印度平均数据泄露成本创纪录，AI 安全防护却未跟上

IBM 为印度日益扩大的 AI 安全缺口给出了明确数字：2025 年，数据泄露给组织造成的平均成本达到 2.2 亿印度卢比。如今，这一发现随着 Google News 的报道再次受到关注；相比 2024 年增长 13%，并创下印度纪录。

这一数字出现的时机更令人担忧。印度企业正迅速引入生成式 AI 工具、自动化工作流和机器身份。然而，根据 IBM 的印度调查结果，受访组织中仅有 37% 配备了 AI 访问控制措施。

这意味着，大致仅三分之一的组织拥有管控哪些人或系统可以访问 AI 系统所需的控制机制。近 60% 的组织要么缺乏 AI 治理政策，要么仍在制定相关政策。

因此，这并非企业与能力日益增强的攻击者之间的一场简单较量。核心冲突发生在企业内部：AI 的快速采用与安全治理的缓慢推进之间。

较新的研究表明，风险敞口仍在持续扩大。AI 应用如今持有凭证、查询敏感数据库、运营云服务，并触发业务操作。安全团队必须同时防护 AI 系统及其能够访问的一切资源。

Google News 再次聚焦印度创纪录的数据泄露成本

印度的数据泄露纪录表明，更快的事件响应并未阻止财务损失持续攀升。

IBM 于 2025 年 8 月 7 日发布印度调查结果。该公司表示，组织平均数据泄露总成本已从 2024 年的 1.95 亿印度卢比增至 2.2 亿印度卢比。

这一增长发生时，组织的数据泄露平均生命周期却有所缩短。IBM 将该生命周期定义为识别和遏制事件所需的时间，其中包括恢复服务。

印度的平均生命周期降至 263 天，比 2024 年缩短 15 天。这一改善很重要，但 263 天仍给攻击者留下了较长时间，用以探索系统、收集凭证并接触高价值数据。

这种表面上的矛盾正是问题的核心。企业更早发现并遏制数据泄露，但平均成本仍在继续上升。

当风险暴露的每一天都变得更加昂贵时，就可能出现这种情况。企业如今通过云服务、软件平台、应用程序编程接口和 AI 工具连接数据。一个被攻破的身份就可能跨越其中多个系统。

IBM 的印度数据泄露数据还指出了财务影响最大的行业。科研机构录得最高平均成本，为 2.89 亿印度卢比。

交通运输业紧随其后，平均成本为 2.88 亿印度卢比。工业组织的平均成本为 2.64 亿印度卢比，而它们在 2024 年曾位居印度各行业榜首。

这些行业既拥有高价值信息，也依赖无法长期离线的运营。科研机构持有知识产权和敏感数据集。运输企业则依靠持续可用的订票、物流和运营系统。

工业环境还带来另一项复杂因素。其技术往往将业务网络与运营设备相连，而遏制决策可能会中断实体流程。

最常见的入侵方式依然并不陌生。在印度被研究的数据泄露事件中，网络钓鱼占 18%。第三方及供应链受损占 17%，漏洞利用占 13%。

这一分布挑战了这样一种观点：创纪录的成本必须源于高度专业化的 AI 攻击。攻击者仍可通过电子邮件、供应商或未修补的应用程序进入系统。

AI 改变的是这些既有手段周边发生的事情。它能够改进网络钓鱼信息、自动化侦察、处理窃取的信息，并帮助攻击者将技术复制到更多目标。

Google News 是发现最新头条的渠道，而不是这些数字的原始来源。基础研究由 IBM 和 Ponemon Institute 完成。

这一区别很重要，因为聚合报道可能将多项发现压缩为一个戏剧性的说法。证据支持平均成本创纪录以及准备程度存在严重缺口，但并不能证明样本中的每起数据泄露都由 AI 引起。

