网络安全招聘风向变了！AI技能需求一年翻倍，安全工程师必须掌握哪些新能力？

安全牛

2026年11月2日 11:07
北京

去阅读

点击蓝字 关注我们

从处理告警到管理AI智能体，从手动分析到监督自动化流程，网络安全岗位正在经历一场不小的变化。

招聘市场发出明确信号

2026年8月，网络安全媒体Infosecurity Magazine报道了一组值得关注的数据：思科牵头的AI Workforce Consortium最新研究显示，七国集团（G7）网络安全招聘中要求AI技能的岗位占比，一年内增长了约一倍。

具体来看，2024年10月到2025年3月，只有14.2%的网络安全招聘要求AI技能；到了2025年10月至2026年3月，这个比例涨到了28.5%。也就是说，现在超过四分之一的安全岗位招聘已经提到了AI能力要求。

不过需要说明的是，这不代表安全岗位总数翻倍了，也不是说所有安全人员都要会开发AI模型。更准确的理解是：安全岗位还在，但工作内容和技能要求正在改变。

研究还发现了几个有意思的现象：网络安全岗位整体需求还在涨。 截至2026年3月的六个月里，G7国家网络安全招聘需求同比增长9.5%。安全工程师、网络安全分析师和SOC分析师仍然是热门岗位。所以\"AI取代安全人员\"这种说法站不住脚。

高级岗位和初级岗位的招聘增长差距明显。 2025年10月到2026年3月，高级职位招聘信息同比增长65%，而初级职位只增长5.9%。虽然统计口径不同，但能看出企业越来越看重经验和综合判断能力。

企业更关注难以自动化的能力。 招聘中对伦理判断能力的需求同比涨了533%，系统性思维涨了251%，沟通协作能力涨了125%。这些百分比的基数比较小，但反映出一个趋势：企业希望安全人员不只会用AI，还要能监督AI、评价AI输出，并对重要决策负责。

SOC分析师：从处理告警到监督智能体

安全运营中心（SOC）是观察AI如何改变岗位的典型场景。

以前，SOC分析师要处理大量告警，查日志、查威胁情报、做关联分析、分类事件、初步响应。很多操作重复性高、流程固定、需要在多个系统间切换。

比如收到一条异常登录告警，分析师得登录SIEM平台查账号和IP，检查关联日志，必要时还要看EDR和威胁情报平台。整个过程可能要在好几个平台之间反复跳转。

现在，AI智能体开始承担部分工作了。

从人工查询到智能体辅助

思科工程师Omar Santos提到，一级SOC分析师的工作变化很快，以前需要人工完成的告警分类、数据查询和情报关联，现在AI智能体能处理了。

分析师的重心可能从执行每一步操作，转向定义调查任务、监督流程和审核结果。

举个例子，假设收到一条疑似异常登录告警：

1. 安全平台接收告警，把必要信息提供给AI智能体

2. 智能体按预设流程查日志、匹配威胁情报、生成初步判断

3. 系统把调查证据、可疑行为和处置建议提交给分析师

4. 分析师检查证据是否完整、上下文是否一致、有没有遗漏异常，结合业务重要性确定下一步

5. 涉及重要系统隔离、账号停用等高风险操作时，按权限和审批流程执行

需要说明，这是基于研究报告整理的示例，不代表所有SOC产品目前都支持完整自动执行。

AI改变了分工，但没有取消人的责任

在这种模式下，AI适合做数据收集、初步分类和标准化调查，分析师则更关注信息真实性、处置合理性和业务影响。

比如，如果AI把真实攻击误判成误报怎么办？分析师得能发现问题。如果智能体建议隔离某台业务服务器，安全人员还得评估会不会影响核心业务，有没有其他风险控制办法。

所以，AI进入SOC不意味着传统安全知识没用了。相反，只有掌握网络协议、操作系统、日志分析、攻击行为这些基础，分析师才能有效检查AI的调查过程和结论。

启示： SOC岗位的升级不是用AI代替人，而是让分析师从重复操作中解放出来，专注于流程编排、异常处理和风险判断。

安全工程师：技能组合在变化

除了SOC，安全工程、云安全、检测响应等岗位也在受影响。

AI Workforce Consortium把这种变化概括为\"智能体技能栈\"（Agentic Skill Stack）。在G7国家过去12个月带有智能体AI标签的网络安全招聘中，突出的技术能力包括：

