IBM twierdzi, że naruszenia z wykorzystaniem AI kosztują firmy średnio 6 mln dolarów
IBM umieścił bezpieczeństwo AI w centrum google news po stwierdzeniu, że ponad 20% badanych organizacji padło ofiarą naruszeń wymierzonych w modele lub aplikacje AI. Główna liczba jest niepokojąca, ale oddaje tylko połowę tego konfliktu. Atakujący wykorzystują też AI, aby przyspieszać konwencjonalne włamania, obniżać ich koszt i utrudniać obrońcom ich powstrzymanie.
Raport IBM o naruszeniach z 2026 roku rozdziela te dwa problemy. Jeden dotyczy ataków na systemy AI, w tym ich API, wtyczki, obciążenia chmurowe, modele i dane treningowe. Drugi obejmuje ataki wspierane przez AI, w których przestępcy używają deepfake’ów, złośliwego oprogramowania lub zautomatyzowanych procesów przeciwko szerszemu celowi.
To rozróżnienie ma znaczenie, ponieważ najczęściej cytowane liczby opisują różne grupy. W swoim oficjalnym komunikacie o ustaleniach IBM podaje, że jedno na cztery złośliwe naruszenia było wspierane przez AI — o 56% więcej niż rok wcześniej. Osobno ponad 20% organizacji zgłosiło naruszenie wymierzone w model lub aplikację AI.
Wyniki dla Wielkiej Brytanii dodają kolejną miarę. Według doniesień o badaniu 22% brytyjskich firm doświadczyło naruszenia bezpieczeństwa związanego z AI w poprzedzającym roku. Traktowanie wszystkich trzech odsetków jako wymiennych zawyżałoby to, co faktycznie potwierdzają badania.
Głębszy wniosek trudniej zlekceważyć. Korporacyjne AI stworzyło więcej tożsamości, interfejsów, przepływów danych i zautomatyzowanych działań, którymi zespoły bezpieczeństwa muszą zarządzać. Atakujący nie zawsze muszą naruszyć sam model. Mogą wykorzystać zwykłe systemy, które go otaczają.
Czyni to z tego rywalizację między szybkim wdrażaniem AI a wolniejszą pracą nad ustanowieniem kontroli. Ta sama technologia wzmacnia też obronę, dając organizacjom powód, by wdrażać więcej AI, zamiast się z niej wycofywać.
Co faktycznie pokazują dane IBM z 2026 roku
AI pojawia się teraz po obu stronach równania naruszeń: jako cel atakujących i jako narzędzie, którego używają.
IBM opublikował swój raport 2026 Cost of a Data Breach 29 lipca. Badanie bazowe przeprowadził Ponemon Institute, a IBM je sponsorował i analizował. Zbiór danych obejmuje naruszenia, których doświadczyły 602 organizacje na całym świecie między marcem 2025 a lutym 2026 roku.
Raport określa globalny średni koszt naruszenia na 4,99 mln dolarów. Oznacza to wzrost o 12% rok do roku i rekord w historii badania. IBM przypisuje wzrost wyższym kosztom wykrywania, eskalacji i utraconego biznesu.
Złośliwe naruszenia wspierane przez AI były jeszcze droższe. IBM podaje średni koszt 6 mln dolarów, około 1 mln dolarów powyżej ogólnej globalnej wartości. Incydenty te stanowiły jedno na cztery złośliwe naruszenia, a ich liczba wzrosła o 56% względem poprzedniego roku.
Określenie „wspierane przez AI” oznacza, że atakujący użył AI podczas operacji. Najczęściej zgłaszaną formą było podszywanie się z użyciem deepfake’ów, które według brytyjskich relacji wystąpiło w 45% tej kategorii. Do wzrostu przyczyniły się także złośliwe oprogramowanie i phishing wspierane przez AI.
Ataki wymierzone w systemy AI tworzą kategorię powiązaną, ale odrębną. Ponad 20% organizacji zgłosiło naruszenie skierowane przeciw modelowi lub aplikacji AI. Najczęstsze punkty wejścia nie były egzotycznymi atakami na matematykę modelu.
Przejęte API, aplikacje lub wtyczki odpowiadały za 27% zgłoszonych przyczyn. Błędne konfiguracje chmury wpływające na obciążenia AI również stanowiły 27%. Ta symetria wskazuje na znany problem bezpieczeństwa: nowe usługi AI często dziedziczą stare słabości w zakresie dostępu, integracji i zarządzania infrastrukturą.
