Średni koszt naruszenia danych w Indiach osiąga rekord, podczas gdy bezpieczeństwo AI pozostaje w tyle

IBM przedstawił konkretną skalę pogłębiającej się luki w bezpieczeństwie AI w Indiach: średni koszt naruszenia danych dla organizacji osiągnął w 2025 roku 220 mln INR. Ustalenie, które ponownie pojawia się teraz w materiałach Google News, oznacza wzrost o 13 procent względem 2024 roku i rekordowy poziom dla Indii.

Moment publikacji tych danych czyni je jeszcze bardziej niepokojącymi. Indyjskie firmy szybko wdrażają narzędzia generatywnej AI, zautomatyzowane procesy i tożsamości maszynowe. Jednak według ustaleń IBM dotyczących Indii tylko 37 procent badanych organizacji miało mechanizmy kontroli dostępu do AI.

Oznacza to, że zaledwie około jedna na trzy organizacje dysponowała kontrolami potrzebnymi do regulowania, kto lub co może uzyskać dostęp do systemów AI. Niemal 60 procent albo nie miało polityki zarządzania AI, albo nadal ją opracowywało.

W efekcie nie jest to prosta rywalizacja między firmami a coraz bardziej zaawansowanymi atakującymi. Główny konflikt rozgrywa się wewnątrz przedsiębiorstwa: szybkie wdrażanie AI kontra powolne zarządzanie bezpieczeństwem.

Nowsze badania sugerują, że skala zagrożenia nadal rośnie. Aplikacje AI przechowują obecnie poświadczenia, wysyłają zapytania do wrażliwych baz danych, obsługują usługi chmurowe i uruchamiają działania biznesowe. Zespoły bezpieczeństwa muszą chronić zarówno system AI, jak i wszystko, do czego może on uzyskać dostęp.

Google News ponownie zwraca uwagę na rekordowy koszt naruszeń w Indiach

Rekordowy koszt naruszeń w Indiach pokazuje, że szybsze reagowanie na incydenty nie powstrzymało wzrostu strat finansowych.

IBM opublikował ustalenia dotyczące Indii 7 sierpnia 2025 roku. Firma podała, że średni całkowity koszt naruszenia dla organizacji wzrósł z 195 mln INR w 2024 roku do 220 mln INR.

Wzrost nastąpił mimo skrócenia średniego cyklu naruszenia. IBM definiuje ten cykl jako czas potrzebny do wykrycia i opanowania incydentu, w tym przywrócenia usług.

Średni cykl w Indiach skrócił się do 263 dni, czyli o 15 dni względem 2024 roku. To istotna poprawa, ale 263 dni nadal daje atakującym długi czas na badanie systemów, gromadzenie poświadczeń i docieranie do cennych danych.

Ta pozorna sprzeczność jest kluczowa dla całej historii. Firmy szybciej wykrywają i opanowują naruszenia, a mimo to ich średni koszt nadal rośnie.

Może się tak dziać, gdy każdy dzień ekspozycji staje się droższy. Przedsiębiorstwa łączą dziś dane między usługami chmurowymi, platformami programowymi, interfejsami programowania aplikacji i narzędziami AI. Jedna przejęta tożsamość może przekroczyć granice kilku takich systemów.

Dane IBM dotyczące naruszeń w Indiach wskazują również sektory ponoszące największe skutki finansowe. Organizacje badawcze odnotowały najwyższy średni koszt — 289 mln INR.

Tuż za nimi znalazł się transport z wynikiem 288 mln INR. Organizacje przemysłowe osiągnęły średnio 264 mln INR, po tym jak w 2024 roku przewodziły krajowemu rankingowi sektorów.

Sektory te łączą wartościowe informacje z działalnością, która nie może pozostawać offline przez długi czas. Organizacje badawcze przechowują własność intelektualną i wrażliwe zbiory danych. Firmy transportowe zależą od stale dostępnych systemów rezerwacji, logistyki i operacji.

Środowiska przemysłowe dodają kolejną komplikację. Ich technologie często łączą sieci biznesowe z wyposażeniem operacyjnym, gdzie decyzje o odizolowaniu mogą zakłócać procesy fizyczne.

