直播回顾 | 拆解AIUC与Akamai落子：AI开始替企业干活之后，谁来管？

安在

2026年11月2日 19:07
上海

去阅读

随着AI智能体不断走进企业业务流程，传统安全边界正逐渐被“打穿”。当AI开始替企业干活、替企业与外部系统打交道，如何确保其“不出乱子”，成为安全管理者必须直面的一道新课题，而这正是Gartner提出的AIUC（AI Usage Control，AI使用管控）所要解决的命题。从市场侧看，AIUC已从概念走向独立赛道：据Gartner预测，2026年全球AIUC市场规模约为4.33亿美元，2027年有望达到7.49亿美元，同比增长约73%，年化增速接近70%。与此同时，影子AI工具与影子Agent在企业内部悄然蔓延，员工以个人账号访问企业授权AI工具、智能体之间自主协作、提示词注入等新型风险层出不穷，传统安全管控手段在AI使用场景下频频失灵。企业比以往任何时候都更需要一套覆盖AI交互的发现、评估与管控体系。

在此背景下，由Akamai主办的「安全在线·LIVE」系列直播持续推进。该栏目聚焦AI时代网络安全前沿议题，邀请一线专家与产品负责人展开深度对话，此前已围绕大模型发布引发的攻防演进等话题开展多期讨论，为行业观察AI安全变化提供了一线视角。

10月29日，「安全在线·LIVE」第三期如约开播，本场主题聚焦AIUC新兴赛道，围绕“管控企业AI交互访问”展开。Akamai大中华区产品市场经理刘炅担任主持人，与Akamai售前高级经理马俊一道，从市场趋势、风险链路、防护闭环到落地方法，层层拆解AI交互安全这一命题。

本场直播以“嘉宾主题分享＋现场答疑”的形式展开。主题分享环节，马俊基于Gartner AIUC报告与Akamai产品实践，系统解读了AIUC兴起的底层驱动、企业AI使用中的风险藏匿点，以及从终端到边缘、从南北向到东西向的防护闭环；答疑环节，围绕AIUC与传统安全管控的差异、中小企业的适配路径、可复用的治理框架、与存量安全投资的关系等观众关切问题逐一作答，输出了一套将员工终端、应用API与基础设施打通的治理方法论。

主题分享

《Al交互安全与AIUC分享》

马俊 Akamai售前高级经理

AI攻防进入“深水区”：AIUC赛道兴起的背景

AI与Agent技术发展已进入深水区。上半年Anthropic发布新一代大模型，推动行业重新挖掘存量漏洞，国内外厂商随即纷纷强化安全能力。近期更出现标志性安全事件：内部测试中降低安全约束后，大模型与Agent可自发协作越权，利用软件漏洞逃出沙盒并获取外部数据。智能体能力越强，攻击面与安全威胁就越大；企业场景中，智能体自动拆解任务、流转数据的工作模式，也带来了权限管控、数据安全等全新风险。

Gartner据此捕捉到AI使用管控的新需求，提出AIUC（AI使用管控）方案，覆盖第三方AI应用的发现评估、风险监控、边界划定与权限管理，并发布专项报告。市场规模印证了这一趋势：2026年全球AIUC市场规模约4.33亿美元，2027年预计达7.49亿美元，同比增长约73%。AIUC填补了传统安全手段的三大空白：一是难以发现影子AI工具与影子Agent；二是现有管控精细化不足，无法覆盖AI与Agent带来的新增攻击面；三是缺乏持续迭代的AI治理运营机制。报告给出的治理框架为：企业先建立完善的AI政策，再通过“使用—评估—决策”闭环，对每一次AI交互实时评估风险、及时处置。

增量价值：AIUC为存量安全投资补上什么

很多企业已有AI安全管控投入，AIUC带来的不是替代，而是增量价值，集中体现在四个方面：

1、覆盖路径不同。AI通过浏览器、应用程序、智能体还是其他形态接入，决定了防护入口的差异。

2、身份变得多样化。如今还需区分公司账号与个人账号——报告揭示，未来约70%的员工可能使用个人账号访问企业授权使用的AI工具。

3、动作与内容。智能体协作中存在大量对用户不透明的动作：小李请智能体收集续约客户信息时，智能体很可能在合同内容之外，连带拿到联系人姓名、手机号等超出授权范围的信息一并传出。