API, czyli interfejs programowania aplikacji, umożliwia systemom wymianę żądań i danych. Wtyczka daje aplikacji dostęp do innej usługi lub funkcji. Oba rozwiązania mogą stać się wartościowymi ścieżkami ataku, gdy aplikacja AI otrzymuje szerokie uprawnienia lub przetwarza wrażliwe informacje firmowe.
Wstępne relacje również podkreślały wyniki dla Wielkiej Brytanii. Podano w nich, że 22% brytyjskich firm doświadczyło w poprzednim roku naruszenia bezpieczeństwa związanego z AI. Średni koszt naruszenia w Wielkiej Brytanii spadł z 3,29 mln funtów w 2025 roku do 3,13 mln funtów w 2026 roku, mimo że zgłoszona liczba naruszeń wzrosła z 29 000 do 29 870.
Te dane krajowe komplikują globalną historię. Naruszenia stały się częstsze w brytyjskiej próbie, lecz ich średni koszt spadł. Usługi finansowe nadal odnotowywały średnio 5,46 mln funtów, podczas gdy firmy energetyczne średnio 4,03 mln funtów.
Nie oznacza to, że co piąte naruszenie wszędzie ma tę samą przyczynę. Badania IBM wykorzystują kilka nakładających się miar w próbach globalnych i krajowych. Uzasadniony wniosek jest taki, że ekspozycja związana z AI nie jest już marginalnym przypadkiem w bezpieczeństwie przedsiębiorstw.
Dlaczego nagłówek w Google News wymaga uważnej lektury
Sformułowanie „naruszenie związane z AI” obejmuje kilka odrębnych zdarzeń, a każde z nich wymaga innej reakcji obronnej.
Czytelnik, który trafi na tę historię przez google news, może rozsądnie założyć, że przestępcy bezpośrednio włamali się do modelu AI w jednym na pięć naruszeń. Dane IBM nie potwierdzają tak uproszczonej interpretacji.
Organizacja może doświadczyć ataku wymierzonego w jej system AI. Atakujący może użyć AI przeciwko konwencjonalnemu systemowi. Pracownik może ujawnić dane za pośrednictwem nieautoryzowanej usługi AI. Te zdarzenia nakładają się na siebie, ale nie są identyczne.
Ten problem pomiarowy to coś więcej niż techniczne zastrzeżenie. Określa, jakich zabezpieczeń potrzebuje organizacja i gdzie zespoły bezpieczeństwa powinny kierować ograniczoną uwagę.
Atak wymierzony w model może dotyczyć danych treningowych, poświadczeń, promptów lub poufnych informacji dostępnych za pośrednictwem systemów wyszukiwania. Może też manipulować danymi wejściowymi modelu lub wykorzystywać nadmierne uprawnienia przyznane autonomicznemu agentowi.
Atak wspierany przez AI wykorzystuje technologię po stronie atakującego. Rozmowa głosowa z deepfake’em może podszyć się pod członka kierownictwa. Narzędzia generatywne mogą pomagać tworzyć przekonujące wiadomości phishingowe, tłumaczyć przynęty lub szybciej dostosowywać złośliwe oprogramowanie.
Shadow AI tworzy trzecią ścieżkę. Termin ten opisuje narzędzia AI używane bez formalnej zgody, widoczności lub nadzoru. Pracownicy mogą wkleić dane klientów do konsumenckiego chatbota, zainstalować niesprawdzoną wtyczkę przeglądarki albo połączyć asystenta spotkań z dokumentami wewnętrznymi.
Badania IBM z 2025 roku dotyczące luki w nadzorze nad AI dostarczają użytecznego kontekstu historycznego. Wykazały, że 13% badanych organizacji doświadczyło naruszenia obejmującego model lub aplikację AI. Kolejne 8% nie wiedziało, czy doszło do takiego naruszenia.
Wśród organizacji zgłaszających naruszenie związane z AI 97% nie miało odpowiednich mechanizmów kontroli dostępu do AI. Sześćdziesiąt procent tych incydentów doprowadziło do naruszenia danych, a 31% spowodowało zakłócenia operacyjne.
