1. 从一张“过气网红图”里挖出2025年的防守密码每个做过安全规划的人手机里应该都存过一两张Gartner的成熟度曲线截图。说实话前几年我挺烦这玩意儿的——图上密密麻麻全是技术名词Y轴是期望值X轴是时间每个技术还要分五个阶段乍一看像是咨询公司用来唬人的玄学。但干安全干得久了尤其是这几年AI安全概念满天飞、厂商PPT一个比一个夸张的时候反而觉得这张图是难得的“清醒剂”。2025年的中国网络安全成熟度曲线绕不开一个大前提AI已经不再是“可选项”而是正在重构安全防御的底层逻辑。无论是攻防演练里越来越聪明、越来越自动化的攻击工具还是安全运营平台里从“辅助告警降噪”进化到“自主编排响应”的智能体AI对安全的影响已经从“某个产品加了AI功能”变成了“整个防御体系的设计范式”。这篇文章我想结合Gartner 2025年中国网络安全成熟度曲线的整体框架重点聊聊AI安全相关的技术在那个坐标系里到底处于什么位置、成熟度如何、该怎么选型、什么时候入场。同时结合国内市场的特殊节奏和我在实际项目里踩过的坑给正在做安全规划的朋友一些实操层面的参考。这篇文章适合谁一类是甲方安全负责人、安全架构师年初或者年中正在做技术路线图、预算规划的另一类是安全厂商的产品经理、解决方案架构师想看清楚市场节奏、判断研发投入方向的还有一类是刚入行不久、被各种AI安全概念绕晕的从业者——希望这篇内容能帮你建立一张“技术地图”至少在和领导、同行聊AI安全的时候知道哪些东西是吹的哪些是真正能落地的。2. 看懂成熟度曲线先搞明白这张图到底表达什么2.1 Hype Curve的本质不是“技术排名”而是“预期管理”很多人第一次看成熟度曲线容易理解成“哪个技术牛X哪个技术辣鸡”。这个理解方向从一开始就跑偏了。Hype Cycle本质上是一个预期管理的工具Gartner每年在全球和各个区域市场做大量的调研然后把这些技术按照“期望度”和“实际落地度”的偏差画成一条曲线拆成五个阶段。创新触发器Innovation Trigger技术原型出现概念验证开始市场关注度极低只有极客和技术狂热者在玩。期望膨胀顶峰Peak of Inflated Expectations媒体、资本、厂商开始疯狂炒作所有人都在聊但真正落地的很少PPT效果远大于实际效果。幻灭低谷Trough of Disillusionment第一批项目失败了或者发现技术没有吹得那么神资本退潮进入淘汰期真正认真做技术的人开始留下来把事情做踏实。启蒙斜坡Slope of Enlightenment最佳实践开始出现工具方法论逐步成型越来越多企业找到合适的场景技术上开始有标准。生产力平台Plateau of Productivity技术进入主流成为“默认选项”市场格局稳定大家不再讨论“该不该用”而是“怎么优化”。所以看一张曲线图表面上看到的是“技术处于什么位置”实际上看到的是“市场预期和实际能力之间有多大的gap”。2.2 为什么Gartner要单独发布“中国网络安全成熟度曲线”我记得第一次看到专门针对中国的网络安全成熟度曲线时第一反应是有必要单独出一张图吗技术是全球通用的为什么非要按区域分后来在项目里摸爬滚打多了发现这个区别还真不是画一条线的问题确实有必要。中国的网络安全市场有几个很明显的“中国特色”直接决定了同样一项技术在本土的成熟度和落地路径和全球市场不一样。第一是合规驱动特征明显。全球市场的安全采购很多时候是“业务风险驱动”的也就是我确实遇到了安全事件或者客户审计有要求才去买东西。中国市场除了这个逻辑之外还有一条强大的合规驱动线等级保护、数据安全法、个人信息保护法、关键信息基础设施保护条例……这些法规一旦落地就是刚需预算不管业务部门愿不愿意该上的系统必须上。这直接导致某些合规强相关的技术在中国市场会快速进入生产力平台期而另一些纯业务驱动的创新技术反而普及得慢。第二是市场生态差异。中国的安全市场从产品形态到渠道体系都和欧美差异巨大。欧美市场SaaS化程度高、托管安全服务MSSP渗透率成熟中国市场核心政企客户更习惯私有化部署、本地化交付服务形态上驻场加外包是常态。