Kiteworks 警告：80% 的组织曾遭遇安全或 AI 事件，治理却仍然滞后

Kiteworks 凭借一项严峻的说法登上 Google News：80% 的组织曾经历安全或 AI 事件，而治理准备程度仍处于极低水平。这个数字引人关注，但更深层的矛盾在于书面政策与 AI 实际使用过程中真正有效的控制措施之间的脱节。

这则通过 Cybersecurity Insiders 发布的报道出现之际，企业正让 AI 系统访问私有文档、业务应用和内部工作流。这些连接扩大了权限薄弱、日志不完整和数据流向不明所带来的后果。

Kiteworks 在这一讨论中拥有商业利益，因为该公司销售私有数据安全与治理技术。因此，其发现应接受审视，而不应被自动采信。不过，多项支撑数据揭示了一个超出单一供应商叙事框架的治理问题。

Kiteworks 报告实际改变了什么

这份报告将 AI 治理从政策讨论转变为事件响应问题。

Google News 报道将 80% 这一数字作为核心发现呈现。然而，仅凭标题并不能说明这一比例是否混合统计了已确认的数据泄露、疑似事件、政策违规或 AI 特有的故障。

这一区别很重要。传统数据泄露、员工将机密文本上传至未经批准的聊天机器人，以及自主代理执行非预期操作，属于不同类型的事件。它们需要不同的控制措施，造成的损害程度也不同。

因此，读者应将这一标题数字视为供应商报告的调查结果。它并非对整个经济体系中经独立核实的数据泄露的衡量。公开可得的 Kiteworks 材料支持更广泛的治理担忧，但并不意味着每一类事件都可以等同看待。

Kiteworks 早前的全球研究调查了北美、欧洲、亚太和中东地区的 461 家组织。对该研究的报道发现，只有 17% 的组织已全面实施技术性 AI 治理框架。

这才是更有用的基准。技术性 AI 治理意味着对数据访问、模型使用、监控、留存和事件处理实施可执行的控制。没有这些控制措施的政策文件，无法阻止员工、应用或代理暴露受保护的信息。

同一研究将有限的可视性与较弱的结果联系起来。根据一份独立报道，46% 不清楚第三方数量的组织，同样无法识别其数据泄露频率。

在对数据泄露情况不确定的组织中，42% 同样不确定检测所需时间。报道还称，另有 48% 无法量化诉讼成本。

这些关联并不能证明可视性差导致了每一次数据泄露。它们确实表明，无法盘点系统和合作伙伴的组织，也难以衡量后果。

Kiteworks 的 2026 年技术行业分析提供了另一种视角。该分析调查了来自 10 个行业、八个地区的 225 名安全、IT、合规和风险负责人。其中 32 名受访者代表技术类组织，而所有参与者中有 97% 就职于员工至少 1,000 人的组织。

该样本与大型企业风险相关，但并不代表所有企业。技术行业子样本尤其小。基于这 32 份回答的百分比差异，应被视为方向性发现，而非精确的行业估计。

即便存在这些局限，这份报告仍指出了一个一致的问题。组织已投资于显而易见的治理实践，但基础控制措施仍不完整。

这就是改变所在。AI 安全事件不再是与未来自主系统相关的假设性边缘案例。企业正在报告事件，而关键的资产盘点、溯源和执行能力仍未完善。

为什么 Google News 此时聚焦治理缺口

AI 的采用已从孤立的聊天会话，进入能够检索数据、调用工具并跨业务流程采取行动的系统。

回答一般问题的聊天机器人访问范围有限。连接到电子邮件、云存储、客户记录、源代码或财务系统的 AI 代理，则在更广泛的攻击面上运行。

代理型 AI 是指能够为实现目标规划并执行多项行动的软件。它的风险较少取决于对话流畅度，更多取决于身份、权限、可用工具以及它能够触及的数据。

这为事件创造了多条路径。代理可能被授予过多权限，遵循嵌入文档中的恶意指令，泄露检索到的信息，或触发超出预期用途的操作。

员工也会通过影子 AI 制造风险敞口，即在未获得正式批准或缺乏监控的情况下使用 AI 工具。当这些工具保留提示词、利用提交内容进行训练或连接到组织账户时，风险会进一步增加。