AI 的采用速度快于访问控制建设

最直接的风险来自组织在能够盘点、限制和监控 AI 访问权限之前，就向 AI 系统授予访问权。

企业 AI 已不再局限于孤立的聊天窗口。企业将模型连接至文档库、客户记录、开发环境、消息平台和云管理工具。

每一项连接都会形成一条新的数据路径，也会增加一个必须治理的身份、令牌、服务账户、插件或权限。

IBM 发现，印度仅有 37% 的组织表示已具备 AI 访问控制措施。访问控制决定哪些用户和系统能够访问应用程序、可以执行哪些操作，以及能够检索哪些数据。

缺少这些控制措施并不会自动导致数据泄露，但当账户、令牌或 AI 集成遭到攻破后，可造成的损害会随之增加。

治理同样并不完整。印度近 60% 遭遇数据泄露的组织要么没有 AI 治理政策，要么仍在制定相关政策。

在已有政策的组织中，只有 34% 使用了 AI 治理技术。书面政策可以界定允许的行为，但技术执行决定系统是否真正遵守这些规定。

随着企业部署智能体，这一缺口变得更加显著。AI 智能体是能够通过已连接工具选择并执行操作的软件，通常只需有限的人为参与。

传统软件通常遵循既定流程。智能体则可以根据不断变化的输入，决定调用哪种工具、检索哪些信息以及如何继续执行。

这种灵活性创造了价值，但也令权限管理更加复杂。一个智能体可能需要数据库访问权限、云令牌、电子邮件账户和工单系统集成，才能完成一项工作流。

给予智能体对所有已连接系统的永久访问权确实方便，但也会形成一个集中的攻击目标。

Cloud Security Alliance 于 2026 年 4 月报告称，82% 的受访企业在其环境中发现了此前未知的 AI 智能体。其AI 智能体调查覆盖了 418 名 IT 和安全专业人士。

