一句话看懂：IBM 发布《2026 年数据泄露成本报告》，指出 92% 的 AI 相关安全事件并非源于模型本身，而是企业访问控制缺失等基础安全问题。AI 相关泄露平均成本已达 533 万美元，比非 AI 泄露高出约 63 万美元。
事件核心：发生了什么
IBM 与 Ponemon 研究所联合发布的《2026 年数据泄露成本报告》，基于对全球 602 家公司的调查，揭示了一个与大众直觉相悖的结论：当前 AI 安全风险的主要来源不是大模型本身，而是企业的基础安全防线。92% 遭遇 AI 相关安全事件的企业，缺乏完善的 AI 系统访问控制措施；约五分之一的事件源于外围基础设施，包括 API 泄露、关联应用漏洞以及云服务配置错误。
报告同时给出了多组可核查的成本数据：涉及 AI 的数据泄露平均成本为 533 万美元，高于非 AI 泄露的 470 万美元；若攻击者使用 AI 发起攻击，平均损失进一步攀升至 604 万美元，而不用 AI 的攻击平均造成 503 万美元损失。2026 年全球数据泄露平均成本为 499 万美元，同比上涨 12%。值得注意的是，企业使用开源模型还是闭源模型，对安全事件发生率的影响并不显著。
为什么重要
这份报告的价值在于修正了一个普遍的认知偏差。过去两年，行业对 AI 安全的讨论高度集中在模型层——越狱提示、幻觉、数据投毒等话题长期占据头条。但 IBM 的数据表明，真正导致大规模泄露的往往是更基础的问题：谁有权访问 AI 系统、API 是否暴露、云环境是否配置正确。
攻击者并不需要多高深的技术手段，只需要利用企业疏忽的基础安全漏洞，就能完成对 AI 基础设施的入侵。这同时意味着，开源与闭源模型的安全能力差异，在实际攻击面前被明显高估了。企业采购 AI 服务时，与其纠结模型选择，不如先审视自身的访问控制体系和外围基础设施防护。
对用户/开发者/创作者的影响
对开发者而言，报告指向了一个明确的技术要点：接入 AI 能力时，API 密钥管理、权限边界设计和云资源配置比提示词过滤更值得优先投入。使用开源模型自建服务时，同样不能假设“本地部署”等于安全——外围基础设施的暴露面并不会因为模型开源而缩小。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对企业决策者来说，AI 安全预算不应只投向模型层防御。基础身份认证、访问审计、API 安全网关等“传统安全能力”，反而是降低 AI 泄露成本最直接的手段。对于普通用户，当前 AI 工具和应用大量收集个人数据，报告提醒我们关注应用的权限申请是否合理、数据留存政策是否透明，而不必过度担忧“AI 自己觉醒”这类低概率叙事。
值得关注的后续
后续可以观察三个方向：第一，IBM 的结论是否会带动企业安全支出结构变化，从模型安全工具转向基础访问控制能力的补强；第二，云服务商和 AI 平台是否会推出更细粒度的 AI 系统访问控制产品，以满足这一被验证的市场需求；第三，监管层面是否会将访问控制、API 安全纳入 AI 合规审计的硬性指标。目前公开信息显示，报告仅提供了整体趋势数据，尚未披露各行业细分成本，后续公布的详细版本值得跟进。
来源：AIbase