Najczęstsze metody wejścia pozostają dobrze znane. Phishing odpowiadał za 18 procent badanych naruszeń w Indiach. Kompromitacja stron trzecich i łańcucha dostaw stanowiła 17 procent, a wykorzystanie podatności — 13 procent.

Ten podział podważa przekonanie, że rekordowe koszty wymagają wysoce wyspecjalizowanego ataku AI. Atakujący nadal mogą wejść przez e-mail, dostawcę lub niezałataną aplikację.

AI zmienia to, co dzieje się wokół tych utrwalonych metod. Może ulepszać wiadomości phishingowe, automatyzować rozpoznanie, przetwarzać wykradzione informacje i pomagać atakującym powielać techniki wobec większej liczby celów.

Google News jest kanałem odkrywania najnowszego nagłówka, a nie pierwotnym źródłem danych. Bazowe badania przygotowały IBM i Ponemon Institute.

To rozróżnienie ma znaczenie, ponieważ agregacja może spłaszczać wiele ustaleń do jednego dramatycznego twierdzenia. Dowody potwierdzają rekordowy średni koszt i poważną lukę w gotowości. Nie pokazują jednak, że każde naruszenie w badanej próbie zostało spowodowane przez AI.

Wdrażanie AI rozwija się szybciej niż kontrola dostępu

Najbardziej bezpośrednie ryzyko wynika z przyznawania systemom AI dostępu, zanim organizacje potrafią go zinwentaryzować, ograniczyć i monitorować.

AI w przedsiębiorstwach nie mieści się już w odizolowanym oknie czatu. Firmy łączą modele z repozytoriami dokumentów, danymi klientów, środowiskami deweloperskimi, platformami komunikacyjnymi i narzędziami administracji chmurowej.

Każde połączenie tworzy nową ścieżkę do danych. Tworzy też kolejną tożsamość, token, konto usługowe, wtyczkę lub uprawnienie, którym ktoś musi zarządzać.

IBM ustalił, że tylko 37 procent organizacji w Indiach zgłosiło posiadanie mechanizmów kontroli dostępu do AI. Kontrole dostępu określają, którzy użytkownicy i systemy mogą korzystać z aplikacji, jakie działania mogą wykonywać i jakie dane mogą pobierać.

Brak takich mechanizmów nie prowadzi automatycznie do naruszenia. Zwiększa jednak możliwą skalę szkód po przejęciu konta, tokenu lub integracji AI.

Zarządzanie również pozostaje niepełne. Niemal 60 procent organizacji dotkniętych naruszeniami w Indiach albo nie miało polityki zarządzania AI, albo nadal ją opracowywało.

Wśród organizacji posiadających polityki tylko 34 procent wykorzystywało technologie zarządzania AI. Pisemna polityka może określać dozwolone zachowania, lecz techniczne egzekwowanie decyduje o tym, czy systemy jej przestrzegają.

Luka ta staje się istotniejsza wraz z wdrażaniem agentów. Agent AI to oprogramowanie, które może wybierać i wykonywać działania za pośrednictwem połączonych narzędzi, często przy ograniczonym udziale człowieka.

Tradycyjne oprogramowanie zwykle realizuje zdefiniowaną sekwencję. Agent może decydować, którego narzędzia użyć, jakie informacje pobrać i jak postępować na podstawie zmieniających się danych wejściowych.

Ta elastyczność tworzy wartość, ale komplikuje również kwestię uprawnień. Agent może potrzebować dostępu do bazy danych, tokenu chmurowego, konta e-mail i integracji z systemem zgłoszeń, aby ukończyć jeden proces.

Przyznanie agentowi stałego dostępu do każdego połączonego systemu jest wygodne. Tworzy jednak także skoncentrowany cel.

Cloud Security Alliance podał w kwietniu 2026 roku, że 82 procent badanych przedsiębiorstw odkryło w swoich środowiskach wcześniej nieznanych agentów AI. Jego badanie agentów AI objęło 418 specjalistów IT i bezpieczeństwa.

