印度平均数据泄露成本创下新高，AI 正在重塑网络风险

IBM 最新的数据泄露研究以一个触目惊心的数字登上 Google News：2026 年，印度组织的平均数据泄露成本升至 2.55 亿印度卢比。

这相当于 25.5 crore 印度卢比，较 2025 年的 2.2 亿印度卢比增长 15.9%。IBM 表示，这是其年度研究所记录的印度最高平均值。

这个标题令人警觉，但其背后的故事并不只是人工智能让每一次网络攻击都变得更昂贵。IBM 的发现展现出两种相反的效应：攻击者正利用 AI 扩大欺骗和恶意软件活动的规模，而防御者则借助自动化缩短调查时间并控制损失。

这种张力比创纪录的数字本身更重要。未在安全体系中使用 AI 和自动化技术的印度组织，其单次数据泄露成本远高于广泛采用这些防御措施的组织。与此同时，不受控制的员工 AI 使用又带来了另一种高成本风险暴露。

结果是一场受治理的自动化与无序 AI 采用之间的安全竞赛。组织并非在“使用 AI”和“避免使用 AI”之间作选择，而是在决定攻击者、员工还是安全团队会以最少的约束来使用它。

Google News 聚焦印度创纪录的数据泄露成本

IBM 估计，印度平均数据泄露成本达到 2.55 亿印度卢比，同时平均事件暴露的记录数量也有所增加。

IBM 于 2026 年 8 月 3 日发布其印度地区研究结果。该公司称，平均每起数据泄露影响了 39,500 条记录，高于 2025 年的 38,200 条。

与 15.9% 的成本跃升相比，增加的 1,300 条记录看起来并不显著。这一差异表明，财务影响的上升并不只是因为组织损失了更多记录。

数据泄露成本可能包括技术调查、客户应对、运营中断、监管工作及业务损失。因此，当检测和恢复过程依然缓慢时，规模仅略有增加的事件也可能带来大幅攀升的账单。

通过 Google News 流传的原始报道正确强调了这一新纪录。不过，相关的印度数据泄露研究结果提供了更具实操价值的比较。

报告称，安全运营中未使用 AI 或自动化技术的组织，平均数据泄露成本为 3.16 亿印度卢比。广泛使用 AI 和自动化技术的组织，平均成本则为 2.13 亿印度卢比。

两组之间相差 1.03 亿印度卢比，即 10.3 crore 印度卢比。部署程度有限的组织，平均成本为 2.31 亿印度卢比。

这些数字并不能证明，安装一款自动化安全产品就能直接为每一次未来事件减少 1.03 亿印度卢比的损失。IBM 的研究属于观察性研究，而自动化能力成熟的组织很可能在其他方面也存在差异。

它们可能拥有更强的身份控制措施、更大的安全团队、经过演练的响应计划，或维护得更好的资产清单。这些因素都可能与自动化一起影响成本。

即使存在这一限制，趋势仍难以忽视。广泛采用自动化技术的组织报告的平均成本，低于部署有限或完全未部署相关技术的组织。

这一纪录也延续了既有的上升趋势。IBM 报告称，2024 年印度平均数据泄露成本为 1.95 亿印度卢比。其2025 年印度研究结果将这一数字提高至 2.2 亿印度卢比。

