KPMGのAIサイバーセキュリティ調査、成熟度が高い企業ほど警戒を強める実態を明らかに
KPMGは、AIの初期実験段階にある企業と、すでに成果を報告している組織の間で、積極的なサイバー防御の導入率に50ポイントの差があると明らかにした。KPMG AI cybersecurity survey は、自信が懸念を消し去るわけではないことを示している。むしろ企業は運用経験を積むことで、より多くのリスクを認識し、強力な統制に資金を投じ、AIにより重大なセキュリティ業務を担わせるようになる。
実験段階にある組織のうち、AI支援型サイバー防御を導入していると回答したのはわずか8%だった。この割合は、確立した成果を得ている組織では58%に達した。初期導入企業は、セキュリティ運用を変更せず、監視にとどまる傾向も強かった。
これは、企業がAIに慣れていくという単純な話ではない。慣れによって、企業がAIに何を期待するかが変化するという話だ。成熟した導入企業は脅威を監視する段階を越え、より深い自動化が露出と説明責任を拡大させることを受け入れている。
この調査結果は、20カ国のシニアリーダー2,131人を対象にしたKPMGの四半期ごとのGlobal AI Pulse調査に基づく。この成熟度の差は、セキュリティベンダー、企業の購買担当者、取締役会、そしてAIエージェントへの依存を強める従業員にとって重要だ。
KPMGのAIサイバーセキュリティ調査が示す運用上の隔たり
決定的な差は、企業がAIリスクを認識しているかどうかではなく、その懸念が日常のセキュリティ運用を変えたかどうかにある。
KPMGは、2026年7月23日から8月26日にかけて、組織戦略と運用を担う経営層を調査した。対象組織は通常、年間売上高が少なくとも5,000万ドルと報告していた。いくつかの大規模市場では、より高い基準が適用された。
研究者は、実験段階にある268組織と、確立した成果を報告した208組織を比較した。この比較から、Global AI Pulseにおける最も明確なサイバーセキュリティ上の発見が得られた。
実験段階の企業では、26%が運用上の変更を行わずにAI関連の脅威を監視していた。この割合は、確立した導入企業では4%に低下した。一方、積極的なAI支援型防御は8%から58%へ上昇した。
この対照は、初期段階のプログラムがセキュリティを観測業務として扱うことが多いことを示唆する。チームはアラートを収集し、ポリシーを更新し、悪用の可能性を検討する。AIが検知、調査、対応に直接影響を及ぼすことには慎重だ。
確立した導入企業は、その境界を越えている。AIプログラムが十分な証拠、インフラ、社内の信頼を生み出し、より能動的なセキュリティ上の役割を支えられるようになった。ただし、これは自律型モデルが対応プロセス全体を制御することを意味しない。
AI支援型サイバー防御は、より限定的な複数の機能を担える。システムはアラートの優先順位付け、関連イベントの結び付け、調査内容の要約、異常活動の特定、封じ込め手順の提案などを行うことができる。影響の大きい行為には、人間による承認を必須のままとすることも可能だ。
これらの割合からは、各回答者がどの機能を自動化したかまでは分からない。それでも、観測から介入への大きな移行を示している。この移行は、エラーがもたらす結果を変える。
監視システムは、偽陽性でアナリストを圧倒する可能性がある。運用システムは、アカウントのブロック、デバイスの隔離、アクセス権の変更、調査の方向転換を行うかもしれない。どの行為にも、より明確な認可、テスト、レビューが必要となる。
調査では、回答者の86%がAIによって加速する脅威に対応するため、サイバーセキュリティの運用モデルを適応させていることも分かった。レポートによれば、大半がサイバーガバナンスまたは脅威検知を変更したと回答している。
この幅広い対応は、元のニュース分析を裏付けるものだが、成熟度の比較はさらに重要なシグナルを示す。ほぼすべての企業が対応していると言うことはできる。しかし、その対応が実際の運用に達していることを示せる企業ははるかに少ない。
運用モデルは、誰が意思決定を行い、どのシステムがそれを実行し、組織が結果をどうレビューするかを定める。このモデルを変えるには、セキュリティベンダーからAI機能を購入するだけでは足りない。
