AIがサイバーリスクを再構築する中、インドの平均データ侵害コストが過去最高に

IBMの最新の侵害調査は、厳しい数字とともにGoogle Newsでも取り上げられた。インドにおける組織の平均侵害コストは、2026年に2億5,500万インドルピーへ上昇した。

これは25.5 croreインドルピーに相当し、2025年の2億2,000万インドルピーから15.9％増加した。IBMは、年次調査で記録したインドの平均額として過去最高だとしている。

見出しは警戒を促すものだが、根底にある話は、人工知能によってすべてのサイバー攻撃が高額化したという単純なものではない。IBMの調査結果は、相反する二つの影響を示している。攻撃者はAIを用いて欺瞞行為や悪意あるソフトウェアを拡大し、防御側は自動化を利用して調査を短縮し、損失を抑えている。

この緊張関係は、記録そのものより重要である。AIとセキュリティ自動化を導入していないインドの組織は、こうした防御策を広範に利用する組織より、侵害1件当たりにはるかに大きなコストを支払っていた。同時に、従業員による統制されていないAI利用も、別の高コストなリスクを生み出していた。

結果として、統治された自動化と管理されないAI導入の間でセキュリティ競争が起きている。組織が選んでいるのは、AIを使うか避けるかではない。攻撃者、従業員、セキュリティチームのいずれが、最も少ない制約の下でAIを使うかを決めているのである。

Google Newsが注目した、過去最高のインドのデータ侵害コスト

IBMは、インドの平均侵害コストが2億5,500万インドルピーに達し、平均的なインシデントで流出したレコード数も増加したと推計している。

IBMは2026年8月3日、インドに関する調査結果を発表した。同社によれば、平均的な侵害では3万9,500件のレコードが侵害され、2025年の3万8,200件から増加した。

1,300件の増加は、15.9％のコスト上昇と比べると小さく見える。この差は、組織が失ったレコード数の増加だけが財務的な影響を押し上げたわけではないことを示唆している。

侵害コストには、技術調査、顧客対応、業務中断、規制対応、事業損失などが含まれ得る。そのため、検知と復旧が遅いままであれば、やや規模の大きいインシデントでも請求額は大幅に膨らみ得る。

Google Newsで広まった当初の記事は、新たな記録を適切に強調していた。ただし、元となるインドの侵害調査結果には、より実務的に有用な比較が含まれている。

セキュリティ運用でAIも自動化も利用していないと回答した組織は、平均侵害コストが3億1,600万インドルピーだった。AIと自動化を広範に利用する組織は、平均2億1,300万インドルピーと報告した。

両グループの差は1億300万インドルピー、すなわち10.3 croreインドルピーである。導入が限定的な組織の平均は2億3,100万インドルピーだった。

これらの数字は、自動化されたセキュリティ製品を導入すれば、将来のすべてのインシデントから直接1億300万インドルピーを削減できることを示すものではない。IBMの調査は観察研究であり、自動化が成熟した組織は他の面でも異なっている可能性がある。

たとえば、より強力なID管理、より大規模なセキュリティチーム、テスト済みの対応計画、あるいはより適切に維持された資産インベントリーを備えているかもしれない。こうした要因も、自動化と並んでコストに影響し得る。

この制約があっても、方向性は無視しにくい。広範な自動化を導入する組織は、導入が限定的、または存在しない組織よりも低い平均コストを報告している。

この記録は、確立した上昇傾向も引き継いでいる。IBMは2024年のインドにおける平均侵害コストを1億9,500万インドルピーと報告した。2025年のインドの調査結果では、この数字が2億2,000万インドルピーに上昇した。

1億9,500万インドルピーから2億5,500万インドルピーへの2年間の増加は、約30.8％に相当する。各年の推計は、IBMのインド調査における新たな最高額となった。

これらの数値には慎重な表現が必要だ。これはIBMとPonemon Instituteが調査した組織の平均を表すものであり、インド全体で発生したすべての侵害を国レベルで集計したものではない。

