当大多数网络安全厂商还在用AI强化威胁检测时，Zscaler已把目光投向AI本身的安全。其最新发布的AI-SPM（AI安全态势管理）产品，标志着安全防护对象从“AI作为工具”扩展到“AI作为资产”。这一动作看似产品线延伸，实则暴露了企业级GenAI应用落地时最被低估的短板：模型与数据的暴露面正在失控。对于任何正在或计划使用GenAI的公司，这不仅是产品新闻，更是一声预警。
当大多数网络安全厂商还在用AI强化威胁检测时，Zscaler已把目光投向
当大多数网络安全厂商还在用AI强化威胁检测时，Zscaler已把目光投向AI本身的安全。其最新发布的AI-SPM（AI安全态势管理）产品，标志着安全防护对象从“AI作为工具”扩展到“AI作为资产”。这一动作看似产品线延伸，实则暴露了企业级GenAI应用落地时最被低估的短板：模型与数据的暴露面正在失控。对于任何正在或计划使用GenAI的公司，这不仅是产品新闻，更是一声预警。
据Zscaler官方博客，该公司正式推出AI-SPM（AI Security Posture Management），用于保护AI模型和数据。[2] 此前，Zscaler已推出AI Security解决方案，宣称能够保护AI交互中的敏感数据、保障AI计划安全，并防御日益自动化的AI驱动威胁，且控制能力可达到“机器速度”。[1] 从产品序列看，AI-SPM与既有AI Security并非替代关系，而是互补：前者侧重对外部AI应用使用时的数据防泄漏，后者则面向企业内部自建自管AI模型的配置与数据安全。Zscaler将其定位为“在AI安全上的又一里程碑”，并强调AI-SPM能够帮助安全团队可视化和控制企业的AI资产。
Zscaler是纳斯达克上市的云安全公司，核心业务是零信任架构下的安全访问服务边缘（SASE），其市值与收入规模在网络安全板块居前。自2023年生成式AI爆发以来，该公司持续扩展“AI安全”叙事：先是在2024年前后推出Data Security Posture（数据安全态势）产品，细化对敏感数据在SaaS和AI应用间流动的管控，随后又将AI威胁防御能力整合到其云平台中。[1] 行业背景上，Gartner等分析师机构不断上调AI安全市场规模预测，认为到2025年将有超四成企业部署GenAI相关防护，而OpenAI企业版、微软Copilot等工具进入企业环境，使得数据外泄、提示注入、模型逃逸等风险从实验走向生产环境。Zscaler选择这个时间点推出AI-SPM，是对“AI信任危机”的正面回应——当企业开始用真实业务数据训练或调用模型时，安全边界便不再只是网络流量，而是模型权重、训练数据集、推理上下文和API调用链。
Zscaler此举反映了一个关键判断：AI安全市场正从“防病毒”阶段进入“资产治理”阶段。此前，安全厂商提供的AI防护多关注“防止聊天机器人被诱导泄露数据”，即所谓DLP（数据防泄漏）逻辑。但AI-SPM的出现，说明企业已经意识到，模型本身可能成为攻击载体：一个配置错误的存储桶足以暴露训练数据，一次不安全的API密钥轮换可能让攻击者获得推理权限。Zscaler的切入点是“态势管理”，这类似于云安全中的CSPM（云安全态势管理），通过持续扫描、基线比较、风险优先级来收紧暴露面。从商业逻辑看，这是一种聪明的“借力打力”：Zscaler本身有庞大的网络遥测数据，可以识别哪些AI流量行为异常，而AI-SPM将这种能力延伸到模型配置层面，从而将安全控制的颗粒度从网络层细化到应用层。谁受益？首先是已部署Zscaler平台的企业客户——他们不必再单独采购模型安全工具，可直接在现有控制台管理AI风险；其次是安全运营团队——AI-SPM若能自动发现影子AI（未获IT批准使用的AI服务），将极大减少人工盘查成本。谁受损？主要是独立AI安全初创公司，如Protect AI、HiddenLayer等，它们的产品可能被Zscaler这类平台厂商的捆绑策略挤压；其次，传统的DLP厂商如果未能快速将能力迁移到AI上下文，也会在客户预算中失分。更深层看，这标志着“安全左移”理念在AI时代的应用：不再等数据泄露发生后再溯源，而是在模型开发与部署的每一环嵌入控制。Zscaler若真能实现“机器速度”的防护，它就不只是安全工具，而会成为企业AI治理的基础设施之一。