这种生态差异会导致同一项技术比如安全访问服务边缘SASE在全球市场可能已经是启蒙斜坡阶段在中国市场却因为网络环境和交付模式的限制落地挑战更大停留在幻灭低谷的时间会更长。第三是企业IT成熟度的“断层”问题。中国有少数头部互联网公司、金融公司的安全能力已经是全球顶级水平但大量的中小企业、传统企业连最基础的漏洞管理、资产梳理都还没做好。Gartner的曲线画的是整个市场的平均水平这就会出现一个很拧巴的现象同一个技术头部客户已经在玩最前沿的玩法但市场平均水平还在早期阶段。对做规划的人来说如果只看曲线不看自己的定位也很容易踩坑。2.3 2025年中国网络安全成熟度曲线重点关注那些“爬出低谷”的技术我先梳理一下2025年中国网络安全成熟度曲线的大致画面。按照Gartner中国区的惯例这张图通常包含几十项关键技术从已经进入生产力平台的“传统技术”比如下一代防火墙、防病毒、邮件安全到处于期望膨胀顶峰的“新宠儿”比如AI TRiSM、AI红队、CNAPP等。我记得2024年那版曲线里大家最关注的是三大方向第一是“AI信任、风险和安全管理AI TRiSMAI Trust, Risk and Security Management”相关的技术进入顶峰期第二是“身份优先安全”成为长期趋势身份和访问管理相关的技术全面上升第三是“安全平台整合”成为主旋律Gartner连续两年都在强调平台化重构中国市场的头部安全厂商也开始在打“安全运营平台”这张牌。到了2025年有几个新的变化值得特别注意。身份威胁检测与响应ITDRIdentity Threat Detection and Response的位置明显前移这背后是全球范围内身份攻击、会话劫持、凭据滥用事件的持续走高企业开始意识到光做身份认证不够还要对身份的“运行时行为”做持续检测。AI红队AI Red Teaming从创新触发器快速爬向期望膨胀顶峰。这和2025年全球AI应用爆发密切相关尤其是大模型在政企客户生产环境里越用越多安全团队必须面对一个尴尬的问题大模型终究会被攻击、被诱导、被绕过但在上线之前谁敢说自己对这个模型的攻击面心里有数AI红队以及配套的对抗性AI测试就变成了一种“看起来很刚需”的技术迅速被市场热炒。生成式AI在安全运营中的应用GenAI for Security Operations开始从顶峰滑向幻灭低谷。2023年底到2024年初几乎所有安全大厂都在宣传“大模型赋能安全分析”“AI智能体辅助研判”但到了2025年第一批落地的POC项目逐渐暴露出问题大模型在安全上下文理解上的幻觉率、事件响应里的权限边界、以及数据隐私合规的制约。Gartner把这个技术从顶峰滑落实际上是在给市场降温。但反过来看这恰恰是值得投入的“捡漏”阶段。我做的另外一个判断是数据安全治理和数据合规这块在中国市场仍然保持“长期爬坡进入生产力平台”的特征。数据安全已经是中国网络安全市场的绝对刚需但市场上“出产品容易、出效果难、人员能力跟不上”的问题依然存在。这类技术在中国曲线上的位置往往领先于全球曲线就是因为合规的强力驱动。3. AI安全重构防御逻辑的三个核心方向说完了曲线的整体画面我重点拆解2025年最值得关注的一个主题AI安全如何重构防御逻辑。这个主题不是简单的“安全产品AI”的加法而是从底层逻辑上气象更新式的替换。3.1 从“特征匹配”到“行为预测”AI让安全产品重新定义“看得见”传统的安全防御逻辑核心是“特征匹配”我有一堆已知的攻击签名、恶意文件哈希、已知的漏洞POC然后拿这些规则去和网络流量或日志做匹配。这套逻辑最大的问题是不认识“没见过的东西”。未知漏洞0-day、变种攻击、无文件攻击、供应链投毒这些攻击在特征库里根本查不到防御方只能眼睁睁看着恶意行为在系统里横冲直撞。AI引入之后核心变化是防御逻辑从“认特征”转向“认行为”。以UEBA用户与实体行为分析为例传统安全产品看的是“谁登录了、登录了几次、有没有失败登录”AI介入后系统会学习每个用户的“行为基线”这个员工平时几点钟登录、从哪个IP登录、平时访问哪些系统、操作习惯是什么。一旦发生偏离基线的行为比如凌晨三点从境外IP登录并导出大量数据系统就会判定为高风险行为。这就是“行为预测”逻辑不需要知道攻击者用了什么特征只需要发现“这个行为本身不对劲”。