Black Kites AI-forsyningskæderapport for 2026: Risiciene ved dine AI-relationer

Black Kites AI-forsyningskæderapport for 2026: Risiciene ved dine AI-relationer viser, at virksomheder, der leverer avanceret AI, ofte har velkendte cybersikkerhedssvagheder. En ekstern vurdering af 18.160 AI-virksomheder identificerede kritiske, ikke-patchede sårbarheder hos 34,2 % af de undersøgte organisationer og svagheder i e-mailautentificeringen hos en endnu større andel.

Rapportens hovedpointe er, at køb af AI indebærer mere end et forhold til en softwareleverandør. Kunder overtager også en eksponering for leverandørens infrastruktur, komponenterne bag produktet og de tilladelser, som integrationerne får. Efterhånden som AI-værktøjer får mulighed for at handle i virksomheders systemer, bør disse relationer granskes lige så nøje som andre kritiske leverandører.

»AI-forsyningskæden svigter ikke på eksotiske måder. Den svigter på helt almindelige måder,« sagde Ferhat Dikbiyik, Black Kites chef for forskning og efterretninger. Resultaterne sætter patching, beskyttelse af loginoplysninger og integrationsadgang i centrum for diskussionen.

Grundlæggende sikkerhedshuller hos en stor gruppe AI-leverandører

Black Kite udarbejdede undersøgelsens population på grundlag af en kommerciel virksomhedsdatabase og gennemgik derefter virksomhedsbeskrivelser og offentlige websteder for at bekræfte, at AI var central for hver virksomheds produkter eller tjenester. Virksomhedsobservationerne om sikkerhed bygger på data fra september og oktober 2026.

Vurderingen viste, at:

• 34,2 % havde mindst én kritisk, ikke-patchet sårbarhed, der var observeret eksternt.
• 9,8 % havde en sårbarhed opført i CISAs katalog over kendte udnyttede sårbarheder.
• 61,7 % havde svagheder i DMARC, mens svagheder i henholdsvis DKIM og SPF forekom hos 37,3 % og 11,2 %.
• 29,7 % nåede eller overskred 0,4 på Black Kites Ransomware Susceptibility Index, virksomhedens kritiske tærskel.
• 6,8 % havde tilknyttede virksomhedsloginoplysninger i registre indsamlet af informationsstjælende malware.

Disse målinger besvarer forskellige spørgsmål. En sårbarhed, der er opført i KEV, har en dokumenteret historik med udnyttelse et eller andet sted i verden; det, at den findes, fastslår ikke, at leverandøren i denne undersøgelse blev angrebet. Tilsvarende er en score for ransomware-sårbarhed en indikator, der kan bruges til at prioritere gennemgang, ikke sandsynligheden for, at en bestemt virksomhed bliver ramt af ransomware.

E-mailautentificering er relevant, fordi AI-leverandører stadig bruger almindelige virksomhedsdomæner og forretningsprocesser. Manglende eller svag håndhævelse kan gøre det lettere at udgive sig for at være et domæne, selv når selve AI-produktet er teknisk avanceret. Tallene for DMARC, DKIM og SPF overlapper og bør ikke lægges sammen.

Leverandørernes roller betyder mere end AI-branding

Rapporten opdeler økosystemet i seks brede aktivitetsgrupper. Grundlæggende teknologier – herunder modeller, computerinfrastruktur og datatjenester – udgør omkring 10 % af populationen. Hverdagsrettede forretningsapplikationer står for omkring 31 %, mens virksomheder, der udvikler og implementerer AI for andre organisationer, udgør cirka 23 %.

Det er med til at forklare, hvorfor et ensidigt fokus på kendte modeludbydere overser en betydelig del af virksomhedernes eksponering. Integratorer, cloudtjenesteudbydere, datahåndteringsvirksomheder og kundeserviceplatforme kan have tæt kontakt med kundernes systemer og oplysninger.

Resultaterne om loginoplysninger var særligt markante i disse roller. Black Kite fandt tilknyttede virksomhedsloginoplysninger i infostealerregistre hos 19,9 % af udbyderne af cloudbaserede AI-løsninger sammenlignet med 4,1 % af udviklerne af modeller og platforme. Data- og mærkningsvirksomheder lå på 13,9 %, og kundeserviceplatforme på 11,5 %.

Bekymringen handler om, hvad disse loginoplysninger kan give adgang til, hvis de stadig er gyldige, ikke om en antagelse om, at alle eksponerede loginoplysninger er blevet brugt. Leverandørvurderinger skal sætte resultatet i relation til den tjeneste, der købes: Loginoplysninger til et uvedkommende forretningsværktøj og loginoplysninger med adgang til et produktionsmiljø rettet mod kunder kan have meget forskellige konsekvenser.