Te same badania wykazały, że jedna na pięć organizacji zgłosiła naruszenie powiązane z Shadow AI. Organizacje o wysokim poziomie Shadow AI doświadczały średnio o 670 000 dolarów wyższych kosztów naruszeń niż te, w których skala zjawiska była niewielka lub nie występowało ono wcale.
Nadzór już pozostawał w tyle. Sześćdziesiąt trzy procent organizacji dotkniętych naruszeniami nie miało polityki zarządzania AI albo nadal ją opracowywało. Wśród tych, które miały politykę, tylko 34% regularnie audytowało nieautoryzowane użycie AI.
Te wcześniejsze wyniki czynią wzrost z 2026 roku bardziej wiarygodnym. Firmy spędziły kolejny rok na łączeniu modeli z danymi, aplikacjami i procesami biznesowymi. Wiele z nich zaczynało od słabego poziomu kontroli.
Porównanie rok do roku nadal wymaga jednak ostrożności. IBM niedawno wprowadził bardziej szczegółowe pomiary AI, a zmieniające się definicje mogą wpływać na zgłaszaną częstotliwość zjawiska. Lepsze wykrywanie może też sprawiać wrażenie, że problem narasta, ponieważ organizacje wreszcie rozpoznają incydenty, które wcześniej pozostawały niesklasyfikowane.
Próba IBM zasługuje na taką samą analizę jak każde badanie kosztów naruszeń. Obejmuje organizacje, które doświadczyły naruszeń, a nie losowy spis wszystkich firm. Jej średnich nie należy odczytywać jako prognozy tego, ile straci konkretna firma.
Badanie jest mimo to wartościowe, ponieważ ujawnia powtarzające się wzorce. Incydenty AI skupiają się wokół słabych kontroli dostępu, niebezpiecznych integracji, błędów konfiguracji chmury i ograniczonej widoczności. Są to praktyczne ustalenia, nawet gdy nagłówkowy odsetek wymaga kontekstu.
AI obniża koszt ataków, podczas gdy obrona pozostaje kosztowna
Główny kompromis ma charakter ekonomiczny: atakujący mogą automatyzować większą część pracy, podczas gdy obrońcy nadal płacą za dochodzenie, ograniczanie skutków, odzyskiwanie sprawności i utracony biznes.
IBM opisuje AI jako technologię zmieniającą ekonomię ryzyka cybernetycznego. Może ona zmniejszać nakład pracy potrzebny do stworzenia przynęty, podszycia się pod zaufaną osobę lub testowania wariantów ataku. Ofiara nadal ponosi pełny organizacyjny koszt reakcji.
Mark Hughes, globalny partner zarządzający IBM Cybersecurity Services, powiedział, że zaawansowane modele graniczne pozwalają atakującym przeprowadzać operacje „w minutach, a nie dniach”. Stwierdzenie odzwierciedla interpretację zagrożenia przez IBM, lecz jego ogólny kierunek jest wiarygodny, nawet jeśli dokładne tempo przyspieszenia różni się zależnie od ataku.
Deepfake’i ilustrują tę nierównowagę. Przestępca nie musi perfekcyjnie odtworzyć członka kierownictwa w każdym kontekście. Syntetyczny głos lub obraz wideo musi jedynie wywołać wystarczającą pilność i poczucie znajomości, by skłonić jednego pracownika do obejścia zabezpieczenia.
Tradycyjne filtry phishingowe oceniają także wiadomości, linki i znaną złośliwą infrastrukturę. Starannie spersonalizowana prośba dostarczona przez głos, wideo lub istniejące konto do współpracy może ominąć te znane sygnały.
Agenci AI podnoszą stawkę po stronie przedsiębiorstwa. Agent to oprogramowanie, które może planować i wykonywać działania w różnych systemach przy ograniczonej interwencji człowieka. Może wyszukiwać dokumenty, aktualizować dane klientów, wykonywać kod lub uruchamiać proces.
Każde działanie wymaga tożsamości i uprawnień. Jeśli agent otrzyma szeroki dostęp, skradziony token lub zmanipulowana instrukcja mogą wywołać skutki wykraczające poza pojedynczą odpowiedź chatbota. Granica bezpieczeństwa przesuwa się z interfejsu modelu do każdego systemu, do którego agent może dotrzeć.
