2026 年 11 月，法國血液機構 EFS 有三處血漿冷藏設施受到資安事件波及。攻擊者調高溫度與除霜設定，影響透過冷凍設備供應商的系統進入。監控與警報及時發現異常，人員隨即停用設備並轉移血漿，最終沒有血品受損。相關經過可參考 Associated Press 的事件報導。

這起事件目前沒有可靠證據顯示攻擊者使用 AI，卻清楚呈現企業防禦面對的問題：設備、帳號、雲端服務與供應商連線持續產生變化，人員很難長時間檢查全部訊號。重要警報若沒有被及時理解並採取行動，數位系統的異常就可能變成庫存損失、服務中斷，甚至影響人員安全。

AI 可以把人力只能抽查的資安工作，逐步變成持續監控、反覆尋找弱點與快速分析處置的流程。企業導入時需要先選定可能造成重大營運損失的場景，讓 AI 擴大人員的檢查量能，再以資料範圍、驗證機制與操作權限控制誤判。

資安人力難以涵蓋所有系統變化

企業的資安範圍早已超出伺服器與員工電腦。雲端帳號、網站後台、API、門禁、空調、冷藏設備，以及供應商使用的遠端維護系統，都可能連接公司的營運。EFS 並非受到直接攻擊，三處設施仍因冷凍設備供應商的系統遭入侵而受到影響，說明第三方連線也是企業需要掌握的攻擊路徑。

傳統監控通常先設定條件，例如登入失敗次數、溫度上限或設備離線時間；超過門檻後產生警報，再由人員調查。這種方式適合辨認已經定義清楚的異常，困難在於不同系統各自產生的訊號需要重新組合。單看一次遠端登入、一次設定調整或一個溫度警報，可能像設備故障；若同一個供應商帳號登入多個據點，隨後多台設備的除霜設定一起改變，事件的意義就不同。

資安人員可以深入分析，卻無法一直重做大量的比對工作。AI 適合接手其中重複而耗時的部分，包括整理警報內容、比對歷史狀態、找出同時發生的變化，以及把相關訊號歸入同一個待調查事件。人員便能把時間放在確認影響、聯絡負責人與決定處置方式。

這項能力仍受資料範圍限制。沒有設備清單、設定紀錄、身分日誌或供應商活動，AI 就看不到對應風險。導入之前，企業要先確認最重要的營運活動依賴哪些系統，以及發生異常時能取得哪些證據。

AI 擴大異常監控的範圍與頻率

NIST 在 2026 年的 Cyber AI Profile 研討報告中，整理了 AI 用於持續監控、解析與關聯資料、異常偵測、完整性檢查及事件回應等方向。這份文件是研討意見彙整，並非產品成效保證，但它說明 AI 防禦最實際的切入點，是協助人員處理原本來不及持續分析的訊號。可參考 NIST IR 8607。

「每半小時檢查一次系統」只有在檢查內容明確時才有意義。以冷藏設備為例，企業可以要求 AI 定期完成下列工作：

• 比較實際溫度、控制器設定與公司核准的安全範圍。
• 檢查溫度、除霜週期或警報門檻由誰修改，以及修改前後的差異。
• 比對遠端維護帳號的登入時間、來源位置、使用設備及操作對象。
• 確認相同異常是否同時出現在其他據點或同一供應商管理的設備。
• 將相關訊號整理成事件摘要，附上原始紀錄並通知負責人。

同樣的方法也能用在企業帳號、雲端服務與網站。AI 可以持續找出新增的管理員、異常時段的大量下載、未經核准的防火牆調整，或同一帳號在短時間內跨越多個系統的行為。監控頻率應依風險、資料更新速度與處理能力安排；警報產生得更快，值班與處置流程也要能跟上。

開始導入時，可以先讓 AI 提出事件與理由，不直接改動正式系統。資安人員比對原始紀錄，標記判斷正確、資料不足或誤判，再調整資料來源與規則。企業應同時記錄從異常發生到被發現的時間、人工查證所需時間，以及沒有後續處理的警報數量，確認 AI 是否真的增加可用的監控量能。

AI 主動檢查新出現的系統弱點

監控著重已經發生的變化，弱點檢查則要在攻擊發生前找出可能入口。新程式版本、雲端設定、對外服務與設備韌體都會持續改變；一年一次的檢測只能反映檢查當時的狀態。AI 可以在程式或設定異動後重新分析，搜尋已知漏洞、相似錯誤與可能被忽略的攻擊路徑。