传统安全计划已管理身份、终端、应用和网络流量。AI 增加了一层推理能力，能够整合信息并以机器速度发起行动。

这并不意味着每个 AI 系统都不可预测。但这意味着，部署时的一次性静态审批无法取代部署后的持续观察。

这一时点也反映出监管压力。欧盟《AI 法案》于 2024 年生效，其义务将按分阶段时间表实施。通用 AI 模型的治理要求自 2025 年 8 月起开始适用。

欧盟委员会的实施时间表显示，不同条款和过渡期限将在不同时间适用。组织必须确定哪些系统、提供方角色和使用场景属于各项义务的范围。

这一不断演变的时间表使合规规划更加复杂，但并未消除进行资产盘点的必要性。如果无人知道某个 AI 系统的存在，企业就无法对其分类、记录其风险或应用正确的控制措施。

监管只是压力来源之一。客户越来越常要求供应商说明 AI 如何处理机密信息。保险公司、审计人员、董事会和采购团队也希望看到控制措施按描述运行的证据。

证据要求改变了“准备就绪”的含义。企业并非因为高管批准了一项 AI 政策就已准备就绪。只有当团队能够展示谁访问了数据、哪个模型接收了数据、系统采取了什么行动，以及组织如何应对时，才算真正准备就绪。

这正是 Kiteworks 的 AI 治理发现为何能在该供应商客户群之外引发共鸣。它们描述了安全审查和企业采购中已可见的运营缺口。

在高管认识到问题却缺乏一致证明的当下，Google News 正在放大这一事件统计数据。该标题之所以吸引注意，是因为 AI 的采用速度已超过观察它所需系统的建设速度。