Sześćdziesiąt pięć procent zgłosiło co najmniej jeden incydent związany z agentem AI w poprzednim roku. Spośród tych incydentów 61 procent wiązało się z ujawnieniem danych, 43 procent spowodowało zakłócenia operacyjne, a 35 procent przyniosło straty finansowe.

Badanie zostało zlecone i sfinansowane przez Token Security, które współtworzyło jego kwestionariusz. To komercyjne zaangażowanie zasługuje na ujawnienie, a wyników nie należy traktować jako dokładnego pomiaru dla każdego przedsiębiorstwa.

Mimo to ustalenia opisują rozpoznawalny problem zarządzania. Liderzy bezpieczeństwa mogą sądzić, że widzą swoje wdrożenia AI, podczas gdy nieznani agenci pozostają aktywni w skryptach, narzędziach deweloperskich, platformach SaaS lub automatyzacji wewnętrznej.

To samo badanie wykazało, że tylko 21 procent miało formalne procesy wycofywania agentów z użycia. Porzucony agent może zachować poświadczenia po zakończeniu pierwotnego projektu.

Tworzy to zjawisko nazwane w raporcie długiem wycofania. Firma przestaje korzystać z danego procesu, ale jego uprawnienia pozostają dostępne dla atakującego lub nieuprawnionego pracownika.

Konta ludzkie już dziś tworzą podobne problemy, gdy dostęp pozostaje po zmianie roli. AI dodaje znacznie więcej tożsamości niebędących ludźmi, często tworzonych szybciej i dokumentowanych mniej starannie.

Dla indyjskich przedsiębiorstw rozszerza to problem naruszeń poza blokowanie złośliwych promptów. Zespoły bezpieczeństwa muszą wiedzieć, jakie agenty istnieją, kto jest ich właścicielem, jakie poświadczenia posiadają i kiedy te poświadczenia powinny wygasnąć.

Shadow AI zamienia wygodę w mnożnik kosztów

Kluczowym kompromisem jest szybkość kontra kontrola: pracownicy zyskują natychmiastową produktywność, podczas gdy firma traci widoczność tego, gdzie trafiają jej informacje.

Shadow AI oznacza aplikacje AI używane bez zgody lub nadzoru działu technologicznego organizacji. Może obejmować publiczne chatboty, rozszerzenia przeglądarki, asystentów spotkań, narzędzia do programowania i nieautoryzowanych agentów wewnętrznych.

Pracownicy rzadko wdrażają takie narzędzia z zamiarem spowodowania naruszenia. Zwykle chcą streścić dokument, przeanalizować arkusz kalkulacyjny, przygotować prezentację lub przyspieszyć powtarzalne zadanie.

Problem bezpieczeństwa zaczyna się, gdy poufne materiały trafiają do usługi, której firma nie sprawdziła. Zespoły mogą nie wiedzieć, w jaki sposób usługa przechowuje prompty, zarządza przesłanymi plikami lub oddziela dane klientów.

IBM wskazał shadow AI jako jeden z trzech największych czynników podnoszących koszt naruszeń w Indiach. Jego obecność zwiększała średni koszt naruszenia o 17,9 mln INR.

Jednak tylko 42 procent badanych organizacji miało polityki zarządzania AI lub wykrywania shadow AI. Pozostawia to wiele firm bez możliwości mierzenia aktywności związanej z jednym z ich największych zgłaszanych czynników kosztowych.

Zablokowanie każdej usługi AI prawdopodobnie nie rozwiąże problemu. Pracownicy mogą przejść na prywatne konta, niezarządzane przeglądarki lub urządzenia mobilne, co utrudni obserwowanie aktywności.

Skuteczna odpowiedź wymaga zatwierdzonych alternatyw i egzekwowalnych granic. Pracownicy powinni wiedzieć, z których narzędzi mogą korzystać, jakie informacje pozostają zakazane oraz jak wnioskować o sprawdzoną integrację.

Organizacja potrzebuje również technicznej widoczności. Obejmuje ona wykrywanie niezatwierdzonych aplikacji, monitorowanie transferów danych oraz identyfikowanie nietypowego dostępu z kont ludzkich i maszynowych.