小規模なインシデントは発見されなかったり、報告されなかったりする可能性がある。侵害調査に参加する組織は、より広い母集団とは異なる場合もある。

それでもこの推計には価値がある。実際のインシデントに対応する組織的なコストを捉えているからだ。負担が、盗まれたデータベースや停止した1台のサーバーを超えることを示している。

高額な侵害では、法務、技術、広報、経営陣のリソースが同時に消費され得る。攻撃者がアクセスを失った後も、収益を生むシステムが長期にわたり中断する可能性がある。

したがって、Google Newsの見出しは目に見える結果を示している。より重要な問いは、なぜ一部の組織が他よりも大きな損失を被るのか、である。

AIは攻撃を加速させているが、唯一の原因ではない

AIは悪意ある活動の速度と規模を変えているが、フィッシングや通常の統制不備はいまも多くの初期侵入経路を提供している。

IBMは、インドで調査した悪意ある侵害の26％に、AI生成型の攻撃が関与していたとした。同社によれば、こうした攻撃には、悪意ある活動をより高速化、高度化、または容易に拡大可能にする技術が含まれていた。

世界的な傾向も同様だった。IBMの2026年侵害調査によれば、悪意ある侵害の4件に1件がAI対応型であり、前年比56％増を示した。

IBMは、この増加の主要な要素として、ディープフェイクによるなりすましとAI対応型マルウェアを挙げた。同社は、AI対応型の侵害に伴う世界の平均コストを約600万米ドルと推計している。

これらの調査結果は、明確な仕組みを裏付けている。生成システムは、説得力のあるメッセージの作成、悪意あるコードの改変、信頼される人物の模倣に必要な時間を短縮できる。

攻撃者は、すべてのフィッシングメッセージを手作業で書く必要がなくなる。AIは、役職、業界、通信チャネルごとに異なるバリエーションを作成できる。

音声クローンは、経営幹部、顧客、家族を模倣することで圧力を高める可能性がある。生成された文章は、かつて低品質な詐欺を見破る手がかりだった明白な文法ミスを取り除くことができる。

AI対応型マルウェアも、攻撃者によるコードの変化や脆弱なシステムの調査を助け得る。ただし、AIにアクセスできるからといって、自動的に侵入が成功するわけではない。

攻撃者には依然として、侵入口、利用可能な認証情報、悪用可能なソフトウェア、または不正な要求に従う人物が必要である。インドの結果は、従来から知られる攻撃経路が引き続き中心的であることを示している。

音声およびSMSフィッシングを含むフィッシングは、IBMのインドのサンプルにおける初期攻撃ベクトルの19％を占めた。ドライブバイ侵害は16％、サプライチェーン侵害は15％を占めた。

ドライブバイ侵害は、悪意あるサイトまたは侵害されたサイトを訪問した際に、ユーザーやデバイスが攻撃にさらされることで発生する。サプライチェーン侵害は、信頼されたソフトウェア、ベンダー、またはサービス関係を通じて標的に到達する。

これらの分類は、「AIが記録を引き起こした」という説明が広すぎる理由を示している。AIは攻撃者のメッセージ、タイミング、規模を改善できるが、それが成功するかどうかは依然として、ID管理やソフトウェア統制の弱さに左右される。

フィッシングが特に重要であり続けるのは、人の判断を標的にするからだ。従業員は、通常の依頼、パスワード警告、支払い承認、共有ドキュメントに見えるメッセージに直面する。

生成されたメッセージは、すべての人をだます必要はない。有用な次の段階につながるアクセス権を持つ1人に届けばよい。

そのため、防御の準備はより難しくなる。セキュリティチームは、最初の通信を検知し、認証情報の悪用を防ぎ、アクセス発生後の異常な行動に気付かなければならない。

インドのサイバーセキュリティ当局も、継続的なランサムウェア活動と進化する攻撃者の手法を記録している。CERT-Inのランサムウェア報告書は、2024年にインドのサイバー空間全体で観測された戦術を説明している。