65% 的受访者表示，过去一年中至少发生过一起与 AI 智能体相关的事件。在这些事件中，61% 涉及数据暴露，43% 导致运营中断，35% 造成财务损失。

该调查由 Token Security 委托并资助，后者还共同制定了调查问卷。这种商业参与值得披露，结果也不应被视为对所有企业的精确衡量。

不过，这些发现描述了一个可辨识的治理问题。安全领导者可能认为自己能够掌握 AI 部署情况，但未知智能体仍可能活跃于脚本、开发工具、SaaS 平台或内部自动化中。

同一研究发现，只有 21% 的组织建立了正式的智能体退役流程。一个被遗弃的智能体可能在其原始项目结束后仍保留凭证。

这造成了报告所称的“退役债务”。企业不再使用该工作流，但其权限仍可能被攻击者或未经授权的员工利用。

当访问权限在员工角色变动后仍然保留时，人类账户早已会产生类似问题。AI 则增加了更多非人类身份，它们往往创建得更快、记录得更不仔细。

对印度企业而言，这使数据泄露问题不再只是拦截恶意提示词。安全团队必须了解哪些智能体存在、由谁负责、持有哪些凭证，以及这些凭证何时应当失效。

影子 AI 将便利转化为成本放大器

核心取舍在于速度与控制之间：员工获得即时生产力，而企业则失去对信息流向的可见性。

影子 AI 指未经组织技术部门批准或监督而使用的 AI 应用。它可能包括公共聊天机器人、浏览器扩展、会议助手、编程工具和未经授权的内部智能体。

员工采用这些工具，极少是为了制造数据泄露。他们通常只是想总结文档、分析电子表格、准备演示文稿，或加速重复性任务。

当机密材料进入企业尚未审查的服务时，安全问题便开始出现。团队可能不了解该服务如何存储提示词、管理上传文件或隔离客户数据。

IBM 将影子 AI 列为印度三大数据泄露成本驱动因素之一。其存在使平均数据泄露成本增加了 1790 万印度卢比。

然而，受访组织中仅有 42% 制定了管理 AI 或检测影子 AI 的政策。这使许多企业无法衡量与其最大报告成本因素之一相关的活动。

封禁所有 AI 服务不太可能解决问题。员工可以转向个人账户、非受管浏览器或移动设备，使相关活动更难被观察。

可行的应对措施需要获得批准的替代方案和可执行的边界。员工应清楚了解自己可以使用哪些工具、哪些信息仍被禁止使用，以及如何申请经过审查的集成。

组织还需要具备技术可见性。这包括发现未经批准的应用程序、监控数据传输，以及识别人类和机器账户的异常访问。

数据分类在此变得至关重要。分类为信息分配敏感度级别，使系统能够对公开、内部、机密和受监管数据应用不同规则。

没有分类，企业便无法可靠地区分无害的产品描述与客户身份记录，也可能对两者施加同样薄弱的控制措施。

Thales 的2026 年威胁报告显示，这一可见性问题已变得多么普遍。受访组织中，只有 34% 知道其所有数据位于何处。

仅有 39% 能够对所有数据进行完整分类。报告还发现，47% 的敏感云数据仍未加密。

这些是全球性发现，而非仅针对印度的衡量结果。但它们仍说明了为何 AI 的采用会加大数据控制的压力。

模型或智能体只能通过其获得的访问权限检索信息。然而，过度权限会让一个遭攻破的系统接触本应超出其任务范围的材料。

Thales 报告称，61% 的组织表示攻击者正瞄准其 AI 应用。敏感数据是首要目标。

同一研究发现，在遭遇云攻击的组织中，67% 将凭证窃取列为针对云管理基础设施的主要攻击手法。

凭证包括密码、API 密钥、会话令牌以及其他能够证明某一身份可访问系统的密钥。AI 工作流高度依赖这些机器可读取的密钥。

被盗的云令牌可能比针对模型本身的复杂攻击更有价值。它可能直接提供对存储、数据库、计算资源或管理功能的访问权限。

这正是影子 AI 不只是员工政策问题的原因。它属于更大的身份与数据管理问题的一部分。

企业需要可靠记录已批准的工具、已连接的信息来源、系统负责人和访问决策。一个可搜索的知识库可以帮助技术团队保留这些运营背景信息。

仅靠文档无法执行安全措施，但糟糕的文档会拖慢遏制响应。当响应人员无法识别某个代理的负责人、数据来源或凭证时，就会浪费时间。

因此，高成本的情景很容易理解：员工连接了未经审查的工具，该工具获得了广泛访问权限，而这一集成在缺乏监控的情况下持续存在。

攻击者不需要击败精心设计的 AI 防御体系。攻击者只需要找到其周围被遗忘的凭证。

AI 安全悖论愈发难以忽视

AI 正在扩大攻击面，同时也正成为降低数据泄露成本的最有力工具之一。

IBM 的研究结果并不支持简单的反 AI 结论。与未广泛使用 AI 和自动化安全技术的组织相比，广泛采用这些技术的组织实现了显著成本节约。

在全球范围内，IBM 将广泛采用安全 AI 和自动化与平均节省 190 万美元联系起来。在印度，该公司表示，这些工具将数据泄露成本降低了一半以上。

尽管具备这一优势，印度 73% 的受访者表示对 AI 和安全自动化的使用有限或完全未使用。

因此，同一类技术同时出现在数据泄露这道方程的两端。治理不善的业务 AI 会增加暴露面，而治理良好的安全 AI 则能帮助防御方识别并遏制攻击。

安全 AI 可以关联告警、检测异常身份行为、发现暴露数据并对事件进行优先级排序。它能够减少分析师筛查重复信号所花费的时间。

自动化还能够比人工团队协调这些行动更快地隔离设备、撤销令牌或阻断可疑连接。

不过，防御自动化需要边界。如果一个检测系统能够禁用账户或更改网络策略，那么一旦判断错误，就会带来运营风险。

企业应区分低风险的自动化操作与需要审查的高影响变更。收集证据可以自动执行，而关闭生产服务可能需要人工批准。

Cloud Security Alliance 发现，53% 的受访组织允许代理在低风险任务上自主运行，并对高风险行动实施人工审查。另有 24% 的组织对大多数任务采用人工审查。

