CSA发布 | AISMM人工智能安全成熟度模型深度解读：从“看见风险”到“持续治理”

首页 > 关于我们 > 新闻中心 > CSA发布 | AISMM人工智能安全成熟度模型深度解读：从“看见风险”到“持续治理”

2026.07.23
11

2026年5月，云安全联盟（CSA）正式发布《人工智能安全成熟度模型》（AI Security Maturity Model，AISMM）。这是CSA继发布人工智能控制矩阵（AICM）后，在AI安全治理领域的又一关键拼图。
如果说AICM回答的是“一个AI部署应该有哪些控制”，那么AISMM回答的则是一个更根本、更具战略性的问题：“管理所有这些部署的安全程序，在每个成熟度阶段应该是什么样子”。
本文将从模型定位、核心框架、应用路径三个维度，对AISMM进行深度解读。

01 为什么需要AISMM：AI正在突破传统安全的边界
过去几年，大模型技术飞速发展，企业AI应用已逐渐从个人工具走向组织级能力。从ChatGPT、Claude，到DeepSeek、通义千问、文心一言，再到企业内部RAG知识库、AI Coding、智能客服、智能办公助手……AI正越来越深入企业核心业务流程。
与此同时，AI带来的安全边界也发生了根本变化。传统网络安全更多关注的是系统安全、数据安全、身份安全；而AI时代，企业开始面对的是：

谁在使用AI？
AI访问了哪些数据？
AI能够执行哪些业务？
AI是否符合企业治理要求？
AI输出是否可信、可追溯、可审计？

这些问题已经无法依靠传统安全体系完全解决。
当前企业AI治理普遍存在四个问题：

看不见，不清楚哪些部门在使用AI、调用哪些模型；
管不了，AI Agent逐渐拥有调用业务系统和自动执行任务的能力，传统权限体系难以覆盖；
查不到，缺乏Prompt、数据访问及模型调用日志，难以满足审计要求；
难运营，AI治理缺乏持续监测和优化机制。这些问题决定了AI治理必须成为企业数字化治理的重要组成部分。

这种AI部署速度与安全能力之间的差距，正是AISMM旨在弥合的。
AISMM在“前言”中明确指出，该模型“侧重于构建和改进企业级人工智能安全计划，但也适用于评估单个人工智能应用程序的部署情况”。其设计理念务实且克制——不追求穷举所有控制目标，而是识别1-3个关键成熟度指标，这些指标“通常仅在达到特定成熟度级别时才会显现”。

02 AISMM与AICM：CSA AI安全治理体系的“一体两面”
理解AISMM，必须将其置于CSA构建的AI安全工具体系中。
AICM是面向云上AI系统的供应商中立控制框架。AICM v1.1包含18个安全域和247个控制目标；AISMM则从企业安全计划成熟度角度，对这些安全能力的组织化、规模化和持续运行程度进行评估。
AISMM则从企业安全计划成熟度角度，对这些安全能力的组织化、规模化和持续运行程度进行评估。
两者关系可类比为：AICM是“完整的安全控制菜单”，AISMM是“基于此菜单的成熟度体检工具”。AISMM的前言明确指出，其控制目标与CSA的广泛研究以及AICM保持一致，详细的控制目标、KPI、证据成果正在作为AICM的配套文件进行开发。

03 五级成熟度：从“临时使用”到“持续优化”
AISMM将企业AI安全成熟度划分为五个递进层级。要被视为达到某个级别，组织需在至少85%的部署中满足该级别所有控制目标。
L1 初始级（Initial） ：AI采用具有临时性，缺乏协调的安全管理。使用由用户和开发人员驱动，自行选择工具、配置和供应商。没有针对AI的安全可见性和专用工具。这是大多数企业的起点，安全团队甚至不知道AI在何处被使用。
L2 重复级（Repeatable） ：已建立初步的AI安全政策和指导方针，主要供应商和平台已通过基本安全审核。AI使用情况和组件在主要部署中已记录在案，但安全措施尚未在整个组织内一致实施。核心标志是：从“完全不可见”变为“部分可管理”。
L3 定义级（Defined） ：已建立正式的AI治理架构（AI委员会、卓越中心或同等机构），采用行业框架（如AICM、ISO 42001）制定文档化政策。建立了经批准的供应商、模型及AI部署的注册库。安全团队始终参与AI项目的设计与审查。这是实现“组织化治理”的关键门槛，治理从个人经验转向集体流程。
L4 能力级（Capable） ：采用集中式AI安全管理，并在所有部署中保持一致的执行力度。部署AI专用安全工具（防护栏、AI-SPM、提示词安全），与企业安全平台（SIEM、SOAR）集成。实现AI服务和组件的自动化发现与追踪，安全测试集成到开发管道。核心特征是“用工具固化规则，用自动化替代人工”。
L5 效率级（Efficient） ：AI安全领域实现全面自动化，并具备持续监控能力。具备企业范围内的全面可视化，自动化合规报告与证据收集，主动检测新兴威胁（包括代理型AI攻击）。通过实时风险看板和持续优化循环，实现治理的“自动驾驶”。最终目标是从“被动响应”进化为“主动预测与自适应”。