Klasyfikacja danych staje się tu niezbędna. Przypisuje ona informacjom poziom wrażliwości, aby systemy mogły stosować różne reguły do danych publicznych, wewnętrznych, poufnych i regulowanych.

Bez klasyfikacji firma nie może wiarygodnie odróżnić nieszkodliwego opisu produktu od danych identyfikujących klienta. Może stosować tę samą słabą kontrolę wobec obu rodzajów informacji.

Raport o zagrożeniach z 2026 roku firmy Thales pokazuje, jak powszechny stał się problem widoczności. Tylko 34 procent badanych organizacji wiedziało, gdzie znajdują się wszystkie ich dane.

Zaledwie 39 procent potrafiło je w pełni sklasyfikować. Raport wykazał również, że 47 procent wrażliwych danych w chmurze pozostawało niezaszyfrowanych.

Są to ustalenia globalne, a nie pomiary wyłącznie dla Indii. Mimo to wyjaśniają, dlaczego wdrażanie AI zwiększa presję na mechanizmy kontroli danych.

Model lub agent może pobierać informacje wyłącznie przez przyznany mu dostęp. Nadmierne uprawnienia pozwalają jednak jednemu przejętemu systemowi dotrzeć do materiałów, które powinny pozostać poza zakresem jego zadania.

Thales podał, że 61 procent organizacji stwierdziło, iż atakujący obierają za cel ich aplikacje AI. Dane wrażliwe były głównym celem.

To samo badanie wykazało, że 67 procent organizacji doświadczających ataków na chmurę wskazało kradzież poświadczeń jako wiodącą technikę ataku na infrastrukturę zarządzania chmurą.

Poświadczenia obejmują hasła, klucze API, tokeny sesji i inne sekrety potwierdzające, że dana tożsamość może uzyskać dostęp do systemu. Procesy AI w dużej mierze zależą od tych sekretów odczytywalnych maszynowo.

Skradziony token chmurowy może być bardziej użyteczny niż wyrafinowany atak na sam model. Może zapewnić bezpośredni dostęp do pamięci masowej, baz danych, zasobów obliczeniowych lub funkcji administracyjnych.

Dlatego shadow AI nie jest wyłącznie kwestią polityki wobec pracowników. To część szerszego problemu zarządzania tożsamościami i danymi.

Firmy potrzebują wiarygodnego rejestru zatwierdzonych narzędzi, połączonych źródeł informacji, właścicieli systemów i decyzji dotyczących dostępu. Przeszukiwalna baza wiedzy może pomóc zespołom technicznym zachować ten kontekst operacyjny.

Sama dokumentacja nie zapewni egzekwowania bezpieczeństwa, ale słaba dokumentacja spowalnia ograniczanie skutków incydentu. Osoby reagujące na incydent tracą czas, gdy nie mogą zidentyfikować właściciela agenta, źródeł danych ani poświadczeń.

Kosztowny scenariusz jest więc łatwy do zrozumienia. Pracownik podłącza niezweryfikowane narzędzie, narzędzie otrzymuje szeroki dostęp, a integracja pozostaje bez monitoringu.

Atakujący nie musi przełamywać starannie zaprojektowanych zabezpieczeń AI. Wystarczy, że znajdzie zapomniane poświadczenie, które je otacza.

Paradoks bezpieczeństwa AI staje się coraz trudniejszy do zignorowania

AI zwiększa powierzchnię ataku, a jednocześnie staje się jednym z najskuteczniejszych dostępnych narzędzi do ograniczania kosztów naruszeń.

Wnioski IBM nie wspierają prostego, anty-AI wniosku. Organizacje intensywnie wykorzystujące AI i automatyzację w bezpieczeństwie odnotowały znaczne oszczędności w porównaniu z tymi, które tego nie robiły.

Globalnie IBM powiązał szerokie wykorzystanie AI i automatyzacji w bezpieczeństwie ze średnimi oszczędnościami na poziomie 1,9 mln USD. W Indiach firma stwierdziła, że narzędzia te obniżyły koszty naruszeń o ponad połowę.