チームには、利用可能なデータ、定義されたエスカレーション経路、評価基準、自動化された判断を説明する記録が必要だ。また、証拠を失わずに有害な行為を取り消す手段も必要になる。
こうした要件が、運用上の導入が一般的な関心に遅れを取る理由を説明している。企業はAIを迅速に試験できる。しかし、同じ速度でセキュリティ判断を安全に委任することはできない。
AIサイバーセキュリティの成熟度は支出と懸念を同時に高める
成熟したAI利用企業がセキュリティにより多くを投じるのは、経験によって実験段階では見えにくい依存関係が明らかになるためだ。
確立した導入企業の71%は、AI予算の優先項目にサイバーおよびデータセキュリティを含めていた。同じ回答をした実験段階の企業は36%にとどまった。
成熟したグループは、より大きな懸念も示した。AI戦略の障壁としてサイバーセキュリティを挙げたのは半数で、実験段階の企業の34%を上回った。つまり、AI利用の拡大は、投資の増加と摩擦の認識の高まりの双方と相関していた。
一見すると、これらの結果は矛盾しているように見える。組織はAI支援型防御をより多く導入しているにもかかわらず、サイバーセキュリティを障害とみなす可能性も高くなっている。
しかし、AIが実際のワークフローに入ると、この矛盾は薄れる。パイロットは、限定的なデータと狭い権限で運用できる。実運用システムは多くの場合、IDプラットフォーム、文書ストア、クラウドサービス、顧客記録、社内アプリケーションと接続する。
接続が増えるたびに、エラーや攻撃者が到達できる範囲は広がる。モデルは損害を与えるために完全な管理者権限を必要としない。機微なコンテキスト、実行可能なツール、信頼されたコミュニケーションへのアクセスだけでも十分な場合がある。
ここには、能力と露出のトレードオフがある。有用なAIには情報と権限が必要だ。セキュリティチームは、システムを無力化せずにその両方を制限しなければならない。
確立した導入企業は、この緊張関係に繰り返し直面する。モデルがどの権限を要求するか、出力が従業員にどう影響するか、ベンダー依存がどこに現れるかを学ぶ。実験段階の企業は、導入範囲が限定されているため、こうした問いの多くを先送りできる。
この発見は、よくある導入に関する見方にも異議を唱える。組織がAIに慣れても、セキュリティ上の懸念が消えるわけではない。それらは仮説上のリスク台帳から、予算、アーキテクチャ、経営判断へと移る。
この違いは、企業の購買担当者にとって重要だ。AIセキュリティ製品を評価する企業は、長い統制項目のリストを組織的な抵抗の証拠と解釈すべきではない。統制は、その企業がより重大な用途に到達したことを示している場合がある。
逆もまた真だ。障害が少ないと報告する組織は、単純で孤立した導入しか行っていない可能性がある。懸念が低いことは、自動的にセキュリティが強いことを意味しない。
KPMGの成熟度区分は、セキュリティ認証ではなくAI導入の道のりを表す。確立した成果とは、回答者が意味のある成果と成長機会を報告したことを意味する。このラベルは、防御が独立したベンチマークを上回ることを証明するものではない。
それでも、この関連性は有用だ。成果を報告した企業は、サイバー統制への資金投入、プロバイダーの分散、説明責任の正式化、積極的防御の導入を行う可能性がはるかに高かった。
このパターンは、より広い脅威環境とも一致する。世界経済フォーラムは、調査対象となったリーダーの87%が、前年にAI関連の脆弱性が増加したと見ていたと報告した。そのAI cyber outlookは、専門知識と防御技術へのアクセスが不均一であることも明らかにしている。
これらの回答者の半数以上は、限られたスキルと知識をAI主導のサイバーセキュリティに対する障害として挙げた。小規模組織は、大規模組織よりもレジリエンスが不十分だと報告する傾向が強かった。
この文脈は重要な留保を加える。KPMGの回答者は、正式な管理レイヤーを構築する資源を持つ多くの組織を含む、規模の大きい企業から選ばれている。その道筋を、すべての企業に当てはめることはできない。
