的可信度，因为这些买家要求精细控制、可审计性和合同保障。有限的采用率则可能表明，客户更偏好原生平台，或尚未准备好接受提示词级别的执行措施。

第二个信号是运营证据。Uniti 和 Cato 最终应报告部署覆盖范围、被阻断的泄露事件、策略变更、调查时间和误报趋势。汇总结果能够在不暴露单个客户数据的情况下展示价值。

仅有检测数量将是薄弱证据。一个系统可能因为策略噪声过大而产生大量警报。更好的指标包括未获批准使用的减少、向获批工具迁移的增加，以及经验证事件的更快处置。

第三个信号是该服务如何处理自主代理。与员工使用聊天机器人相比，代理流量带来了更严苛的考验，因为其行动可能影响外部系统和业务记录。

可信的代理安全计划必须将网络活动与代理身份、委托权限、工具调用和数据访问关联起来。如果控制措施仍聚焦于浏览器提示词，该服务将仅覆盖新兴风险的一部分。

这些信号也将进一步明确 Uniti 相对于平台原生安全产品的定位。广泛的跨平台可见性将支持托管 SASE 模式；而 Microsoft 或 Google 环境中更丰富的上下文和更简单的运营方式，则将有利于原生控制措施。

企业无需等待最终赢家出现，便可开始改善治理。它们可以盘点获批的 AI 系统、定义受保护数据、限制代理权限，并测试控制措施在具有代表性的工作流中的表现。

它们还应记录重要知识进入 AI 流程的位置，包括复制的文本、上传的文档、连接的代码库、检索到的记录以及自动化工具输出。持续维护的 AI 知识库可以使这些信息边界更易于审查。

Uniti Solutions AI Security 的推出正值企业 AI 已扩展到集中批准应用之外的有利时机。其托管交付模式为客户提供了跨混合环境的实用执行点。

此次发布并不能证明每一次 AI 交互都可以被正确分类。它同样不能消除对安全应用设计、身份控制、数据治理和员工知情行为的需求。

对买家而言，最重要的问题是运营层面的：该服务能否在保留员工已经依赖的工作流的同时，降低高风险 AI 使用？考虑采用这一附加服务的组织应从覆盖范围地图、仅监控基线和若干高置信度数据策略开始。随后，它们应使用真实业务场景测试脱敏、阻断、代理活动和事件调查。由此产生的证据将比仪表板中列出的 AI 工具数量更重要。如果 Uniti 能将这些控制措施转化为更低的暴露风险和更清晰的责任划分，其托管网络定位将具备价值。若用户只是绕过执行措施，影子 AI 将仍然处于隐藏状态，而非得到控制。