04 12个控制域：构建AI安全能力的完整拼图
ISMM将AI安全能力组织为三个顶层域，并在其下设置12个安全类别。
基础控制域（Foundational Domains） ——解决“谁来管、怎么管”：

治理（GOV）：AI的整体治理架构、政策与伦理框架。
组织管理（ORG）：企业级AI资产管理、发现、清点与集中式策略执行。
身份与访问管理（IAM）：管理用户、AI代理及非人类身份的全生命周期与最小权限。
安全监控（MON）：对AI活动、提示词、代理行为及数据访问的日志与监控。

结构控制域（Structural Domains） ——解决“管什么”：

基础设施安全与弹性（INF）：保护AI训练、推理等托管环境的安全与韧性。
模型安全（MOD）：确保模型的可信来源、完整性、安全配置与对抗鲁棒性。
应用安全（APP）：保护AI应用、智能体、模型上下文协议（MCP）服务器、工具调用及API层面的安全。
数据安全（DAT）：管理训练数据、RAG数据、向量库等AI相关数据的全生命周期安全。

流程控制域（Procedural Domains） ——解决“如何持续管”：

风险与供应商评估及管理（RSK）：AI项目风险评估与第三方供应商的全生命周期管理。
AI支持的开发与供应链安全（DEV）：AI编码助手、AI-BOM及模型供应链的安全管理。
隐私、合规与审计（CMP）：满足AI相关的法律法规、隐私保护与合规审计要求。
事件响应（IR）：针对AI特有攻击的检测、响应、恢复与取证。

05 如何应用AISMM：从评估到演进
AISMM提供了一套可操作的评估方法论。其核心思路可概括为“三角验证”：

控制点是否到位？规定动作做了没有？
是否覆盖主要AI应用场景？控制措施是否覆盖了RAG、AI编码、智能体等核心场景？
是否有证据证明控制有效？能否提供可审计的日志、审批记录、测试报告等证据？

具体落地路径通常分四步：

明确范围：确定评估是企业级整体评估，还是针对特定业务线或单个AI应用。
识别现状：对照12个控制域和5个级别，识别企业当前AI资产、风险敞口和已有控制措施。
差距分析：输出详细的差距清单，明确当前级别与目标级别之间的缺失项。
制定路线图：根据差距和业务优先级，形成分阶段的改进计划与演进路线。

在应用AISMM时，企业需注意：它不是僵硬的合规检查表，更不是一次性的“抄作业”活动。企业应根据自身风险状况、业务场景和资源，选择性地应用和调整。无论场景如何变化，其治理逻辑都遵循统一路径：首先识别AI资产和业务边界，其次开展风险评估，建立身份权限与访问控制，再通过日志、监控和审计实现持续运营。AI治理的重点不是限制AI应用，而是在保障业务创新的同时实现风险可控。安全工作的本质是基于风险的沟通与博弈，而成熟度模型的价值在于提供一个共同的坐标系，帮助安全团队与业务方在同一套语言下对话，明确“我们现在在哪里”以及“我们要去向何方”。

结语
AISMM的发布，为企业在AI时代的混乱与无序中提供了一份清晰的“航行参考图”。 AISMM最大的价值并不在于提供一份检查清单，而是帮助企业建立持续演进的治理能力。未来，随着智能体（Agent）和AI自动化能力不断增强，企业安全工作的重点将从被动响应转向主动治理，从人工运维转向自动化运营。正如赛宝分享中所强调的，安全不是阻碍AI发展，而是支撑AI可信落地的重要基础。AISMM为企业提供了从“会用AI”迈向“管好AI”、从“AI可用”走向“AI可信”的系统化路线图。

《AISMM人工智能安全成熟度模型》(中文版) 由赛宝认证中心专家翻译，CSA大中华区专家审核，感谢以下专家的贡献：

赛宝认证中心：胡友杰、韦艳春、江欣、蔡忠英
CSA大中华区：郭鹏程、李岩

大会预告