4、处理时机。现有方案多集中于事前干预或事后审计，AIUC则要求每一次访问都进行独立评估：是否充分授权、是否符合最小权限原则、是否存在提示词注入等新增风险，均需即时判定。相关统计显示，企业内部约80%的应用未受整体管控，进一步放大了上述风险。

三类产品形态与Akamai的落子

在Gartner的统计与市场调研下，AIUC领域已呈现三类鲜明的产品形态。第一类是SSE（安全访问服务边缘）的延伸；第二类是浏览器形态，即企业安全浏览器（SEB）；第三类是AI安全组件。

市场侧，Gartner跟踪的AIUC厂商约50家，约80%为初创企业，赛道尚处早期，正处于技术成熟度曲线的快速上升期，传统大厂多以整合方式增强自身能力。Akamai的选择颇具代表性：2026年7月完成对LayerX的收购——这家专注于AIUC领域的创业公司；同年8月推出全新产品Akamai Workforce Protector（AWP），以浏览器扩展插件形式帮助企业从“最后一公里”管理AI的接入与使用，并已向终端侧拓展，面向代码开发平台等AI原生应用提供使用治理。

AWP核心能力：看见交互、实时策略、记录运营

传统数据治理遵循“谁产生的数据归谁管”的逻辑；而在AI使用链条中，数据可能在不同环节被不同实体触碰，企业需要一个集中的平台看清交互过程与违规情况——“看见交互”因此成为AWP的第一项核心能力。

看得见，才能下策略：每一次判断都基于实时情况执行。以小李为例，他准备将AI生成的客户简报上传至公司集中存储时，在浏览器中登录了个人账号，含客户信息的简报随之被传至公司治理范围之外，与企业AI政策相悖。原有的安全投资往往难以识别账户与应用之间的关系，无法区分个人与企业账号上传；AWP则可在动作发生前及时制止。

第三项能力是记录运营数据：所有检测与处置动作在后台集中留存，安全与企业管理人员可以完整查看AIUC治理下的记录与使用过程，支撑审计与持续优化。

交互概念拓展：新型风险藏在何处

Gartner在报告中反复强调“交互”（Interaction）一词。传统上，交互指人与系统、数据、应用之间的动作；AI模型与智能体的加入及其相互协作，使交互关系复杂多样。一方面，人向智能体下达指令后，智能体在此基础上延展加工、推理并变换出下一步动作，交互从“人—AI”拓展至“智能体—应用”；智能体还可通过循环机制（Loop）或编排框架（Harness）整合后台多系统与数据源，循环迭代完成任务，后台交互呈指数级增长。另一方面，交互中存在数据的交接：人、智能体、任务、权限与身份等多类实体耦合进同一任务，智能体间传递文件、消息与记忆，埋下新的风险点。

这些风险已有现实投影。文件传递可能成为提示词注入的攻击源头——文件内容若包含“忽略此前所有指令”之类的隐蔽指令，数据交接便可能将文件变成攻击入口；消息交互可能引发供应链放大风险——伪造“增加百倍订单”的需求若被智能体以“主管经常审批”为由自动放行，将造成远超预期的业务影响；更隐蔽的是记忆感染——“免审批”等临时规则被智能体长期记入记忆文件，使风险不断放大。

AWP六大典型场景与三场演示

AWP将上述治理思路落地为六个典型场景：AI使用治理，发现影子AI工具与助手、区分企业与个人账号、引导合规使用；数据防泄露（DLP），管控提示词、响应、复制粘贴与上传下载；浏览器扩展安全，评估扩展权限、已知漏洞与风险并识别组织内使用者；钓鱼与安全上网，以内置AI风险引擎评估页面与钓鱼风险；SaaS与身份安全，发现影子SaaS、个人身份与SSO缺口；非受管设备（BYOD）管理，实施只读、水印及下载、复制、打印限制。

三场演示直观呈现了AWP在后台的管控效果：

演示一聚焦“引导至批准的AI工具”：小李将文件上传至企业允许的AI平台，却使用了个人账号——平台第一时间捕获个人账号登录与客户敏感信息上传的动作，账号、提示词、工具、身份与数据在后台被串联呈现。