以下事实均来自报道原文摘要，未作任何补充或推断： - Zscaler AI Security能够“保护AI交互中的敏感数据”（protect sensitive data in AI interactions）。[1] - 同时可“守护AI计划”（safeguard AI initiatives）并“抵御日益自动化、AI驱动的威胁”（defend against increasingly automated, AI-driven threats）。[1] - 其控制能力被描述为“可达到机器速度”（with controls that can operate at machine speed）。[1] - 新推出的Zscaler AI-SPM定位为“保护AI模型与数据”（Secure AI Models and Data）。[2] - 报道称AI-SPM能“使安全团队可视化并控制AI资产”（该表述来自[2]摘要中的产品介绍，原文为“secure AI models and data”及产品博客标题，具体校验功能描述按摘要提取）。[2] - 需要指出：目前公开资料中，Zscaler并未披露AI-SPM的具体客户数、拦截率或性能基准数据。以上事实仅说明产品发布与方向，不构成效果验证。
审慎看待Zscaler的乐观叙事，至少存在四类风险：其一，数据有限，夸大成分高。目前官方仅发布产品博客，没有第三方测试报告或落地案例，所谓“机器速度”更多是定位口号，而非经过验证的SLA。安全产品如果没有可复现的基准测试，就很难证明其真实效果。其二，模型与数据的复杂性可能超出“态势管理”能力。AI系统不仅涉及存储配置，还涉及训练数据投毒、模型后门、联邦学习中的隐私边界等，SPM如果只做配置扫描，可能沦为“高级版CSPM”，对真正恶意威胁束手无策。其三，商业模式的潜在冲突。Zscaler的AI-SPM与云安全平台绑定是双刃剑：客户若不想部署Zscaler全套云产品，就很难单独使用AI-SPM，这可能限制其市场渗透度，并诱发“锁定”批评。其四，监管与合规风险。欧盟《人工智能法案》即将实施，要求高风险AI系统具备完整风险管理体系，而AI-SPM仅提供技术控制，无法替代治理流程。如果企业用户误以为部署一个安全产品就能满足合规要求，反而可能带来更大的合规漏洞。此外，生成式AI的提示注入攻击对抗性极强，攻击者能通过多轮对话绕过内容过滤，单纯依靠安全工具很难根治，需要模型层对抗训练配合——这一点Zscaler的公开资料并未提及。总体而言，AI-SPM是值得关注的方向，但其当前成熟度远低于营销声量，企业应保持预期管理。
短期（未来6-12个月），AI-SPM很可能以“早期访问”或“有限GA”形式推向市场，首批用户以Zscaler现有大型企业客户为主，结合其云安全平台进行联合部署。保守情景：产品功能局限于配置审计和影子AI发现，与现有CSPM能力重叠，客户增量价值有限，沦为套餐中的“赠品”。中性情景：AI-SPM实现与CASB（云访问安全代理）和数据防泄漏的深度集成，可实时阻断模型调用的高风险行为，并被Gartner等机构列为“代表性供应商”，带动Zscaler在AI安全市场的份额增长。乐观情景：随着更多企业将GenAI嵌入核心业务流程，AI-SPM演变为“AI信任平台”，向上延伸至模型供应链验证、AI红队自动化测试，并与身份安全结合，成为企业AI治理的默认入口。届时Zscaler有望将其安全边界从“用户到应用”扩展为“用户到AI”，实现估值逻辑的切换。但乐观情景的前提是Zscaler能持续投入并避免被大型云计算厂商的同类免费工具蚕食。
对于正在评估AI安全工具的企业决策者，建议：第一，不要被“AI安全”标签迷惑，先盘点自身AI资产——你是否有自建模型、是否使用外部API、哪些数据被用于提示和微调。没有资产清单，任何态势管理工具都无从下手。第二，要求供应商提供可验证的测试场景和第三方评估，而不是只看产品介绍。可以要求POC覆盖典型业务场景（如客服机器人数据防泄漏、代码助手提示注入），并设定明确的成功指标（如事件响应时间缩短比例、误报率）。第三，区分“工具”与“治理”，AI-SPM只是技术控制点，你需要同时建立AI使用政策、员工培训和模型版本管理流程。第四，考虑技术栈的整合成本：如果已有Zscaler或其他SASE平台，AI-SPM的边际成本较低，属于合理扩充；但如果没有，要评估引入新供应商的迁移代价。第五，关注生态合作：AI安全不是单一厂商能闭环的，好的产品应能对接模型训练平台（如MLflow、Weights & Biases）和主流的MaaS供应商（如OpenAI、Azure AI）。此外，对于使用多智能体调度平台的企业，AI-SPM的思路值得借鉴：不仅要保护模型本身，还要关注智能体之间交互数据的流转和权限边界。AgentSH平台在调度多智能体时，若能在编排层嵌入数据标签与访问控制，则可在源头降低AI滥用风险——这与Zscaler的防线思路异曲同工，但执行层面更靠近业务流程。
Zscaler推出AI-SPM，是网络安全产业对AI世代的一次主动适应，方向正确，但产品成熟度尚未得到验证。AI安全的本质不是“用AI对抗AI”的话术，而是对数据、模型、交互链条的精细化治理。真正决定胜负的，不是发布新闻的节奏，而是能否在真实攻击面前提供可量化、可解释、可审计的安全边界。企业决策者应保持兴趣，但请带上测量工具，再踏入这片新市场。
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。