Justifying AI 安全 Budgets

# 典型的年度滿載成本範圍（美元，2026 年估計）
# 這些因地理位置和組織規模而異
人員成本 = {
    “ai_red_team_lead”：{
        「薪資範圍」：（180_000，260_000），
        "full_loaded_multiplier": 1.35, # 福利、稅金、管理費用
        "description": "領導 AI 紅隊的參與與方法",
    },
    “ai_red_team_engineer”：{
        「薪資範圍」：（150_000，220_000），
        「完全載入乘數」：1.35，
        "description": "執行人工智慧安全評估",
    },
    「ai_security_engineer」：{
        「薪資範圍」：（160_000，230_000），
        「完全載入乘數」：1.35，
        "description": "將安全性建置到人工智慧平台和管道中",
    },
    “ml_security_researcher”：{
        「薪資範圍」：(170_000, 250_000),
        「完全載入乘數」：1.35，
        "description": "研究新的人工智慧攻擊和防禦技術",
    },
}
defcalculate_team_cost(team_composition: dict[str, int]) -> dict:
    """根據角色數量計算年度團隊成本。"""
    總低= 0
    總高 = 0
    對於角色，計入 team_composition.items()：
        如果角色在 PERSONNEL_COSTS 中：
            成本 = 人員成本[角色]
            低 = 成本["salary_range"][0] * 成本["full_loaded_multiplier"] * 計數
            高 = 成本["salary_range"][1] * 成本["full_loaded_multiplier"] * 計數
            總低 += 低
            總最高價 += 高價
    返回{
        「年度範圍」：（總低，總高），
        「每月範圍」：（總低/12，總高/12），
    }
# 例：4人團隊
團隊={
    “ai_red_team_lead”：1，
    “ai_red_team_engineer”：2，
    「ai_security_engineer」：1，
}
成本=計算團隊成本（團隊）
# 滿載時每年約 85 萬至 125 萬美元

TOOLING_COSTS = {
    "commercial_ai_security_platform": {
        "annual_range": (50_000, 200_000),
        "examples": ["Robust Intelligence", "HiddenLayer", "Protect AI"],
    },
    "cloud_compute_testing": {
        "annual_range": (20_000, 100_000),
        "description": "GPU instances for 對抗性 測試, model 評估",
    },
    "llm_api_costs_testing": {
        "annual_range": (5_000, 50_000),
        "description": "API calls for automated 提示詞注入 測試, etc.",
    },
    "traditional_security_tools_ai_extensions": {
        "annual_range": (10_000, 50_000),
        "examples": ["Semgrep AI rules", "Snyk AI module"],
    },
}

”“”
基於 FAIR 的 AI 安全場景風險量化。
產生年化損失預期 (ALE) 估計
直接轉化為預算合理性。
”“”
從資料類導入資料類
隨機導入
進口統計
 
@資料類
AIRisk 場景類別：
    名稱：str
    描述：str
# 威脅事件頻率 (TEF)：嘗試威脅的頻率
    tef_low：每年浮動 # 次，樂觀
    tef_high：每年浮動 # 次，悲觀
# 漏洞：威脅成功的機率
    vuln_low: float # 機率0-1，樂觀
    vuln_high: float # 機率0-1，悲觀
# 損失幅度：威脅成功後的財務影響
    loss_low: float # 美元，樂觀
    loss_high: float # 美元，悲觀
def Simulate_ale(self, iterations: int = 10000) -> dict:
        ”“”
        年化損失預期的蒙特卡羅模擬。
        傳回預算合理性的分配統計資料。
        ”“”
        麥芽酒 = []
        對於 _ 在範圍內（迭代）：
            # PERT 分佈的樣本對每個參數
            tef = self._pert_sample(self.tef_low, self.tef_high)
            vuln = self._pert_sample(self.vuln_low, self.vuln_high)
            損失 = self._pert_sample(self.loss_low, self.loss_high)
# 遺失事件頻率 = TEF * 漏洞
            lef = tef * 漏洞
            # ALE = LEF * 損失幅度
            麥芽酒 = lef * 損失
            ales.append(ale)
ales.sort()
        返回{
            「mean_ale」：statistics.mean(ales),
            「median_ale」：statistics.median(ales),
            "p10_ale": ales[int(0.10 * len(ales))],
            "p90_ale": ales[int(0.90 * len(ales))],
            "p95_ale": ales[int(0.95 * len(ales))],
            「max_ale」：最大（啤酒），
        }
def _pert_sample(self, 低: 浮動, 高: 浮動) -> 浮動:
        """來自 PERT 分佈的樣本（三角近似）。"""
        最有可能=（最低價+最高價）/ 2
        返回 random.triangle(low, high,most_likely)
 
# 定義常見的人工智慧風險場景
場景 = [
    空氣風險情境（
        name="訓練資料中毒",
        description="對手毒藥訓練資料影響模型行為",
        tef_low=0.5, tef_high=3.0, # 每年嘗試0.5-3次
        vuln_low=0.1, vuln_high=0.4, # 10-40% 成功機率
        loss_low=100_000, loss_high=5_000_000, # 每次事件 10 萬至 500 萬美元
    ),
    空氣風險情境（
        name="提示詞注入 / 越獄 (面向客戶的法學碩士)",
        description="攻擊者繞過 LLM 安全來提取資料或造成傷害",
        tef_low=10, tef_high=100, # 頻繁嘗試
        vuln_low=0.05, vuln_high=0.3, # 每次嘗試成功率 5-30%
        loss_low=10_000，loss_high=1_000_000，
    ),
    空氣風險情境（
        name="模型竊盜/IP 滲透",
        description="競爭對手或對手提取專有模型",
        tef_low=0.2，tef_high=2.0，
        vuln_low=0.05，vuln_high=0.2，
        loss_low=500_000，loss_high=20_000_000，
    ),
    空氣風險情境（
        name="人工智慧相關監理罰款",
        description="人工智慧系統不合規罰款（歐盟人工智慧法案等）",
        tef_low=0.1，tef_high=1.0，
        vuln_low=0.1，vuln_high=0.5，
        loss_low=200_000，loss_high=10_000_000，
    ),
    空氣風險情境（
        name=“對抗性規避（詐欺偵測）”，
        description="攻擊者逃避基於人工智慧的詐欺偵測系統",
        tef_low=50，tef_high=500，
        vuln_low=0.01，vuln_high=0.1，
        loss_low=5_000，loss_high=100_000，
    ),
]
 
