[分析] 当AI成为新的攻击面:金融科技安全正在经历一次重新定义

过去几年，金融科技人才市场里一个越来越明显的变化是：企业对"安全"的定义正在被重新改写。

过去一家银行、支付公司或 FinTech 企业招聘安全负责人，关键词通常集中在 Network Security、Application Security、Cloud Security、IAM、SOC、Data Security，以及监管与合规。但当生成式 AI、LLM 和 AI Agent 真正进入金融业务，安全团队面对的不再只是"如何阻止攻击者进入系统"，而是多了一个新的问题：当系统开始理解信息、做判断，甚至执行动作，如何确保 AI 本身是可信、可控和安全的？

这并不意味着传统 Cybersecurity 正在被 AI 取代。恰恰相反，AI 正在同时放大攻击能力和防御效率，并把企业的安全边界从 Network、Application、Identity、Data，进一步扩展到 Model、RAG、Agent 和 AI Decision。

01｜AI 没有改变攻击的本质，却改变了攻击的效率

金融行业长期面对钓鱼、账号盗取、恶意软件、社交工程和应用漏洞等风险。AI 的出现并没有让这些攻击方式消失，而是显著降低了攻击门槛。

一个典型案例发生在香港。2024 年，某公司员工在一次视频会议中，被通过 Deepfake 生成的"CFO"和其他同事诱导进行多笔资金转账，损失约2 亿港币。这个案例最值得金融机构关注的地方，不只是Deepfake 技术本身，而是攻击者并没有依赖传统意义上的"攻破系统"，而是直接攻击了企业内部的人际信任和授权流程。

对于银行、支付、券商、Crypto 和 FinTech 企业，这种变化尤其敏感。因为它们管理的不只是数据，还有资金、身份和交易权限。一旦 AI 能够规模化生成高度个性化的邮件、语音、视频和沟通内容，传统依赖"看起来像本人""声音像本人"的人工验证方式就会越来越脆弱。

02｜与此同时，AI 也在成为安全团队的新生产力

AI 对 Cybersecurity 的影响并非单向。攻击者在使用AI，企业安全团队同样正在使用 AI。

• 在 SOC 场景中，AI 可以帮助分析和聚合大量 Alert；

• 在 Threat Intelligence 中，可以加快威胁情报处理；

• 在 Application Security 中，可以辅助代码审查和漏洞发现；

• 在Incident Response 中，可以帮助安全团队更快定位异常、理解攻击路径。

IBM 2025 年《Cost of a Data Breach Report》显示，大量使用 AI 与自动化安全工具的组织，相比未使用相关工具的组织，平均可节省约 190 万美元的数据泄露成本。

因此，真正发生的不是"AI 会不会替代Security Engineer"，而是安全团队的生产方式正在发生变化。未来优秀的Security Engineer 或 Security Leader，需要理解哪些工作可以交给 AI、哪些判断必须 Human-in-the-loop，以及如何验证 AI 输出、控制 AI 权限并避免AI 工具本身成为新的泄露入口。

03｜更值得关注的是：AI 本身正在成为新的攻击面

传统安全体系保护的是 Network、Endpoint、Application、Cloud、Identity和 Data。现在企业开始需要保护 Model、Prompt、RAG、Embedding、Agent以及模型所连接的各种Tools。

OWASP 在面向生成式 AI 和 LLM 应用的风险体系中，已经把 Prompt Injection、Sensitive Information Disclosure、Supply Chain、Data & Model Poisoning、Excessive Agency、System Prompt Leakage、Vector & Embedding Weaknesses 等列为核心风险。

如果一家银行上线 AI Wealth Advisor，传统安全团队可能会检查数据库加密、API 权限和 MFA；AI Security 则还要继续问：用户能否通过 Prompt 诱导模型读取其他客户信息？RAG 知识库会不会被恶意内容污染？Agent 是否拥有过大的交易或操作权限？模型能否调用内部系统执行高风险动作？

AI Agent 越接近真实业务系统，这个问题越重要。一个只负责回答问题的 Chatbot 出错，可能只是回答错误；一个能够访问账户、调用 API、发送付款指令甚至执行交易的 Agent 出错，风险完全不同。

04｜金融企业真正容易忽略的，可能是 Shadow AI

从组织管理角度，另一个非常现实的问题是 Shadow AI：员工已经开始使用 AI，但企业可能还没有建立与之匹配的治理体系。

开发人员可能把内部代码放进 AI Coding Assistant，BD 可能上传客户材料生成 Proposal，Compliance 可能利用模型整理 KYC 文件，员工也可能把合同、财务数据甚至客户信息交给外部 AI 工具处理。

IBM 2025 年研究显示，63%的受访组织缺乏成熟的 AI Governance Policy；在发生 AI 相关安全事件的组织中，绝大多数缺乏适当的 AI Access Control。对金融科技企业而言，这背后可能涉及 PII、银行卡数据、KYC/AML 文件、交易记录、客户资产信息以及商业机密。

所以 AI Governance 已经很难再只是Innovation Team 的事情，它正在进入 CISO、CIO、CTO、Compliance 和 Risk的共同责任范围。

05｜从猎头视角看，安全人才画像正在发生什么变化？

这也是未来几年最值得关注的人才趋势之一。过去企业寻找 Information Security Leader，典型画像往往是：多年 Cybersecurity 经验，覆盖 Security Architecture、SOC、IAM、Cloud Security、Application Security、Data Security、Compliance 和团队管理。

未来，这些能力不会消失，但新的关键词正在进入人才画像：AI Security、LLM Security、Model Security、AI Governance、AI Red Team、Agent Security。

Application Security Engineer 需要开始理解 AI-generated Code 与 LLM Application 的攻击面；Cloud Security 需要理解模型服务、GPU Infrastructure 与 Model Endpoint 的权限；Data Security 需要处理训练数据、RAG、Embedding 和敏感数据泄露；Red Team 则开始面对 Prompt Injection、Jailbreak 和 Agent 权限边界。

真正稀缺的可能并不是"只懂 AI"的人，而是那些拥有扎实传统 Cybersecurity 基础，同时理解 AI Infrastructure、LLM Application 和金融业务风险的人。

06｜AI 时代，金融科技公司需要怎样的安全 Leader？

从人才市场的角度，CISO 的职责边界也会逐渐扩大。未来优秀的金融科技安全负责人，不一定需要自己训练模型，但需要能够理解企业的 AI Stack，以及 Data → Model → RAG → Agent → Application → User每一层可能产生什么风险。

更重要的是，他需要能够连接 CTO、CIO、AI Team、Data Team、Compliance、Risk 与业务部门。因为 AI Security 本质上已经不是单纯的技术安全问题，而是技术、数据、权限、合规和组织治理共同构成的问题。

结语｜新的安全人才竞争，才刚刚开始

过去二十年，网络安全一直在回答一个问题：如何阻止攻击者进入我们的系统？AI 时代，这个问题正在变成：如果系统本身能够理解、判断并采取行动，如何确保它做的是正确的事情？对于金融科技企业，这个问题尤其关键。因为金融行业管理的是 Money、Identity 和 Trust。AI 越深入业务核心，Security 的重要性不会下降，只会进一步提高。

从人才市场来看，一场新的竞争正在形成：谁能更早建立一支既理解金融业务、又拥有传统 Cybersecurity 基础，同时能够驾驭 AI Security 的团队，谁就更有可能在下一阶段的 FinTech 竞争中建立真正的信任壁垒。