从 1.95 亿印度卢比增至 2.55 亿印度卢比，两年增幅约为 30.8%。在 IBM 的印度研究中，每一年的估算都创下了新高。

这些数字需要谨慎表述。它们描述的是 IBM 与 Ponemon Institute 研究样本中组织的平均情况，并非对印度全国所有数据泄露事件的完整核算。

规模较小的事件可能未被发现或未被报告。参与数据泄露研究的组织也可能与更广泛的组织群体存在差异。

这一估算仍然具有价值，因为它反映了组织应对真实事件的成本。它表明，负担并不止于被窃取的数据库或一台中断运行的服务器。

一次代价高昂的数据泄露可能同时消耗法务、技术、沟通和管理层资源。即使攻击者失去访问权限后，它也可能长期中断创收系统。

因此，Google News 的标题指出了可见的结果。更关键的问题在于，为何一些组织承受的损失远高于其他组织。

AI 正在加速攻击，但它并非唯一原因

AI 正在改变恶意活动的速度与规模，但钓鱼攻击和常规控制失效仍提供了许多初始突破口。

IBM 发现，在其研究的印度恶意数据泄露事件中，26% 涉及 AI 生成的攻击。该公司表示，这些攻击采用的技术使恶意活动更快、更复杂，或更易于规模化。

全球趋势也类似。IBM 的2026 年数据泄露研究称，四分之一的恶意数据泄露事件由 AI 赋能，较前一年增长 56%。

IBM 将深度伪造冒充和 AI 赋能的恶意软件列为这一增长的突出组成部分。该公司估计，AI 赋能的数据泄露在全球范围内的平均成本约为 600 万美元。

这些发现支持了一个清晰的机制：生成式系统能够缩短制作可信信息、修改恶意代码或模仿可信对象所需的时间。

攻击者不再需要手动编写每一条钓鱼信息。AI 可以针对不同岗位、行业和沟通渠道生成不同版本。

语音克隆可以通过模仿高管、客户或家庭成员来增加压力。生成式文本则可消除过去常会暴露低质量诈骗的明显语法错误。

AI 赋能的恶意软件还可以帮助攻击者变换代码，并研究存在漏洞的系统。不过，获得 AI 并不会自动带来一次成功的入侵。

攻击者仍需要一个入口、可用的凭证、可被利用的软件，或一名愿意执行欺诈请求的人。印度的数据表明，熟悉的攻击路径依然处于核心位置。

在 IBM 的印度样本中，包括语音和短信钓鱼在内的钓鱼攻击，占初始攻击向量的 19%。路过式攻击占 16%，供应链攻击则占 15%。

路过式攻击是指用户访问恶意或已被攻陷的网站时，其设备或用户会因此暴露于攻击之中。供应链攻击则通过受信任的软件、供应商或服务关系触及目标。

这些类别说明，“AI 导致了这一纪录”的说法过于宽泛。AI 可以提升攻击者信息的质量、时机或规模，但薄弱的身份和软件控制措施仍决定攻击能否得手。

钓鱼攻击仍然尤为重要，因为它瞄准的是人的判断力。员工面对的信息可能看起来像日常请求、密码警告、付款审批或共享文档。

生成的信息并不需要欺骗所有人。它只需要触达一个其访问权限能提供有价值下一步的人。

这使防御准备变得更加困难。安全团队必须识别最初的通信、阻止凭证滥用，并在访问发生后察觉异常行为。

印度网络安全主管部门也记录了持续存在的勒索软件活动和不断演变的攻击者技术。CERT-In 发布的勒索软件报告描述了 2024 年印度网络空间中观察到的策略。

勒索软件并不等同于 IBM 研究中的每一种数据泄露事件。它仍是一个重要参考，因为它结合了入侵、业务中断、数据窃取和恢复压力。

AI 可以放大多个阶段，但并不会取代其底层攻击剧本。它可以改进侦察、个性化诱饵，或帮助攻击者以更高频率进行沟通。

因此，安全负责人应避免两种误导性的结论。第一种是，AI 已经创造了一个完全陌生的威胁环境。第二种是，现有控制措施无需修改便已足够。

现实介于两种说法之间。身份管理、补丁、网络分段和响应规划仍然重要，但团队如今必须面对速度更快、适应性更强的对手。

