AI没有取代我们的安全团队——而是壮大了它。
内容提要
Webflow安全团队在无SOC情况下，利用AI辅助检测与响应。AI自动完成警报上下文整合、初步分级和误报关闭，节省504小时；在复杂调查中降低认知负荷，并加速事后分析。成功依赖干净数据、严格检测和反馈循环，AI不替代人类判断，而是让小型工程师团队高效运作。
延伸解读
AI辅助安全的关键前提
文章强调，AI辅助响应并非万能，其效果依赖于坚实的基础：干净的数据、严格的检测逻辑和反馈循环。如果这些前提缺失，AI不仅无法解决问题，反而会放大问题，例如让噪声检测变得更嘈杂，或让过时上下文被自信地呈现。团队在引入AI前，必须先确保这些基础到位，否则AI只会加速错误决策。
人机协作的边界设计
Webflow团队明确划分了AI与人类的职责：AI负责信息整合、初步分级和误报关闭，而工程师保留所有关键判断。这种边界是刻意设计的，而非临时限制。对于涉及特权访问、客户数据或潜在泄露的高风险警报，人类优先介入，AI仅作为辅助。这种设计原则有助于保持可审计性和可解释性，避免AI决策带来的风险。
AI在事后分析中的价值
事后分析常被忽视，但AI能在此发挥重要作用。通过自动综合事件中的聊天记录、会议转录和文档，AI能快速生成更完整的复盘报告，并捕捉那些“侥幸成功”的细节——即系统本可能失败却意外成功的情况。这些洞察往往能揭示最关键的改进点，并直接反馈到检测规则和流程中，避免经验在事件后的疲惫中流失。
Q&A
Webflow的安全团队是如何在没有SOC的情况下运作的？
Webflow的安全团队由一小群安全工程师组成，没有专门的SOC或轮班分析师。他们负责从编写和测试检测规则、响应事件到改进系统的整个生命周期。通过AI辅助，他们能够处理大量警报，而无需增加人手。
Webflow如何利用AI进行警报分流？
Webflow使用AI在工程师查看警报之前完成准备工作，包括整合上下文、关联历史信号、进行初步严重性评估。对于高置信度的误报，系统会自动关闭，无需人工干预。这节省了大量时间，一个季度内节省了504小时。
在复杂调查中，Webflow如何利用AI降低认知负荷？
在复杂调查中，Webflow使用LLM来降低认知负荷，例如总结原始日志、展示类似历史事件和相关playbook、建议下一步行动、起草初始时间线。工程师负责验证、决策和行动，AI仅提供支持，不做出决策。
Webflow如何利用AI改进事后分析？
Webflow在事件结束后，将事件响应过程中的所有证据（如消息、会议记录、笔记、时间线文档）输入AI，AI负责综合信息，生成更完整的事后分析文档，并捕捉那些偶然的成功因素。这加快了文档生成速度，并确保经验教训反馈到检测和响应系统中。
Webflow认为成功实施AI辅助安全的关键前提是什么？
Webflow认为成功实施AI辅助安全需要坚实的基础：干净的数据、严格的检测规则、文档化的流程和反馈循环。如果这些基础不牢固，AI不仅不能解决问题，反而会放大问题，例如使噪声检测更嘈杂、错误地呈现过时上下文、更高效地处理误报但浪费工程时间。
Webflow如何决定哪些警报适合AI自动处理，哪些需要人工介入？
Webflow根据风险级别和事件类型来决定。对于高置信度的误报，AI可以自动关闭；但对于涉及特权访问、客户数据或潜在泄露场景的警报，会优先由人工处理，AI仅作为辅助。这是经过深思熟虑的架构选择，而不是需要弥补的缺陷。
Webflow对AI在安全领域的供应商锁定持什么态度？
Webflow刻意不锁定单一AI供应商，因为该领域发展太快，底层能力比品牌更重要。他们更关注的问题是“AI判断在哪里增加价值，哪里需要人工检查”，并根据用例、风险级别和事件类型来回答。
