破解AI无序生长困局：以智能网关筑牢政企智能化转型安全底座

默安科技

2026年10月19日 09:53
浙江

去阅读

以下文章来源于信息安全与通信保密杂志社
，作者Cismag

信息安全与通信保密杂志社
.

网络强国建设的思想库、安全产业发展的情报站、创新企业腾飞的动力源

近日，《信息安全与通信保密》杂志2026年第9期刊发《筑牢政企智能化转型安全底座——访杭州默安科技有限公司高级技术总监刘传兴》一文。

当前政企 AI 应用爆发，却普遍重业务轻治理，出现调用链路混乱、工具分散、管控失控等问题，根源是安全管控基建滞后。AI 失序会带来业务中断、算力成本超支、敏感数据泄露等风险，风险多源于内部，具备动态隐蔽特点，和传统网络安全风险有明显区别。

行业共识是通过 AI 智能网关实现统一入口、集中管控，它具备负载均衡、算力精细化管理、全链路审计拦截能力，同时充当合规守门员与留痕机，适配多部法规。金融能源、政务医疗教育及安全基础薄弱的中大型企业需求迫切，并可按搭建管控入口、完善防护、智能自动治理三步推进 AI 安全建设。

以下为全文，欢迎阅读。

高端访谈

LEADERS TALK

/ 刘传兴 /

杭州默安科技有限公司高级技术总监

刘传兴

浙江大学计算机科学专业硕士，高级工程师，现任默安科技高级技术总监。深耕网络安全领域十余年，主要研究方向包括软件开发安全、软件供应链安全、欺骗防御及大模型安全防护。作为核心成员参与多项国家级、省级重点建设项目，覆盖能源、金融、交通等多个关键基础设施行业，在大型项目管理与技术落地方面积累了丰富经验。当前重点聚焦大模型应用安全、AI智能网关安全治理，拥有多项发明专利，持续推动各类业务及AI应用安全管控能力的提升。

前言

当下，政企领域的人工智能应用落地正迎来爆发式增长。AI技术以其强大的数据处理与分析能力，全面渗透至金融、政务、能源、医疗、教育等领域的核心业务场景中，已成为政企推进数字化转型、实现降本增效的重要驱动力。然而，目前多数政企普遍存在“重业务、轻治理”的建设误区，一味追求AI快速落地、实现业务提效，却忽略与之匹配的安全问题。多类大模型、AI智能体无序交叉调用，不仅容易造成业务中断、算力成本超支，还极大增加了内部敏感数据泄露的风险。不同于传统网络安全风险，AI失序风险多源于内部操作，具备动态化、隐蔽化、系统化的特点，对政企安全运营造成极大挑战。

近日，本刊编辑采访了杭州默安科技有限公司高级技术总监刘传兴，围绕金融、能源等真实行业落地案例，针对AI业务失序的具体表现、产生根源与系统性风险，以及AI智能网关的管控能力、合规价值及落地建设路径等问题进行了深入交流，为政企完善AI安全治理体系、实现AI业务安全有序发展提供一定的实操参考。

Q1 >>>>>>

当前政企单位AI应用落地已进入爆发增长阶段，行业普遍对“AI业务失序”问题存在担忧，请问该类失序的具体表现有哪些？其产生的根源是什么？

刘传兴

当前，职场人员普遍能够感知到这一现象的真实存在。具体而言，政企内部大量员工的工作终端上同时运行着多个AI智能体，每个智能体对接不同厂商的大模型，其性能指标与收费标准均存在差异，且需接入公司内部及外部各类MCP工具与服务，彼此之间交叉调用，调用链路复杂混乱，此即我们所指出的AI业务失序状态。

AI业务失序归纳为3个核心特征：混乱、分散、失控。其中，“混乱”表现为调用链路缺乏有效管理，各主体连接了哪些大模型、调用了哪些接口，难以清晰梳理；“分散”表现为各类AI工具与模型能力分散于不同部门及员工手中，缺乏统一的管控入口；最为突出的问题是“失控”，具体体现为一旦模型出现故障，业务将直接中断，算力成本可能超支，内部数据的外泄也难以被察觉。

从根源来看，AI业务失序本质上源于人工智能技术落地推进速度较快，与之配套的安全管控基础设施建设尚未同步跟进。当前政企在AI应用落地过程中普遍将提效作为优先目标，优先保障业务场景的可用性，将底层治理机制、安全管控体系的建设后置，该模式类似于装修过程中仅关注建筑外立面与空间装修，却轻视水电管网这类基础工程，这就导致建筑整体高度越高，潜在安全隐患越大。AI业务失序本质上反映了当前行业普遍存在的“重业务应用、轻安全治理”的错位格局，即采取“先上线、后补漏”的建设路径，而我们所研发的 AI智能网关，其核心作用就是提前完成AI业务场景的安全管控体系建设，填补该领域的配套能力缺口。

