网络安全文献长期记录 AI 在威胁检测、事件响应与预防方面的运营收益，同时也提出过度自动化、算法偏见与分析师技能退化等定性担忧，但一直缺少一个形式化、可证伪的模型，用来连接三组反复出现的构念：纵深防御理论（Defense-in-Depth）、AI 模式识别理论以及安全运营中的人机协作。本文正是为填补这一空白而构建模型。作者做了三件事：其一，把分层防御形式化为一个伯努利检测级联，AI 增强以乘性方式作用于各层；其二，把每一层的模式识别行为形式化为 Neyman-Pearson／贝叶斯检测器，并推导出闭式的最优判决阈值；其三，把人机告警分流形式化为容量受限的级联模型，显式且可量化地刻画检测概率与误报（即告警疲劳）率之间的权衡。作者通过蒙特卡洛与解析仿真，在一组示意性但贴近真实的运行点上进行评估，得到两个主要结论：(1) AI 增强在各防御层之间具有复合效应，其边际收益最大的位置恰好是传统分层防御已经饱和的地方；(2) 对 AI 标记的告警执行 100% 人工复核并非最优策略——把分析员容量提高到接近全覆盖，虽然可把误报降低约 20 倍，但同时会拉低系统级检测概率，原因在于不完美的人为判断此时被施加到每一条告警上，而不是经过过滤的子集。该工作把业界常说的“平衡的人机协作”从口号转化为精确、可检验的形式，并提出存在内点最优的容量比例，可作为 SOC 的具体设计目标，包括保护 IT/OT 融合关键基础设施的 SOC。适合安全运营研究、SOC 架构设计与 AI 安全治理方向的读者。