新聞

生成式AI降低了偵察、釣魚郵件撰寫及部分程式開發工作的門檻，使攻擊者得以更快、更大量地展開行動，企業導入模型、資料集、套件與AI工具後，擴大了軟體及AI供應鏈的風險。

這兩股力量交織之下，企業面對的不再是單一威脅，而是速度與範圍同時擴張的攻擊環境。卡巴斯基臺灣技術總監謝長軒指出，AI能大量產出資料，決定防禦成敗的關鍵，不是誰握有最多預警訊號，而是誰能把海量資料轉化為可以立即行動的情報。

他認為，好的威脅情報必須同時具備來源可信、時間有效、脈絡相關、信心度清楚與可執行等條件，AI能加快前段處理，專家則負責高風險判斷與情境分析，兩者缺一不可。

AI加快攻擊節奏，但沒有改變資安基本功

謝長軒點出企業容易陷入的一個迷思：以為導入AI之後，資安遊戲規則會被徹底顛覆。實際情況並非如此，生成式AI可協助攻擊者撰寫或修改程式碼，大量產生語句自然、針對性更高的釣魚內容，對低技術攻擊者的提升，以偵察與社交工程最為明顯。

攻擊頻率因此從過去的週期性，轉為近乎全年無休的常態化威脅。資安團隊原本該做的事，包括修補漏洞、留意釣魚攻擊、落實邊界防護，這些基本功依然不變，真正改變的是攻擊的節奏與範圍。

過去企業常有一種僥倖心理，認為自己規模小、資產不顯眼，不會成為駭客的目標，在AI輔助攻擊的時代，這樣的想法已不再適用。大規模自動掃描及已知漏洞利用原本就已相當普遍，AI則進一步加快目標篩選、漏洞研究及攻擊內容調整的效率，縮短防守方可用的修補時間。

任何一臺對外服務的主機，只要存在已知漏洞而未及時修補，就可能遭到快速掃描與嘗試利用；若主機權限過高、網路缺乏分區或帳號控管不足，風險還可能進一步向內部環境擴散。

這意味著，企業對外服務主機的曝險狀態、修補時效與內部權限控管，始終是資安防禦最基礎也最容易被忽略的一環，並非到了AI時代才需要重視，只是留給防守方反應的時間變得更短。

模型、資料與技能擴大AI供應鏈風險

除了外部攻擊面的擴張，AI應用也帶來另一種容易被忽略的風險。過去談供應鏈攻擊，通常聯想到軟體、套件或第三方服務遭到植入惡意程式；到了AI時代，企業使用的模型、資料集，以及讓AI代理執行工作的「技能」與外掛工具，都可能成為攻擊者進入企業環境的入口。

一個值得注意的變化，是使用者對AI工具的信任程度正在被重新定義。他表示，企業員工可能因為工作需求，自行使用未經企業審查的AI服務，或是為了讓AI代理執行更多任務，從外部下載開發套件與技能套件。

這些工具看似只是為了提升效率，企業未必清楚它們的來源，不一定知道其中包含哪些程式碼，更不見得會比照企業內部軟體進行掃描檢查。

一旦套件遭到攻擊者植入惡意內容，下載後直接交由代理執行，加上代理本身被賦予存取檔案、系統或其他服務的權限，原本只是輔助工作的工具，便可能變成攻擊者進入企業內部環境的跳板。

供應鏈風險不只存在於這些工具本身，還牽涉訓練資料、第三方模型與開源套件等不同環節。若企業自行訓練或微調模型，須留意訓練資料污染，受污染的資料可能在微調或訓練後影響模型行為；若企業採用檢索增強生成或代理架構，則還要防範知識庫、檢索內容及外部工具輸出遭到植入惡意指令。

第三方模型或套件如果本身已遭到竄改，可能把問題一起帶進企業的AI環境。當代理再透過外掛程式或工具連結到企業內部系統，權限控管一旦沒有做好，原本存在於供應鏈中的風險就可能一路往企業內部延伸。

這是AI供應鏈風險與過去最大的不同之一。謝長軒指出，企業不只是把一套軟體裝進環境裡，還讓AI持續呼叫不同的模型、資料與外部工具，AI應用的供應鏈與執行鏈都變得更長，也更難掌握；只要其中一個環節出了問題，風險就可能隨著AI的權限與連結一路擴大。