Q2  >>>>>>

从安全治理的角度来讲，AI业务失序会引发哪些系统性风险？其与传统网络安全风险的核心差异体现在哪些方面？

刘传兴

针对AI业务失序带来的安全风险，可从3个维度进行系统分析。

一是业务中断风险。当前，员工侧AI智能体与大模型普遍采用直连模式，二者之间未设置缓冲防护层。无论是大模型平台接口变更、模型版本更新、并发量限制，抑或网络波动，均可能导致AI服务瘫痪。轻则可引发请求查询超时，重者会造成整条业务链路停摆，这对于政企关键业务而言是不可接受的。

二是易被忽视的财务风险。员工出于工作便利，倾向于选择效果最优的大模型服务，但算力成本由企业统一承担。在缺乏有效用量管控的情况下，部分人员可能使用企业付费算力处理私人事务，大量消耗Token资源，导致预算严重超支，造成不必要的资金浪费。

三是影响最为严重的安全合规风险。员工为图操作便捷，常将财务、人事、群众隐私等内部敏感数据直接上传至大模型。加之智能体本身具有随机性，易发生误调用工具、错误访问内部系统等行为，且问题发生后缺乏完整审计记录，导致数据泄露风险极高。

AI业务失序与传统网络安全风险存在3点本质区别：其一，传统网络安全往往聚焦于网络边界防护，而AI时代安全防护对数据流转与调用链路进行全维度管控；其二，传统网络安全主要防范目标为外部黑客攻击，而AI风险大多来源于内部员工与AI智能体在合规权限范围内开展的违规操作；其三，传统网络安全依赖静态拦截与封堵，而AI流量具有实时变化特征，必须实现全链路实时审计与动态阻断。因此，AI时代的安全防护整体思路需要完成系统性升级，并非简单更换一款工具即可解决。

Q3  >>>>>>

结合行业落地案例，当前AI失序已造成哪些实际损失？这对行业带来了哪些警示？

刘传兴

以我们深度服务的两家典型政企客户—大型能源集团与商业银行的实际案例进行说明。

对于大型能源集团而言，其业务覆盖发电、输电等全产业链环节，直接关系到国家能源安全。在数字化转型深入推进后，该集团AI接口调用量呈现显著增长，然而接口分布分散、权限配置混乱、审计机制缺失等问题层出不穷，导致算力成本持续失控。同时，该集团还需同步满足等保2.0等强制性监管要求，整体AI调用管理处于无序的状态。在部署AI智能网关之后，所有AI请求实现了统一流转，API密钥被集中收纳，个人密钥泄露问题也得到杜绝。该网关累计拦截并脱敏敏感数据五万余次，内部涉密数据外泄问题得以有效解决，原本需耗时数周的合规核查工作，现已压缩至数分钟内完成。

对于商业银行而言，该银行当时正在推进AI原生转型，办公区与测试区员工频繁使用大模型进行代码编写和报表整理等工作。尽管该银行采用三网隔离架构，但存在员工擅自接入各类外部AI工具、密钥分散存放等违规行为，导致数据泄露风险显著升高。在测试高峰期，模型缺乏负载均衡机制，经常出现卡顿或超时的现象。部署AI智能网关后，所有AI调用实现集中纳管，敏感数据一经识别即被拦截，API安全事件下降70%，涉密数据泄露问题得以很好解决，高峰期业务运行保持稳定，无卡顿现象，运营成本也下降近30%。

上述两个案例为全行业提供了重要警示：AI应用普及速度越快，积累的安全隐患便越多。安全风险并非一次性集中爆发，而是呈现渐进式积累特征，初期表现为少量数据泄露、算力开销逐步增加，待重大事故发生时再行补救，则为时已晚。需要强调的是，AI安全投入并非额外成本，而是为企业智能化业务提供的基础性保障。

Q4  >>>>>>

针对上述风险，在技术架构层面应如何加以应对？行业内是否存在普遍认可的应对方案？

刘传兴

核心解决思路可概括为“统一入口、集中管控”8个字，这也是目前全行业已形成的共识。

以前，政企AI调用呈现杂乱的网状结构，智能体、模型、工具之间相互直连，链路状态完全不可控。标准化的架构设计则是将其调整为星型结构，所有智能体、大模型、MCP工具及能力插件均通过同一台AI智能网关接入，该网关由此成为政企AI体系中唯一的安全闸口。正如早年全网流量收敛至防火墙统一管控，在AI时代同样需要设置统一的管控节点。