这个逻辑在AI安全产品里已经被广泛应用但真正难的不在算法而在“怎么定义正常”。很多项目落地得不好的原因不是模型不够聪明而是基线样本太少、误报太多安全运营团队被报警轰炸了两周就把产品退了。所以选型的时候我更建议关注产品的“学习周期设计”和“误报抑制策略”是怎么做。好的产品在冷启动阶段会倾向于保守宁可漏报也不敢乱报等积累了两到三周的行为数据后再逐步提升灵敏度。上来就报一堆告警的看起来“检测能力很强”实际上没过多久就会被运营团队拉黑。3.2 从“告警风暴”到“智能编排”AI在安全运营中的价值回归安全运营中心SOC是AI落地最集中、也最容易踩坑的一个场景。我们先看现状一个中型企业的SOC每天产生的原始安全告警在几万到几十万级别。传统的人工研判模式一个安全分析员一天能深度处理的告警大概在几十条到上百条之间。差距之大注定了“告警降噪”是AI在安全运营里最核心、也最简单见效快的切入点。2024年到2025年AI在SOC里的应用大致经历了三个阶段。第一阶段的宣传重点是AI能自动研判减少人工替代安全分析员。这是典型的“期望膨胀顶峰”式叙事。实际上大家落地后发现AI做不了那么全也太敢让它“自主决策”。到了第二阶段厂商和客户都冷静下来重新定位AI的辅助角色AI做聚类、做上下文关联、做事件摘要把同一攻击链上的多个告警合并成一个事件再自动拉取资产信息、补全上下文让分析员能在更短时间里做判断。这才是当前阶段最能产生实际价值的落地方式。第三阶段也就是Gartner比较看好的智能编排方向SOAR安全编排自动化与响应和AI结合。这里面有个经典场景当系统检测到一台服务器持续向外发起扫描行为时AI可以判断“这台机器大概率是中毒了”然后根据预设策略自动触发响应——先在防火墙侧封锁这台服务器的外联再给SecOps团队推送一个完整的处置建议包括机器的资产归属、影响范围评估、可能的感染时间线最后生成一个通告模板。整个流程过去需要分析员花两个小时逐步操作AI编排之后缩短到两三分钟。说一句非常真实的经验不要一开始就强行让AI做“闭环处置”尤其是涉及核心业务系统的封禁和隔离动作一定要设计成“AI建议、人工确认”的人机协同模式。原因很简单第一安全产品对业务架构的理解还不够深万一AI把关键生产系统的外联给封了业务事故比安全事件还严重第二安全团队和运维团队之间的信任需要慢慢建立出了一次误封后续所有自动化功能都会被打入冷宫。建议先选那些“破坏性小、需要判断力但不影响业务连续性”的场景来跑AI编排比如告警分诊、工单自动创建、日志快照提取等信任建立了再逐步授权。3.3 从“安全工具”到“安全内生”AI是武器也是必须保护的目标2025年一个很重要的认知变化是AI不光是防御方的武器它本身也变成了攻击方的目标变成了需要被保护的对象。以前我们讲“应用安全”保护的是Web应用、移动App的代码逻辑和业务数据。现在企业把大模型部署到生产环境里暴露出来的API接口、提示词注入点、训练数据、模型权重这些都变成了新的攻击面。Gartner在2025年比较强调的一个概念是“AI应用安全”具体包括对模型本身做红队测试、对模型行为做持续监控、对训练数据和用户输入的隐私做保护、以及对模型输出做合规审计。这就像你雇了一个能力超强的实习生他很能干但你得时刻盯着他有没有被外人套话、有没有被注入恶意指令、有没有把不该外传的数据带出去。这里我展开一下AI红队这个非常值得关注的新方向。传统红队测试讲的是渗透测试从攻击者的视角尝试通过各种漏洞利用方式攻入目标网络。AI红队则完全不同它的核心任务是针对大模型做对抗性测试比如尝试通过精心构造的提示词让模型泄露训练数据、绕过内容安全策略、输出攻击代码、甚至让模型在做决策时出现系统性偏差。2025年在DeepSeek、ChatGPT这类通用大模型逐步在政企场景落地的背景下AI红队的热度迅速上升其中一个很重要的触发点是监管机构开始要求大模型上线前必须做安全评估和红队测试比如国内的生成式AI服务备案制要求对模型的内容安全、漏洞风险做评估。这直接变成了合规要求预算自然就出来了。但我要泼一点冷水目前AI红队的成熟度远没有很多人吹得那么高。市面上很多“AI安全公司”本质上是用传统渗透测试工具包了一层“AI概念”的皮。