Zscaler 在生成式 AI 加速进入企业业务流程的当口，发布了面向 AI 安全的新技术和产品方案 [2]，试图让安全体系以“机器速度”应对 AI 驱动的攻击，同时保护 AI 交互中的敏感数据 [1]。这则新闻真正的分量不在于 Zscaler 又多了一条产品线，而在于它标志着网络安全行业从“如何防止 AI 被滥用”转向“如何用 AI 对抗 AI”的范式切换。但“机器速度”这类承诺能否经得起实战检验，仍需要打一个大大的问号。
Zscaler在生成式AI加速进入企业业务流程的当口，发布了面向AI安全
Zscaler 在生成式 AI 加速进入企业业务流程的当口，发布了面向 AI 安全的新技术和产品方案 [2]，试图让安全体系以“机器速度”应对 AI 驱动的攻击，同时保护 AI 交互中的敏感数据 [1]。这则新闻真正的分量不在于 Zscaler 又多了一条产品线，而在于它标志着网络安全行业从“如何防止 AI 被滥用”转向“如何用 AI 对抗 AI”的范式切换。但“机器速度”这类承诺能否经得起实战检验，仍需要打一个大大的问号。
Zscaler 官方宣布推出新的企业 AI 安全创新，用以保障企业采用 AI 的进程 [2]。其 AI Security 产品介绍显示，该方案能够在 AI 交互过程中保护敏感数据，保护 AI 计划的安全性，并抵御越来越自动化、由 AI 驱动的网络攻击。Zscaler 特别强调，这些控制机制能够以“机器速度”运行，以匹配 AI 攻击的快节奏 [1]。从报道看，Zscaler 的思路是借助其在零信任安全架构中的既有位置，把安全边界延伸到 AI 应用和模型之上，这显然是针对企业正在大规模使用 ChatGPT 等生成式工具而产生的数据泄露担忧。
Zscaler 是美股市场上以零信任和 SASE（安全访问服务边缘）概念著称的云安全公司，但现有报道并未提供其沿革信息。从行业背景分析，企业生成式 AI 的采用正在快速推进，而 AI 模型的训练和推理往往需要海量数据，这打破了传统基于边界的防护逻辑。Zscaler 选择从 AI 安全和 AI 驱动威胁两个方向切入，前者对应的是企业用 AI 时“数据往外走”的失控风险，后者对应的是攻击者用 AI 自动发现漏洞、制造钓鱼邮件的威胁。这符合一家云安全厂商的天然路径：既然所有流量都要经过它的云，它就有机会在 AI 交互的路径上做安全检查，这是端点安全厂商难以复制的优势。
Zscaler 这一发布本质上是安全厂商对 AI 时代的“重新定位”。过去安全产品主要防御人类发起的攻击，而 AI 的攻击成本被极速拉低，且攻击行为变得不再有固定的特征。Zscaler 提出“机器速度”控制，等于承认人类的响应速度已经失效，必须让安全策略的执行和 AI 攻击同步。这背后是一个残酷的行业事实：攻击者利用 AI 生成的钓鱼邮件和恶意代码质量越来越高，而防御方如果还靠人工分析，必然落后。Zscaler 的机会在于它是云原生架构，所有流量都经过其平台，能够在不安装大量硬件的情况下识别 AI 交互。受益者主要是 Zscaler 这类具备流量可视性的云安全厂商，以及那些急于用 AI 却担心数据泄露的大型企业；受损的可能是传统的基于签名的防病毒厂商，它们的技术逻辑在 AI 攻击面前几乎失效。但需要冷静看到，Zscaler 的产品描述中“AI-powered cyberattacks”是一种宽泛的叙事，真正有多少企业遭遇过完全由 AI 发动的攻击，报道中没有任何量化数据。