AI-leverandører har også deres egne afhængigheder

Rapportens andet lag undersøger de softwarekomponenter, der ligger til grund for AI-produkter. Black Kite identificerede 105 AI-virksomheder med fund knyttet til n8n, Langflow eller LiteLLM – værktøjer, der kan fungere som bindeled mellem modeller, arbejdsgange og tilsluttede tjenester.

En fælles afhængighed kan skabe koncentrationsrisiko, selv når leverandørregistret ser diversificeret ud. Flere AI-tjenester, der er købt hver for sig, kan være afhængige af den samme arbejdsgangsplatform, modelrouter, det samme bibliotek eller den samme cloudinfrastruktur. Et sikkerhedsproblem i dette fælles lag kan derfor kræve koordineret handling på tværs af flere leverandørrelationer.

Det praktiske spørgsmål er, om en leverandør kan identificere den berørte komponent, fastslå, hvilke miljøer der bruger den, og hurtigt afhjælpe problemet eller isolere komponenten. Kunderne skal også vide, hvilke loginoplysninger og tilladelser komponenten har, fordi en softwareeksponering får større konsekvenser, når den giver adgang til andre systemer.

Fund om MCP understreger betydningen af integrationstilladelser

Black Kite undersøgte særskilt 305 offentligt tilgængelige poster over Model Context Protocol-servere, der blev tilskrevet 179 AI-virksomheder. På tværs af disse poster registrerede virksomheden 1.732 fund, hvoraf 48,8 % blev vurderet som alvorlige eller kritiske. Blandt de 77 kritiske fund involverede 87 % kode- eller kommandoinjektion.

MCP giver AI-applikationer en standardiseret grænseflade til værktøjer og datakilder. Afhængigt af implementeringen kan en tilsluttet server stille funktioner til rådighed, der læser dokumenter, sender forespørgsler til databaser, opdaterer poster eller udfører andre handlinger. En sårbar komponent med omfattende tilladelser kan derfor bringe mere end selve AI-applikationen i fare.

Nævneren er vigtig: 48,8 % beskriver registrerede fund, ikke andelen af alle AI-virksomheder eller produktionsimplementeringer af MCP, der er sårbare. Datasættet omfatter offentligt tilgængelige arkiver, pakker og hostede komponenter; tilknytning til et domæne fastslår ikke, at det anvendes aktivt i produktion, og private MCP-miljøer indgik ikke i analysen.

For teams i større virksomheder er budskabet, at de bør kortlægge forbindelser, begrænse tilladelser til det nødvendige arbejde og teste, hvor hurtigt adgangen kan tilbagekaldes. Et eksternt indblik i en leverandør kan ikke afdække alle de tilladelser, en kunde har givet i sit eget miljø.

Sådan bruger du resultaterne uden at drage for vidtgående konklusioner

Undersøgelsen blev gennemført eksternt uden adgang til de vurderede virksomheders systemer. Fund af kritiske sårbarheder knytter generelt observerede softwareversioner til offentliggjorte sårbarheder; Black Kite testede ikke, om de kunne udnyttes. Botnetrelaterede signaler, som blev rapporteret hos 6,5 % af virksomhederne, og usædvanlig netværksaktivitet, som blev rapporteret hos 44,3 %, bør undersøges, men udgør ikke i sig selv bevis på et sikkerhedsbrud.

Synligheden påvirker også sammenligningerne. I en supplerende gruppe fra Forbes AI 50 havde 52 % fund af kritiske sårbarheder, og 28 % havde tilknyttede legitimationsoplysninger i registre over infostealere. Større digitale fodspor giver flere muligheder for at opdage problemer, så tallene bør ikke opfattes som en enkel rangordning af, hvilken type virksomhed der er sikrest.

Black Kite sælger efterretninger og overvågning om cybersikkerhedsrisici hos tredjeparter, herunder analyser af leverandørers eksponering og indikatorer for sårbarhed over for ransomware. Rapporten er en leverandørudarbejdet undersøgelse med en angivet population og metode, ikke en optælling af alle AI-virksomheder eller dokumentation for, at alle markerede systemer er blevet kompromitteret.

Det vigtigste operationelle budskab er at vurdere tre forhold i sammenhæng: leverandøren, dens afhængigheder og den adgang, dens produkt får. Den fulde 2026-rapport om AI-forsyningskæden: Risiciene ved dine AI-relationer indeholder Black Kites detaljerede resultater og metode til at anvende denne tilgang ved vurdering af AI-leverandører.