真正能贴着小模型做训练数据投毒分析、能设计复杂多步提示词注入攻击、能评估模型输出影响比如诱导大模型控制的外部工具产生破坏性结果的团队在全球范围内都是稀缺资源。概念热、供给不足、标准化不足是2025年AI红队这个领域最真实的状态。4. 实操方法论用成熟度曲线指导2025年安全规划前面讲了理论这部分我讲点实操层面的方法。毕竟看懂了曲线是第一步能不能用它来指导自己的安全规划、技术选型和预算分配才是最终目的。4.1 先判断自己企业在曲线里的位置再看技术选型很多安全负责人看Gartner曲线最大的困惑是“这个技术在曲线的这个位置所以我到底该不该用”我很理解这种焦虑但答案是不能脱离企业自身的成熟度来谈技术选型。我总结了一个很简单的方法画一条企业自身的“能力基线”然后再和市场的曲线做对比最后再做决策。具体来说如果你的企业连最基础的漏洞管理、基线核查、日志集中管理都还没做好那就不要去追曲线顶峰的AI安全技术。你现在的核心任务是回到生产力平台期和之前的技术里去找那些“必选动作”补全端点检测能力、做好身份管理、建立基础SOC流程。这类传统技术虽然听起来不性感但它们解决的是“地基”问题地基不打牢任何AI安全产品都接不住。反过来如果企业已经具备相对完善的安全体系有成熟的SOC运营团队、有清晰的网络安全架构、有高中低危漏洞的完整闭环管理流程那么你可以重点关注AI安全相关的创新技术从中找那些“在幻灭低谷里但关键场景明确”的方向提前布局。比如自动化渗透测试、AI辅助的应用安全检测、以及面向大模型的应用安全评估这些技术虽然成熟度不高但在真实场景里性价比很高。我见过一个很典型的反面案例某中型企业去年听了某厂商“AI赋能安全”的宣讲直接采购了一套全自动化的“下一代安全运营平台”结果上线之后平台每天生成的几百条AI研判报告堆在工单系统里安全团队的几个人根本没精力去核验和处置。最后那些AI报告变成了“僵尸工单”——看起来处置率100%实际啥也没干。问题出在哪不是平台不好是他们团队连基础的告警处置SOP都没建立起来。跑偏了追错了阶段。4.2 别只看“位置”要看“速度”——结合中国市场的落地节奏我在判断一项新技术该不该投入时除了看它在曲线上的静态位置还有一个很重要的参考指标看它在这个位置停留的时间和移动速度。以AI TRiSM这个概念为例。Gartner在2022年左右开始提这个概念2023年入选年度重要战略技术趋势。到了2024、2025年的中国市场AI TRiSM相关的产品和服务开始批量出现但真正意义上的落地案例还是偏少大量项目都还停留在咨询规划和POC验证阶段。也就是说这个技术方向在中国市场整体上是“高位震荡”的状态企业在“要不要落地”上还很犹豫。这个“犹豫”是合理的。因为AI TRiSM是一个框架性的概念它不是某个单独的产品而是覆盖AI全生命周期的治理体系。企业不可能买一套“AI TRiSM系统”就完事它需要组织流程、技术平台和运营人员三方配合。这类框架性的东西落地难度天然比单一产品高。但在这个方向上我又想提醒大家关注一个“缝隙机会”。虽然完整版的AI TRiSM治理框架很难落地但框架里的某个“子模块”其实已经很成熟了。比如数据安全治理里的“AI训练数据合规评估”机器学习平台里的“模型监控和告警”这些子能力在2025年是可以以独立产品形态采购的而且能切切实实解决合规需求。与其等“大框架”成熟不如挑“子模块”先行落地这是我对框架类技术的落地经验。4.3 结合中国市场的“节拍器”合规、攻防演练、重大活动保障在中国做安全规划绕不开三个“节拍器”。第一个是合规驱动的节奏等保、数据安全法、个人信息保护法以及各行业监管机构每年的专项检查这些是刚性的、能倒排期的工作。第二个是攻防演练HVV驱动的节奏每年一轮的攻防演练是很多政企客户安全预算的“第一驱动力”演练之前安全建设突然提速演练结束之后又会有一批项目复盘和整改。第三个是重大活动保障的节奏重保期间所有安全设备的检测策略要调到“最灵敏档位”重保结束再调回来。这三个节拍器决定了在中国做安全规划有一种特殊的时间感不是平滑的自然年节奏而是一阵一阵的脉冲式节奏。这直接影响了AI安全技术的落地方式。