今年，AI安全已成为行业讨论的焦点，但要规划一条更安全的前进道路并非易事。更强大的模型不断快速发布，智能体流量激增，影子AI兴起，前沿模型还可能落入攻击者手中，这些因素都给日常运营和长期路线图带来沉重压力。
在部署多个AI模型时，领导者还必须从战略层面考虑资源分配。正如不会开着Porsche 911 Turbo去处理日常琐事一样，也不应使用成本最高、计算密集型的模型来执行简单任务。充分提升AI效率至关重要，但要从日常海量事务中抽身，以更宏观的视角审视全局，仍是一项挑战。
当然，这并未减缓AI的采用。我们的第12次年度调查面向全球IT决策者开展，结果显示AI应用已深度融入生产系统和运营工作流。在年收入至少10亿美元的企业中，平均已有55%的应用支持AI，短短几年内便超过半数。与此同时，78%的组织至少在一定程度上自行管理推理。
“超过三分之一的受访者（35%）承认，其基础设施尚无法提供AI工作负载所需的治理、可观测性和安全性。其他组织则可能在缺乏适当指引的情况下，带着虚假的掌控感贸然前行。”
“无论准备好与否”都不安全
遗憾的是，数据还表明，许多组织的行动已经超出了自身的准备程度。毫无疑问，AI的采用速度已超过可见性建设速度。超过三分之一（35%）的调查受访者承认，其基础设施尚无法为AI工作负载提供所需的治理、可观测性和安全保障。其他组织则可能在缺乏适当指引的情况下，带着虚假的掌控感驶入迷雾。
好在，贵组织现在可以采取几项关键行动，更安全地迈向AI成功。
第1步：掌控多模型AI
第一步是掌控多模型部署。平均而言，每个组织会在生产环境或主动评估中使用7种不同的模型或模型系列；大型企业通常使用更多，其中包括许多F5客户。虽然52%的组织正在串联或编排模型，但近一半的组织在运行多个模型时缺乏协调，安全措施也不一致。
在AI模型进一步激增之前，请盘点现有模型和推理服务。将其视为必须保障安全并进行优化的新基础设施层：
- 识别冗余：发现功能重叠，并尽早解决兼容性问题。
- 分析成本驱动因素：准确了解计算预算的具体去向。
- 评估安全风险：精准识别特定模型或工作负载的漏洞。
- 让模型与任务相匹配：确保AI模型执行有助于业务蓬勃发展的任务，同时由更常规的服务满足日常需求，其成本与所提供的价值相匹配。
模型注册表等工具有助于厘清依赖关系，并支持编排框架实现模型的无缝切换或故障转移。全面的清单有助于提高路由效率和韧性，提供一致的安全保障，并更轻松地扩展规模，同时避免成本、复杂性或安全方面的隐患。
第2步：应对AI流量激增
资产清单还将帮助您应对下一个重大挑战：AI智能体数量激增。自动化流量和AI驱动的流量已占互联网流量的一半以上。随着三分之二的组织使用AI进一步推进自动化，网络上的智能体数量正呈指数级增长。事实上，已有77%的组织预计，智能体身份和访问控制将带来运营和安全挑战。
这种担忧并非多余。机器身份的访问管理可能很快让安全管理员不堪重负，并带来凭据盗窃、权限滥用和身份冒用等重大风险。
为非人类身份制定严格的治理策略，防止灾难性后果。有效的方法包括通过身份感知型负载均衡器路由流量，以及设置防护机制，将自主AI操作限制在可逆的性能优化范围内。保护非确定性操作可能颇具挑战，但平台安全解决方案（例如我们近期发布的F5 AI Security Platform）可消除其中的不确定性。
建立治理机制时，务必纳入智能体服务使用量的经济模型。营收模式仍在不断变化，按任务或按交互收费可能很快取代传统的按用户收费模式。正如安全带和防滚架能为越野探险提供更多安全保障，现在着手解决这些治理问题，可帮助贵组织从容应对难以预测的智能体流量，同时避免干扰未来的工作流。
面对智能体AI的爆发式增长，组织可考虑采取上述措施，提升多模型AI的可见性和网络安全能力。要了解更多信息，请阅读我们近期发布的报告《2026年AI推理格局现状：对应用基础设施的影响》。
关于作者
Lee Ennis负责领导F5的AI数据科学与研究团队，专注于开发先进的AI安全解决方案，帮助企业安全地部署和监控大语言模型（LLM）及生成式AI系统。他的团队融合机器学习、对抗性测试和模型保障方面的专业知识，以识别漏洞并增强AI驱动环境的可信度。
Lee Ennis 的更多博客文章相关博客文章
F5 2026年报告：AI推理时代已经到来，让本已复杂的IT环境更添挑战
F5最新发布的研究显示，大多数企业正将AI推理转移至内部运行，目前每家公司平均使用7个AI模型。
IL5/6救不了您：提示词注入威胁只读LLM
随着大语言模型（LLM）集成到美国国防部IL5/IL6环境中，了解F5解决方案如何保护数据、防范注入攻击并增强零信任模型。