真正的竞争是受治理的自动化与无序 AI

IBM 数据中最显著的分野，并非 AI 用户与非用户之间，而是受控的安全部署与组织监督范围之外的 AI 活动之间。

印度研究中，只有 32% 的组织报告称广泛使用 AI 和安全自动化技术。另有 36% 称使用有限，32% 称完全未使用。

自动化能够关联原本需要人工分别检查的安全信号。它可以优先处理可疑活动、补充警报上下文，并触发预定义的遏制步骤。

这些系统并不会将分析师排除在流程之外。其主要价值在于减少收集证据和执行重复性响应所花费的时间。

IBM 的时间数据说明了这一问题。未使用 AI 和安全自动化技术的组织，平均需要 236 天才能识别出数据泄露。

广泛使用自动化技术的组织则需要 175 天。这意味着在识别阶段相差 61 天。

遏制阶段呈现了一个不那么直观的结果。未使用自动化技术的组织平均需要 75 天遏制数据泄露，而广泛使用者为 81 天。

这六天的差异使“自动化让每个阶段都更快”的简单说法无法成立。识别速度显著改善，但报告中的遏制时间并未呈现同样的模式。

多个因素可以解释这一结果。高度自动化的组织可能拥有更大的环境、更复杂的基础设施，或需要在完成全面遏制前进行大量验证的事件。

公开可得的数据并未将这些可能性区分开来。因此，它只支持一个更窄的结论：广泛自动化与更早的识别和更低的总成本相关。

更早发现至关重要，因为攻击者可以在入侵与发现之间的时间里扩大访问范围。他们可能检查内部系统、定位敏感记录，并建立额外的持久化机制。

与之相对的力量是影子 AI，即员工在未获组织批准或监督的情况下使用 AI 应用。IBM 表示，它使印度数据泄露成本平均增加了 1,790 万印度卢比。

影子 AI 与监管不合规和云迁移一道，位列印度成本增幅最大的三项因素之一。这使员工 AI 活动成为数据泄露经济学讨论的一部分，而不仅仅是工作场所政策问题。

当员工将敏感材料提交给外部工具、连接未经批准的应用，或授予系统过多访问权限时，风险便会出现。安全团队可能难以保护那些自己无法看到其流动的数据。

这一问题也包括悄然增加生成式功能的获批业务软件。一份采购记录可能标明主应用，却遗漏其中嵌入的每一个模型或外部数据流。

禁止所有 AI 工具不太可能解决这种风险暴露。当获批工作流程仍然较慢或不够实用时，员工往往会转向未经授权的服务。

禁令可能会把活动进一步推向监控之外，也可能使安全团队无法了解究竟哪些任务正在推动采用。

治理提供了更务实的制衡。组织需要一份可靠清单，覆盖 AI 应用、身份、数据访问权限以及已连接的服务。

它们还需要能够区分低风险辅助与敏感处理的规则。起草通用营销文案，与上传客户记录或机密源代码并不相同。

因此，主要对手很明确。受管控的自动化能为防御方带来可见性和速度，而未受管控的 AI 则会形成隐蔽的访问路径和不确定的数据处理方式。

双方使用的底层技术相似，区别在于授权、监控和问责。

IBM 的数据并不能证明什么

IBM 的报告揭示了强相关性，但并未证明仅凭 AI 就导致了印度成本上升 15.9%。

这项研究来自 IBM——一家销售安全、自动化、云和 AI 产品的公司。这并不使其发现失效，但读者应认识到其中的商业背景。

IBM 和 Ponemon Institute 的报告以经历过数据泄露的组织为基础。公开摘要并未将这些结果变成一项受控实验。

采用成熟自动化的组织本身可能已经具备更强的治理能力和更大的安全预算。这些优势可以独立影响检测速度和泄露成本。

反过来也可能如此。系统复杂的大型组织更可能采购自动化，同时也会为攻击者提供更广泛的目标。

平均成本可能掩盖不同事件类型和行业之间的显著差异。影响银行的数据泄露，不会带来与影响较小软件供应商相同的应对负担。