治理承诺正在超越技术控制能力

主要矛盾不是 AI 采用与谨慎之间的对立，而是纸面上承诺的治理与生产环境中实际执行的治理之间的脱节。

Kiteworks 的技术行业简报说明了这种分歧。技术类组织在多项正式治理能力上领先于全球样本。

该行业报告采用隐私保护技术的比例为 56%，而全球结果为 33%。AI 事件分类体系和应对手册的比例达到 50%，全球比例则为 27%。

技术行业受访者还报告称，53% 开展了 AI 影响评估，47% 进行了偏见审计，41% 拥有模型可解释性文档。每项结果均高于相应的全球数据。

这些都是有意义的投入。影响评估可以识别受影响群体和可预见的伤害。事件应对手册则在模型出现意外行为时，为团队提供预先定义的职责。

然而，同一份技术行业简报发现，在不那么显眼的基础设施方面，结果较弱。

只有 22% 的技术行业受访者报告拥有隔离的训练环境，低于全球 26% 的比例。隔离将开发、训练和生产资源分开，以便数据无法在缺乏控制的情况下在它们之间流动。

只有 19% 的受访者报告具备溯源和血缘追踪能力，低于全球 23% 的比例。数据溯源记录信息的来源、变化过程，以及哪些模型或流程使用过这些信息。

这造成了实际矛盾。一家公司可以检测异常行为并拥有响应文件，却仍无法将受影响的输出追溯至其源数据。

它也可能在生产环境中维持访问控制，同时让模型开发环境保持过于广泛的连接。该缺口增加了未经授权访问、受污染训练材料或非预期数据流动的风险。

技术行业受访者在不可篡改审计轨迹、漂移监控和事件应对手册方面表现更好。这些控制措施可帮助团队发现某些内容发生了变化。

薄弱的血缘追踪能力则使解释变化原因更加困难。它可能延迟根因分析，也使防止问题再次发生更加困难。

报告还发现，53% 的技术行业受访者表示，董事会将 AI 治理列为优先事项。然而，只有 47% 报告董事会关注整体网络风险态势，比全球比例低 7 个百分点。

这一结果并不能证明董事会放弃了网络安全。它表明，领导层的注意力可能转向显眼的 AI 项目，而基础安全则要与之争夺相同的时间和预算。

AI 治理不能作为孤立的合规项目，与网络安全并列存在。它依赖于身份管理、加密、数据分类、软件安全、第三方监督和事件响应。

美国国家标准与技术研究院体现了这种全生命周期方法。其自愿性AI 风险框架围绕四项职能组织工作：治理、映射、衡量和管理。

治理确立职责和政策。映射识别背景和受影响方。衡量评估风险，而管理则对风险进行优先排序并加以处理。

止步于治理的企业只完成了这一周期的一部分。政策必须与技术观察、测试结果和响应决策相连接。

这正是该标题背后的核心反转。组织可能因为拥有委员会、标准和获批工具而显得准备充分。AI 安全事件则会暴露这些准备是否真正覆盖处理真实数据的系统。

AI 安全事件暴露资产盘点问题

组织无法控制那些无法识别、分类和重建的 AI 数据流。

盘点听起来很基础，但在 AI 时代却并不容易。一个业务流程可能涉及员工、软件应用、外部模型提供商、检索基础设施以及多个数据存储库。

公司可能只拥有这条链路中的一部分。客户支持平台或许会通过第三方模型加入生成式功能。开发者也可能将编程助手连接到私有代码库。

另一个团队可能会构建一个内部代理，从共享存储中检索文档。每次部署都可能形成不同的数据保留、权限和日志记录条件。

因此，一份有用的资产清单不能只记录产品名称。它还应明确系统所有者、预期用途、模型提供商、所连接的数据、可用工具、用户群体以及数据处理的地理位置。

它还必须记录系统是否能够执行操作。只能起草邮件的助手对应一种风险等级；获授权发送该邮件或修改账户的代理，则对应另一种风险等级。

Kiteworks 关于第三方可见性的发现正契合这一问题。未知的供应商和集成可能隐藏私有数据流动的路径。

组织可能批准了看得见的应用，却并不了解其底层涉及的每一个处理方。当模型提供商、插件或数据服务发生变化时，这一点就尤为重要。

同样的问题也出现在数据主权领域。Kiteworks 的 2026 年研究发现，约五分之四的受访者认为自己充分了解主权要求；但约三分之一表示，在过去一年中曾发生与主权相关的事件。