ランサムウェアは、IBMの調査に含まれるすべての侵害と同一ではない。しかし、侵入、事業中断、データ窃取、復旧への圧力を組み合わせるため、重要な参照点となる。

AIは、基盤となる攻撃手法を置き換えることなく、複数の段階を増幅し得る。偵察を改善し、誘い文句を個別化し、攻撃者がより大きな規模で通信することを助けることができる。

したがって、セキュリティリーダーは二つの誤解を招く結論を避けるべきである。一つ目は、AIが完全に未知の脅威環境を生み出したという考えだ。二つ目は、既存の統制だけで変更なしに十分だという考えである。

現実はその中間にある。ID管理、パッチ適用、セグメンテーション、対応計画は依然として重要だが、チームはいま、より高速で適応力の高い敵に対抗して運用しなければならない。

真の競争は、統治された自動化と管理されないAIの間にある

IBMのデータで最も大きな隔たりは、AI利用者と非利用者の間ではなく、統制されたセキュリティ導入と組織の監視外で行われるAI活動の間にある。

インドの調査対象組織で、AIとセキュリティ自動化を広範に導入していると報告したのは32％にとどまった。別の36％は限定的な利用を報告し、32％は利用していないと回答した。

自動化は、人間なら別々に調査するセキュリティシグナルを結び付けることができる。不審な活動の優先順位付け、アラートの情報拡充、事前定義された封じ込め手順の実行を行える。

こうしたシステムは、分析担当者をプロセスから排除するものではない。主な価値は、証拠収集や反復的な対応の実行に費やす時間を減らすことにある。

IBMの所要時間データは、この問題を示している。AIとセキュリティ自動化を導入していない組織では、侵害の特定に平均236日を要した。

広範な自動化を導入する組織では175日だった。特定までに61日の差があることになる。

封じ込めでは、直感に反する結果が出た。自動化のない組織は、侵害を封じ込めるまで平均75日だったのに対し、広範な導入組織では81日だった。

この6日の差は、自動化があらゆる段階を速くしたという単純な主張を妨げる。特定は大幅に改善した一方、報告された封じ込め時間は同じ傾向を示さなかった。

この結果にはいくつかの説明があり得る。高度に自動化された組織は、より大きな環境、より複雑なインフラ、または完全な封じ込め前に広範な検証を必要とするインシデントを抱えている可能性がある。

公開されているデータは、これらの可能性を切り分けていない。したがって、そこから導ける結論はより限定的である。広範な自動化は、より早い特定とより低い総コストに相関していた。

早期検知が重要なのは、侵入から発見までの間に攻撃者がアクセスを拡大できるためだ。内部システムを調査し、機密レコードを特定し、追加の永続化手段を確立できる。

対抗する力はシャドーAI、すなわち従業員が組織の承認や監視なしにAIアプリケーションを利用することだ。IBMによれば、その存在はインドの侵害コストに平均1,790万インドルピーを上乗せした。

シャドーAIは、規制不遵守やクラウド移行と並び、インドでコストを押し上げる三大要因の一つとなった。これは従業員のAI活動を、単なる職場ポリシーではなく、侵害の経済性に関する議論の中に位置付ける。

リスクは、従業員が機密情報を外部ツールへ送信したり、未承認のアプリケーションを接続したり、過剰なアクセス権を持つシステムを認可したりする場合に表れる。セキュリティチームは、移動を把握できないデータを保護することに苦労し得る。

問題には、生成AI機能を静かに追加する承認済みの業務ソフトウェアも含まれる。調達記録では主要なアプリケーションを特定できても、組み込まれた個々のモデルや外部へのデータフローを見落とす可能性がある。

すべてのAIツールを禁止しても、このリスクを解決できる可能性は低い。承認済みのワークフローが遅すぎたり、有用性に欠けたりする場合、従業員はしばしば未承認のサービスへ向かう。