整套网关的核心技术能力包括3大板块，缺一不可：

一是负载均衡与故障自动转移。网关实时监控所有大模型接口的运行状态，在高并发场景下自动扩容以承载压力；当某一模型服务出现卡顿或崩溃时，系统自动将请求分流至其他正常运行的模型，从而保障7×24小时业务持续运行。

二是Token用量精细化管理与智能调度。可按照部门、员工或单个智能体分别统计算力消耗，一旦用量出现异常，即刻预警并实施限制；同时，系统能够智能匹配模型，对简单任务自动切换至性价比更高的轻量模型，兼顾使用效果与成本控制。

三是全链路安全审计与实时阻断。智能体与大模型之间的所有交互过程均被完整记录，包括上传的提示词、调用的工具、内部数据及模型返回的思维链与参数，全部留存为完整日志；一旦识别出违规数据或危险指令，系统直接实施中途拦截，从而守住数据安全底线。

需要说明的是，该架构并非特定厂商的专属解决方案，其已成为党政机关与企业建设AI基础设施的标配。越早构建统一管控的AI网关，越能为智能化转型提供稳定支撑。

Q5  >>>>>>

在合规层面，AI网关能够发挥何种作用？其如何适配《网络安全法》《数据安全法》及人工智能领域相关监管规定？

刘传兴

当前，合规问题是政企管理层面临的核心挑战，而AI网关能够有效承担企业AI合规中的“守门员”与“全程留痕机”双重角色。

就“守门员”功能而言，该网关对所有进出大模型的数据进行统一管控，具备敏感数据识别、脱敏处理及即时拦截能力。当员工试图将客户信息、涉密资料或公民隐私上传至外部大模型时，网关将自动拦截，从源头阻断数据外泄风险。该机制精准契合《数据安全法》中关于数据分级分类及对外数据流出审核的强制性要求，无需依赖人工监控，即可通过技术手段实现自动合规兜底。

就“全程留痕机”功能而言，该网关完整记录智能体与大模型之间全部交互行为，包括提示词、工具调用记录、交互参数及模型返回内容，所有数据均予以留存，实现全链路可追溯、可取证。一旦发生安全事件，监管核查时能够快速调取完整日志，满足各类法规对操作审计与事故溯源的强制要求，有效解决政企“出事说不清”的痛点。

在落地层面，该网关支持私有化本地部署，确保所有数据不出内网，充分适配政企数据不出域的合规要求。如相关能源客户案例所示，企业可将原本需数周完成的合规自查缩短至分钟级；在监管机构现场检查时，可直接导出完整的审计材料，从容应对。

综上所述，AI网关能够使企业合规工作从被动应付检查转变为主动前置防控，既满足监管要求以实现有据可查，又可从源头拦截内部隐患。

Q6  >>>>>>

哪些主体对AI安全治理的需求最为迫切？未来政企AI安全建设应如何进行规划？

刘传兴

根据我们大量落地项目的实践来看，3类主体的需求最为刚性。

一是金融、能源等强监管行业。银行及证券机构掌握海量客户隐私信息，能源行业则关系国家关键基础设施，相关监管条款繁多且处罚力度较大。此类行业一旦上线人工智能应用，安全治理便成为刚性需求，属于受监管驱动而必须落地的范畴。

二是政务、医疗、教育等数据密集型行业。政务系统掌握全体市民个人信息，医院存储大量患者隐私数据，人工智能应用越深入，数据泄露风险便越高，管控需求十分紧迫。

三是正在全面拥抱人工智能但安全基础薄弱的中大型企业。此类企业借助人工智能实现降本增效的意愿极强，但缺乏配套的安全管控团队，人工智能工具自由泛滥，犹如高速行驶而未系安全带，一旦发生数据或财务事故，将造成严重后果。

针对所有政企客户，我们提出一套“三步走”落地规划，简洁且易于执行：

第一步，搭建统一管控入口。将分散在各部门及员工手中的人工智能模型与工具全部收拢至AI智能网关。这是所有安全治理的基础，必须优先落地。

第二步，完善可视化与防护体系。搭建算力用量可视化看板、全链路审计日志及敏感数据拦截防线，确保人工智能运行状态全程可见、风险可控。

第三步，推进智能化自动治理。沉淀长期交互数据，使网关能够自动识别异常调用、智能调度算力、自动拦截风险行为，真正实现人工智能业务从无序混乱向规范有序的转变。

人工智能是数字化转型的确定性趋势，但安全管控水平决定了企业能够走多远。政企部门无须抵触人工智能创新，而应为其整套体系配备统一的“交通规则”与“安全带”，使智能化业务在高速发展的同时保持稳健与安全。