强大的新AI前沿模型正在彻底改变网络安全。Anthropic Mythos等来自其他供应商的类似模型随处可见，暴露出数十年来一直潜伏在表面之下的安全漏洞。它们以前所未有的速度和规模识别这些缺陷的能力，正在压缩攻击时间线。延迟的成本很快将以分钟而非月来衡量。如今，每有一小时漏洞仍在活跃状态，组织就要花费约1,100美元。而这只是今年《数据泄露成本报告》中的众多发现之一。IBM再次委托Ponemon研究所调查数千个遭受数据损失的组织，以保持对这些攻击脉搏的把握。

我们将所学分享给您，以便您加强防御能力，降低成为明年报告案例的可能性。让我们看看2026年《数据泄露成本报告》，了解它教会了我们什么，我们需要在哪些方面改进，以及我们能做些什么。市面上有许多带有各种可怕统计数据的安全报告。那么您为什么要相信这份特定的报告呢？首先，它是独立的。我们委托Ponemon研究所这一独立机构进行工作，他们已发布此类报告21年。因此，他们对此颇有心得，拥有足够长的时间了解什么有效、什么无效。

例如，如果发现数据泄露的价值极高或极低——即正态分布曲线两端的极端值——我们会将其从报告中剔除，因为像其中一个规模巨大的案例可能会扭曲平均值。因此我们不希望夸大结果，而是力求现实。由于拥有21年的数据，这意味着跨越两个多世纪的长期纵向数据。如果您想查看是否存在趋势，凭借二十多年的数据积累便一目了然。最终，IBM并非为了强调特定观点而只挑选某些回应。我们再次致力于获取最准确的读数。

那么他们采访了谁？如果仅与两三人交谈，那意义不大。但这项研究中，他们走访了约600家在过去一年内受数据泄露影响的企业。在这些企业中，他们采访了约3,50名来自安全团队和C级高管的商业领袖。所有这些人都对特定泄露事件及其后果拥有第一手知识。这些数据并未偏向某一领域，而是涵盖了17个不同行业和16个国家。因此我们看到的数据泄露来自广泛的样本，在规模上代表了很大的范围：从涉及约2,500条记录的一次泄露到高达11.5万条记录的规模。这让您明白为何应信任我即将告知您的结果。

那么，我们学到了什么？首先是坏消息，但请耐心听下去。我保证也会有好消息。所以请稍安勿躁。我们发现有些事物从未改变，而另一些则发生了变化。让我们看看未变的事物：数据泄露的原因及其成本和频率分布。今年报告发现，在成本和高频方面均未改变的一项因素是网络钓鱼攻击。这是我们需要改进的地方。顺便一提，如果您想知道其他真正重要的因素：按成本计算排名第二的是社会工程学；按频率计算排名第二的是供应链问题。

随着我们开始使用来自各种未经充分验证来源的AI和模型，我们将看到更多此类问题。如果您想知道如何降低数据泄露成本，我们确实需要开始关注这些问题。那么响应时间呢？事实证明，如果我们分解来看，响应时间可分为几个维度：一是平均识别时间。即攻击者入侵系统后到被发现所花费的时间，平均为183天。是的，这很长。随后我们实际遏制并清理现场又花了多久？那是64天。因此，如果您查看这个时间线并将两者相加，您会发现总共需要247天——也就是两年多的三分之一。

攻击者在您的业务中窃取数据的时间长达这么久，这太长了。我们必须做得更好。事实证明，与去年的平均水平相比，这一总数实际上增加了6天。此前我们看到上一年有所下降，但今年报告弥补了这一点。归根结底，这一数字与十年平均水平持平。尽管我们在某些领域努力改进，但我每年做此报告时都会反复强调这一点：我希望看到这一数字下降，我想我们大家都希望如此。但如果纵观全局，这对整个行业来说一直是一个巨大的挑战。

另一件真正没有改变的事情是勒索软件的影响。它仍然是一件大事，仍在伤害我们。我们发现事实上情况恶化了：由此导致的数据泄露比例从34%上升到39%。因此我们正朝着错误的方向移动，攻击者转向更高影响力的施压策略：他们不仅窃取您的数据，还通过敲诈勒索迫使您付款。他们针对的是品牌声誉、员工信息（可用于金融欺诈等其他情况）以及知识产权——即“王国之钥”。这就是未变的部分。那么让我们谈谈变化的部分：这显然是数据泄露成本报告，所以每个人最想知道的问题是：一次数据泄露到底要花多少钱？

从全球范围来看，每次事件的平均成本现在约为500万美元。这意味着有些远高于此，有些远低于此，但这是剔除那些来自大规模泄露的极端高值后的平均得分。

这一数字较上年增长了12%。可能是通货膨胀的影响，但这还不足以完全解释其中的差异。回顾去年的报告，我们实际上经历了一个轻微的下降。而今年我们又弥补了这一差距。因此，这一数据并未朝着我们希望的方向发展。如果查看美国的统计数据，情况甚至更为严峻。美国单次数据泄露的平均成本高达1,150万美元。这几乎是全球平均水平的两倍多。我不确定是否美国的“比特”更昂贵，或者在其他一些国家中，报告机制等因素会影响这些数字。但这些数据确实令人担忧，这意味着成本高昂。

这表明我们需要做得更好，以确保不会自我拖累。报告中导致这一结果的一个主要因素是人工智能（AI）。这一点可能并不令人意外，或者说本不应令人意外。我们发现，生成式AI攻击增加了56%。这意味着除了其带来的诸多益处外，AI也被用于发起攻击。我们发现，在遭受入侵的组织中，有四分之一涉及某种形式的AI参与攻击过程。我们正看到深度伪造（Deepfakes）的使用频率上升，这是一种由AI生成的模仿视频、图片等。