禁止は活動を監視の届かない場所へ追いやる可能性がある。また、どの業務が導入を後押ししているのかをセキュリティチームが把握できなくなるおそれもある。

より実践的な対抗策となるのがガバナンスだ。組織には、AIアプリケーション、ID、データアクセス、接続済みサービスの信頼できるインベントリが必要になる。

さらに、低リスクな支援と機微な処理を区別するルールも求められる。一般的なマーケティング文案の作成と、顧客記録や機密ソースコードのアップロードは同じではない。

したがって、主たる対立軸は明確だ。管理された自動化は防御側に可視性と迅速性をもたらす一方、管理されていないAIは隠れたアクセス経路と不確かなデータ処理を生み出す。

両者は同様の基盤技術を使っている。違いは、認可、監視、説明責任にある。

IBMの数値が証明していないこと

IBMのレポートは強い関連性を示しているが、AIだけがインドのコストを15.9％押し上げたことを証明するものではない。

この調査を発表したIBMは、セキュリティ、自動化、クラウド、AI製品を販売する企業でもある。それだけで調査結果が無効になるわけではないが、読者は商業的な背景を認識しておくべきだ。

IBMとPonemon Instituteは、侵害を経験した組織を対象にレポートを作成している。公開された要約によって、結果が統制された実験になるわけではない。

成熟した自動化を備える組織は、すでにより強固なガバナンスと大きなセキュリティ予算を持っている可能性がある。そうした利点は、検知速度や侵害コストに独立して影響し得る。

逆のことも起こり得る。複雑なシステムを抱える大規模組織は自動化を導入する可能性が高い一方で、攻撃者により広い標的を提示することになる。

平均コストは、インシデントの種類や業種による大きな差を覆い隠すことがある。銀行に影響する侵害は、小規模なソフトウェア事業者に影響するものと同じ対応負担を生むわけではない。

IBMによると、インドの金融サービス組織の平均侵害コストはINR 409 millionで最も高かった。テクノロジーがINR 357 millionで続き、通信は平均INR 345 millionだった。

各業界は異なるデータを保有し、異なる運用上の制約に直面するため、こうした業種間の差は重要だ。金融組織は、規制上の義務に加え、停止が直ちに影響を及ぼすサービスも管理している。

したがって、インドにおける平均的な侵害を、普遍的な予算見積もりにすべきではない。個別の組織は、自社のデータ、インフラ、法的リスク、運用上の依存関係を考慮する必要がある。

「AI生成の攻撃」という表現にも解釈が必要だ。生成されたフィッシングコンテンツから、AI支援で改変されたマルウェアまで、さまざまな手法を含み得る。

この分類は、完全に自律したシステムが侵害全体を計画・実行したことを必ずしも意味しない。依然として人間の攻撃者が標的を選び、アクセスを検証し、価値の高いシステムを狙う。

同様に、シャドーAIに関連するINR 17.9 millionのコストも、すべての無許可チャットボットが侵害を引き起こすことの証明ではない。シャドーAIは、可視性とガバナンスの問題を示している。

無承認利用が広がる組織では、調達が分断され、アクセス管理が弱く、データポリシーが不明確である可能性もある。こうした条件は、AIが業務フローに入る前からリスクを高め得る。

時期に関する数値にも同様の注意が必要だ。広範な自動化は、特定を61日早めることと相関した一方、公開されたインドの結果では封じ込めに6日長くかかった。

この不整合は見える形で残すべきだ。取り除けば、ニュアンスのあるデータセットがマーケティングへと変わってしまう。

最も妥当な読み方は、自動化がすべての段階でより速い対応を保証するというものではない。広範に活用した組織は、全体として低コストと大幅に早い特定を報告した、ということだ。

世界との比較も、インドの状況を複雑にする。IBMは、世界の平均侵害コストがUSD 4.99 millionで、前年から12％増加したと報告した。

AIを活用した侵害の世界平均はおよそUSD 6 millionだった。しかし、地理、規制、労働、インフラの違いにより、インド向けのベンチマークへ直接換算することはできない。