只有 13% 的组织报告使用完全自主的模型。这些结果表明，多数安全团队已经认识到，自治程度应取决于行动后果。

挑战在于持续一致地贯彻这一原则。不同部门可能创建代理，却未采用相同的风险分类、日志记录规则或审批要求。

AI 也为攻击者提供了规模优势。生成式系统可以生成不同版本的消息、翻译诈骗内容、调整社会工程手段，并更快处理被盗文件。

Thales 发现，近 60% 的受访企业曾遭遇由深度伪造驱动的攻击。48% 的企业报告称，AI 生成的虚假信息或冒充行为造成了声誉损害。

深度伪造是旨在模仿真人的合成音频、视频或图像。它们对攻击者的商业价值往往来自身份欺骗，而非技术新颖性。

一条逼真的语音消息可能迫使员工传输信息、重置凭证，或绕过正常审批流程。攻击仍然依赖薄弱的验证机制。

AI 驱动的机器人带来了另一个规模问题。Thales 在 2026 年 4 月报告称，自动化流量占互联网活动的一半以上，其中 40% 被归类为恶意流量。

其恶意机器人调查结果将 API 和身份系统描述为主要目标。机器人可以反复测试凭证或滥用业务工作流，而无需使用传统恶意软件载荷。

这些发现有助于解释为何单一防御产品无法弥合这一缺口。攻击者可以将自动化与身份、供应商、云配置和员工行为中的常见弱点结合起来。

恰当的比较应是治理良好的 AI 与治理不善的 AI，而不是 AI 与不用 AI 的比较。

受治理的防御系统拥有明确权限、受监控的数据访问、经过测试的响应程序以及可追责的负责人。未受治理的系统则因便利性而不断增长，并且始终难以盘点。

安全团队还需要检验 AI 是否真正提升了检测能力，而不是只增加一个仪表盘。一个产生更多告警却无法改善决策的工具，可能会增加分析师的工作负担。

厂商赞助的报告也带来了额外的谨慎理由。IBM 销售安全和治理产品，而 Thales 销售身份与数据保护技术。

它们的数据可以揭示有用模式，但并不能独立证明购买某个特定平台就会带来所报告的节省。

组织应根据自身事件历史验证相关主张。可用指标包括发现时间、遏制时间、重复发生的事件类型、凭证存续时间，以及被加密覆盖的敏感数据比例。

这一悖论有一个务实的答案：企业应在 AI 能改善可衡量安全结果的领域使用它，同时拒绝给予任何 AI 系统不必要且永久的访问权限。

创纪录成本并不能证明什么

证据显示存在严重的治理缺口，但并未证明 AI 是印度创纪录平均数据泄露成本的直接原因。

最重要的限制在于归因。IBM 表示，在其研究样本所涵盖的全球组织中，与 AI 相关的数据泄露仅占一小部分。

2025 年报告首次研究了 AI 治理、AI 相关安全事件和影子 AI。这提供的是早期基准，而非成熟的历史趋势。

因此，标题可能夸大了 AI 攻击与印度成本纪录之间的联系。网络钓鱼、供应链入侵和漏洞利用仍然是主要的初始攻击向量。

AI 可以增强这些攻击，但已发布的印度数据并未量化有多少网络钓鱼事件使用了生成式 AI。它也没有表明 AI 导致了全部 13% 的增长。

平均成本还存在另一项限制。少数极其昂贵的事件就可能推高平均值，尤其是在高影响行业中。

该数字不应被解读为预测每一家印度企业都会损失 2.2 亿印度卢比。它是 IBM 和 Ponemon 研究的组织中的平均值。

跨报告比较同样需要谨慎。IBM、Thales 和 Cloud Security Alliance 使用了不同样本、日期、问题和定义。

一项调查中的 AI 相关事件可能包括未经授权的代理。另一份报告则可能聚焦于数据丢失、模型访问，或由 AI 增强的攻击。

将它们的百分比合并为统一的准备度评分会产生误导。这些报告作为反复出现的控制问题证据更有价值。

这些反复出现的问题包括盘点不完整、访问治理薄弱、数据未分类、持久化凭证以及监控有限。

“每三家中一家”的说法也需要精确理解。IBM 发现，印度 37% 的组织具备 AI 访问控制。这接近三分之一，但访问控制并不是网络安全准备度的完整衡量指标。

一家公司可能拥有访问控制产品，却仍然配置不当。另一家组织可能没有专用 AI 控制平台，却通过现有身份系统实施了有效限制。

准备度涵盖预防、检测、遏制、恢复、沟通和监管响应。没有任何单一调查百分比能够涵盖这六个方面。

来源链同样值得审视。Google News 汇集并排序来自出版商的链接，但不会独立验证标题中的每一项统计数据。

读者应将重大主张追溯至底层研究。在本例中，IBM 的主要发布内容支持创纪录的 2.2 亿印度卢比数据、37% 的访问控制数据，以及影子 AI 成本发现。