Raport IBM podaje, że ponad połowa organizacji używała agentów do wykrywania zagrożeń i ograniczania ich skutków. Tylko 18% stosowało ich w zarządzaniu podatnościami. Ta luka pozostawia znane słabości nierozwiązane, podczas gdy atakujący zyskują szybsze sposoby ich znajdowania lub wykorzystywania.
Infrastruktura krytyczna ponosi nieproporcjonalną część ryzyka. IBM podaje, że 62% ataków napędzanych przez AI w badaniu było wymierzonych w sektory infrastruktury krytycznej. Największe koncentracje odnotowano w usługach finansowych i energetyce.
Globalny średni koszt naruszeń w usługach finansowych wyniósł 6,3 mln dolarów. Naruszenia w energetyce kosztowały średnio 5,2 mln dolarów. Incydent w którejkolwiek z tych branż może wykraczać poza samą ofiarę, wpływając na sieci płatnicze, dostawców, klientów lub usługi kluczowe.
Ransomware wywiera dodatkową presję ekonomiczną. IBM podaje, że incydenty ransomware wzrosły z 34% do 39% badanych naruszeń. Atakujący coraz częściej wykorzystywali reputację jako narzędzie nacisku, wskazywane w 41% przypadków ransomware, następnie dane pracowników w 35% i własność intelektualną w 31%.
Ta strategia zmienia kalkulację odzyskiwania sprawności. Przywrócenie systemów nie usuwa wyciekłych informacji ani szkód reputacyjnych. Firma może powstrzymać techniczne włamanie, a jednocześnie nadal mierzyć się z powiadomieniami, dochodzeniami, sporami sądowymi i utratą klientów.
AI może wspierać skalowanie działań, ale nie eliminuje potrzeby uzyskania dostępu przez atakującego. Poświadczenia, wystawione usługi, niezałatane oprogramowanie i manipulacja społeczna nadal pozostają kluczowe. Nowe narzędzia wzmacniają te drogi, zamiast je zastępować.
Dlatego główny konflikt nie rozgrywa się między ludźmi a maszynami. Chodzi o szybką automatyzację kontra rozproszoną kontrolę. Atakujący mogą skoncentrować wysiłki na jednym punkcie wejścia, podczas gdy obrońcy muszą rozumieć każdą tożsamość, integrację, magazyn danych i działanie agenta.
Te Same Narzędzia AI Mogą Obniżać Koszty Naruszeń
Ostrzeżenie IBM nie jest argumentem przeciwko defensywnemu wykorzystaniu AI, ponieważ raport wiąże szerokie zastosowanie automatyzacji bezpieczeństwa z istotnymi oszczędnościami.
Organizacje intensywnie wykorzystujące AI i automatyzację w operacjach bezpieczeństwa odnotowały średnie oszczędności kosztów na poziomie 1,93 mln USD w porównaniu z organizacjami, które nie stosowały ich wcale. Badanie IBM z 2025 roku wykazało podobną różnicę wynoszącą 1,9 mln USD oraz skrócenie cyklu naruszenia o 80 dni.
Cykl naruszenia mierzy czas potrzebny na wykrycie i opanowanie incydentu, w tym przywrócenie usług zgodnie z metodologią IBM. Krótsze cykle mogą obniżyć koszty dochodzenia, zakłócenia działalności oraz czas dostępny atakującym na przemieszczanie się po sieci.
To ustalenie tworzy rzeczywisty kompromis. Firmy potrzebują wykrywania wspieranego przez AI, aby reagować z prędkością maszyn, lecz każdy agent obronny staje się też kolejną tożsamością wymagającą kontroli. Wdrożenie bez inwentaryzacji, ograniczeń uprawnień i ścieżek audytu może stworzyć ekspozycję, którą ma ograniczać.
Automatyzacja działa najlepiej w zadaniach z jasnymi dowodami i ograniczonym zakresem uprawnień. System bezpieczeństwa może skorelować nietypowe logowanie z podejrzanym żądaniem tokenu, odizolować punkt końcowy lub nadać priorytet znanej podatności. Działania te stają się bardziej ryzykowne, gdy agent może zmieniać systemy produkcyjne bez przeglądu.
IBM zaleca dynamiczne, oparte na tożsamości mechanizmy kontroli dostępu dla agentów. W praktyce agent powinien otrzymywać wyłącznie uprawnienia potrzebne do realizacji bieżącego zadania. Jego działania powinny dać się przypisać odpowiedzialnej osobie lub usłudze, a zespoły bezpieczeństwa powinny móc odtworzyć przebieg zdarzeń.