このため、元の記録的コストに関する報道は出発点として最も有用だ。分析の最終段階とするべきではない。

より裏付けの強い結論は、AIが測定可能な侵害要因になったということだ。AIは一部の攻撃を強化し、新たな管理されていないデータ経路を生み出す一方、成熟した防御側がコストを抑える助けにもなる。

各メカニズムがインドの記録にどの程度寄与したかは、なお不明確である。IBMの公開数値は、年間INR 35 millionの増加全体を因果的に分解したものではない。

インドで最も露出の大きい業界は異なる圧力に直面する

金融サービス、テクノロジー、通信は平均コストが最も高いが、それぞれ異なる運用リスクを通じてその結果に至っている。

インドの金融サービス組織の平均侵害コストはINR 409 millionを記録した。これはインド全体の平均をINR 154 million上回った。

銀行、保険会社、決済事業者、投資プラットフォームは、ID、取引、高度に機微な記録を管理している。侵害は、技術的な対応、顧客保護、規制対応を同時に引き起こす可能性がある。

これらの組織は、複雑なベンダーやサービスのネットワークにも依存している。サプライチェーン侵害は、直接的な外部攻撃だけに焦点を当てた統制を回避し得る。

金融機関は、顧客アクセスや取引継続性を考慮せずに、影響を受けたすべてのシステムを単純に切り離すことはできない。その制約が封じ込めをより高コストにする場合がある。

テクノロジー企業の平均はINR 357 millionで、2番目に高かった。そのリスクは顧客記録にとどまらず、ソースコード、認証情報、開発インフラ、接続されたクラウドサービスにまで及ぶことが多い。

侵害された開発者アカウントは、複数の環境を露出させる可能性がある。攻撃者はコラボレーションツールから、リポジトリ、デプロイメントシステム、クラウドアカウントへと移動できる。

開発者はコード生成、デバッグ、ドキュメント作成にAIツールを利用するため、AIツールは新たな経路も追加する。機微なコードや設定データが、無許可のアシスタントを通じて承認済みの境界外へ流出する可能性がある。

テクノロジー企業は、他組織が利用する製品も作っている。したがって、侵害は元の被害者を超えて広がるサプライチェーン事象になり得る。

通信組織の平均はINR 345 millionだった。顧客、企業、公共サービスを接続するインフラを運用している。

侵害には、加入者情報、ネットワークアクセス、サービス停止が関わる可能性がある。重要な接続性を維持しながら証拠を保全しなければならない場合、復旧の負担は増大する。

こうした違いは、汎用的なAIセキュリティポリシーだけでは不十分である理由を示している。各業界には、最も価値の高いシステムと想定される攻撃経路に合わせた統制が必要だ。

金融組織は、ID、取引認可、第三者アクセスを厳密に監視すべきだ。テクノロジー企業には、リポジトリ、ビルドシステム、シークレット、クラウドIDの周辺に強力な保護が必要になる。

通信事業者は、顧客データの保護措置と運用ネットワークのセキュリティを組み合わせなければならない。3業界すべてで、インシデント対応計画はサービス継続性を考慮する必要がある。

フィッシングは、あらゆる業界が人間のコミュニケーションに依存しているため、これらの環境をまたいで影響する。AIによりなりすましは容易にカスタマイズできるが、組織は依然としてその影響を抑えられる。

フィッシング耐性のある認証は、盗まれたパスワードの有用性を制限する。特権アクセスの統制は、侵害された1つのIDが到達できる範囲を減らす。

ネットワークセグメンテーションは、初期侵害が組織全体のインシデントへ発展するのを防ぐことができる。テスト済みの対応手順は、チームが迅速に行動しなければならない場面で不確実性を減らす。

自動検知はすべてのメッセージを捕捉できるわけではないため、従業員からの報告は引き続き重要だ。不審な依頼を早期に報告する従業員は、最初の信頼できるシグナルを提供できる。

これらの業界への圧力は、短期的でもあり長期的でもある。現在の侵害は対応コストを増やす一方、AI導入の拡大は、管理すべきアプリケーション、ID、データ接続を増加させる。