• Python自动化：55%（主要用于工具集成、任务编排和数据处理）
• 提示词与上下文工程：46%（如何给AI提供明确任务、合适上下文和可验证约束）
• AI及机器学习模型安全：42%（关注模型及应用环境的安全性）
• AI智能体编排：38%（管理多个智能体的任务分工、调用关系和执行边界）
• MLOps及LLMOps：34%（机器学习和大语言模型的部署、运维、监控）

这些比例不能直接相加，因为同一岗位可能要求多种能力。

同时理解AI的使用与风险

以云安全工程师为例，传统工作主要是云资源配置、权限管理、日志审计、安全策略和漏洞防护。

引入AI智能体后，工程师不只用AI辅助识别配置风险、分析异常行为，还得理解AI应用如何连接云端数据、调用工具、执行操作。

假设企业准备让AI智能体辅助分析云环境安全配置，工程师得回答几个关键问题：

• 智能体能访问哪些资源？有没有权限修改生产配置？
• 如何验证AI给出的风险结论？
• 如果模型判断错了，系统能不能及时阻断危险操作？

这解释了为什么AI安全、智能体编排、模型运行管理等技能正在出现在招聘要求中。

启示： 安全工程师的竞争力正从单一工具操作，转向安全专业知识、自动化工程能力和AI系统治理能力的组合。

人才培养：从理论走向真实任务

招聘市场的变化也让人才培养面临新挑战。

2026年5月的一项调查中，思科向安全负责人了解初级候选人最难具备的能力。结果发现：

• 49%认为缺乏AI智能体实操经验
• 48%认为缺乏深入的网络安全技术能力
• 45%认为在沟通、判断等人类专业能力方面不足

三项指标很接近，说明企业面临的不是单一AI技能缺口，而是综合实践能力不足。

更复杂的是，以前安全新人通常从告警分类、基础日志分析和简单事件调查积累经验，而这些工作正是AI优先自动化的领域。这可能导致矛盾：企业需要有判断能力的人，但帮助新人形成判断能力的基础工作正在减少。

思科Networking Academy：通过攻防挑战强化实践

思科的Capture the Flag（CTF）项目采用游戏化的安全挑战，把网络技术、漏洞分析融入具体任务。与按操作说明完成实验不同，CTF要求参与者自主分析问题、选择技术方法、验证结果。

这类训练的价值在于，不只考查知识掌握，还要求独立处理不确定问题。

IBM AI Builders Challenge：构建可运行的AI解决方案

IBM 2026年6月推出的AI Builders Challenge面向学生，鼓励构建实际可运行的AI解决方案，而不只是完成传统课程。

这种培养方向与企业需求一致：人才不只要理解技术概念，还要能应用到具体任务并检验结果。

谷歌Vantage：模拟任务评价人类能力

谷歌的Vantage项目采用AI模拟环境，通过参与者与AI虚拟角色的情景对话，评估批判性思维、创造力和协作能力。

在安全工作中，分析师可能需要向业务负责人说明事件风险，也可能需要与运维、开发协商处置方案。技术判断准确固然重要，但能否准确表达风险、协调不同角色，同样影响处理质量。

启示： 安全人才培养需要更重视实践、情景判断和综合能力验证。

企业如何应对？五个实践方向

实践一：从具体任务出发，不盲目追求全面自动化

别把\"部署AI平台\"等同于\"提高安全能力\"。

更稳妥的是先梳理现有流程，识别适合AI辅助的工作。

比如重复性高、输入输出明确、结果可验证的日志整理、情报汇总、初步告警分类，可以优先评估。涉及生产系统变更、关键资产隔离等高影响操作，需要明确人工审批和责任边界。

实践二：将AI输出验证纳入流程

模型输出不等于经过验证的安全事实。模型可能因上下文不足、数据质量问题或推理偏差产生错误结论。

对AI生成的告警研判结果，应保留原始日志、关联情报和分析过程，必要时由分析师独立复核。对AI提出的处置建议，重点检查是否与现有策略冲突、会不会误伤业务、是否超出授权范围。

重点是建立\"可验证、可干预、可追溯\"的人机协同机制。

实践三：重新定义能力评价标准

传统招聘往往看重工具使用经验、平台认证和工作年限。这些仍有价值，但不足以全面评价适应AI环境的能力。

可以设计具有实际任务背景的考查。比如对SOC分析师，设计一次AI辅助调查任务，要求检查模型结论、指出证据不足或判断错误。对云安全工程师，考查如何限制AI智能体对云资源的访问权限。