该公司的方法论也提供了背景。IBM 表示，其《数据泄露成本》研究在 20 年间考察了近 6,500 起数据泄露事件。

这一长期历史赋予研究价值，但年度样本并非对每一起公开已知事件的普查。愿意参与的组织可能与不愿参与的组织有所不同。

厂商研究也可能强调与厂商产品相契合的问题。这并不意味着研究结果是错误的，但也使独立测量变得重要。

监管数据、保险理赔、企业披露和事件响应记录可以提供额外验证。印度的公开报告仍不均衡，这限制了比较。

印度不断变化的隐私框架最终将提升结构化数据泄露信息的数量。《数字个人数据保护规则》于 2025 年 11 月公布，并采用分阶段执行时间表。

DPDP 规则包括关于安全保障措施和数据泄露通知的要求。许多实质性条款的生效日期有所延后。

组织不应将规则公布与每项义务立即执行混为一谈。它们需要将每项要求映射到相应的适用起始日期。

怀疑态度并不会消除核心警示，只会使其更加精确。

在 IBM 的研究范围内，印度创纪录的平均数据泄露成本是真实的。AI 治理缺口也有据可查。仍不确定的是，财务损失中究竟有多少直接由 AI 赋能的攻击造成。

三项信号将显示印度是否正在缩小缺口

下一项检验在于，企业是否将担忧转化为对身份、数据和事件响应的可衡量控制。

第一个信号是 AI 应用和代理的访问控制覆盖率。IBM 的 37% 数据为印度组织提供了清晰基准。

随着企业盘点其 AI 系统并将其接入集中式身份控制，该数字应会上升。进展应覆盖人类用户、服务账户、插件、模型和自主代理。

更高的数字将支持这样一种观点：组织正在缩小采用与治理之间的差距。数字停滞则表明，新的 AI 部署仍在持续超过安全工作的步伐。

企业不应只衡量控制措施是否存在。它们还应追踪有多少 AI 身份拥有明确负责人、受限权限、凭证到期机制和持续监控。

它们还应审查是否移除了不活跃的代理。未知或被遗弃的代理可能在其业务目的消失后仍保留访问权限。

第二个信号是数据泄露生命周期与财务影响之间的关系。印度将平均生命周期缩短至 263 天，但平均成本仍然上升。

只有当成本和运营中断也开始下降时，进一步缩短才是令人鼓舞的。若攻击者已进入关键系统后才更快发现攻击，节省的成本可能有限。

组织应将发现事件所需的时间与遏制事件所需的时间区分开来。同时还应跟踪系统恢复、客户通知、法律事务以及业务损失。

这些指标能够揭示成本仍在何处持续累积。一家公司或许能迅速发现事件，却可能要花数月重建系统或验证数据完整性。

定期演练可在真正发生泄露前暴露这些延误。演练应包括高管、技术响应人员、法务团队、传播人员以及受影响的业务部门。

一份被存放起来却从未演练过的响应计划，几乎无法证明组织已经做好准备。团队需要明确谁有权撤销凭证、隔离系统、联系监管机构以及与客户沟通。

第三个信号是印度数据保护要求的落实。DPDP 框架正在将泄露处置从单纯的技术问题，转变为更广泛的问责义务。

组织必须仔细遵循已通知的生效时间表。在过渡期间，它们应建立后续执法所需的防护措施、记录和通知流程。

最有力的指标将是运营证据。公司应能够识别受影响的数据，确定哪些人接收过这些数据，记录遏制措施，并通知规定的相关方。

这取决于在事件发生前完成数据发现与分类。如果一家公司从未梳理过自身信息，就无法提供可靠的数据泄露评估。

这些监管准备工作也应覆盖供应商。在 IBM 关于印度的研究发现中，供应链受损占初始攻击路径的 17%。

一家公司可能已经保护好自身系统，但服务提供商仍保留过度访问权限，或采用薄弱的事件处置流程。合同应明确安全责任、通知义务和证据要求。

更广泛的预测仍然喜忧参半。攻击者如今拥有成本更低的自动化工具、更具迷惑性的冒充工具，以及越来越多可供攻击的机器身份。

防御方同样拥有更好的检测能力、更快的分析能力和更自动化的遏制措施。决定性因素在于，组织是否以可执行的治理机制部署这些能力。

如果创纪录的 2.2 亿印度卢比平均成本只是峰值，而非趋势的起点，其影响将小得多。要实现这一结果，公司必须同时降低泄露发生频率，以及入侵发生后可能造成的损害。

对于企业领导者而言，眼下的问题很具体：组织今天能否列出每一个可访问敏感数据的 AI 系统？

如果答案需要经过漫长调查才能得出，准备缺口仍然存在。如果资产清单保持最新、权限受到限制、响应计划经过测试，公司就已从 Google News 警讯迈向可辩护的控制体系。