Mimo tej przewagi 73 procent respondentów w Indiach zgłosiło ograniczone wykorzystanie AI i automatyzacji bezpieczeństwa albo całkowity jego brak.

Ta sama rodzina technologii pojawia się zatem po obu stronach równania naruszeń. Źle zarządzana biznesowa AI zwiększa ekspozycję, podczas gdy dobrze zarządzana AI dla bezpieczeństwa pomaga obrońcom wykrywać i powstrzymywać ataki.

AI dla bezpieczeństwa może korelować alerty, wykrywać nietypowe zachowania tożsamości, znajdować ujawnione dane i ustalać priorytety incydentów. Może ograniczyć czas, jaki analitycy poświęcają na sortowanie powtarzalnych sygnałów.

Automatyzacja może też szybciej niż zespół ludzi działający ręcznie odizolować urządzenie, unieważnić token lub zablokować podejrzane połączenie.

Automatyzacja działań obronnych potrzebuje jednak granic. System wykrywania, który może wyłączać konta lub zmieniać polityki sieciowe, wiąże się z ryzykiem operacyjnym, jeśli jego decyzja okaże się błędna.

Firmy powinny rozróżniać automatyczne działania niskiego ryzyka od zmian o dużym wpływie, wymagających przeglądu. Gromadzenie dowodów może odbywać się automatycznie, natomiast wyłączenie usługi produkcyjnej może wymagać zgody człowieka.

Cloud Security Alliance ustalił, że 53 procent badanych organizacji pozwalało agentom działać autonomicznie przy zadaniach niskiego ryzyka, z udziałem człowieka przy działaniach o wyższym ryzyku. Kolejne 24 procent stosowało kontrolę człowieka przy większości zadań.

Tylko 13 procent zgłosiło w pełni autonomiczne modele. Wyniki te sugerują, że większość zespołów bezpieczeństwa już rozumie, iż autonomia powinna zależeć od konsekwencji działania.

Wyzwanie polega na konsekwentnym wdrażaniu tej zasady. Różne działy mogą tworzyć agentów bez stosowania tych samych kategorii ryzyka, zasad rejestrowania aktywności ani wymagań dotyczących zatwierdzania.

AI zapewnia też atakującym skalę. Systemy generatywne mogą tworzyć warianty wiadomości, tłumaczyć oszustwa, dostosowywać socjotechnikę i szybciej przetwarzać skradzione dokumenty.

Thales ustalił, że niemal 60 procent badanych firm doświadczyło ataków wykorzystujących deepfake’i. Czterdzieści osiem procent zgłosiło szkody wizerunkowe związane z dezinformacją lub podszywaniem się generowanymi przez AI.

Deepfake’i to syntetyczne nagrania audio, wideo lub obrazy zaprojektowane tak, by imitować prawdziwą osobę. Ich wartość biznesowa dla atakujących często wynika z oszustwa tożsamościowego, a nie z technicznej nowości.

Przekonująca wiadomość głosowa może wywrzeć presję na pracowniku, by przekazał informacje, zresetował poświadczenia lub ominął zwykły proces zatwierdzania. Atak nadal zależy od słabej weryfikacji.

Boty napędzane AI tworzą kolejny problem skali. Thales podał w kwietniu 2026 r., że zautomatyzowany ruch stanowił ponad połowę aktywności w internecie, z czego 40 procent sklasyfikowano jako złośliwe.

Jego ustalenia dotyczące szkodliwych botów wskazują API i systemy tożsamości jako główne cele. Boty mogą wielokrotnie testować poświadczenia lub nadużywać procesów biznesowych bez używania konwencjonalnego ładunku malware.

Ustalenia te pomagają wyjaśnić, dlaczego jeden produkt defensywny nie zamknie tej luki. Atakujący może łączyć automatyzację ze znanymi słabościami w obszarach tożsamości, dostawców, konfiguracji chmurowych i zachowań pracowników.

Właściwe porównanie to zarządzana AI kontra niezarządzana AI, a nie AI kontra brak AI.

Zarządzane systemy defensywne otrzymują zdefiniowane uprawnienia, monitorowany dostęp do danych, przetestowane procedury reagowania i jasno wskazanych właścicieli odpowiedzialnych za ich działanie. Niezarządzane systemy rozwijają się z wygody i pozostają trudne do zinwentaryzowania.

