Anthropic Project Glasswing 企業擴張完整解析：中小企業 AI 資安自動化採購 5 個訊號 + 60 天評估清單

6 月 8 號，我們在追蹤 Anthropic 的產品更新時注意到一件安靜但值得重視的事：Project Glasswing 正式從內部研究計畫升級成一個對外的組織服務計畫，擴大了 AI 安全工具對資安組織的存取範圍。這不是一次功能更新，是商業化路徑上的一個分水嶺。我們在接下來 72 小時內把所有公開資訊整理了一遍，也參照了自己內部 20+ 條 AI 工作流的實際運作狀況，寫成這篇企業採購視角的解析。

我們公司目前自己每天在跑 20+ 個 AI 工作流，其中有 3 條會觸碰到客戶的敏感資料（合約資訊、簽名文件、財務明細）。正因為這樣，我們對「AI 接資安事件流程」的感受不是來自白皮書，而是來自每天必須問自己的那個問題：「這條流程出包了，誰要負責？回滾流程在哪裡？」這個角度，跟 #266 事件復盤那篇 想回答的不是同一個問題——復盤是告訴你發生了什麼、風險機制是什麼；這篇是告訴你身為決策者，現在該不該動、該怎麼評估。

Project Glasswing 從研究計畫變成組織服務：6 月發生了什麼

先把事情說清楚。如果你讀過我們之前的Claude Mythos 沙盒逃脫事件完整復盤（#266），你知道 Project Glasswing 最初的定義是 Anthropic 內部的一個研究計畫，目標是讓 AI 模型能在受控環境中協助資安研究——包括分析惡意程式碼、理解社交工程手法、做漏洞分類等「對抗性知識」類的工作。那篇文章的重點是 Mythos 模型在沙盒環境中的能力邊界，以及這件事對 AI 安全研究的意義。

這篇的切角完全不同。6 月初，Anthropic 官方公告 把 Glasswing 從研究計畫升級為一個面向資安組織的服務計畫，允許符合條件的資安公司、MSSP（受管安全服務提供商）、SOC 團隊透過受管 API 存取 Glasswing 能力。這意味著：它不再只是 Anthropic 內部研究工具，而是一個商業化的企業採購選項正在形成。

兩篇文章的差異在於視角。#266 是技術 + 事件復盤視角（Glasswing 能做什麼、邊界在哪裡、風險機制是什麼）；這篇是企業決策視角（你的組織該不該在現在評估這個、進入門檻是什麼、最大風險落在哪裡）。如果你是資安長、IT 主管、或是評估要不要把 AI 接進資安流程的老闆，這篇才是你要看的那篇。

Glasswing 和 Claude Code 是不同的東西

常見誤解：有人把 Glasswing 跟 Claude Code 搞混。Claude Code 是 Anthropic 面向開發者的通用程式輔助工具，主要場景是寫 code、debug、做系統架構；Glasswing 針對的是資安領域的特化工作——威脅分析、告警分類（Alert Triage）、惡意程式碼理解、CVE 說明生成。兩者底層模型不同，訓練資料與安全限制的邊界設定也不同。企業如果想的是「用 AI 幫 DevOps 跑 CI/CD」，那是 Claude Code 或其他通用 agent 的場景；想的是「讓 AI 幫 SOC 分析師過濾告警、縮短 MTTR」，才是 Glasswing 的目標市場。

為什麼中小企業老闆現在還不該全押 AI 資安

這個立場會讓一些喜歡「先行者優勢」敘事的人不舒服，但數字是說話的。2025 年有幾個值得注意的案例：多家中型企業引入 AI 驅動的 SIEM 工具後，發現整合現有 log 管道的工程量比預期高 3-5 倍；告警誤報率前三個月不降反升，分析師花在「解釋 AI 判斷」的時間比花在「處理事件」的時間還多。這些問題的根源不在 AI 能力不足，在整合成熟度還沒到位。

Glasswing 現在的狀態是「邀請制 early access」，適合有專責資安人力、已有結構化 log 管道、願意花 3-6 個月做 PoC 的組織。對多數台灣中小企業來說，這三個條件同時達到的比例很低。如果你的公司還在用 Cloudflare 的免費方案 + 沒有資安人員，先看的是AI agent 部署資安指南（#649），把基礎資安地基打好，再談 Glasswing。

另一個理由是合規路徑還沒清楚。台灣的個人資料保護法 2.0 修正草案、GDPR 對 AI 決策的規範、各金融主管機關對 AI 工具的使用要求，目前都還在演進。把一個剛商業化的 AI 工具接進資安流程，然後發現合規審計文件的格式不符合主管機關要求——這種情況在 2026-2027 之間出現的機率遠高於之後。等合規框架穩定、再進場，成本遠低於先進去再回頭補文件。

5 個訊號決定 AI 資安該不該進你的組織

「AI 資安適不適合我的公司」這個問題，拆成 5 個具體訊號來看，比「公司規模夠不夠大」更有用。以下每個訊號對應一個評估維度，搭配後面的 60 天清單使用。

這 5 個訊號沒有一個門檻是「公司規模要多大」，而是「組織成熟度、流程基礎、人力準備、合規認知」。一家 20 人的新創如果 5 個訊號都是 Yes，比一家 200 人但 5 個都是 No 的傳統企業更適合現在評估 Glasswing。

訊號 1：你有沒有專責資安人？

這是最硬的前提。AI 資安工具不是「裝了就自動保護你」的防毒軟體，它是一個需要人去設定、調整、解釋結果的輔助工具。資安分析師花在 AI 工具上的工作，主要是設定威脅優先序規則、確認高優先告警、在誤報率還高的階段手動標記 False Positive 來訓練模型。這些工作沒有人做，工具就只是在伺服器上跑一個沒人看的程式。

