從香港資安現況到 AI 長期規劃，三個治理維度為何必須同步到位
企業加速部署 AI 的同時，一場靜默的風險正在累積。本文整合 Veeam Software 於 2026 年 4 月在香港舉辦的 Data and AI Trust Leadership Roundtable 論壇重點，從資訊長的決策視角，檢視企業在推進 AI 長期規劃時，必須同步回答的治理問題。
9 秒，已經夠了
2026 年初，一家雲端解決方案供應商啟動了一個 AI coding agent 進行測試。這個 agent 擁有過高的存取權限，也沒有設定終止機制。9 秒後，生產資料庫與所有備份全數遭到刪除。
Veeam 亞太及日本區首席資訊安全官 David Allott 在論壇上指出，AI Agent 的高效率與高權限組合，正是風險的根源。攻擊者同樣在使用 AI，滲透後的停留時間已從數天壓縮至不足 1 小時，資料滲漏速度提升 3 倍。防守方的容錯視窗正在急速縮短。
香港的處境尤其嚴峻。2025 年全港資安事故達 15,877 件，年增 27%；43% 的勒索攻擊受害者選擇付款，遠高於全球平均的 28%；30% 的企業沒有專責資安人員。付得最多，守得最少。
問責的真空：當 AI 出錯，誰負責？
David Allott 在論壇上提出三個問責盲點：誰決定 AI Agent 可以存取哪些資料？誰負責審查輸出結果？出錯時責任歸屬在哪裡？這三個問題，在大多數企業的現有治理架構裡都沒有答案。
數字說明了這個缺口的規模。安永針對 975 位跨國企業高層主管的調查顯示，99% 的受訪組織曾因 AI 風險蒙受財務損失，平均 440 萬美元（約新台幣 1.4 億元）。高層主管對 AI 風險控制措施的平均正確識別率僅 12%。Deloitte 預測 AI Agent 採用率兩年內將成長 3.2 倍，但目前僅 30% 企業建立了 AI 風險管理框架，21% 準備好治理自主 AI Agent。
監管壓力同步到來。香港 Cap. 653 已於 2026 年 1 月生效，要求 2 小時內通報資安事故，違規最高罰款港幣 500 萬元（約新台幣 2,100 萬元）；HKMA C-RAF 2.0 與證監會網路安全指引進一步收緊金融業要求；全球逾 50 個資料保護與 AI 法規同步推進。
AI 風險已是受信任義務問題。它應當納入企業風險登記冊，與其他重大風險接受同等嚴謹的管理。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球 CIO 同步獲取精華見解 ]
三個治理維度，缺一整個 AI 投資就可能歸零
代理型 AI 的風險已溢出傳統資安邊界，同時橫跨三個治理維度。
第一維度：資料治理
企業 80 至 90% 的資料是非結構化資料，散落在雲端、SaaS 與本地環境中，大量未經分類與標記。67% 的企業存在過度的資料存取權限。Securiti 亞太區技術總監 Tim Stead 在論壇上以「毒性組合」說明問題的本質：AI Copilot 加上含有併購計畫的資料來源，再加上繼承使用者存取權限的 Agent，三個條件疊加就足以觸發嚴重的敏感資料外洩。資料治理是 AI 能否被信任的前提，而非附加選項。
第二維度：資安治理
現有的身份管理框架是為人類帳號設計的，AI Agent 的非人類身份在現行架構中存在根本性的盲點。David Allott 在論壇上直接點出這個結構性問題：攻擊者正在利用 AI 加速滲透活動，透過取得管理不當的 Token 與 API 金鑰等真實憑證，輕易讀取企業內網資料。89% 的攻擊同時針對備份，「備份即保障」的邏輯已不再成立。
地下 AI 加速了攻擊面的擴大。一家全球系統整合商在單一環境中發現了 147 個事先完全不知道存在的 AI 模型；五分之一的企業曾因地下 AI 導致資安事故。
第三維度：AI 治理
AI 治理處理的是動態的問責問題：決策過程是否可追溯？Agent 行為是否符合法規要求？出錯後能否精準復原？安永的數據顯示，建立即時監控機制的企業，營收成長機率高 34%，成本節省機率高 65%。Veeam 大中華及蒙古區副總裁陳超成在論壇上直接點出核心邏輯：「當資料值得信任，企業才能以信任的態度大規模採用 AI Agent。解除這些顧慮，才是真正加速 AI 落地的關鍵。」
Agent Commander三層防禦，對應三個實際問題
Veeam 收購 Securiti AI 後，將其資料安全態勢管理能力與自身備份基礎設施整合，推出 Agent Commander 平台。底層由 Data Command Graph 驅動，跨公有雲、私有雲、SaaS 與本地環境持續追蹤資料流向、身份權限與 Agent 行為。
第一層：偵測
企業無法保護看不見的東西。Agent Commander 自動盤點所有 AI 模型與 Agent——包括官方部署、第三方嵌入與員工自行安裝的地下 AI——建立完整清單，追蹤託管位置、存取權限與歷史活動時間軸。平台支援 350 種以上敏感資料分類器，將敏感內容完整對應至存取它們的模型與 Agent。
第二層：防護
防護層涵蓋三個環節：最小權限執行，透過圖譜引擎識別過度授權角色，直接將修正推送至資料系統；資料淨化，在資料進入 AI 系統前完成即時掃描與去識別化；LLM 防火牆，在提示詞輸入、資料檢索與模型回應三個環節偵測敏感資料外洩與 prompt injection，政策定義一次，全環境執行。一家財富管理公司導入後持續淨化了 382 個個人識別資訊屬性；一家保險業者同時監控 18 條 AI 管線的即時合規狀態。
第三層：復原
Agent 的操作是連續且交織的，全量回滾代價往往遠高於錯誤本身。Agent Commander 持續追蹤每一個 Agent 操作，出錯時精準識別受影響範圍，只還原這個範圍內的資料，其餘保持不動。美國一家主要無線電信業者透過平台清除了 18,300 套系統中 31.5 PB 的冗餘與過時資料，首年投資回報達 780 萬美元。
[ 推薦文章：AI 治理轉折年 啟動風險矩陣 × 國際標準工作流 ]
Veeam的四階段成熟度路徑，該怎麼起步
資訊長面對的實際問題往往不是「要不要做」，而是「從哪裡開始」。Securiti 亞太區技術總監 Tim Stead 在論壇上透過 Agent Commander 提出四階段導入路徑，提供了一個可對應自身現況的評估框架：
‧第一階段：盤點資料與 AI，建立基本能見度。
‧第二階段：備妥資料，完成分類、標記與冗餘清理。
‧第三階段：保護 AI 資料管線，實施最小權限、淨化與即時監控。
‧第四階段：Undo AI，建立精準偵測與復原能力。
這四個階段是累積式的成熟度曲線，不是非此即彼的採購決策。從第一階段的盤點開始，以最低資源投入取得能見度，再逐步推進。
監管已經在執行，攻擊者已經在使用 AI，董事會已經在追問問責。對資訊長而言，現在需要回答的問題不是「要不要建立 AI 治理」，而是「我們目前在哪個階段，下一步應該做什麼」。Agent Commander 的設計邏輯正是如此：以單一圖譜引擎統一覆蓋資料治理、資安治理與 AI 治理三個維度，跨雲端、SaaS 與本地環境無縫運作，讓企業在不同成熟度階段都能找到切入點，以信任為基礎，逐步釋放 AI 的規模化潛力。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