Równie ważne są kontrole danych. Organizacje muszą wiedzieć, gdzie znajdują się wrażliwe rekordy, które modele mogą je pobierać oraz dokąd trafiają generowane wyniki. Klasyfikacja i monitorowanie w czasie rzeczywistym pomagają powiązać interakcję z AI z ryzykiem dla danych, które tworzy.
Konfiguracja chmury pozostaje priorytetem, ponieważ obciążenia AI rzadko działają samodzielnie. Zależą od magazynów obiektowych, baz danych, usług tożsamości, punktów końcowych modeli i interfejsów API stron trzecich. Idealnie zabezpieczony model nie zrekompensuje publicznego zasobnika danych ani ujawnionych poświadczeń administracyjnych.
Szyfrowanie jest kolejną nierozwiązaną słabością. Tylko 37% organizacji dotkniętych naruszeniem w próbie IBM stwierdziło, że szyfrowało wrażliwe dane zarówno w spoczynku, jak i podczas transmisji. Zaledwie 34% miało wgląd w swoje zasoby kryptograficzne.
Te liczby wykraczają poza nagłówek dotyczący AI, ale pokazują, dlaczego podstawowe kontrole nadal mają znaczenie. AI może przyspieszyć włamanie, jednak konsekwencje zależą od tego, czy dane były chronione, dostęp segmentowany, a nietypowe zachowania wykrywane.
Zespoły bezpieczeństwa potrzebują również dokładnej inwentaryzacji systemów AI. Powinna ona obejmować zatwierdzone modele, wbudowane funkcje AI, agentów, konta usługowe, wtyczki, połączenia danych oraz dostępne dla pracowników usługi konsumenckie.
Sam dokument polityki nie zapewni takiej widoczności. Wcześniejsze ustalenie IBM, że tylko 34% organizacji z zasadami zarządzania AI przeprowadzało regularne audyty shadow AI, ilustruje lukę między deklarowanym zarządzaniem a egzekwowaniem operacyjnym.
Najbardziej wiarygodna odpowiedź łączy więc zarządzanie z inżynierią. Polityka definiuje dopuszczalne wykorzystanie i odpowiedzialność. Kontrole techniczne wykrywają systemy, ograniczają uprawnienia, monitorują zachowanie i zachowują dowody.
Ćwiczenia z reagowania na incydenty powinny obejmować scenariusze specyficzne dla AI. Firma powinna wiedzieć, jak unieważnić poświadczenia agenta, wyłączyć przejętą integrację, zachować prompty i logi oraz ustalić, do jakich danych system uzyskał dostęp.
Takie przygotowanie nie powinno przeradzać się w całkowity zakaz AI. Zakazy mogą skłaniać pracowników do korzystania z mniej widocznych narzędzi. Zatwierdzone alternatywy, jasne zasady dotyczące danych i użyteczne procesy przeglądu dają pracownikom bezpieczniejszą ścieżkę, zachowując jednocześnie widoczność bezpieczeństwa.
Czego Ostrzeżenie IBM Nie Dowodzi
Raport wskazuje na poważny wzorzec ekspozycji, ale nie pokazuje, że AI spowodowała każdy incydent oznaczony jako związany z AI.
Statystyki bezpieczeństwa często łączą przyczynę, cel i technologię umożliwiającą atak. Przejęta wtyczka otaczająca aplikację AI może wiązać się ze zwykłą kradzieżą poświadczeń. Błędna konfiguracja chmury mogłaby ujawnić te same dane, nawet gdyby obciążenie obsługiwało tradycyjną analitykę.
Określanie takich zdarzeń jako związanych z AI jest uzasadnione, ponieważ dotknięty system przetwarza obciążenia AI. Nie oznacza to, że model wprowadził pierwotną wadę.
Ta sama ostrożność dotyczy ataków wspieranych przez AI. Atakujący może wykorzystać model językowy do przygotowania wiadomości phishingowej, lecz decydującą porażką nadal może być słabe uwierzytelnianie albo pracownik zatwierdzający fałszywe żądanie.
