撰寫執行摘要

AI 紅隊報告的執行摘要結構：為非技術利害關係人進行風險溝通，含範本、範例與常見失誤。

撰寫執行摘要

執行摘要是紅隊報告中最多人閱讀、影響最深的章節。許多利害關係人——包括掌握資安預算者——只會看這一段。強的執行摘要推動行動；弱的則讓報告被束之高閣。

對象分析

執行摘要是寫給具以下特質的讀者：

結構

強的執行摘要遵循以下結構：

1. 1

   委任脈絡（2–3 句）

   誰委託你、測試了什麼、何時進行、在什麼限制下。呈現出你理解業務脈絡，以建立可信度。

2. 2

   整體風險評估（1 段）

   以清楚、直接的一句話說明系統的安全姿態。以評級（嚴重 / 高 / 中 / 低）附平實語言解釋。

3. 3

   關鍵發現（3–5 點）

   最重要的發現，每一項以業務風險陳述。先寫影響，再寫手法。

4. 4

   運作良好之處（2–3 點）

   有效的控管。藉此建立可信度，避免讓利害關係人因「什麼都壞掉」而失去耐心。

5. 5

   優先建議（3–5 項）

   最重要的行動，依風險降低排序。附粗略工作量估計。

6. 6

   投資請求（若適用）

   處理發現所需的資源。與風險降低連結。

寫作原則

先寫影響，不先寫手法

「發現 F001：我們執行了多輪提示注入攻擊，使用角色扮演 DAN 變體繞過了該模型 RLHF 訓練的拒答行為。此攻擊利用建立『安全準則不適用』之虛構脈絡的方式，利用了模型的指令階層。」

「發現 F001：攻擊者只需一段短對話便可繞過聊天機器人的安全控管，使其揭露機密客戶資料、產生有害內容或忽視業務規則。此攻擊不需技術能力，約 2 分鐘可完成。」

一切皆量化

使用具體的嚴重性語言

範本

## 執行摘要
 
### 委任概觀
[公司] 委託 [紅隊] 評估 [目標系統] 的安全，期間自 [起日] 至 [迄日]。
評估聚焦於 [範疇：例如「部署於 chat.example.com 的客服 AI 聊天機器人」]。
測試於 [限制：例如「模擬無特權外部攻擊者之黑箱條件」] 下進行。
 
### 整體風險評估
**整體評級：[嚴重 / 高 / 中 / 低]**
 
[以業務語言摘述整體安全姿態 1–2 句。
例如：「此 AI 聊天機器人含嚴重漏洞，無經驗攻擊者即可繞過安全控管、
存取機密資料並操弄系統產出有害內容。必須立即修復，以免這些漏洞
被發掘並遭利用。」]
 
### 關鍵發現
1. **[業務影響陳述]** —— [簡短說明]。嚴重性：[評級]。
2. **[業務影響陳述]** —— [簡短說明]。嚴重性：[評級]。
3. **[業務影響陳述]** —— [簡短說明]。嚴重性：[評級]。
 
### 有效控管
- [運作良好、應保留的控管]
- [運作良好、應保留的控管]
 
### 優先建議
1. **[行動]** —— [預期風險降低]。工作量估計：[時間/成本]。
2. **[行動]** —— [預期風險降低]。工作量估計：[時間/成本]。
3. **[行動]** —— [預期風險降低]。工作量估計：[時間/成本]。
 
### 建議投資
為處理本報告之發現，建議於 [期間] 內投入約 [金額]，
預期可使 AI 相關安全風險降低 [百分比/指標]。

範例演練

## 執行摘要
 
### 委任概觀
Acme Corp 委託 RedTeam Security 評估 Acme AI 客服助理的安全，
期間自 2026 年 2 月 24 日至 3 月 7 日。評估聚焦於部署於
support.acme.com/chat 的生產級聊天機器人，該系統每日處理約
15,000 次客戶互動。測試於黑箱條件下進行，模擬具標準客戶帳戶
之外部攻擊者。
 
### 整體風險評估
**整體評級：高**
 
此 AI 助理含數項漏洞，無經驗攻擊者可於數分鐘內繞過安全控管並
擷取機密資訊。儘管系統對直接有害內容請求能有效封鎖，仍存在
多項不需技術知識即可利用的繞過手法。
 
### 關鍵發現
1. **客戶資料暴露** —— 攻擊者可誘使助理揭露其他客戶的訂單歷史
   與聯絡資訊，影響約 50,000 筆紀錄。嚴重性：嚴重。
2. **安全控管繞過** —— 助理的內容限制可透過角色扮演情境繞過，
   導致產生違反 Acme 可接受使用政策的內容。嚴重性：高。
3. **內部流程揭露** —— 助理可被操弄揭露內部退款政策、升級流程
   與員工姓名。嚴重性：中。
 
### 有效控管
- 助理在所有測試過的繞過手法下，一貫拒絕提供金融資訊
  （信用卡號、銀行資料）
- 速率限制有效防止自動化的大規模攻擊
 
### 優先建議
1. **對 PII 實施輸入/輸出過濾** —— 防止客戶資料出現在回應中。
   預期可消除發現 1。工作量估計：2–3 個工程週。
2. **加入安全分類器層** —— 部署次一模型於輸出前篩檢。預期可使
   發現 2 成功率自 60% 降至 5% 以下。工作量估計：3–4 個工程週。
3. **縮小系統提示範圍** —— 將內部流程細節自系統提示中移除。
   工作量估計：1 週。
 
### 建議投資
總修復投資：約 150,000–200,000 美元，為期 8 週，預期可使
AI 相關安全風險降低 80%。作為參照，單一涉及 50,000 筆客戶
紀錄的資料暴露事件，估計成本為 3–7 百萬美元，包含法規罰款、
法律費用與聲譽損失。

相關主題

• 紅隊報告大師班 -- 完整報告框架
• 技術發現文件 -- 摘要所萃取的詳細發現
• 客戶溝通與困難對話 -- 對利害關係人呈現摘要

參考資料

• "Writing for Impact: Security Report Executive Summaries" - SANS Institute（2024）- 將技術發現轉為業務層級溝通的最佳實務
• "NIST AI Risk Management Framework (AI RMF 1.0)" - National Institute of Standards and Technology（2023）- 向組織領導層呈現 AI 風險的溝通指引
• "The Art of the Executive Briefing" - CREST International（2024）- 向非技術利害關係人呈現安全評估結果的框架