Zespoły bezpieczeństwa muszą też sprawdzać, czy AI rzeczywiście poprawia wykrywanie, zamiast jedynie dodawać kolejny panel. Narzędzie, które generuje więcej alertów bez poprawy decyzji, może zwiększać obciążenie analityków.

Raporty sponsorowane przez dostawców stanowią kolejny powód do ostrożności. IBM sprzedaje produkty z zakresu bezpieczeństwa i zarządzania, a Thales technologie ochrony tożsamości i danych.

Ich dane mogą ujawniać użyteczne wzorce, ale nie dowodzą niezależnie, że zakup konkretnej platformy zapewni deklarowane oszczędności.

Organizacje powinny weryfikować te twierdzenia na podstawie własnej historii incydentów. Przydatne miary obejmują czas do wykrycia, czas do powstrzymania, powtarzające się typy incydentów, wiek poświadczeń oraz odsetek wrażliwych danych objętych szyfrowaniem.

Paradoks ma praktyczną odpowiedź. Firmy powinny używać AI tam, gdzie poprawia ona mierzalne wyniki bezpieczeństwa, jednocześnie odmawiając każdemu systemowi AI zbędnego i trwałego dostępu.

Czego rekordowy koszt nie dowodzi

Dowody wskazują na poważną lukę w zarządzaniu, ale nie ustanawiają AI bezpośrednią przyczyną rekordowego średniego kosztu naruszenia w Indiach.

Najważniejszym ograniczeniem jest atrybucja. IBM podał, że naruszenia związane z AI stanowiły niewielką część globalnych organizacji w badanej populacji.

Raport z 2025 r. po raz pierwszy analizował zarządzanie AI, incydenty bezpieczeństwa związane z AI oraz shadow AI. Stanowi więc wczesny punkt odniesienia, a nie dojrzały trend historyczny.

Nagłówek może zatem przeceniać związek między atakami AI a indyjskim rekordem kosztów. Phishing, kompromitacja łańcucha dostaw i wykorzystywanie podatności pozostały głównymi wektorami początkowymi.

AI może wzmacniać te ataki, ale opublikowane dane dotyczące Indii nie określają, ile incydentów phishingowych wykorzystywało generatywną AI. Nie pokazują też, że AI spowodowała cały 13-procentowy wzrost.

Średni koszt tworzy kolejne ograniczenie. Niewielka liczba bardzo drogich incydentów może podnieść średnią, szczególnie w sektorach o dużym wpływie.

Liczby tej nie należy odczytywać jako prognozy, że każda indyjska firma straci 220 mln INR. To średnia dla organizacji badanych przez IBM i Ponemon.

Porównania między raportami również wymagają ostrożności. IBM, Thales i Cloud Security Alliance wykorzystywały różne próby, daty, pytania i definicje.

Incydent związany z AI w jednym badaniu może obejmować nieautoryzowanego agenta. Inny raport może skupiać się na utracie danych, dostępie do modelu albo ataku wzmocnionym przez AI.

Łączenie ich wartości procentowych w jeden ujednolicony wynik gotowości byłoby mylące. Raporty te są bardziej użyteczne jako dowód powtarzających się problemów z kontrolami.

Do tych powtarzających się problemów należą niepełne inwentaryzacje, słabe zarządzanie dostępem, niesklasyfikowane dane, trwałe poświadczenia i ograniczone monitorowanie.

Również ujęcie „jedna na trzy” wymaga precyzji. IBM ustalił, że 37 procent organizacji w Indiach miało kontrole dostępu do AI. To wartość zbliżona do jednej trzeciej, ale kontrole dostępu nie są pełną miarą gotowości cybernetycznej.

Firma może posiadać produkt do kontroli dostępu, a mimo to źle go skonfigurować. Inna organizacja może nie mieć dedykowanej platformy kontroli AI, lecz skutecznie stosować ograniczenia za pośrednictwem istniejących systemów tożsamości.