同时警惕不切实际的初级岗位要求。如果初级岗位都要求成熟的AI实践经验，而组织又不提供实习和基础训练，人才供给不足会进一步加剧。

实践四：以真实工作流程重构培训

培训不能只停留在工具使用说明或模型概念介绍。

可以围绕现有业务设计实践课程。比如构建隔离的实验环境，提供处理过的告警日志和模拟攻击数据，由AI生成初步调查报告。受训人员检查报告证据链、判断结论可靠性、识别误报漏报、说明最终处置意见。

评价不只看是否得出正确答案，还要看结论是否有证据支持、是否识别了不确定性、是否采取了合理风险控制。

对初级员工，保留一定比例的人工日志分析和事件调查训练，避免过度依赖自动化导致基础能力弱化。

实践五：建立兼顾效率、风险与人才发展的评价体系

评估AI安全项目时，别只看自动化处理数量、模型调用次数或任务执行速度。这些指标不能完整反映安全效果。

比如自动处理更多告警不一定意味着风险下降。如果自动化系统错误关闭了真实攻击告警，后续成本可能远高于节省的人力。

应将技术运行指标与实际安全结果结合，关注事件处置质量、错误处置率、人工复核成本、事件恢复时间等。同时评估员工是否具备监督AI、发现模型错误和处理复杂事件的能力。

值得警惕的另一面

AI技术带来的不只是效率提升。

在传统团队中，初级分析师往往从重复性工作开始积累经验。通过长时间的日志检查、告警分析、事件跟踪，逐渐形成识别异常、理解攻击、判断业务风险的能力。

当这些工作大量转移给AI后，初级员工可能获得更高效率，却同时减少了独立完成基础调查任务的机会。长期看，这可能形成新的能力断层。

要缓解这一矛盾，企业需要重新设计成长路径。比如将AI输出审核、自动化异常调查、检测规则优化纳入初级培训，通过导师复核和定期人工演练确保掌握核心基础。

招聘部门也需要从强调已有经验，转向评价实际能力、学习潜力和可验证项目成果。

特别值得注意的是，AI能力提升不意味着可以降低对基础安全知识的要求。恰恰相反，当分析工作越来越依赖自动化时，人员是否具备识别自动化错误的专业能力，将直接影响运营质量。

对国内行业的启示

虽然研究数据主要来自G7国家，但反映的岗位能力变化和人才培养问题仍有参考价值。

对国内安全企业，首先要关注的不是在招聘岗位名称中加\"AI\"字样，而是明确AI能力如何进入实际业务。需要根据自身业务特点，明确哪些工作适合AI辅助，哪些环节必须保留人工判断，并建立可解释、可审计的安全控制机制。

对安全服务团队，单纯依赖重复性分析和人工整理的服务能力可能面临重新配置压力。能提供高质量事件判断、复杂调查、风险解释和跨系统协同的专业能力将更重要。

对安全人才，能力建设需要更系统化。既要持续强化安全基本原理和实践能力，也要了解AI工具与智能体的使用方法、能力边界和相关风险。同时，沟通协作、系统思维、持续学习和职业判断应成为专业能力体系的重要部分。

对高校、职业教育机构和企业培训部门，需要积极探索AI辅助调查、智能体输出审计、模拟安全事件和跨角色协作等新教学方式。

结语

从14.2%到28.5%，网络安全招聘中AI技能要求占比的快速增长，反映出行业对专业人才的期待正在改变。

但研究更重要的发现不是企业希望招更多懂AI的人，而是AI正在改变网络安全工作的组织方式。

调查时，安全人员的价值将更集中于判断、监督、协作和责任承担。同时，初级岗位增长缓慢、资深岗位需求快速上升、AI实践经验不足等现象提醒企业，不能只关注自动化的短期效率收益。

对企业而言，真正值得建设的不是能独立完成所有操作的AI系统，而是让AI能力与人工专业判断有效结合的安全运营机制。

对从业者而言，未来的核心竞争力不只是熟练操作某种AI工具，而是能理解技术、识别风险、验证结果，并在复杂环境下作出负责任的专业判断。

AI正在改变安全工作的执行方式，但安全工作的最终目标没变：识别风险、保护资产、保障业务，并对安全决策负责。

在这个过程中，技术自动化与人才专业化应当同步推进，而不是彼此替代。

相关阅读

移动安全的下半场：终端越聪明，防护越一体化

PHP重大漏洞引发全球关注：AI时代，网络安全防线如何升级？

【重磅发布】《AI与系统原生双轮驱动下的移动全栈安全洞察》

联系我们

合作电话：18610811242

合作微信：aqniu001

联系邮箱：[email protected]