成熟した多国籍企業は、セキュリティ、法務、データ、エンジニアリングの各チームにコストを分散できる。小規模企業は、同等の評価リソースを持たないまま、既存ベンダーを通じてAI機能を導入することがある。
したがって、導入の格差はレジリエンスの格差になり得る。十分な資源を持つ企業は、統制を整えながらAIで防御を加速できる。一方で他の企業は、その振る舞いを同程度に可視化できないまま、同じ自動化機能を得る可能性がある。
積極的防御がAIリスクを能力のトレードオフへ変える
中心的な問いは、AIがサイバーセキュリティに属するかどうかではなく、別の攻撃経路を生まずに防御側がどこまでの権限を与えられるかにある。
セキュリティチームは難しい非対称性に直面している。攻撃者は、調達ルール、監査要件、変更管理に従わずに自動化を利用できる。防御側は、本番システムと証拠を守りながら迅速に動かなければならない。
AIは、アナリストが大量のアラートを処理し、システムをまたぐ弱いシグナルを結び付ける助けになる。一方で、一貫性のない結論を生成したり、汚染されたコンテキストを引き継いだり、統合ツールを通じて危険な行為を実行したりする可能性もある。
このリスクは、部分的な自律性を備えて複数ステップのタスクを計画・実行するシステムを意味するエージェント型AIで高まる。こうしたシステムは、検索、推論、ソフトウェアツールの呼び出し、結果に応じたアプローチの調整を行える。
KPMGは、回答者の38%がマルチエージェントシステムを開発または実装していると明らかにした。AIエージェントの従業員による大規模な導入は34%に達し、第1四半期の25%から上昇した。
この成長は、アイデンティティおよびアクセス管理への圧力を高める。エージェントは、定義されたアイデンティティのもとで、そのタスクに適した権限を持って動作しなければならない。共有認証情報や広範なトークンは説明責任を弱める。
セキュリティチームは、AIを保護することと、保護のためにAIを使うことも区別する必要がある。両者は重なるが、同じものではない。
サイバーセキュリティのためにAIを使うとは、脅威検知、脆弱性分析、アラートトリアージ、対応にモデルを適用することを指す。AIのためのサイバーセキュリティとは、モデル、データ、アプリケーション、インターフェース、エージェントツールを操作や窃取から守ることを意味する。
3つ目のカテゴリーは、悪意あるAI利用を扱う。攻撃者は、偵察、なりすまし、エクスプロイト支援、ソーシャルエンジニアリングにモデルを利用できる。組織は、これらを一つの問題として扱わず、3つすべてのカテゴリーに備えなければならない。
こうしたより広い枠組みは、数年前から公開ガイダンスにも見られる。NISTのAI risk frameworkは、組織に対し、システムのライフサイクル全体でAIリスクを統治、マッピング、測定、管理するよう求めている。
NISTは、サイバーセキュリティの成果をAI固有の機会とリスクに結び付ける暫定的なCyber AI Profileも策定している。この取り組みは、KPMGの調査で見られるのと同じ収束を反映している。
実務上の課題は認可にある。アラートを要約するAIシステムのリスク水準は一つだ。ユーザーを無効化したり、ファイアウォールルールを変更したりするシステムは、別のリスク水準を伴う。
企業は各ステップに明確な制限を設ける必要がある。どの判断が助言にとどまるか、どれに承認が必要か、どれを限定的な条件下で自動実行できるかを定義しなければならない。
また、実際の運用を反映する評価データも必要だ。クリーンな過去事例でテストされたモデルは、ノイズの多いインシデントでは失敗する可能性がある。攻撃者は、その前提を悪用する入力を意図的に作成するかもしれない。
人間によるレビューは依然として重要だが、形だけのチェックボックスになってはならない。レビュー担当者には、推奨内容に異議を唱えるために必要な文脈、時間、権限が求められる。そうでなければ、自動化バイアスによって名目上の監督は日常的な承認作業へと変わってしまう。
成熟した導入パターンは、企業がこの確信を段階的に築いていることを示している。直接介入せずに情報を得られるため、まず監視から始まる。組織がデータ、統制、対応プロセスを信頼できるようになると、能動的な防御へと進む。
