影子 AI 2.0 來臨？專家揭「設備端推理」為何成為資安長新盲點
過去 18 個月，多數企業資安長對生成式 AI 的治理邏輯其實相對清楚：只要守住瀏覽器與網路出口，就能掌握大部分風險。企業透過 CASB、DLP、代理閘道與端點政策，監控員工是否把敏感資料貼進外部 AI 服務。這套模式的核心前提很簡單：只要資料離開企業網路、送往外部 API，企業就有機會看見、記錄，甚至攔截。然而，這道防線正在崩解。
問題在於，不只是員工更常用 AI，而是 AI 的執行位置正在改變。《InfoWorld》指出，整個 AI 產業正從訓練導向轉向推理導向，而推理又逐漸從公有雲往本地設備、終端裝置與邊緣環境移動。一場被多數企業忽略的資安轉變因此發生。
資深 MLOps 工程師 Jayachander Reddy Kandakatla 在《VentureBeat》指出，大型語言模型已能直接在筆電等本地裝置上執行，而員工，尤其是開發者與技術團隊，正自行下載模型、在本地設備離線推理，完全繞過雲端 API 與公司既有的治理機制。他把這個現象稱為「影子 AI 2.0」或「自帶模型（BYOM）」的新時代。
傳統防護失效：新型威脅浮現
兩年前，在工作用筆電上執行一個有用的 LLM 還是少數技術人員的特殊技能。如今，對技術團隊來說這已成為日常操作。Kandakatla 指出，這一轉變由三件事共同促成：消費級加速器性能大幅提升、量化技術模型可被壓縮為更小更快的格式普及，以及發佈管道極度便利。
當資料沒有離開筆電，資安長又為何仍需要在意？Kandakatla 指出，當推理過程轉移到本地，企業面臨的風險已從單純的資料外洩，轉移至完整性、來源可信度與合規性三大面向。
以完整性風險來說，涉及決策與程式碼污染。開發者可能下載未經驗證的社群模型來輔助編寫程式碼。這些模型可能生成看似合理但隱藏漏洞的程式碼。如果這些互動發生在離線狀態，資安團隊在事後調查漏洞時，將無法追蹤 AI 是否曾介入決策。
以合規性風險來看，許多高效能開源模型帶有「非商業用途」或嚴格的歸屬條款，員工私下在地端使用這些模型開發產品，將使企業暴露於潛在的法律訴訟與合規爭議中。
就模型供應鏈漏洞而言，因為模型檔案本身就可能成為攻擊載體，部分舊格式如基於 Pickle 的 PyTorch 檔案，在載入時可能執行惡意程式碼，員工若隨意從開源庫下載模型，等同於下載未知的執行檔。
失去可觀測性，治理重心必須轉移
影子 AI 2.0 最致命的問題在於失去「可觀測性」：由於本地推論過程無法被記錄與追蹤，企業將失去對 AI 行為的掌控力。資安公司 Bright Security 在其《2026 LLM 安全狀態報告》中，就將可觀測性不足列為 LLM 安全的重大缺口。
Kandakatla 建議，資安團隊不能再單純依賴封鎖網址來解決問題，必須將治理重心從傳統的網路邊界，擴展至終端裝置與模型管理。對此，他也提出了三個實務方向。
第一，將治理下移至終端裝置，因為網路 DLP 與 CASB 對雲端使用仍有其價值，但對 BYOM 場景已不敷使用。他建議，企業至少應具備幾種能力，例如辨識大尺寸模型檔案、監測常見本地推理執行程序與本地服務、掌握異常 GPU／NPU 使用模式，並透過 MDM 與 EDR 去限制未經批准的 runtime 安裝。
但真正有效的治理，不會只是封鎖。Kandakatla 認為，影子 AI 往往是因為企業內部的正式工具太慢、太弱、太難申請。與其讓員工去外面「撿模型」，更合理的做法是建立受治理的內部模型目錄，提供已審核的模型版本、清楚的授權說明、固定雜湊值、安全的本地使用規範，以及明確界定哪些資料可用、哪些不可用。換句話說，企業如想阻止影子 AI 2.0 擴散，與其只強調禁止，不如提供一條可控、可追蹤、又不拖慢效率的正式道路。
第三，更新政策語言。多數可接受使用政策只涵蓋 SaaS 與雲端工具，BYOM 時代需要政策明確涵蓋在企業終端裝置上下載與執行模型檔案、可接受的來源、授權合規要求、涉及敏感資料時的使用規則，以及本地推論工具的留存與記錄預期。
Kandakatla 的結論是資安邊界正在從雲端回移至裝置，下一階段的 AI 治理，重點不在封鎖網站，而在於控制終端裝置層級的模型檔案、來源可信度與政策執行，且同時不扼殺開發者的生產力。
【推薦閱讀】
◆ Anthropic Mythos 進入大型銀行、美英加三國監管體系同步介入：為何美財長緊急召集華爾街 CEO？
＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、Bright、《InfoWorld》，首圖來源：AI 工具生成