したがって、セキュリティプログラムはビジネスにおけるAI導入とともに成長しなければならない。IDとデータの統制を更新せずにアシスタントやエージェントを追加すれば、防御側が把握できるより速く攻撃対象領域が拡大する。

コスト曲線が変化しているかを示す3つのシグナル

今後1年の侵害データは、インドの組織が計画したセキュリティ投資を測定可能な統制改善へ転換しているかを明らかにするはずだ。

第1のシグナルは、AIとセキュリティ自動化の広範な導入だ。IBMによると、2026年にその水準に達していたインドの組織はわずか32％だった。

侵害を経験した後、約73％がセキュリティツールとガバナンスを強化する計画だと報告された。今後の調査では、その意図がより広範な導入につながるかを示すべきだ。

広範な導入が進む一方で平均侵害コストと特定までの時間が低下すれば、IBMの自動化に関する主張は支持を得るだろう。コストが上がり続けるなら、導入の質をより詳しく検討する必要がある。

組織は、単独のアラートツールを成熟した自動化として数えるべきではない。有用な尺度は、検知、調査、ID統制、対応のワークフローが連携して機能しているかどうかだ。

第2のシグナルは、シャドーAIのコストと普及状況だ。IBMはこれをインドにおける主要なコスト増幅要因3つの1つに位置づけ、存在する場合はINR 17.9 millionを上乗せするとした。

減少が見られれば、組織が従業員のアプリケーションと接続済みデータに対する可視性を得つつあることを示唆する。増加が続けば、導入がなおガバナンスを上回る速度で進んでいることを示すだろう。

重要な指標は、従業員が利用するAIツールの数だけではない。承認済みのID、保持ルール、監視なしに機微な情報を扱うツールがどれだけあるかだ。

組織は個人アカウントを通じて接続されたアプリケーションに注意を払うべきだ。また、当初のセキュリティレビュー後に既存ソフトウェアへ追加されたAI機能も追跡すべきである。

第3のシグナルは、フィッシングと新しいAI活用技術の均衡だ。AI支援攻撃が急増しているにもかかわらず、フィッシングは19％でインドの主要な侵入経路にとどまった。

フィッシングがその位置を維持するなら、ID保護と従業員による検証は最も実践的な防御優先事項であり続ける。AIセキュリティへの投資は、こうした基盤を置き換えられない。

ディープフェイクによるなりすまし、AI対応マルウェア、AIモデルを狙う攻撃が急増すれば、セキュリティチームにはより専門的な検知とアクセス統制が必要になる。

その変化は、AIが脅威環境の構造を変えているという見方を強めるだろう。攻撃ベクトルの比率が安定していれば、AIは主に既知の手法を加速していることを示唆する。

Google Newsを通じてこの話題に触れる読者は、年間平均という1つの数値ではなく、この3つの尺度を追うべきだ。見出しの数値は、すでに被った損害を説明している。

より有用な指標は、組織が攻撃者の潜伏時間を短縮し、AI利用を統治し、盗まれた1つのIDが重要システムへ到達するのを防げているかを明らかにする。

テクノロジーリーダーにとって、当面の行動は、ビジネスで導入するすべてのAIとセキュリティカバレッジを照合することだ。誰がアプリケーションを所有し、どのデータにアクセスでき、どのIDがその行動を認可するのか。

従業員やナレッジワーカーにとっても、問いは同じく具体的だ。AIシステムに入力する情報について、承認済みのワークフローは存在するのか。

インドのINR 255 millionという記録は、組織がAIから撤退すべきだという証拠ではない。可視性のない導入はコストを生む一方、管理された自動化は防御態勢を改善し得ることを示している。

次のGoogle Newsの見出しは、平均値が再び上昇したかだけで判断すべきではない。広範な自動化が拡大するか、シャドーAIのコストが低下するか、フィッシングが最も容易な入口としての地位を失うかを注視すべきだ。