Gotowość obejmuje zapobieganie, wykrywanie, powstrzymywanie, odzyskiwanie sprawności, komunikację i reakcję regulacyjną. Żaden pojedynczy odsetek z badania nie obejmuje wszystkich sześciu obszarów.

Łańcuch źródeł również zasługuje na analizę. Google News agreguje i szereguje linki od wydawców, ale nie weryfikuje niezależnie każdej statystyki zawartej w nagłówku.

Czytelnicy powinni śledzić najważniejsze twierdzenia do badania źródłowego. W tym przypadku główna publikacja IBM potwierdza rekordową wartość 220 mln INR, wartość 37 procent dotyczącą kontroli dostępu oraz ustalenie o kosztach shadow AI.

Metodologia firmy zapewnia także kontekst. IBM twierdzi, że jego badania Cost of a Data Breach objęły niemal 6 500 naruszeń w ciągu 20 lat.

Ta długa historia nadaje badaniu wartość, ale coroczne próby nie stanowią spisu wszystkich publicznie znanych incydentów. Organizacje skłonne uczestniczyć mogą różnić się od tych, które tego nie robią.

Badania dostawców mogą również uwypuklać problemy zgodne z produktami danego dostawcy. Nie czyni to ustaleń fałszywymi, ale sprawia, że niezależne pomiary są istotne.

Dane regulacyjne, roszczenia ubezpieczeniowe, ujawnienia korporacyjne i rejestry reagowania na incydenty mogłyby zapewnić dodatkową weryfikację. Publiczne raportowanie w Indiach pozostaje nierówne, co ogranicza porównania.

Zmieniające się ramy ochrony prywatności w Indiach z czasem poprawią ilość ustrukturyzowanych informacji o naruszeniach. Digital Personal Data Protection Rules zostały ogłoszone w listopadzie 2025 r. z etapowym harmonogramem egzekwowania.

Zasady DPDP obejmują wymagania dotyczące zabezpieczeń i zgłaszania naruszeń. Wiele kluczowych przepisów ma odroczone daty wejścia w życie.

Organizacje nie powinny mylić publikacji z natychmiastowym egzekwowaniem każdego obowiązku. Muszą przypisać każde wymaganie do właściwej daty rozpoczęcia jego stosowania.

Sceptycyzm nie usuwa centralnego ostrzeżenia. Doprecyzowuje je.

Rekordowy średni koszt naruszenia w Indiach jest realny w ramach badania IBM. Luka w zarządzaniu AI jest również udokumentowana. Niepewne pozostaje, jaka dokładnie część szkód finansowych została bezpośrednio spowodowana przez ataki wspierane przez AI.

Trzy sygnały pokażą, czy Indie zmniejszają lukę

Kolejnym sprawdzianem będzie to, czy firmy przekształcą obawy w mierzalną kontrolę nad tożsamościami, danymi i reagowaniem na incydenty.

Pierwszym sygnałem jest zasięg kontroli dostępu dla aplikacji i agentów AI. Wartość 37 procent podana przez IBM stanowi jasny punkt odniesienia dla indyjskich organizacji.

Liczba ta powinna rosnąć, gdy przedsiębiorstwa będą inwentaryzować swoje systemy AI i łączyć je ze scentralizowanymi kontrolami tożsamości. Postęp powinien obejmować użytkowników, konta usługowe, wtyczki, modele i autonomicznych agentów.

Wyższa wartość wspierałaby pogląd, że organizacje zmniejszają lukę między wdrażaniem a zarządzaniem. Stagnacja sugerowałaby, że nowe wdrożenia AI nadal wyprzedzają prace nad bezpieczeństwem.

Firmy powinny mierzyć więcej niż samo istnienie kontroli. Powinny śledzić, ile tożsamości AI ma wskazanych właścicieli, ograniczone uprawnienia, daty wygaśnięcia poświadczeń i ciągłe monitorowanie.

Powinny także sprawdzać, czy nieaktywne agenty są usuwane. Nieznani lub porzuceni agenci mogą zachowywać dostęp długo po zniknięciu ich celu biznesowego.