しかし、慣れは油断を招きかねない。過去のインシデントで優れた成果を示したモデルでも、更新後には異なる挙動を取る可能性がある。プロバイダーは、顧客のワークフローを変えずにシステムの挙動を変更できる。
だからこそ、運用中のAIには継続的なテストが必要になる。チームは、偽陽性、取り消されたアクション、見逃した脅威、エスカレーション頻度、アナリスト間の判断の不一致を追跡すべきだ。性能は承認前だけでなく、導入後にも測定しなければならない。
同じ証拠は購買判断にも生かすべきである。購入者は、ベンダーのAIが推奨を提示するのか、アクションを実行するのか、他のエージェントにタスクを委任するのかを知る必要がある。こうした違いは、「AI搭載」というラベル以上にリスクを左右する。
ハーネス層がガバナンスをモデルに近づける
KPMGの最も成熟した導入企業はAIを取り巻く統制システムを構築しているが、調査では多くの組織が依然として完全なカバレッジを欠いていることが示されている。
回答者の55%は、正式なAIハーネス層を運用していた。KPMGはこれを、AIモデルとビジネスユースケースの間に置かれる統制とツールと定義している。
この層では、モデルがアクセスできる対象、実行できるアクション、出力が従業員やシステムに届く経路を統制できる。監視、評価、監査証跡、コスト追跡も提供できる。
確立した成果を報告した組織のうち、86%は正式な部門横断型または全社的な層を備えていた。実験段階の組織では31%だった。
セキュリティおよびアイデンティティ統制は、回答者の層の43%に見られた。データアクセス統制も43%に達し、41%はAI出力を監視していた。
これらの数値は、回答者の大半が個々の機能をすべて備えているとは報告していないことを意味する。企業は正式な管理層を持ちながら、その内部に重要な機能が欠けている場合がある。
人間によるレビューは層の34%に見られた。評価とテストは33%、ポリシー適用は30%、監査証跡は28%だった。
モデルルーティングは23%で最も少なかった。ルーティングはタスクを処理するモデルを選択するもので、組織が機密性、性能、可用性、コストを管理する助けとなる。
KPMGは、この不均衡を「企業は配電盤より先にゲートを構築している」と要約した。多くの組織はアクセスを制限できるが、モデルやプロバイダーをまたいで作業を動的に振り分けられる組織は少ない。
この弱点はレジリエンスにとって重要である。企業は一つのプロバイダーに強力なアクセス統制を設けていても、検証済みの代替手段を持たない可能性がある。そのプロバイダーが契約条件、可用性、挙動、地理的カバレッジを変更すれば、業務が停止しかねない。
確立した導入企業は、この問題への備えがより進んでいるように見えた。主に単一のグローバルモデルプロバイダーに依存していたのはわずか6%で、実験段階の組織では19%だった。
確立した導入企業の別の8%は少数のプロバイダーに依存していたのに対し、実験段階では29%だった。成熟したグループは、モデルを切り替えられることにもより高い価値を見いだしていた。
プロバイダーの多様性が自動的にリスクを減らすわけではない。統合先が増えれば、チームが評価・監視すべきシステムも増える。異なるモデルは一貫しない出力を生じさせたり、異なる統制を必要としたりする可能性がある。
利点は、依存先の集中を減らせることにある。検証済みの代替手段があれば、障害、ポリシー変更、規制上の衝突、深刻なモデル障害が起きた際に組織は選択肢を持てる。
ここでサイバーセキュリティ、主権、継続性が交わる。モデル主権とは、重要なモデルを誰が管理するか、どこで稼働するか、アクセスが信頼できるかに関わる。
回答者の72%は、少なくとも一部の判断に正式な主権基準を適用しているか、全社的な戦略を維持していた。主権に関する懸念が導入を遅らせたと答えたのは8%にとどまった。
この結果は、大半の企業が主権をAI利用を止める理由ではなく、設計上の制約として捉えていることを示唆する。導入を続けながら、切り替えの選択肢を維持し、データ配置を管理しようとしている。
管理層のもう一つの要素は説明責任である。KPMGは、53%がAIに基づく意思決定の責任をC-suiteレベル以上に割り当てていると報告した。