企業看待AI安全時，不能只把注意力放在模型本身，還必須回頭檢視AI所使用的資料、工具與外部服務，從來源是否可信、下載的內容是否經過檢查，到AI實際被授予多少權限，這些原本分散在不同環節的問題，現在都可能串成同一條攻擊路徑。

他認為，對企業而言，AI帶來的供應鏈風險，已經不只是用了什麼工具的問題，而是這些工具進入企業之後，還能夠一路連到什麼地方。

面對這樣的風險擴張，企業可以從邊界、使用者、AI代理到基礎設施建立多層防禦。第一層聚焦企業邊界管理，涵蓋防火牆與VPN等對外連線控管機制，重點在於外部連線控管、遠端存取驗證與邊界監控，若邊界規則配置錯誤或帳密憑證遭竊，攻擊者便可能藉此長驅直入。

第二層是用戶端AI使用管控，也就是俗稱的Shadow AI（影子AI）問題，IT與資安人員需要掌握，企業內部是否存在未經核准的AI工具使用行為，提升整體環境的可視性。安全防禦有一個基本原則，「看不見的東西就無法防守」，可視性不足時，企業很可能誤判風險來源。

第三層涉及AI代理介面與外部連結的防護，包括API閘道、提示過濾、URL與網域信譽檢查，以及外掛與工具連線的核准機制。

第四層則是模型、資料檢索與輸出驗證的防護，涵蓋系統提示保護、模型防護規則、知識庫來源驗證，以及回應與生成內容的掃描。

第五層回到最基礎的身分、端點、伺服器與網路防護，無論企業是否自建語言模型，只要內部存在儲存空間或其他服務，本就應該做好基礎保護，這與是否處於AI時代並無直接關係，而是資安管理的根本責任。

大量威脅資料，為何還不等於情報

企業在應對AI時代的攻擊時，必須先正視一個關鍵事實：AI能協助把原始資料整理成情報候選項目，這些結果是否可信、是否與組織相關，以及能否直接採取行動，仍須經過交叉驗證及情境判斷。

生成有效的威脅情報，通常會先從公開網站、社群平臺、程式碼儲存庫、暗網論壇，以及IP、網域與URL等技術指標蒐集大量原始資料，再利用AI進行大規模分析、分類與行為關聯，從中找出潛在的威脅模式。

這仍只是從資料走向情報的前半段，接下來還需要資安專家進行驗證與過濾，排除可能出現的誤報，並結合產業知識與組織情境，確認情報的準確性與實際意義。

不少企業在AI時代誤以為情報收集變得簡單，以為透過AI大量分析開源情報或暗網資料，就能快速產出可用的威脅清單。若僅依賴自動化統計分析，沒有經過進一步驗證，便直接把分析結果套用到防禦行動上，極可能產生大量誤判，反而增加資安人員的工作負擔。

一個常見的情境是，某個IP位址可能因曾出現在某份情報清單中，且更新頻率相當頻繁，就被系統標記為高風險來源；進一步分析後卻可能發現，這其實是共用雲端或內容分發網路的位址，曾短暫承載惡意內容，同時也服務大量合法網站。若未確認時間、網域及服務脈絡便直接封鎖整個IP，可能連帶影響正常業務的運作。

這說明了為什麼威脅情報不能只看資料本身。企業若只是接上一份自動更新的惡意IP清單，便認為自己已經擁有威脅情報，卻沒有經過進一步驗證，大量誤報最終可能直接反映在營運層面，導致合法服務遭到錯誤阻擋，甚至讓真正的威脅藏在大量雜訊之中而未被發現。

從來源、時效到組織脈絡，建立情報信心度

從原始資料到可行動情報，需要經過蒐集、去重、關聯、擴充與時效判斷，再進行來源與信心度驗證，最後結合組織脈絡，將結果轉化為偵測規則或處置措施。透過自動化方式從多元來源持續收集資料，再分析潛在威脅模式，也要確認指標是否仍具時效性，避免把已失效的歷史紀錄視為當前威脅。

來源與信心度驗證則需要資安專家介入，結合產業知識與組織情境，識別自動化分析難以察覺的業務邏輯，過濾缺乏佐證或與組織環境無關的指標，避免將無害行為誤判為威脅。

AI在這個過程中可以協助情報蒐集、即時分析與事件關聯，將相關事件串成攻擊鏈，對應MITRE ATT&CK所整理的攻擊者戰術、技術與程序，協助分析人員掌握攻擊脈絡與後續調查方向。不過，真正讓資料成為情報的關鍵，仍在專家的分析與判讀。