IBM 发现，印度金融服务机构的平均泄露成本最高，达到 4.09 亿印度卢比。科技行业紧随其后，为 3.57 亿印度卢比；通信行业平均为 3.45 亿印度卢比。

这些行业差距很重要，因为每个行业持有的数据不同，面临的运营约束也不同。金融机构还要承担监管义务，并运行一旦中断就会立即产生后果的服务。

因此，印度的平均泄露成本不应成为通用预算估算。具体组织必须考虑自身的数据、基础设施、法律风险和运营依赖关系。

“AI 生成的攻击”这一表述同样需要解读。它可能涵盖从生成式钓鱼内容到借助 AI 修改的恶意软件等不同技术。

这一类别并不必然意味着某个自主系统策划并执行了整个攻击。人类攻击者仍会选择目标、验证访问权限，并追逐高价值系统。

同样，影子 AI 所关联的 1,790 万印度卢比成本，并不能证明每个未经授权的聊天机器人都会造成数据泄露。影子 AI 反映的是可见性和治理问题。

广泛存在未经批准使用的组织，也可能面临采购碎片化、访问管理薄弱或数据政策不清晰等问题。即使 AI 尚未进入工作流，这些条件也可能增加风险。

时间数据同样需要谨慎看待。广泛自动化与提前 61 天发现事件有关联，但在已发布的印度数据中，遏制过程却多花了 6 天。

这种不一致应当保持可见。将其删除，会把一份细致的数据集变成营销材料。

最有力的解读并不是自动化能保证在每个阶段都更快响应，而是广泛使用自动化的组织整体报告了更低成本和更早的识别时间。

全球比较也让印度的故事更复杂。IBM 报告称，全球平均数据泄露成本为 499 万美元，较上一年上升 12%。

AI 支持的泄露事件在全球平均约为 600 万美元。然而，地域、监管、劳动力和基础设施差异，使其无法直接换算为印度基准。

这正是为什么原始的创纪录成本报道最适合作为起点，而不应成为分析的终点。

更经得起推敲的结论是，AI 已成为可衡量的数据泄露因素。它强化了部分攻击，创造了新的非受管控数据路径，也能帮助成熟的防御方控制成本。

每种机制对印度创纪录成本的贡献程度仍不确定。IBM 的公开数据并未对全年 3,500 万印度卢比的增长给出因果分解。

印度最易受影响的行业面临不同压力

金融服务、科技和通信行业的平均成本最高，但每个行业都是通过不同的运营风险走向这一结果。

印度金融服务机构的平均泄露成本为 4.09 亿印度卢比，比印度整体平均水平高出 1.54 亿印度卢比。

银行、保险公司、支付服务商和投资平台管理着身份、交易和高度敏感的记录。一次入侵可能同时触发技术响应、客户保护和监管工作。

这些组织也依赖复杂的供应商和服务网络。供应链入侵能够绕过那些只关注直接外部攻击的控制措施。

金融机构不能简单地断开每个受影响系统，还必须考虑客户访问和交易连续性。这一约束会使遏制成本更高。

科技公司的平均成本位居第二，为 3.57 亿印度卢比。它们的风险往往不仅涉及客户记录，还包括源代码、凭据、开发基础设施和已连接的云服务。

一个遭入侵的开发者账户可能暴露多个环境。攻击者可以从协作工具横向移动到代码仓库、部署系统或云账户。

AI 工具增加了另一条路径，因为开发者会用它们进行代码生成、调试和文档编写。敏感代码或配置数据可能通过未经授权的助手离开获批边界。

科技公司还开发供其他组织使用的产品。因此，一次入侵可能演变为超出原始受害者范围的供应链事件。

通信机构的平均成本为 3.45 亿印度卢比。它们运营着连接客户、企业和公共服务的基础设施。

一次泄露可能涉及用户信息、网络访问或服务中断。当组织必须在维持关键连接的同时保护证据时，恢复负担会加重。

这些差异表明，单一通用的 AI 安全政策并不够。每个行业都需要与其最有价值系统和可能攻击路径相匹配的控制措施。