Atrybucja stanowi kolejny problem. Ofiary mogą rozpoznać użycie deepfake'a, ponieważ otrzymują syntetyczne nagranie audio lub wideo. Udowodnienie, że złośliwe oprogramowanie zostało opracowane, zmodyfikowane lub kierowane przez AI, może być trudniejsze.
Organizacje różnią się też zdolnością wykrywania udziału AI. Dojrzały zespół bezpieczeństwa może zidentyfikować przejęty token agenta i poprawnie sklasyfikować incydent. Mniej przygotowana firma może odnotować to samo zachowanie jako ogólny nieautoryzowany dostęp.
Tworzy to paradoks raportowania. Lepsze monitorowanie może zwiększyć mierzoną liczbę incydentów związanych z AI, nawet gdy ogranicza ich dotkliwość. Rosnąca częstotliwość nie oznacza automatycznie, że każdy środek obronny zawodzi.
Komercyjna pozycja IBM również wymaga przejrzystości. Firma sprzedaje oprogramowanie bezpieczeństwa, usługi konsultingowe, rozwiązania z zakresu tożsamości, ochrony danych i zarządzania AI. Jej raport może zawierać użyteczne badania, a jednocześnie wspierać popyt na te produkty.
Metodologia pomaga czytelnikom ocenić te twierdzenia. Ponemon Institute zbadał 602 organizacje na całym świecie, które doświadczyły naruszenia, a IBM sponsorował i analizował tę pracę. Badanie uzupełniające w maju 2026 roku objęło 456 z tych organizacji.
W tym badaniu uzupełniającym 85% respondentów stwierdziło, że świadomość zaawansowanych możliwości frontier AI skłoniłaby ich do zwiększenia wydatków na bezpieczeństwo. Dla porównania, w początkowym badaniu 64% planowało wydać więcej po doświadczeniu naruszenia.
Porównanie sugeruje, że raporty o frontier AI wpływają na budżety, zanim dojdzie do incydentów. Nie dowodzi, że każda planowana inwestycja zmniejszy ryzyko ani że autonomiczna obrona zawsze jest najlepszym wykorzystaniem środków.
Organizacje nadal muszą decydować, gdzie kontrole przynoszą mierzalne korzyści. Więcej narzędzi bezpieczeństwa może tworzyć zduplikowane alerty, konkurujące pulpity i niejasną odpowiedzialność. Agent identyfikujący słabość ma ograniczoną wartość, jeśli żaden zespół nie odpowiada za usunięcie problemu.
Najbardziej użyteczna interpretacja unika obu skrajności. AI nie jest ani magicznie nową klasą ataków unieważniającą istniejące zabezpieczenia, ani etykietą marketingową przypinaną do znanych naruszeń.
Jest akceleratorem powiązanym z rosnącą powierzchnią ataku w przedsiębiorstwach. Zwiększa szybkość i skalę części ataków, jednocześnie tworząc nowe tożsamości, interfejsy i magazyny wrażliwego kontekstu.
Ten wniosek pozostaje istotny bez traktowania każdej liczby IBM jako uniwersalnej. Kieruje uwagę na kontrolę dostępu, bezpieczeństwo integracji, konfigurację chmury, widoczność danych i szybkość reakcji.
Trzy Sygnały do Obserwowania po Cyklu Google News
Kolejnym testem będzie to, czy organizacje przełożą obawy na szybsze usuwanie problemów, ściślejsze uprawnienia agentów i niższe koszty incydentów.
Pierwszym sygnałem jest wdrażanie AI do zarządzania podatnościami. IBM ustalił, że ponad połowa organizacji korzystała z agentów do wykrywania i ograniczania incydentów, podczas gdy tylko 18% używało ich do zarządzania podatnościami.
Wykrywanie znajduje podejrzaną aktywność po włamaniu lub w jego trakcie. Zarządzanie podatnościami eliminuje słabości, zanim atakujący je wykorzystają. Jeśli wskaźnik 18% wzrośnie, organizacje będą stosować automatyzację wcześniej w łańcuchu bezpieczeństwa.
Wzmocniłoby to argument IBM, że obrona musi działać bliżej prędkości atakujących. Jeśli wdrożenia pozostaną skoncentrowane na alertowaniu, luka w usuwaniu problemów utrzyma się niezależnie od liczby narzędzi AI kupowanych przez zespoły bezpieczeństwa.