def build_risk_summary(scenarios: list[AIRiskScenario]) -> dict:
    """為預算合理性建立可供執行人員使用的風險摘要。"""
    平均啤酒總數 = 0
    總 p90_ale = 0
    場景詳細資訊 = []
對於場景中的場景：
        結果=場景.simulate_ale()
        總平均啤酒數 += 結果[“平均啤酒數”]
        Total_p90_ale += 結果["p90_ale"]
        場景_詳細資料.append({
            “場景”：場景.名稱，
            "mean_annual_exposure": f"${結果['mean_ale']:,.0f}",
            "90th_percentile": f"${結果['p90_ale']:,.0f}",
        })
返回{
        "total_mean_annual_exposure": f"${total_mean_ale:,.0f}",
        "total_90th_percentile_exposure": f"${total_p90_ale:,.0f}",
        “場景”：場景_詳細信息，
        「推薦」：（
            f“人工智慧安全程式的成本低於”
            f"${total_mean_ale * 0.3:,.0f}/年將減少這種暴露"
            f“預計提高 40-60%，產生正投資回報率。”
        ),
    }

def 計算投資報酬率（
    年度投資：浮動，
    目前風險暴露：浮動，
    Expected_risk_reduction: float, # 百分比，例如 0.5 表示 50%
    extra_benefits: float = 0, # 例如，避免合規成本
    年：int = 3，
) -> 字典：
    ”“”
    計算人工智慧安全投資的投資報酬率。
    ”“”
    年度避免風險 = 當前風險暴露 * 預期風險減少
    年度淨收益 = 年度風險避免 + 額外收益 - 年度投資
總投資=年度投資*年數
    總收益 = (年度風險避免 + 額外收益) * 年
    總投資報酬率 = (總收益 - 總投資) / 總投資
# 損益平衡分析
    每月成本 = 年度投資 / 12
    每月收益 = (年度風險避免 + 額外收益) / 12
    如果每月收益 > 每月成本：
        損益平衡月數=年度投資金額/（每月收益）
    其他：
        損益平衡月=浮動（“inf”）
返回{
        "annual_investment": f"${annual_investment:,.0f}",
        "annual_risk_avoided": f"${annual_risk_avoided:,.0f}",
        "annual_net_benefit": f"${annual_net_benefit:,.0f}",
        "third_year_roi": f"{total_roi:.0%}",
        "breakeven_months": f"{breakeven_months:.0f}" 如果breakeven_months != float("inf") else "N/A",
        「摘要」：（
            f“投資 ${annual_investment:,.0f}/年以減少”
            f"${current_risk_exposure:,.0f} 年度風險暴露“
            f"{expected_risk_reduction:.0%} 收益率 "
            f"${annual_net_benefit:,.0f} 年度淨收益 "
            f“（{years} 年的{total_roi:.0%} 投資回報率）。”
        ),
    }
# 計算範例
結果=計算投資報酬率(
    Annual_investment=1_000_000, # 100萬美元/年計劃
    current_risk_exposure=5_000_000, # 每年 500 萬美元的風險暴露
    Expected_risk_reduction=0.50, # 風險降低 50%
    extra_benefits=200_000, # 合規成本規避
    年=3，
）

”“”
人工智慧安全投資有效性季度報告框架。
提供持續預算合理性所需的數據。
”“”
從資料類導入資料類
從日期時間匯入日期
 
@資料類
季度指標類：
    季度：str # 例如，“2026 年第一季”
    投資截止日期：浮動
    ai_systems_assessed：int
    Total_ai_systems：int
    發現的漏洞：int
    漏洞修復：int
    mean_time_to_remediate_days：浮動
    estimated_incidents_prevented：int
    估計成本避免：浮動
    automated_scan_coverage_pct：浮動
    red_team_engagements: int
@屬性
    defcoverage_percentage(self) -> 浮動：
        如果 self.total_ai_systems == 0:
            返回 0.0
        返回 self.ai_systems_assessed / self.total_ai_systems * 100
@屬性
    def roi_to_date(self) -> 浮動：
        如果 self.investment_to_date == 0:
            返回 0.0
        回報 (self.estimated_cost_avoidance - self.investment_to_date) / self.investment_to_date
def Executive_summary(self) -> str:
        返回（
            f"Q: {self.quarter}\n"
            f“投資：${self.investment_to_date:,.0f}\n”
            f“覆蓋率：評估的 AI 系統的 {self.coverage_percentage:.0f}%\n”
            f“調查結果：發現{self.vulnerability_found}，”
            f"{self.vulnerability_remediad} 已修正\n"
            f"MTTR：{self.mean_time_to_remediate_days:.0f} 天\n"
            f“預計避免成本：${self.estimated_cost_avoidance:,.0f}\n”
            f“迄今為止的投資回報率：{self.roi_to_date:.0%}\n”
        ）