据TechRadar报道，SANS Institute数字取证与事件响应（DFIR）课程负责人指出，AI正在进入数字取证与事件响应工作流，但工具只能辅助调查，调查人员仍须对结论质量负责，尤其在判断罪责或形成调查结论时不能盲目信任AI。

文章称，AI已渗透到几乎所有工作流程：开发者用它写代码、测试代码，客服用它处理常规询问，安全团队用它分析告警和支持调查，DFIR也不例外。过去几十年数字取证工作演变中，一条经验始终成立：工具可以支持调查，但调查人员要对得出的结论质量负责。随着AI日益融入各行业流程，挑战在于理解哪些环节可由AI协助、哪些仍需人类专业判断，以及组织应把界线画在哪里。

在DFIR领域，AI最有前景的应用也较实际。文章提到，当前90%的刑事调查和起诉涉及数字元素，DFIR团队需要处理海量数据；截至今年2月，仅英格兰和威尔士就有超过2万台设备积压在数字取证队列中。数据分散在终端、云环境、通信平台和用户账户中，AI可帮助分类处理、识别潜在线索、发现数据集之间的关联，并标出可能需要进一步检查的证据来源。

例如，AI可帮助调查人员关联多台设备、多个账户和数据源中的相关活动，支持重建事件时间线，而人工梳理可能需要数天。它还可帮助整理信息、组织报告，使从业者减少行政事务，将更多时间用于分析。文章认为，使用得当，AI能减少人工重复劳动，让熟练从业者把时间投入推动工作前进的分析和决策。

风险在于AI常显得权威，使人过度依赖其输出。数字取证的重要教训之一是每种工具都有局限，经验丰富的调查人员明白取证工具可能出错，AI也不例外。文章称，AI最大风险是在缺乏基础知识、无法识别其何时出错的情况下使用它。AI就像状态最好的初级分析师，能识别模式、突出关注点、帮助推进工作，但没有组织会让初级分析师在没有监督和问责的情况下，在敏感调查中做最终决定；对待AI也应如此。

问题出现在组织把AI生成输出当作答案，而不是需要由具备专业知识的人验证、挑战的东西。AI可帮助得出结论，但不应本身成为结论。文章指出，AI可在很多领域加速和增强工作，但有些领域绝不应使用，组织需注意边界在哪里。在数字取证中，AI可帮助识别值得进一步检查的信息、支持分析并提高效率，但不应被盲目信任去得出调查结论或判定有罪无罪。这些决定带来法律、职业和改变人生的后果，人类判断与问责不可谈判。

这一原则也超出数字取证。各行业组织都在决定把多少责任交给AI，答案会因用例而异，但根本问题相同：有哪些保障措施防止人们过度依赖AI输出，以及他们如何知道这些输出何时错误。文章提到，新的数字取证与事件响应AI实用框架正在处理这些问题，鼓励组织考虑任务风险、输出审查方式以及人类监督必须保留在哪些环节。在DFIR中使用AI需要严格治理，因为代价很高：当生命受到威胁或可能发生错误定罪时，错误会被严肃对待。文章还称，组织不应等到后果如此严重才开始保护决策完整性并确保人类监督。