金融机构应密切监控身份、交易授权和第三方访问。科技公司需要围绕代码仓库、构建系统、密钥和云身份提供强有力的保护。

通信服务商必须将客户数据保护措施与运营网络安全结合起来。在这三个行业中，事件响应计划都必须考虑服务连续性。

钓鱼攻击横跨这些环境，因为每个行业都依赖人际沟通。AI 使冒充行为更易于定制，但组织仍可降低其影响。

抗钓鱼认证会限制被盗密码的利用价值。特权访问控制可减少单个遭入侵身份能够触及的范围。

网络分段能够防止初始入侵演变为全组织范围的事件。经过演练的响应流程可在团队需要迅速行动时减少不确定性。

员工报告仍然重要，因为自动化检测无法捕捉每一条消息。及早报告可疑请求的员工，可能提供第一个可靠信号。

这些行业面临的压力既是当下的，也是长期的。当前的数据泄露会提高响应成本，而不断扩大的 AI 采用则会带来更多需要治理的应用、身份和数据连接。

因此，安全计划必须随业务 AI 部署一同成长。在未更新身份和数据控制的情况下增加助手和智能体，会让攻击面扩张得比防御者绘制其全貌的速度更快。

三个信号将显示成本曲线是否正在变化

未来一年的泄露数据应揭示，印度组织是否正将计划中的安全支出转化为可衡量的控制改进。

第一个信号是广泛采用 AI 和安全自动化。IBM 发现，2026 年仅有 32% 的印度组织达到这一水平。

据报道，近 73% 的组织计划在经历数据泄露后加强安全工具和治理。未来研究应显示，这一意图是否带来了更广泛的部署。

如果广泛采用率上升，同时平均泄露成本和识别时间下降，IBM 关于自动化的论点将获得支持。如果成本持续攀升，部署质量则需要接受更仔细的审视。

组织不应将一个孤立的告警工具视为成熟自动化。更有意义的衡量标准是，检测、调查、身份控制和响应工作流是否协同运作。

第二个信号是影子 AI 的成本和普遍程度。IBM 将其列为印度三大成本放大因素之一，在存在时增加 1,790 万印度卢比。

成本下降将表明组织正逐步掌握员工应用和已连接数据的可见性。持续增长则会显示，采用速度仍然超过治理能力。

重要指标不只是员工使用了多少 AI 工具，而是其中有多少在未经获批身份、保留规则或监控的情况下处理敏感信息。

组织应关注通过个人账户连接的应用，也应追踪在原始安全审查之后被添加到既有软件中的 AI 功能。

第三个信号是钓鱼攻击与新型 AI 支持技术之间的平衡。尽管 AI 辅助攻击快速增长，钓鱼仍以 19% 的比例保持印度最主要的初始攻击向量。

如果钓鱼继续保持这一位置，身份保护和员工核验仍将是最务实的防御重点。AI 安全投入无法取代这些基础能力。

如果深度伪造冒充、AI 支持的恶意软件或针对 AI 模型的攻击急剧上升，安全团队将需要更专业的检测和访问控制。

这种变化将强化 AI 正在改变威胁格局结构的论点。稳定的攻击向量占比则表明，它主要是在加速既有方法。

通过 Google News 看到这则报道的读者，应关注这三个指标，而不是单一的年度平均值。头条数字描述的是已经承受的损失。

更有用的指标会显示，组织是否正在缩短攻击者停留时间、治理 AI 使用，并阻止一个被盗身份触及关键系统。

对于技术领导者而言，眼下的行动是将每项业务 AI 部署与其安全覆盖范围进行对照。谁拥有该应用，它能访问哪些数据，又是哪一个身份授权其行动？

对于员工和知识工作者而言，这个问题同样具体：是否存在针对正被放入 AI 系统的信息的获批工作流？

印度创纪录的 2.55 亿印度卢比，并不意味着组织应从 AI 中撤退。它表明，缺乏可见性的采用会产生成本，而受管控的自动化能够改善防御态势。

下一条 Google News 头条不应只看平均成本是否再次上升。还要观察广泛自动化是否扩大、影子 AI 成本是否下降，以及钓鱼攻击是否失去最易进入的入口地位。