演示二展示内容、身份与目标应用的联动：平台允许某工具，但传递的数据不符合企业政策，DLP能力将数据拦截并以脱敏形式展示，证据链条完整。

演示三针对高风险浏览器扩展：AWP内置浏览器扩展风险评估数据库，综合扩展采集的数据、恶意行为与市场评价等维度为插件打分；小李安装的AI插件“Sidebar”被识别出窃取数据、账号信息与提示词的高风险行为，平台随即将其拦截并定位到安装用户。

AI浏览器与SEB：形态分野与安全差异

AI浏览器是当下另一股新兴潮流，可归纳为四类：AI原生浏览器，本质上是运行在电脑上的Agent（如Perplexity Comet），可配合企业策略完成检索等操作；传统浏览器内嵌AI功能，将页面检索结果以AI回答形式提炼；浏览器内嵌AI的代表如谷歌，兼具浏览器与基础大模型双重身份，在搜索引擎、办公套件等场景深度集成AI能力；部分AI原生应用（如ChatGPT及其Atlas浏览器）也将浏览能力整合进应用程序。

与之对应，企业安全浏览器（SEB）的部署形态同样分为四种：浏览器扩展，即AWP所采用的形态，不改变用户使用习惯，部署与管理摩擦最小；独立浏览器，员工需更换浏览器产品，但完整权限带来更细的管控粒度；独立浏览器叠加网络层隔离，即远程接入的隔离浏览器，访问经远端实例代理，数据完全隔离，但对网络质量要求较高；原生浏览器的企业版本，如Chrome、Edge企业版，增强治理控制能力并提供DLP等增值服务。

值得警惕的是，AI浏览器与SEB的安全分野明显：AI浏览器在功能层面快速迭代，却往往忽视安全属性，缺乏对网页攻击的抵御能力与隔离机制；SEB则因成熟的企业需求与长期运营，安全性更为可靠。

走出浏览器：后台交互的防护与韧性

浏览器只是交互链条的起点。当任务走向智能体、数据与模型，交互形态从界面操作变为API协议、网络通信乃至二进制文件：初始入口（文件与数据传递管道）、系统层面的注入渗透（文件注入、凭据复用绕过），以及基于跳板机的水平横移（获取智能体、主机与应用系统权限后影响业务），构成新的风险链。

针对后台交互，Akamai提出微分段方案（Guardicore Segmentation），将企业内部网络置于零信任管控之下。其方法论与AIUC一脉相承：先发现，看清哪些业务数据、工作实体与应用正在被使用；再评估范围，明确政策允许的边界；进而制定微分段策略，将网络划分为独立隔间，控制爆炸半径——即便单一节点被攻破，也能限制对周边实体的影响。以小李的业务智能体为例，其访问范围应仅限合同、订单、财务等业务系统，不应访问代码服务器或IT智能体；一旦越界，需要及时发现、制止并完整追溯。

处置遵循“发现—遏制—核实—恢复”的闭环，背后是AI安全韧性的理念：不假设AI系统万无一失，交互本身已是公开的暴露面，关键是攻击发生后能将影响隔离在最小范围，及时恢复，保障业务连续性。这与零信任的最小权限、持续验证、假设入侵等原则一脉相承。

Akamai安全平台：AI时代的三层防护体系

从全局视角看，Akamai面向AI时代的整体防护体系可分为三个层次与一层底座。接入层对应“最后一公里”：以AWP实现AIUC落地，确保AI使用合规、数据不丢失，权限、数据与使用过程在同一平台统一管理；通路层即中间交互层：保护AI防火墙与AI智能体等实体，兼顾Web API等传统接入形式的安全有效性；后台层：依托微分段保护后台实体交互安全，落实网络层面零信任，并以DDoS防护与全球流量清洗中心保障AI应用的高业务连续性。

底座能力包括三层：平台采集的数据与全球威胁情报，帮助企业第一时间发现新兴风险；全球7×24小时安全运营中心（SOC），提供集中式专家响应能力；以及分布全球130个国家的边缘平台，承载AWP、API安全与微分段等能力的落地。