举一个具体的例子。在攻防演练期间红队的攻击手段往往带有高度的隐蔽性和自动化传统的规则引擎很难防住未知攻击。很多安全团队不得不在演练前提升检测灵敏度但这样又会导致告警量激增。2025年我们看到的最佳实践是在演练前用AI平台做一次“红队模拟攻击”自动发现防御体系的薄弱环节演练期间用AI的分析引擎做告警降噪和事件摘要帮助运营团队在告警洪峰期保持专注演练之后用AI复盘整个攻击链路自动生成整改建议。这套“AI辅助HVV打法”目前在中国市场已经非常成熟也是AI安全技术在合规刚需之外的另一个重要落地场景。如果你所在的企业有固定的攻防演练周期我的建议是把AI安全的能力建设节奏和演练周期做深度绑定用每一次演练作为项目落地的“交付节点”。这样做的好处非常明显响应及时能立刻在实战中验证效果复盘时还有数据支撑方便向老板汇报。5. 常见问题与踩坑实录实战中总结的避坑建议最后这部分我把自己在AI安全技术落地过程中踩过的坑、以及在客户现场见到的共性问题集中整理一下希望对大家有帮助。5.1 问题一大模型“幻觉”导致的安全研判误判这是目前AI安全落地最常见的坑。很多厂商宣传“AI自动研判安全告警”真实场景里大模型对安全上下文的“理解”远没有达到可以完全替代人工研判的水平。我见过最夸张的一次Demo演示模型把一条正常的夜间计划任务日志误判为恶意动态并生成了一个“高置信度”的告警。现场给客户造成了“AI也不过如此”的负面印象后来这个项目就黄了。我的经验是不要指望“AI不出错”而是要建立“AI出错可控制、可审计”的机制。设计流程的时候AI的研判结论必须附带上“置信度分数”和“依据日志片段”让安全分析员一眼能看到这个结论是怎么推出来的。同时在系统设计上AI建议的处置动作要延迟可撤销而不是立即自动执行。这个理念其实和民航设计的“自动驾驶不能完全脱离人工监控”是一个道理。5.2 问题二安全数据质量太差AI算法再好也白搭AI强依赖数据质量但在很多企业里日志数据缺字段、时间不同步、格式纷繁复杂连基础的“同一条告警关联同一个用户”都做不到。有个项目做AI告警分析模型怎么调精度都上不去最后查出来是因为企业不同系统的日志时间存在5到10分钟的偏差导致时间窗口关联的时候大量错配。这个问题的解决思路不是从AI本身下手而是先做好数据的“地基工程”统一日志采集格式、校正时钟同步、做字段标准化和资产映射。我经常跟客户讲一句话AI安全项目本质上是个数据治理项目。如果数据质量不好就不要急着上AI把数据标准化做好之后AI自然就能跑起来。5.3 问题三组织协同跟不上AI能力无处释放AI安全落地技术只占一半另一半是组织协同。很多企业上了AI安全平台结果安全团队和业务团队的协作关系没理顺AI输出的事件分析报告不知道给谁看、处置流程不知道谁来负责。自动化工具带来的效率提升反而因为人的分工混乱变成了新的瓶颈。建议在项目启动初期就明确一件事情AI平台输出的结果对应到组织里的哪个角色、哪个流程、哪个SLA。建立一个清晰的“人机分工表”哪些事情让AI独立干哪些事情AI提建议人来做决定哪些事情完全不允许AI碰。这张表写清楚了AI安全项目才有落地的组织基础。6. 选择与判断面对铺天盖地的“AI安全”保持清醒最后说几句体会比较深的话。2025年的网络安全领域AI是绕不开的主旋律但越是在这种热度下越需要冷静的判断力。Gartner的成熟度曲线给了我们一个非常好的视角它不是告诉你“哪个技术未来一定赢”而是告诉你“当前市场对这个技术的预期和实际能力有多大的偏差”。冷暖自知AI安全能真正落地生根的地方恰恰是那些大家冷静下来、技术真正解决实际问题的“幻灭低谷”到“启蒙斜坡”之间。我的个人习惯是每个季度都会更新一份自己的“技术雷达图”把Gartner曲线位置、厂商动向、客户真实需求、以及我们自己在项目里的切身体验叠加到同一张图里去看。这样看下来很多所谓的“趋势”其实没那么玄很多“鸡肋”技术的价值潜力反而会被重新发现。如果这篇文章能让你在下次听到“AI安全”这个词时先下意识地思考一下“它到底处在哪个成熟度阶段、我们企业适不适合现在上”那我觉得这篇解读就没有白写。安全这个行业从来不是追新技术的快而是看得清、走得稳、做得扎实的人能走到最后。