数据主权涉及对信息存放地点以及适用司法管辖权的法律与运营控制。当提示词、嵌入向量、日志和模型输出跨越区域边界时，AI 会使这一问题更加复杂。

这份主权报告将这一差距界定为认知与可证明控制之间的差距。组织或许了解规则，却缺乏自动化执行机制或可供审计的证据。

这种对比比将每一起上报事件都视为同一种 AI 事件更站得住脚。它也指向了一项具体测试。

在发生 AI 相关事件后，组织能否识别受影响的数据、涉及的模型、发起操作的身份、已执行的操作以及下游接收方？如果不能，那么无论政策质量多高，治理仍然是不完整的。

知识工作者在这一体系中也扮演着重要角色。他们决定哪些文件会进入提示词、哪些生成式回答值得信任，以及哪些 AI 工具会成为日常工作的一部分。

组织可以为员工提供经批准的方式来检索和整合自身信息，以减少意外暴露。当边界被清晰定义时，私有AI 知识库可以减少在无关服务之间不必要的数据复制。

这种做法仍然需要治理。本地或私有存储并不能自动解决过度访问、输出不准确、身份验证薄弱或数据保留义务等问题。

目标并不是禁止有用的工作流程，而是为用户提供一条经批准、其数据流动能够被理解和审查的路径。

资产清单也需要变更管理。一个最初只是写作助手的应用，可能会通过更新获得检索、自动化或代理功能。

安全团队应根据变化后的访问权限和可执行操作审查新能力，而不应只看熟悉的产品名称。一个原本低风险的工具在获得新权限后，可能已发生实质性变化。

这正是 AI 安全事件成为有价值信号的地方。每起事件都应更新资产清单、威胁模型、控制设计和员工指引。

仅凭事件数量无法说明组织是否从中吸取了教训。纠正流程的质量比醒目的数字更重要。

80% 这一数字并不能证明什么

这个醒目的数字表明风险暴露广泛，但并不能确立普遍的泄露率，也无法证明 AI 导致了每一起上报事件。

供应商调查可以揭示有用的模式，尤其是在其公布样本量和方法论时。但它们也不可避免地存在局限。

受访者对“事件”的理解可能不同。安全负责人可能会将攻击尝试、已确认泄露、政策违规、隐私事件和运营故障都归入同一标签。

自报结果也取决于可见性。监控覆盖广泛的成熟组织，可能因为检测到更多事件而报告更多事件。

准备不足的组织可能只是因为看不到故障而显得更安全。Kiteworks 自己的研究也警示了这种可见性效应。

调查样本同样值得关注。Kiteworks 的技术简报主要代表大型组织，其中 97% 的受访者就职于员工至少 1,000 人的企业。

大型企业拥有更多系统、用户、供应商和监管义务。它们的经历不应被直接套用到小型企业身上。

这项技术分析仅包含 32 名行业受访者。在该子群体中，几份回答的差异就可能显著改变百分比。

因此，在读者将 80% 的说法与其他事件研究进行比较前，需要补充支持性细节。必要细节包括问题措辞、回答选项、观察期以及对疑似事件的处理方式。

若能将传统网络事件与源自 AI 的事件区分开来，也会更有帮助。攻击者使用 AI 改进钓鱼攻击，与企业模型泄露检索到的数据并不是一回事。

第三类情况是针对 AI 基础设施的传统攻击，例如凭据窃取或易受攻击的软件。将这三类事件都称为“AI 事件”，会模糊究竟是谁控制了失效的系统。

Kiteworks 也销售旨在解决私有数据治理问题的产品。这一商业定位并不会使其数据失效，但确实会促使其强调其平台所能解决的风险。

独立复现将增强这一醒目说法的可信度。按事件类型、组织规模、地区和治理成熟度公布匿名化细分数据，也会有所帮助。

该报告最可信的启示，并不需要接受普遍存在 80% 事件率这一说法。多项 Kiteworks 研究显示，正式准备工作与运营执行经常存在偏差。

技术简报指出了培训隔离和溯源方面的缺口。较早的调查发现，技术治理的实施有限。数据主权研究则显示，高认知与持续发生的事件并存。

综合来看，这些发现支持一个更为审慎的结论：许多大型组织已经开始进行 AI 治理，但能够证明其在完整数据生命周期内具备全面技术控制能力的组织仍然相对较少。

这已经足够严肃，无需耸人听闻。它也为买方评估治理产品提供了更好的框架。

供应商应说明其能够观察哪些数据流、执行哪些政策，以及能够阻止哪些操作。它还应披露局限性和集成依赖关系。

当产品将治理仅仅视为一个仪表盘时，买方应保持谨慎。可见性是必要条件，但执行、测试、响应和恢复才能构成完整的运营闭环。

他们也不应假设一个网关就能控制所有路径。员工、嵌入式 AI 功能、直接应用程序编程接口以及自主代理都可能形成独立路线。

Google News 的标题之所以值得关注，是因为其背后的风险确实存在。在完整方法论明确该数字包含哪些内容之前，其确切百分比仍应归因于该报告。

三个将检验 Kiteworks 警示的信号

接下来的证据应显示，企业是在构建可执行的治理，还是只是在增加又一层文档。

第一个信号是更完善的事件披露。未来研究应区分已确认泄露、疑似事件、政策违规和非预期的 AI 操作。

它还应区分由 AI 引发的事件与针对 AI 系统的攻击。这样的分类体系将使年度同比比较更具意义。

如果高发生率在定义清晰的类别中持续存在，详细披露可能会强化 Kiteworks 的警示。如果 80% 这一数字合并了许多低严重性或关联松散的事件，则可能削弱这一标题。

第二个信号是技术控制方面可衡量的进展。2026 年技术简报为隔离训练环境、溯源、事件处置手册和董事会监督提供了基线。

后续调查应使用相同的问题和抽样方法。数据血缘和环境隔离的采用率上升，将表明组织正在缩小执行缺口。

如果结果持平或下降，将支持报告的核心担忧。这表明支出仍集中于评估和政策，而不是基础性控制措施。

第三个信号是监管证据。欧洲的执法、审计和实施指引，应能揭示哪些治理失效会造成最大的实际风险暴露。

应关注涉及缺少文档、监控不足、未披露的 AI 交互或数据流动控制不佳的案例。这些案例将帮助组织确定投资优先级。

如果监管机构反复发现既定政策与系统行为之间存在差距，监管行动将强化报告的论点。若合规明确且运营故障很少，则会削弱其紧迫性。

企业买方无需等到这些信号出现后再采取行动。他们可以围绕一条生产环境中的 AI 工作流，开展一项直接的准备度测试。

从一个会访问敏感信息的系统开始。要求负责人识别每一个数据源、模型提供商、连接工具、权限、保留规则以及负责决策者。

然后模拟账户被攻破、恶意文档或非预期操作。确定组织能否停止系统、追踪其活动、识别暴露的信息并保全证据。

这项演练应包括法务、安全、隐私、IT，以及使用该系统的业务团队。当责任在这些群体之间消失时，AI 治理就会失效。

团队应在可搜索的系统中保留决策和事件经验，而不是将其分散在会议和文档中。结构化的知识工作流可以帮助负责人在系统变化时持续维护证据。

但文档仍不能替代执行。它的价值在于将明确的负责人、观察到的行为、批准的例外情况和纠正措施联系起来。

Kiteworks 报告的 80% 事件数字，最好被理解为一个值得验证的警示。该公司更广泛的研究已经表明，薄弱的可见性、有限的技术治理和不完整的溯源问题有足够证据支撑。

真正的问题已不再是组织是否拥有 AI 政策，而是当出现问题时，该组织能否重建 AI 系统的操作过程。

Google News 可以放大一个引人注目的百分比，但安全负责人需要的是其背后的控制措施。他们应盘点一条正在运行的 AI 工作流，测试其故障路径，并记录哪些部分仍然不可见。