答疑互动

主题分享结束后，直播进入答疑互动环节，马俊就观众关切的问题逐一作答，以下为问答内容精选。

话题一：AIUC与传统安全管控差在哪里、先管什么？

马俊：AIUC是Gartner对市场上新出现的产品形态的总结，它与传统企业安全管控并不矛盾，更多是延伸与延展。很多企业已有DLP、SSE、SEB等安全投资，这些投资或多或少具备一定的AI防护与管控能力，但能否满足AIUC的要求，建议用测试用例实际验证：例如，员工用个人账号访问AI并上传数据，现有管控手段能否告警、拦截，并在后台留下完整的动作痕迹；在智能体交互中植入典型的提示词注入，现有防护能否有效识别。若能，说明现有投资能够覆盖这一类新的安全威胁；若不能，则存在明显缺口。总体而言，AIUC是对现有安全投资的补充，而非替代。

话题二：AIUC为何是企业绕不开的一环，中小企业也需要吗？

马俊：所有企业不分大小，对AI的热情与使用广度并无差别；使用越全面多样，风险越显而易见，此前防护手段不到位、不完整、不充分的可能性也越大。无论是中小企业还是大企业，安全管理者与决策者都应完整思考新出现的风险：AI工具是否合规、数据是否得到有效保护、权限分配是否合理。中小企业安全投资相对较少，反而更容易优先选择新出现的防护技术一步到位实现安全治理，更有意愿进入AIUC实际使用者的行列。

话题三：如何构建一套可复用的AI交互治理框架？

马俊：可以参考Gartner的方法论，以及Akamai在AWP与微分段产品中的实践。不同安全团队的方法殊途同归：首先建立可见性，发现影子AI与影子Agent；在此基础上进行运行时的检测与处置，依据企业政策判断每一次操作是否被允许，并执行拦截、放行或告警。这是一套最易理解、也最贴合AIUC原始思维的框架。可见性、实时防护与审计能力层层递进，企业可据此纵深推进、逐步落地。

话题四：已部署SSE等防护平台，还有必要用AWP吗？

马俊：建议企业先用典型风险对现有SSE等投资做验证测试，判断其能否满足AIUC所提出的风险应对要求。据观察，SSE大多在边缘侧做防控，更多控制AI工具域名是否在白名单、网站是否允许访问，却往往无法监控账号层面的行为——员工用个人账号不慎上传数据，SSE很难帮助企业管理者发现。SSE与AWP并不矛盾，两者工作在不同层面：一个作用于边缘代理与边界防护，一个作用于浏览器层面，看到的东西不同、能力互补。AIUC带来的是增量价值，而非替换价值。

话题五：纵深防御如何衔接多层防护，单点失效时怎样控制影响？

马俊：这需要一套整体治理方案。从交互安全的视角看，网络、实体、权限、任务等要素均已被纳入识别范围。复杂情况下，应以AI使用流程与链条为线索，逐层拆解分析是否充分叠加安全控制，是否在每个监控点、控制点配置了对应策略。

在Akamai的产品体系中，可通过AWP、微分段与API安全等能力构成的结构体系实现有效覆盖。但安全方案的价值不在于“放在那里”，而在于真正落实到企业日常AI流程与体系中。呼吁各位观众切实梳理、分析自身安全风险——了解自己的资产、了解实际使用情况，始终是最优先的起点。

话题六：已部署企业级DLP，还需要AWP这类AI方案吗？

马俊：DLP是相对成熟的防护手段，多在数据发生外传的那一刻执行拦截；AIUC则将控制点扩大——数据在与AI模型传递、甚至Agent之间传递时都需检查外泄风险，同时还要关联账号与授信AI平台等因素。

现有DLP能够捕获复制粘贴与文件上传，但在AI场景下需要增加限制条件：如果平台是企业授信允许的、账号是企业允许的、数据符合企业安全标准，上传操作才可以放行——现有DLP往往缺少这方面的洞见。建议企业先在自身DLP上做测试：如果无法有效检测“在授信AI工具上跨账号操作”这类行为，就需要考虑额外的投资。

**END

点击这里阅读原文**