2026 年 11 月，法國血液機構 EFS 的三處血漿冷藏設施受到資安事件影響。攻擊者先入侵冷凍設備供應商的系統，再調高 EFS 設備的溫度和除霜設定。EFS 的監控系統發出警報後，工作人員停用設備並轉移血漿。事件沒有造成血品損失。相關經過可參考 Associated Press 的事件報導。

目前沒有可靠證據顯示攻擊者在這起事件中使用 AI。這個案例說明企業監控的現實問題：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。重要警報若沒有及時處理，數位系統的異常可能造成庫存損失、服務中斷或人員安全風險。

企業可以使用 AI 持續比對系統狀態、尋找弱點並整理處置建議。導入時應先選定可能造成重大營運損失的場景，再確認 AI 能取得哪些資料、如何驗證判斷，以及可以執行哪些操作。

資安人力難以涵蓋所有系統變化

企業需要監控的範圍包括伺服器、員工電腦、雲端帳號、網站後台、API、門禁、空調、冷藏設備和供應商的遠端維護系統。這次攻擊透過冷凍設備供應商的系統進入 EFS 的設備，三處設施因此受到影響。企業需要把第三方連線納入資安監控。

傳統監控會先設定條件，例如登入失敗次數、溫度上限或設備離線時間。系統超過門檻後產生警報，再由人員調查。這種方式可以辨認已經定義的異常。當不同系統各自產生訊號時，人員還要重新組合資訊。一次遠端登入、一次設定調整或一個溫度警報，單獨看可能是設備故障。同一個供應商帳號若登入多個據點，接著修改多台設備的除霜設定，就需要以資安事件處理。

大量重複比對會占用資安人員的時間。AI 可以整理警報內容、比對歷史狀態、找出同時發生的變化，並把相關訊號歸入同一個待調查事件。資安人員再確認影響範圍、聯絡負責人並決定處置方式。

AI 的判斷範圍取決於企業提供的資料。設備清單、設定紀錄、身分日誌或供應商活動若不完整，AI 就無法掌握對應風險。企業需要先找出重要營運活動依賴的系統，再確認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，列出 AI 在持續監控、資料解析與關聯、異常偵測、完整性檢查及事件回應上的應用。這份文件彙整研討意見，不能視為產品成效保證。它提供了企業規劃 AI 資安監控時可以評估的工作範圍。可參考 NIST IR 8607。

企業若要每半小時檢查一次系統，需要先定義檢查項目。以冷藏設備為例，AI 可以定期完成下列工作：

• 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。

企業帳號、雲端服務與網站可以採用相同做法。AI 可以檢查新增的管理員、異常時段的大量下載、未經核准的防火牆調整，以及同一帳號在短時間內操作多個系統的情況。監控頻率應配合事件風險、資料更新速度和值班人員的處理能力。

導入初期應讓 AI 提出事件、證據與判斷理由，不要直接改動正式系統。資安人員比對原始紀錄，將結果標記為正確、資料不足或誤判，再調整資料來源與判斷條件。企業可以記錄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，評估 AI 是否增加了可用的監控量能。

AI 主動檢查新出現的系統弱點

異常監控用來找出系統已經發生的變化。弱點檢查用來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持續更新，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，另外發現 18 個非刻意植入的真實漏洞，並為其中 11 個提供修補。這些結果來自指定的競賽環境、程式與評分機制，不能直接推算到所有企業系統。研究結果顯示 AI 可以增加程式弱點搜尋與初步修補的量能。詳細資料可參考 DARPA AIxCC 決賽報告。

Google Project Zero 與 Google DeepMind 的 Big Sleep 曾在 SQLite 找到一個尚未公開的記憶體安全問題。研究團隊在問題進入正式版本前完成通報與修正。這項工作仍在研究階段，並且從既有漏洞的相似變形開始搜尋。相關方法與限制可參考 Big Sleep 的研究說明。

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。代理在其中一項驗證中採用了錯誤方法，研究人員修正方法並提供反組譯工具後才完成攻擊鏈。這個實驗重現的是已知漏洞，沒有發現未知漏洞。它顯示 AI 可以縮短重複分析已知漏洞的時間，也顯示人員需要驗證分析結果。完整過程可參考 Claroty 的實驗紀錄。

對正式設備進行主動掃描或滲透測試可能影響營運。工業控制與其他營運技術直接控制實體設備，測試時需要兼顧系統可靠度與人員安全。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，再到複製環境、測試設備或核准的維護時段進行驗證。NIST 的 OT 安全指引整理了這類系統的風險與控制原則。

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，企業會收到更多警報與修補項目。資安人員需要判斷攻擊者能否透過這些問題進入重要系統，以及問題遭到利用後會影響哪些資料、設備與營運活動。AI 可以先整理相關資訊並提出處理順序。

供應商帳號若只能查看設備狀態，風險低於可以修改溫度設定的帳號。網站漏洞若只能接觸公開內容，處理順序低於可以進入客戶資料庫的漏洞。AI 可以綜合資產重要性、對外曝險、帳號權限、現有防護與修復成本，提出優先順序及處理建議。系統負責人再確認實際業務影響。

企業可以依照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. 找出相關系統與權限。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. 先驗證 AI 的建議。使用歷史事件或測試情境，檢查 AI 能否找出異常、提出證據並提供合理措施。
5. 逐步開放可以復原的處置。AI 可以先建立事件、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需要人工核准與回復方案。

NIST 的研討報告提到 AI 可以協助停止服務、撤銷憑證或隔離設備。企業在開放這些功能前，需要確認責任歸屬、測試方法、判斷依據與工具權限。自動處置若發生錯誤，系統必須能夠及時恢復。

EFS 的監控系統發現設備異常，工作人員隨後停用設備並轉移血漿。這個處理流程包含獨立監控、明確警報和人工處置。企業加入 AI 後，可以增加訊號比對範圍並縮短調查時間。現場安全限制、獨立感測器與負責人制度需要繼續保留。

企業可以先從一項可能造成重大損失的場景導入 AI 資安。導入前要確認 AI 能取得必要訊號、判斷結果可以驗證，並限制系統能夠執行的操作。確認這些條件後，AI 才能幫助企業更早發現問題並加快處置。