35%の組織では、指名された役員が責任を負っていた。さらに18%はCEOまたは経営委員会に責任を置いていた。
経営層によるオーナーシップは、スピード、コスト、リスクの間の対立を解消できる。また、誰かが運用モデル全体に対する権限を持つため、障害の調査も容易になる。
ただし、役員の肩書きが効果的な統制を保証するわけではない。説明責任には、意思決定記録、信頼できるテレメトリー、エスカレーション権限、システムの挙動を説明できる技術スタッフが必要である。
KPMGはこの点を明確に表現している。「説明責任こそが、統制を、誰かが説明を求められる意思決定へと変える。」これは、エージェントが部門の境界をまたいで動作する場合に特に重要である。
セキュリティチームは、特定できないものを統制できない。組織には、モデル、エージェント、統合、データソース、所有者、権限のインベントリが必要である。従業員がツールを追加するにつれて、これらの記録は最新の状態に保たなければならない。
文書化の負担は大きい。チームは、ポリシー、評価、インシデント記録、アーキテクチャ上の決定を別々のシステムに保存することが多い。検索可能なナレッジベースは、評価時にレビュー担当者がそれらの資料を結び付ける助けとなる。
目的は、文書化そのものではない。チームには、誰がシステムを承認したのか、何が変わったのか、自動化されたアクションがなぜ発生したのかを答えられる証拠が必要である。
調査が示すのは相関であり、より安全なAIの証明ではない
成熟した導入企業はより多くの統制と能動的な防御を報告しているが、自己申告による成熟度だけでは、それらの組織でインシデントが少ないとは立証できない。
KPMG AI cybersecurity surveyは、管理実務を詳細に示している。しかし、独立して検証されたセキュリティ成果は提供していない。
回答者は組織のAI導入段階を分類し、自らの統制、支出、優先事項を説明した。この調査は、成熟度グループごとの侵害率を公表していない。
また、偽陽性率、封じ込め速度、金銭的損失、復旧時間も比較していない。こうした指標は、AI支援型の防御がレジリエンスを改善するかを判断する助けとなる。
成熟度との関係には、いくつかの説明が成り立つ。経験により、企業はより良い統制を構築するようになる可能性がある。より強固な組織は、すでに大きな予算と優れたセキュリティチームを持つため、AIをより速く導入する可能性もある。
第三の要因が両方に影響することもある。価値の高いデータ、規制対象の業務、複雑なインフラを持つ企業は、AIとサイバーセキュリティに同時に多額の投資を行う可能性がある。
つまり、読者は58%という導入率を、能動的なAI防御が確立した成果を生んだ証拠として扱うべきではない。この調査が示すのは因果関係ではなく、関連性である。
サンプルも一般化を制約する。参加組織は大きな収益基準を満たしており、米国の追跡サンプルは少なくとも10億ドルの収益を持つ企業に焦点を当てていた。
中小企業は、パッケージソフトウェアやマネージドプロバイダーへの依存度がより高いことが多い。モデル選択、評価手法、インシデントテレメトリーへの影響力はより小さい可能性がある。
報告書の分類も広範である。「AI支援型サイバー防御」は、自律性、精度、運用上の影響が大きく異なるシステムを指し得る。
ある回答者はケースの要約にモデルを使うかもしれない。別の回答者は自動的な封じ込めを許可しているかもしれない。両者を一つのカテゴリーに分類すると、意味のある違いが隠れる可能性がある。
報告書はまた、89%の組織がAIから測定可能な価値を得ていると見る一方、全社規模でその価値をコストと一貫して比較しているのは12%にすぎないとしている。この差は、リターンに関する確信に満ちた主張を抑制すべきである。
報告される価値には、生産性、コスト削減、収益成長、意思決定の改善が含まれ得る。必ずしもプログラムが完全な財務的リターンを生み出したことを意味しない。
同じ注意はサイバーセキュリティの成果にも当てはまる。アラート分析の高速化は、インシデントの影響を減らさずにアナリストの時間を節約する可能性がある。自動化されたアクションは、封じ込めを早める一方で、別の場所で混乱を増やすこともある。