DARPA 的 AI Cyber Challenge 提供了可量化的研究結果。參賽系統分析超過 5,400 萬行程式碼，在決賽中找出 54 個合成漏洞並修補其中 43 個，也發現 18 個非刻意植入的真實漏洞，為其中 11 個提供修補。這是在競賽環境、指定程式與評分機制下取得的成果，不能直接推算到所有企業系統；它仍證明 AI 能擴大程式弱點搜尋與初步修補的量能。詳細結果可參考 DARPA AIxCC 決賽報告。

Google Project Zero 與 Google DeepMind 的 Big Sleep 也曾在 SQLite 找到一個尚未公開、可以被利用的記憶體安全問題，並在問題進入正式版本前完成通報與修正。研究團隊同時說明，這項工作仍處於研究階段，而且先從既有漏洞的相似變形開始搜尋，以降低開放式研究的不確定性。可參考 Big Sleep 的研究說明。

AI 也可能給出自信但錯誤的分析。Claroty 在 2026 年使用 AI 代理重現冷凍控制器的三個已公開漏洞，約 28 分鐘便在實驗設備取得最高權限；過程中，代理對其中一項驗證走錯方向，研究人員必須修正方法並提供反組譯工具，才完成攻擊鏈。這不是從零發現未知漏洞的案例，卻能說明 AI 如何降低重複分析已知漏洞的時間，也說明人員仍需驗證結果。完整限制可參考 Claroty 的實驗紀錄。

對正式設備進行主動掃描或滲透測試，還需要考慮營運影響。工業控制與其他營運技術直接作用於實體設備，安全性之外還有可靠度與人員安全要求。企業可以先讓 AI 分析資產清單、設定備份、原始碼與已知漏洞，再於複製環境、測試設備或經核准的維護時段驗證。NIST 的 OT 安全指引提供了這類系統的風險與控制背景。

AI 協助判斷風險與防禦優先順序

監控範圍增加、弱點檢查更頻繁後，企業收到的問題也會增加。資安人力若仍逐筆處理，新增的發現可能只是形成另一個待辦清單。AI 還要協助判斷每個問題是否位於可被利用的攻擊路徑，以及成功利用後會影響哪些資料、設備與營運活動。

例如，同樣是供應商帳號登入異常，僅能查看設備狀態與能夠修改溫度設定，風險程度不同；一個網站漏洞若只能接觸公開內容，與能進入客戶資料庫的漏洞，也需要不同的處理速度。AI 可以把資產重要性、對外曝險、帳號權限、現有防護與修復成本整理在一起，提出優先順序及可行措施，再由負責人確認實際業務影響。

企業可以用以下順序建立第一個 AI 資安流程：

1. 選擇一項無法接受的損失。例如冷藏失效、付款資料遭竄改、客戶資料外洩或正式服務中斷。
2. 找出可能通往損失的系統與權限。納入公司系統、雲端服務、現場設備及供應商遠端連線。
3. 接入必要證據並定義正常狀態。確認 AI 能取得哪些紀錄、資料保存多久，以及判斷依據是否完整。
4. 先以建議模式驗證。使用歷史事件或測試情境，檢查 AI 能否找出異常、說明理由並提出合理措施。
5. 逐步開放可復原的處置。例如建立事件、通知值班人員或暫時限制測試帳號；停用正式服務、修改設備控制值及大範圍封鎖仍需更嚴格的核准與回復方案。

NIST 的研討報告也提到 AI 可以協助停止服務、撤銷憑證或隔離設備，同時指出責任歸屬、測試、解釋能力與工具本身的未授權存取都需要管理。自動處置的範圍不應只看 AI 判斷是否準確，也要考慮錯誤發生時能否及時恢復。

EFS 的血漿最終沒有受損，靠的是獨立監控、警報與人員及時處置。AI 可以在這條防線上增加比對範圍、縮短調查時間並協助選擇措施，現場安全限制、獨立感測器與明確負責人仍要保留。

企業導入 AI 資安的價值，在於讓原本無法長時間維持的檢查工作持續運作。從一項重大損失場景開始，確認 AI 看得到必要訊號、提出的判斷能被驗證、採取的動作受到限制，才能把更多監控轉成更早的發現與更快的防禦。