夜雨聆风
导读
AI 网络安全最容易被理解成一条新增产品线：传统网安公司接入大模型，安全产品会更智能。
但产业变化远比这复杂。模型调用入口掌握在云平台和 MaaS 厂商手中，Agent 的权限体系更接近身份安全和企业软件，知识库与业务接口又牵动数据安全、API 网关和工作流平台。
传统网安公司当然可能获得新机会，但也可能被跨界玩家拆走最有价值的控制点。未来的竞争焦点，将落在谁能真正管理企业 AI 系统的访问、权限、数据、行为与审计。
撰文 ｜ 硬科技雷达
题图 ｜ AI 视觉创作
01｜AI 安全先重分了控制权，才会重分收入
新技术进入企业后，收入通常不会按照旧行业名称重新分配，而会跟着新的控制点流动。
后量子密码可能被密码厂商、量子平台、通信设备商和安全服务商共同争夺；AI 安全同样会打破“网络安全公司天然受益”的惯性判断。云平台控制模型调用入口，身份平台控制权限，数据平台控制信息流动，企业软件控制工作流，传统网安公司则掌握网络、终端、日志、攻击检测和应急响应。
AI 系统把这些控制点第一次放进了同一条执行链。
一个企业 Agent 可能同时连接模型、知识库、数据库、邮件、CRM、ERP、浏览器、代码仓库和内部 API。安全问题随之从“是否有人攻入系统”，扩展到“谁能调用模型、模型能看到什么、Agent 可以使用哪些工具、执行结果如何审计、异常后能否恢复”。
因此，AI 安全并不是一条单独出现的产品赛道，更像是一场企业控制平面的重新分配。
这张表背后有一个很直接的结论：
AI 安全不会自动抬高传统网安公司的价值。
它会先拆掉传统网安的边界，再决定哪些公司能留下来。
02｜云和模型平台，可能先吃掉基础 AI 护栏
最先被平台化的，往往是离模型 API 最近、最容易标准化的一层能力。
输入输出内容审核、敏感信息识别、提示词攻击检测、越狱识别、调用限流、资源消耗控制、基础审计和生成内容标识，都属于这一类。这些能力很重要，但它们与模型调用入口高度重合，天然适合被封装成模型平台、云服务或 MaaS 的配置项。
阿里云百炼、火山引擎、腾讯云等平台，已经陆续将内容治理、提示词攻击检测、敏感信息保护、调用审计和模型访问控制纳入自身产品体系。对于企业用户而言，很多基础护栏可以随着模型部署、应用接入或 API 调用一同开通。
这会直接改变传统网安公司的位置。
过去，企业建设边界安全、应用防护或数据防泄漏，往往需要采购独立设备或安全平台；现在，一部分 AI 防护能力会在模型调用入口被提前消化。客户若已经使用云端模型服务，额外部署一套功能高度重叠的大模型安全网关，采购意愿未必很强。
因此，传统网安公司若把 AI 安全理解为“给模型前面再加一道网关”，很容易陷入价格和功能的双重挤压。
云平台拥有流量入口、计费系统、客户账户、运行环境和模型服务能力；模型厂商拥有 Prompt、推理、输出和调用日志。传统网安公司的价值，必须进一步向跨模型、跨云、跨业务系统的治理和响应延伸，才能避开与平台默认能力的正面重叠。
基础 AI 护栏会长期存在，但它很可能更像“标配能力”，而不是高溢价的独立市场。
03｜Agent 把安全重心推向身份、数据和工具权限
聊天机器人主要生成内容，Agent 则开始进入业务流程。
它会读取企业文档，查询数据库，调用工具，修改工单，生成邮件，操作浏览器，甚至进入审批、采购、客户服务和研发协同流程。随着 Agent 接触的数据和权限不断增加，安全风险会沿着“模型—工具—业务系统”的链条快速放大。
一个模型回答错误，通常影响的是决策质量；一个带有权限的 Agent 执行错误，影响的可能是数据、订单、账号、审批乃至核心业务流程。
因此，企业对 AI 安全的关注点已经从内容过滤延伸到更深的位置：
Agent 使用什么身份登录；
它继承谁的权限；
它能访问哪些数据；
它能调用哪些工具；
工具调用是否越权；
敏感操作是否需要二次确认；
每一次行为能否追溯、审计和回滚。
这类问题天然更靠近身份安全、权限管理、数据安全、API 网关、企业工作流和零信任体系。
微软将 Agent 纳入 Entra 身份体系，强调 Agent 需要独立身份、授权边界、生命周期管理和审计能力；NIST 的相关框架同样把 AI Agent 视为需要独立凭证和最小权限管理的高风险对象。
产业上的含义很直接：
Agent 安全会把一部分价值从网络边界，推向身份、数据和权限控制。
传统防火墙能够识别网络连接，却未必能理解一个 Agent 为什么调用某个 ERP 接口，也很难判断它是否在合法身份下执行了不该执行的业务动作。真正可持续的安全能力，需要把身份、数据、工具、动作和审计记录连接起来。
未来最有价值的 AI 安全产品，不会只提示“这条 Prompt 有风险”。