謝長軒表示，威脅情報生成的核心並不是單純依靠AI，而是讓AI的規模化處理能力與專家的分析、驗證相互配合。AI負責從大量資料中找出值得注意的訊號，人則負責判斷這些訊號究竟代表什麼，只有經過這道過濾，資料才真正具備情報的價值。

不同成熟度的組織，如何運用威脅情報

在實際應用上，威脅情報可以依照企業資安成熟度與需求轉化成不同形式。對希望強化邊界防護的企業而言，情報可以轉換成防火牆或入侵防禦系統可辨識的黑名單規則，針對高信心度且正在發生的威脅指標採取阻擋行動。

但自動化阻擋仍需設定信心度門檻與指標有效期限，搭配允許清單及共用雲端、內容分發網路的排除機制，同時保留解除封鎖的彈性與定期檢討封鎖紀錄，避免誤封合法服務。

對已建立資安維運中心（SOC）的企業，威脅情報可以整合到資安資訊與事件管理平臺，協助分析人員快速比對既有告警是否命中已知惡意指標，縮短事件調查時間。需要深入調查時，也可利用威脅情報平臺追查特定IP或網域曾關聯的網域、URL、憑證與檔案雜湊值，以及相關惡意程式樣本與攻擊組織資訊，從單一指標追查攻擊背景與脈絡。

情報來源的廣度與深度，也決定了視野是否完整。根據卡巴斯基提供的資料，該公司服務範圍遍及全球200多個國家與地區，並在30多個國家及區域設有辦事處，情資來源不侷限於單一市場，能涵蓋不同地區的攻擊型態、地緣政治風險與威脅趨勢。

事件回應的實際經驗，同樣是情報品質的重要基礎。根據卡巴斯基內部統計，其事件回應調查有超過80％分布在亞太、歐洲與中東非地區，與部分以北美資料為主的情報來源形成互補。

若企業只依賴單一來源，可能在部分區域形成威脅偵測死角；採用外部威脅情資供應商時，除了涵蓋範圍，也應留意資料處理與儲存位置、適用法域、供應商治理與第三方稽核。

情報除了廣度也需要深度，而深度來自長期累積。卡巴斯基全球研究與分析團隊長期研究進階持續性威脅，追蹤攻擊組織的行為與手法演變，累積的歷史脈絡有助於在新型攻擊出現時辨識其來源與演變路徑。許多看似新型的攻擊技術，實際上可能只是過去手法的延伸，持續追蹤攻擊者行為模式，才能在資料快速累積時分辨哪些訊號真正值得警覺。

從情報到行動，企業仍須建立應變能力

情報只有進入偵測規則、資產修補、事件通報及演練情境後，才能真正縮短應變時間。

企業首先應重新盤點安全邊界與權限管理，尤其是防火牆、VPN、對外服務主機，以及跳板主機與管理介面的存取條件，都應納入高風險資產管理範圍，避免僅憑單一連線驗證就能直接取得管理權限。

同時，企業需要提升整體環境的可視性。隨著AI應用增加，模型、套件、技能與外掛程式等供應鏈環節，都應確認來源並進行檢查，避免成為攻擊者潛藏的入口。

真正的資安韌性不能單靠工具堆疊，還需要透過日常演練建立應變能力。企業應在事故發生前，先確認通報層級、備份資料與人員召回等流程，才能在情報發揮價值時，將偵測結果快速轉化為實際的防護行動。

AI確實加快了攻擊速度與規模，也提高威脅情報生成與分析的效率，但情報的價值終究不在資料量，而在企業能否從龐雜訊號中辨識真正值得關注的威脅，並轉化為防禦與應變行動。這需要AI的規模化處理與人的專業判斷共同支撐，才能在AI時代建立可信賴的資安防線。

卡巴斯基臺灣技術總監謝長軒提出「企業 AI/Agent 多層次架構及風險」，將防護拆解為五大層級：企業邊界管理、用戶端 AI 管控、Agent 介面防護、LLM與RAG檢查，以及基礎設施安全。同時標示各層潛在攻擊點，並彙整CISO需關注的OWASP常見風險（如Prompt注入、敏感資訊洩漏）與近期資安案例。