Drugim sygnałem jest relacja między cyklem życia naruszenia a wpływem finansowym. Indie skróciły średni cykl życia do 263 dni, ale średni koszt nadal wzrósł.

Kolejne skrócenie byłoby zachęcające tylko wtedy, gdyby koszty i zakłócenia operacyjne również zaczęły spadać. Szybsze wykrycie, które następuje dopiero po dotarciu atakujących do krytycznych systemów, może przynieść ograniczone oszczędności.

Organizacje powinny oddzielać czas wykrycia od czasu powstrzymania incydentu. Powinny również śledzić proces przywracania działania, powiadamianie klientów, działania prawne oraz utraconą działalność biznesową.

Te wskaźniki pokazują, gdzie koszty nadal narastają. Firma może szybko wykryć incydent, ale potem przez miesiące odbudowywać systemy lub weryfikować integralność danych.

Regularne symulacje mogą ujawnić takie opóźnienia przed rzeczywistym naruszeniem. Ćwiczenia powinny obejmować kadrę kierowniczą, zespoły techniczne reagujące na incydenty, działy prawne, pracowników komunikacji oraz dotknięte nimi jednostki biznesowe.

Plan reagowania przechowywany, lecz nigdy nieprzećwiczony, daje niewiele dowodów na gotowość. Zespoły muszą wiedzieć, kto może unieważnić poświadczenia, odizolować systemy, skontaktować się z regulatorami i komunikować się z klientami.

Trzecim sygnałem jest wdrożenie indyjskich wymogów dotyczących ochrony danych. Ramy DPDP przesuwają obsługę naruszeń z kwestii technicznej w stronę szerszego obowiązku rozliczalności.

Organizacje muszą uważnie przestrzegać ogłoszonego harmonogramu wejścia w życie. W okresie przejściowym powinny tworzyć zabezpieczenia, rejestry i procesy powiadamiania potrzebne do późniejszego egzekwowania przepisów.

Najsilniejszym wskaźnikiem będą dowody operacyjne. Firmy powinny być w stanie zidentyfikować dane objęte incydentem, ustalić, kto je otrzymał, udokumentować powstrzymanie incydentu i powiadomić wymagane strony.

Zależy to od odkrywania i klasyfikowania danych, zanim dojdzie do incydentu. Firma nie może przedstawić wiarygodnej oceny naruszenia, jeśli nigdy nie zmapowała swoich informacji.

Te przygotowania regulacyjne powinny objąć również dostawców. Kompromitacja łańcucha dostaw stanowiła 17 procent początkowych wektorów ataku w ustaleniach IBM dotyczących Indii.

Firma może zabezpieczać własne systemy, podczas gdy dostawca usług zachowuje nadmierny dostęp lub stosuje słabe procedury reagowania na incydenty. Umowy powinny określać obowiązki w zakresie bezpieczeństwa, powiadamiania oraz wymagania dotyczące dowodów.

Szersza prognoza pozostaje mieszana. Atakujący mają obecnie tańszą automatyzację, bardziej przekonujące narzędzia do podszywania się oraz rosnącą liczbę tożsamości maszynowych, które mogą atakować.

Obrońcy również dysponują lepszym wykrywaniem, szybszą analizą i bardziej zautomatyzowanym powstrzymywaniem incydentów. Czynnikiem rozstrzygającym jest to, czy organizacje wdrażają te możliwości wraz z egzekwowalnym nadzorem.

Rekordowa średnia 220 mln INR będzie miała mniejsze znaczenie, jeśli okaże się szczytem, a nie początkiem trendu. Taki wynik wymaga od firm ograniczenia zarówno częstotliwości naruszeń, jak i skali szkód możliwych po uzyskaniu dostępu.

Dla liderów biznesu najpilniejsze pytanie jest konkretne: czy organizacja może dziś wymienić każdy system AI, który ma dostęp do wrażliwych danych?

Jeśli odpowiedź wymaga długiego dochodzenia, luka w gotowości pozostaje otwarta. Jeśli inwentaryzacja jest aktualna, uprawnienia są ograniczone, a plany reagowania przetestowane, firma wyszła poza ostrzeżenie z Google News w stronę możliwej do obrony kontroli.