它还需要回答：
这个 Agent 接下来准备做什么；
它是否有资格做；
它将访问哪些数据；
这个动作能否被阻断、审批和恢复。
谁控制权限，谁就更接近控制 Agent。
04｜海外市场已经分成三条路线：SOC、运行时安全与身份控制
海外 AI 安全的产品格局，已经明显分化。
第一条路线是 Agentic SOC，也就是把 AI 嵌入安全运营中心。Google Security Operations、Microsoft Security Copilot、CrowdStrike Charlotte AI 等产品，关注的是告警研判、威胁调查、攻击链还原、响应编排和安全运营自动化。
这条路线的核心壁垒不在模型本身，而在于谁拥有更完整的安全数据和处置权限。终端遥测、云资产、身份日志、威胁情报、检测规则、客户资产图谱和响应工具，构成了安全智能体发挥作用的基础。
第二条路线是 AI Runtime Security。
Palo Alto Networks 的 Prisma AIRS、Cisco AI Defense 以及一批云安全和 AI 安全创业公司，正在把模型、Prompt、RAG、Agent、工具调用、MCP、向量数据库和运行时行为纳入新的防护层。传统应用安全主要保护 Web、API 和服务器，AI 应用则增加了模型输入、上下文、外部工具、记忆和执行链，需要新的运行时观测与控制方式。
第三条路线是 Agent Identity。
当企业中出现大量 Agent，身份系统将从管理员工账号扩展到管理“机器员工”。每个 Agent 都需要明确的所有者、身份、权限、访问范围、生命周期和审计记录。这个方向对身份安全厂商、零信任平台、企业软件和云平台都很重要。
三条路线最终会在企业 AI 控制平面汇合。
SOC 负责发现异常和组织响应，运行时安全负责观察模型与 Agent 的行为，身份平台负责权限和访问控制。任何一家公司若只占据其中一层，都可能在复杂企业环境中失去主动权。
05｜国内 AI 安全要跨过四道门：系统安全、产品检测、服务治理与项目交付
国内 AI 安全的采购逻辑，与海外市场存在明显差异。
海外企业常从云平台、安全订阅、身份平台或 SaaS 服务中购买能力；国内政务、金融、运营商、能源、医疗、交通和大型制造企业，通常需要把 AI 项目放进既有的安全体系、数据治理体系和项目验收体系中。
第一道门是系统级安全底座。
等保、关保、数据安全、密码应用、日志审计、身份认证、网络隔离和应急响应，仍然是很多政企项目的基础要求。AI 项目很难绕开这些体系，尤其是涉及行业数据、关键业务和重要基础设施时。
第二道门是产品检测和供应链要求。
网络安全产品并不存在一张覆盖所有场景的统一“AI 安全许可证”。不同产品和项目可能涉及安全检测、认证、密码应用、供应链评估和行业准入要求。对于传统网安公司来说，长期积累的检测能力、合规经验和项目资质，仍然是进入核心客户的重要门槛。
第三道门是生成式 AI 服务治理。
面向公众、具有舆论属性或社会动员能力的生成式 AI 服务，需要履行相应的安全评估、算法备案等要求；生成内容标识、内容治理、日志留存和可追溯能力，也正在成为实际部署中的重要需求。
第四道门是项目交付和本地化运营。
许多政企客户部署 AI，并非单纯调用一个公有云 API，而是要同时完成私有化部署、行业知识库建设、数据分类分级、权限体系梳理、模型评测、安全审计、内容治理、项目验收和后续运维。
因此，国内 AI 安全最先形成收入的地方，往往不是一个独立的 SaaS 订阅。
更可能来自大模型项目上线前后的整体安全改造，包括安全评估、数据与权限治理、私有化部署、安全运营和行业合规服务。
这决定了国内市场的一个特点：
AI 安全产品很难脱离客户现场独立存在。
能力、交付、合规和运维，将共同决定谁能真正进入预算。
06｜传统网安公司正在升级，但产品发布不等于收入重构
国内传统网安公司大多在沿着两条路线升级。
第一条是 AI for Security，即用 AI 提升安全运营效率。
奇安信、深信服、360、启明星辰等公司，都在把大模型、智能体、知识库和自动化编排能力接入既有产品线，覆盖告警研判、钓鱼检测、流量分析、威胁情报、漏洞优先级判断、攻击链还原和响应处置。
这一方向与传统网安公司的能力底座高度相关。它们长期积累了终端、流量、SOC、威胁情报、攻防服务和客户资产数据，模型可以在这些数据和工具之间提升运营效率。对于客户来说，这类能力的价值通常表现为减少人工重复劳动、压缩告警研判时间、提高高危事件识别效率。
第二条是 Security for AI，即保护客户自己的大模型、知识库和 Agent。