Istotną miarą nie jest liczba wdrożonych agentów. Jest nią czas między wykryciem słabości a jej usunięciem. Organizacje powinny śledzić, czy automatyzacja skraca ten okres bez powodowania nieautoryzowanych zmian lub niestabilności operacyjnej.
Drugim sygnałem jest jakość kontroli tożsamości agentów. Firmy łączą agentów ze środowiskami programistycznymi, systemami klientów, repozytoriami dokumentów i narzędziami operacyjnymi. Połączenia te wymagają wąsko określonych uprawnień, krótkotrwałych poświadczeń i wiarygodnej atrybucji.
Znacząca poprawa byłaby widoczna w inwentaryzacjach i przeglądach dostępu. Zespoły bezpieczeństwa powinny wiedzieć, jakie agenty istnieją, kto za nie odpowiada, do jakich danych mogą dotrzeć i jakie działania mogą wykonywać.
Dowody na to, że organizacje egzekwują kontrole w czasie działania, wsparłyby proponowaną przez IBM odpowiedź. Ciągłe poleganie na statycznych kontach usługowych z szerokimi uprawnieniami ją osłabi.
Przeglądy incydentów dostarczą kolejnej wskazówki. Gdy agent przyczyni się do zdarzenia bezpieczeństwa, firmy powinny móc odtworzyć jego instrukcje, wywołania narzędzi, przejścia tożsamości i dostęp do danych. Brakujące zapisy pokażą, że wdrażanie nadal wyprzedza zarządzanie.
Trzecim sygnałem będzie ekonomika naruszeń w przyszłym roku. Najbardziej klarownym porównaniem będzie to, czy incydenty wspierane przez AI nadal kosztują więcej niż średnia globalna oraz czy automatyzacja obronna utrzymuje raportowane oszczędności.
Dane IBM z 2026 roku ustanawiają wymagający punkt odniesienia: 4,99 mln USD za przeciętne globalne naruszenie, 6 mln USD za złośliwe naruszenie wspierane przez AI oraz 1,93 mln USD oszczędności związanych z szeroko zakrojoną automatyzacją bezpieczeństwa.
Zmniejszająca się luka kosztowa sugerowałaby, że kontrole nadrabiają zaległości. Rosnąca luka wskazywałaby, że efektywność atakujących i złożoność przedsiębiorstw nadal przewyższają zyski obronne.
Czytelnicy powinni również obserwować, czy przyszłe raporty zachowają te same kategorie. Stabilne definicje ataków wspieranych przez AI, ataków na systemy AI i shadow AI sprawią, że porównania rok do roku będą bardziej wiarygodne.
Obecny nagłówek google news z czasem zniknie, ale pytania operacyjne pozostaną. Czy firma potrafi zidentyfikować każdego agenta AI działającego w jej środowisku? Czy potrafi szybko odebrać dostęp? Czy potrafi określić, do jakich informacji dotarł przejęty system?
Te pytania są ważne dla programistów, liderów bezpieczeństwa, kupujących w przedsiębiorstwach i pracowników wiedzy. Programiści decydują, jakie uprawnienia i logi udostępnia aplikacja AI. Kupujący rozstrzygają, czy dostawcy przedstawiają użyteczne dowody bezpieczeństwa. Pracownicy wpływają na to, dokąd trafiają wrażliwe informacje.
Zespoły powinny zachowywać te decyzje, inwentaryzacje systemów, zapisy incydentów i założenia dotyczące dostępu w przeszukiwalnej bazie wiedzy. Dokumentacja nie zastąpi egzekwowania technicznego, ale brak kontekstu spowalnia dochodzenie i rozliczalność.
Najważniejsze ostrzeżenie IBM nie sprowadza się do samej wartości jeden na pięć. Dotyczy rosnącej luki między szybkością, z jaką organizacje łączą AI z rzeczywistą pracą, a powolnością, z jaką zapewniają widoczność tych połączeń.
Praktyczna odpowiedź zaczyna się od jednego działania: zmapowania każdego modelu, agenta, wtyczki, tożsamości i źródła danych, które są już używane. Następnie należy zapytać, które połączenie tworzy największą niemonitorowaną ścieżkę do wrażliwych systemów.
Co odkryłaby Twoja organizacja, gdyby przeprowadziła taką inwentaryzację, zanim kolejne naruszenie wymusi to pytanie?