报道明确提到 Zscaler 的 AI 安全能力包含三个层面：保护 AI 交互中的敏感数据、保障 AI 项目的安全、以机器速度防御自动化 AI 威胁 [1]。此外，Zscaler 指出 AI 驱动的网络安全威胁是指利用 AI 来自动化攻击过程的攻击方式，其威胁形态可能在数量、速度和新颖性上都超越传统攻击 [1]。关于具体防护效果、投入成本、客户案例，报道未提供任何数字或测试数据。Zscaler 新闻稿的标题强调了“新创新” [2]，但并未披露这些创新与已有产品线的具体差异、是否已投入商业可用，以及是否有第三方验证。因此，现有公开信息只能作定性判断，不足以支撑任何关于安全有效性的定量结论。
必须对 Zscaler 的乐观表述保持审慎批评。第一，数据局限：所有描述均来自 Zscaler 自己的新闻稿和产品页面，缺乏独立测试或客户验证，“机器速度”可能只是营销话术，而非可证明的性能指标。第二，样本偏差：所谓 AI 驱动的威胁，很可能仍处于概念阶段，攻击者的 AI 应用远未达到大规模扩散，安全厂商有动机夸大威胁等级以推动销售。第三，商业风险：Zscaler 声称保护 AI 交互中的敏感数据，但这意味着它要深度解析企业发给第三方 AI 模型的内容，这本身就是一种新的数据暴露——企业的机密不仅被 AI 厂商看到，现在还要被安全厂商看到，监管和合规风险极高，尤其是在欧盟《人工智能法案》和各国数据保护法的背景下。第四，竞争者压力：微软、思科、Palo Alto Networks 等都在切入 AI 安全市场，Zscaler 的先发优势并不牢固，且其平台若未与主流大模型深度集成，所谓“机器速度”可能沦为空中楼阁。最后，报道中没有提供任何关于抵御成功的实际案例，企业决策者不应基于这份宣传稿押注安全战略。
保守情景下，Zscaler 的 AI 安全仍会在小范围客户中试点，但“机器速度”的防护能力因技术复杂度和成本而难以普及，安全事件中 AI 的角色依然模糊，产品可能沦为合规摆设。中性情景是未来 12-18 个月，企业因实际的数据泄露事故意识到 AI 安全的重要性，Zscaler 凭借其零信任基础获得一定市场份额，但竞争格局趋于拥挤，产品差异化不足。乐观情景则是，Zscaler 将 AI 安全与其 SASE 平台深度融合，在云端形成对 AI 流量的标准化监控能力，成为企业采用生成式 AI 的默认安全层，并推动行业建立 AI 安全的基准测试。三种情景的共同前提是：AI 攻击的威胁级别必须得到透明、可复现的实证检验，否则再好的技术叙事也难逃“狼来了”的结局。
对企业的决策者，建议不要被“机器速度”这类卖点迷惑，而应在采购前要求厂商提供可以复现的测试环境，比如用真实钓鱼样本和模拟 AI 攻击来验证检测率与误报率。同时，企业需要明确自己的 AI 数据流边界，哪些数据允许进入第三方 AI 模型，哪些必须本地处理，这比单纯买一款安全产品更关键。在组织层面，建议设立专门的 AI 安全治理角色，把零信任原则扩展到 AI 应用的访问控制、数据脱敏和审计日志上。与 AgentSH 多智能体调度平台的思路类似，大型企业的安全运维正在走向多智能体协同：利用不同的 AI 智能体分别负责流量检测、威胁情报分析和响应编排，通过统一调度平台来平衡速度与准确性。Zscaler 的发布提醒我们，AI 安全不是一款产品，而是一个持续演进的体系，企业应当优先投资于可编排、可观测、可解释的安全能力，而非依赖单一厂商的营销承诺。
Zscaler 的 AI 安全创新方向正确，它抓住了企业 AI 采用进程中的核心痛点——数据失控与 AI 攻击。但在没有第三方证据、没有量化指标、没有真实案例的情况下，这篇新闻稿更像是一张愿景图。AI 安全不能在宣传中落地，只能在真实攻防中验证。市场需要 Zscaler 拿出硬数据，而不是“机器速度”这四个字。
本文为汤比特特约评论员文章，以下来源仅作为评论所依据的公开资料，供读者交叉验证。
本页内容基于公开报道整理，事实均标注来源供交叉验证；评论部分为分析性观点，仅供参考，不构成任何投资建议。