奇安信的大模型卫士、启明星辰的大模型应用防火墙与访问代理、天融信的大模型安全网关、深信服的 AI 安全护栏，都在尝试覆盖模型访问、提示词攻击、敏感数据、内容治理、调用审计、安全评估和运行时防护。
这条路线更接近新市场，也更容易被跨界厂商包围。
云厂商掌握模型调用入口，身份厂商掌握 Agent 权限，数据安全厂商掌握敏感信息，企业软件厂商掌握工作流。传统网安公司若只提供一个独立网关，很难长期建立足够强的控制力。
真正值得关注的，是它们能否把 AI 安全接入已有 SOC、XDR、零信任、数据安全、云安全和安全服务体系，进一步形成跨模型、跨系统、跨部门的治理能力。
这也是当前产业化最需要保持克制的地方。
很多厂商已经发布 AI 安全产品，也出现了客户试点、项目落地和行业案例，但新能力是否形成独立收费，是否进入标准产品目录，是否带来持续订阅、托管运营和复购收入，仍然需要时间验证。
传统网安公司最有可能获得的短期收益，通常来自三个方向：
提升原有项目的竞争力与交付效率；
为政企客户的大模型项目提供安全评估、治理和集成服务；
将安全运营从一次性项目延伸为持续服务。
真正的第二增长曲线，要看这些服务能否从“项目附加项”变成“长期运营收入”。
07｜传统网安公司最危险的，不是做得慢，而是站错位置
AI 安全的价值，并不由产品名字决定，而取决于企业愿意把什么能力交给你控制。
最容易被平台吸收的是基础护栏。内容审核、敏感词过滤、基础 Prompt 检测、输出过滤、调用限流和简单水印，将越来越多地成为模型平台和云服务的默认能力。这部分市场仍有需求，但利润空间会受到平台能力快速扩张的挤压。
竞争最激烈的是模型网关、AI 应用防火墙和安全评估工具。这类产品处在模型平台、云安全厂商、传统网安公司和初创公司的共同竞争区，客户会不断比较功能覆盖、部署成本、模型适配能力和与现有系统的集成深度。
真正稀缺的是高控制权能力。
身份权限、敏感数据访问、工具调用审批、Agent 行为审计、跨系统风险关联、自动化响应、行业合规和持续安全运营，决定了企业 AI 系统能否在真实业务中稳定运行。这些能力很难被一个单点产品覆盖，也更难被模型平台单独解决。
未来真正有竞争力的公司，需要回答五个问题：
传统网安公司如果只能发现风险，却无法参与权限、数据和处置控制，就很容易被限制在“告警层”。
能够进入企业 AI 控制平面的公司，才有机会获得更高价值的预算位置。
结语
AI 网络安全不会自动成为传统网安行业的增长红利。
云平台会吸收一部分基础模型护栏，模型厂商会掌握调用入口，身份平台会争夺 Agent 权限，数据安全和 API 平台会控制知识库与业务调用，企业软件则控制最终的工作流和操作入口。
传统网安公司的优势依然存在。
它们掌握终端、网络、云、日志、威胁情报、SOC、攻防服务和行业客户；更重要的是，很多核心行业仍然需要本地化部署、合规交付、项目验收和持续安全运营。
但这些优势不会自然延续。
未来的分水岭，在于传统网安公司能否从卖设备、卖告警、卖项目，升级为企业 AI 系统的安全运营者和治理者。
下一代 AI 安全的赢家，不会只拥有一个更会聊天的安全模型。
它必须真正掌握企业 AI 的权限、数据、行为和风险控制权。
参考资料
国家互联网信息办公室：《网络安全法》《生成式人工智能服务管理暂行办法》《人工智能生成合成内容标识办法》及相关备案公告。
国家互联网信息办公室、公安部、国家市场监督管理总局等：网络安全专用产品安全认证和安全检测相关制度文件。
NIST：《Cybersecurity Framework Profile for Artificial Intelligence》及 AI Agent 身份、权限和风险治理相关文件。
Google Cloud：Google Security Operations、Agentic SOC、Gemini for Security 相关产品资料。
Microsoft：Security Copilot、Microsoft Entra Agent ID、Defender 与 Purview 相关资料。
Palo Alto Networks：Prisma AIRS、AI Runtime Security、AI Security Posture Management 相关资料。
Cisco：Cisco AI Defense、AI 工作负载与企业 AI 安全相关资料。
阿里云百炼、火山引擎、腾讯云等：大模型安全护栏、模型应用防火墙和 AI 应用安全产品资料。
奇安信、深信服、启明星辰、天融信、360 等公司年报、公告及 AI 安全产品资料。
硬科技雷达
看懂科技热点背后的产业变化，理解硬科技的工作逻辑，判断代表性产品的真实价值。
本文仅作产业研究，不构成任何投资建议。