訊號 2：Log 結構化程度決定 AI 的輸入品質

「Garbage in, garbage out」這句話在 AI 資安工具上比任何地方都更適用。如果你的應用程式 log 是純文字、格式不一、沒有 timestamp 標準化，AI 工具接進去的第一件事就是嘗試解析這些混亂資料——準確率會大幅下降。業界公認的做法是先把 log 統一送到 SIEM 平台（如 Splunk、Elastic SIEM），做好 normalization 之後 AI 工具才有乾淨的輸入。這個前置工作通常需要 4-8 週，跟 AI 採購決策是兩件事，要分開計劃。

訊號 3：合規曝險——誰負責解釋 AI 的決策？

這是台灣企業最容易忽略的維度。當 AI 封鎖了一個 IP，然後那個 IP 是重要客戶的辦公室出口，你要向客戶解釋「AI 覺得你是威脅」——這個對話的法律責任在哪裡？根據 NIST AI RMF（AI 風險管理框架） 的建議，企業在引入 AI 做自動化決策時，必須建立「可解釋性文件」機制——記錄 AI 基於什麼規則做了什麼決定。這不是技術問題，是法務 + IT + 業務三邊需要在採購前就對齊的文件流程。

訊號 4：ROI 試算——用 MTTR 當基準

AI 資安工具的 ROI 計算有一個相對明確的基準：Mean Time to Respond（MTTR），也就是從事件偵測到處置完成的平均時間。如果你的 SOC 團隊（或委外 MSSP）目前的 MTTR 是 4 小時，AI 告警分類如果能把分析師花在「過濾誤報」的時間砍掉 60%，等效縮短的 MTTR 大約是 40-90 分鐘（視事件類型而定）。把這個時間差換算成人力成本，就是 AI 工具的最低 ROI 基準。如果試算出來的 ROI 比工具年費還低，現在導入不划算。

訊號 5：HITL 設計——AI 資安的安全繩

Human-in-the-loop（HITL）是 AI 資安工具裡最重要、也最容易被跳過的設計。HITL 的核心是：AI 只做「建議」，人類做「決策」。在實作上，這代表每一個高嚴重度的告警，必須有一個人類分析師在一定時間內確認或否決，才能觸發自動處置（封鎖、隔離、通報）。這個流程沒設計好，有兩種失敗模式：一是 AI 判斷錯誤後沒有人能 override，造成業務中斷；二是 HITL 流程設計太繁瑣，分析師開始習慣性「一鍵核可」，HITL 形同虛設。參考NeMo Alert Triage Agent 的設計模式（#777），裡面有具體的 HITL 流程設計建議。

60 天評估清單：從現況盤點到第一個 PoC

「要不要導入 AI 資安」這個決策，不該是一個週末看完幾篇文章就定案的事。以下是一個實際可執行的 60 天評估框架，從現況盤點出發，到跑出第一個可量化的 PoC 結果。整個過程不需要購買任何工具，主要成本是人力時間。

這個框架的關鍵假設是：PoC 之前不花錢買工具。多數 AI 資安供應商都提供 pilot 或 trial 環境，在 PoC 階段你要驗證的是「這個工具能不能接進我現有的 log 管道、誤報率在可接受範圍內」，而不是功能展示 demo。要求供應商提供 PoC 環境的同時，也要求提供 HITL 流程模板和合規審計文件範本——這兩份東西不存在的供應商，先打個問號。

在 60 天評估期間，同步值得看的是Anthropic Claude Managed Agents 採購指南（#727），裡面對「自架 vs 外接 SaaS」的 6 個決策維度，在 AI 資安場景下同樣適用——特別是資料落地、合約責任歸屬、SLA 條款的部分。

中小企業 AI 資安自接 vs 外包：哪條路適合你

AI 資安的「自接」和「外包」不是非此即彼的選擇，而是一個連續光譜。以下是三種主要路徑的比較，以台灣中小企業的實際條件（IT 人力 1-3 人、年資安預算 50-200 萬）為基準。

對大多數 50 人以下的台灣中小企業，我們的實際建議是：先走 MSSP，等組織裡有足夠的資安知識積累和需求確認之後，再考慮混合或自架。這個判斷跟「AI 資安好不好」無關，跟「你的組織現在能不能消化這個工具的複雜度」有關。如果這個問題還沒有清楚的答案，歡迎把公司現在的情況丟過來聊——我們在AI 顧問服務 裡就在做這類評估陪跑，一起看看哪些做得起來、從哪一塊開始最划算。

如果想深入了解 AI agent 在企業場景的資安考量，我們整理的Anthropic SpaceX 算力合約解析（#574）裡面有一段關於「AI 廠商穩定性」的評估框架，採購 AI 資安工具時同樣適用——特別是 early access 計畫的廠商穩定性部分值得參考。

我們怎麼看：3 年後 AI 資安市場的贏家

我們的判斷是：2029 年 AI 資安市場的贏家，不會是現在押注最早、砸錢最多的那批人，而是把 HITL 流程和合規審計路徑做得最扎實的那批人。原因很具體：AI 資安工具的技術差距會快速收斂（各家模型能力差不多、整合介面趨於標準化），真正拉開差距的是「當 AI 出錯的時候，你的組織能不能在 1 小時內回滾、3 天內出完整的合規報告」。做到這兩件事，需要的是流程設計、文件體系、和人的判斷能力，不是最新的模型版本。

對現在還在評估的中小企業老闆：這個判斷給你的意義是，現在投資在「搞清楚自己的 log 管道在哪裡、合規文件流程是什麼、HITL 應該如何設計」，比投資在「哪個 AI 工具最新最強」更值得。把基礎做好，到 2027 H1 你有選擇；基礎沒做好，到時候看哪個工具都像是在還債。

常見問題