例如，伪造你的老板打电话给你，要求你将资金转移到其他地方，或者骗取他们的密码等。这些深度伪造极具迷惑性，且此类案例正在增加。同时，我们也看到AI生成的恶意软件增多。因为众所周知，AI可以生成代码，而这些代码既可以是有益的良性代码，也可以是造成危害的恶意代码。当AI驱动的攻击发生时，我们发现如果涉及AI，每次泄露事件的成本会增加100万美元。

此外，我们关注到92%的组织缺乏针对其AI系统的适当访问控制。这是一个巨大的比例，无论接下来要讲什么内容都显得尤为突出。在这些与AI相关的泄露事件中，92%的组织缺乏基本的访问控制措施。这是一个严重的失败，我们理应做得更好。换句话说，问题并非出在模型本身的故障上，而是API、应用程序等接口最终成为了攻击目标。插件等组件往往是黑客入侵的途径之一。

云环境的配置错误依然是我们面临的经典难题。如果我们不能妥善解决这些问题，这些成本数据将继续攀升。好了，“阳光先生”，你承诺的好消息在哪里？很高兴你这么问。我们发现，一些组织在遭受泄露后，在某些领域实现了显著的节省。它们的共同点是广泛使用AI和自动化技术。如果使用得当，这确实能带来差异。事实上，我们发现这能将数据泄露的成本降低约200万美元。这是一笔可观的节省。

另一个显著的成效是，我们将泄露持续时间平均缩短了约65天。这意味着黑客在系统中停留的时间更短造成的破坏更小，从而降低了成本。因此这里并非没有积极的一面。我们发现，在安全运营中心（SOC）中利用AI代理进行威胁检测和响应的组织约占50%。因此，当我们看到组织利用AI做得更好时，仍有理由保持乐观。然而，只有18%的组织真正在使用新的基础模型进行漏洞管理。

鉴于这相对较新，这可能是原因所在。但如果我们要获得最大优势并榨取所有潜在价值，显然还有更多工作要做。听我说，攻击者将利用AI缩短漏洞窗口期。这意味着我们必须以同样的方式回应， essentially 做相同的事情。好了，这是我们能够利用AI和自动化来改善数据泄露结果并最小化风险的一些好消息。那么未来我们可以做些什么？报告提出了一些建议。

例如，我们应该利用这些前沿AI模型。我们可以使用它们来发现漏洞并缩短从发现到被利用之间的时间差。如果我们能在坏人之前发现问题，就能抢占先机并在他们有机会利用漏洞前修复它。我们必须从“人类速度”转向“机器速度”。因为许多攻击是由机器执行的。因此，沿用旧有的工作方式将不再足够快。我们该如何做到这一点？

这应该是很明显的：在受控环境中使用AI、代理等技术，以便我们能更快地响应并跟上攻击的频率。我们将利用这些新模型来发现漏洞并修补这些缺口。另一个非常重要的领域是非人类身份（Non-human identities）。这里指的是什么？我刚才提到的AI代理需要拥有身份。它们需要在特定的权限级别下运行。这不仅包括用于安全的代理，还包括在整个业务中使用的其他代理。

我们发现这些非人类身份的数量比我们习惯处理的数量高出几个数量级。有人估计，非人类身份与人类身份的比例为50:1。代理拥有所有这些身份，而人的身份则少得多。历史上，我们一直无法以所需的速度进行身份管理。但是由代理使用的这些非人类身份将是短暂的（ephemeral）。它们会突然出现然后消失。我们需要时存在，不需要时则移除。

我们需要一个无缝的环境。我们必须自动化整个流程，因为如果我们不这样做，我们将无法跟上节奏。其他需要关注的领域包括AI主权（AI sovereignty）。这是近期讨论中频繁出现的话题。在安全环境中，我们一直需要可见性和控制权。你知道的，“看不见的就无法保护”，如果我能控制它，那么结果将难以预测。AI也不例外，我们开始意识到这一点并开始关注它：我们需要知道数据在哪里、如何被使用以及谁有权访问这些数据。最后，还有另一件事……

最后想跟大家分享的是关于密码学的内容。我们发现这是一个存在重大失效的领域。事实上，在数据泄露事件中，仅有 37% 的组织对敏感数据进行了加密。37%，伙计们，这远远不够解决问题。我们很清楚，如果数据是敏感的，就必须进行加密。因此，我们需要能够阻止这种我们经常看到的暴露情况。

而且未来还会出现另一种风险。即使你做得很好，加密了所有敏感数据，量子计算机也即将到来。这些量子计算机有一天将强大到足以破解我们现有的密码体系。我们将这一天称为“Q日”，无论它何时真正到来，我们都必须做好准备。

好消息是，我们有新的密码算法——后量子加密算法，我们现在可以用它们重新加密所有数据，我们相信这将能抵御量子威胁。但这意味着你需要现在开始行动，因为如果攻击者现在正在窃取你的数据，他们以后就能解密这些数据，而你对此已无能为力。因此，我们需要构建“密码敏捷性”的概念，以便在未来需要做出更改时能够更轻松地实施变更。

可以说我们的任务艰巨。我们不能仅仅通过增加人手来解决问题，但我们可以更聪明地工作，而这始于相互学习。例如参考《2026年IBM数据泄露成本报告》等经验，并利用人工智能和自动化作为力量倍增器来提升防御能力。

最后再分享一个统计数据：我们发现 85% 的组织表示，像 Mythos 这样的人工智能前沿模型实际上将推动安全投资的增加。这是一个朝着更有效防御发展的积极趋势。攻击者已经在利用这项技术谋取优势，我们需要更好地运用它。