したがって取締役会は、特定のユースケースに結び付く成果指標を求めるべきである。有用な指標には、調査時間、確認済みの検出品質、アクションの取り消し、見逃したインシデント、サービス復旧が含まれる。
チームや環境によって性能が異なるかも検証すべきである。十分に計測されたクラウドワークロードで成功するモデルが、レガシーインフラでは苦戦する可能性がある。
従業員の行動も別の不確実性である。KPMGは、34%の組織でエージェントの大規模な導入があるとした。導入だけでは、従業員が承認済みのエージェントを使ったのか、データルールに従ったのか、自動化された出力を理解していたのかは分からない。
正式なガバナンスが改善しても、シャドーAIは拡大し得る。従業員は、承認済みのシステムが遅い、機能が限られる、アクセスしにくいといった理由で外部ツールを使うかもしれない。
調査の四半期ごとの頻度は、急激な変化の証明ではなく方向性を示すものである。KPMGは、四半期ごとの変動を劇的な変化ではなくトレンドとして読むべきだと明示的に注意している。
そのため、この報告書は管理上のシグナルとして価値がある。経験を持つ組織がどこに注意を配分しているかを示している。ただし、セキュリティ有効性のベンチマークとして提示すべきではない。
能動的なAI防御が成果をもたらすかを示す三つのシグナル
次の検証は、企業が新たな障害を自動化の陰に隠すことなく、報告された安心感を測定可能なセキュリティ成果へ変えられるかどうかである。
第一のシグナルは運用上の証拠である。企業は、AIが検出品質、調査速度、封じ込め時間、インシデントの影響を変えるかどうかを報告し始めるべきだ。
企業規模とセキュリティ支出を考慮したうえで、能動的な利用者がより良い成果を示せば、これらの指標はKPMGの成熟度に関する主張を強化する。頻繁な取り消しや見逃したインシデントは、その主張を弱めるだろう。
第二のシグナルは、完全な管理層の導入拡大である。現在はセキュリティとアイデンティティ統制が先行している一方、テスト、監査可能性、人間によるレビュー、ルーティングは依然として少ない。
進展には、全体の55%という導入率を上げるだけでは不十分である。組織には、モデル選択、権限、出力、アクション、復旧をカバーする相補的な統制が必要だ。
第三のシグナルは、圧力下での説明責任である。指名された役員が最も重要になるのは、モデルが誤作動した時、プロバイダーが変更された時、エージェントが機密データを露出させた時だ。
インシデント報告は、組織が意思決定の経路を再構築できるかを示すべきである。関係したモデル、文脈、権限、承認、統制を特定すべきだ。
規制ガイダンスと業界標準は、こうした開示を形作ることになる。ベンダーも、自社のエージェントがアイデンティティをどう利用し、ログをどう保持し、顧客のテストをどう支援するかを説明するよう圧力を受けるだろう。
企業の購入者にとって、当面の課題は能力に関する主張と運用上の証拠を分けることだ。AIがどこで行動できるのか、どの判断に承認が必要なのか、アクションをどれほど迅速に取り消せるのかを問うべきである。
セキュリティリーダーは、監視のみの導入と能動的な防御も比較すべきだ。目標は最大限の自律性ではない。テストと明確なオーナーシップに支えられた、各タスクに適した権限である。
ナレッジワーカーもこのプロセスに役割を持つ。どのエージェントが自身の文書、メッセージ、アプリケーションにアクセスできるかを理解すべきである。安全でない推奨に異議を唱える方法も知っておくべきだ。
KPMG AI サイバーセキュリティ調査は、経験がセキュリティに関する議論を変えることを示唆している。成熟した導入企業は、リスクを後退する理由とは捉えない。むしろ、より強固な運用体制を構築する理由として扱っている。
より良い成果データが得られるまでは、この結論は暫定的なものにとどまる。今後数四半期にわたり、第三者による検知性能の測定結果、より充実した統制レイヤー、そして透明性の高いインシデントレビューに注目すべきだ。
組織は、具体的な問いから始めるべきである。現在行動を実行できるAIシステムはどれか、そしてその行動を事後に事業側が説明できるか。答えが不明確なら、信頼が統制を上回る速さで進んでいる。
