Black Kites rapport om AI-leveranskedjan 2026: Riskerna bakom dina AI-relationer

Black Kites rapport om AI-leveranskedjan 2026: Riskerna bakom dina AI-relationer visar att företag som levererar avancerad AI ofta har välbekanta cybersäkerhetsbrister. I sin externa granskning av 18 160 AI-företag identifierade Black Kite kritiska, oåtgärdade sårbarheter hos 34,2 % av de undersökta organisationerna och brister i e-postautentiseringen hos en ännu större andel.

Rapportens huvudbudskap är att ett köp av AI innebär mer än en relation till en programvara. Kunderna ärver också risker kopplade till leverantörens infrastruktur, komponenterna bakom produkten och de behörigheter som leverantörens integrationer får. I takt med att AI-verktyg får möjlighet att agera i affärssystem bör dessa relationer granskas lika noggrant som andra kritiska leverantörer.

”AI-leveranskedjan fallerar inte på exotiska sätt. Den fallerar på vanliga sätt”, säger Ferhat Dikbiyik, Black Kites chef för forskning och underrättelseverksamhet. Resultaten sätter säkerhetsuppdateringar, skydd av inloggningsuppgifter och integrationsåtkomst i centrum för diskussionen.

Grundläggande säkerhetsbrister hos en stor grupp AI-leverantörer

Black Kite sammanställde urvalet av företag med hjälp av en kommersiell företagsdatabas och granskade sedan företagsbeskrivningar och offentliga webbplatser för att bekräfta att AI var central för varje företags produkter eller tjänster. Företagsuppgifterna om säkerhet bygger på data från september och oktober 2026.

Granskningen visade att:

• 34,2 % hade minst en externt observerad kritisk, oåtgärdad sårbarhet.
• 9,8 % hade en sårbarhet upptagen i CISA:s katalog över kända, aktivt utnyttjade sårbarheter.
• 61,7 % hade brister i DMARC, medan brister i DKIM respektive SPF förekom hos 37,3 % och 11,2 %.
• 29,7 % nådde upp till eller översteg 0,4 på Black Kites Ransomware Susceptibility Index, företagets kritiska gränsvärde.
• 6,8 % hade tillhörande företagsinloggningsuppgifter i register som samlats in av skadlig programvara för informationsstöld.

Måtten besvarar olika frågor. En sårbarhet som finns med i KEV har en dokumenterad historik av att ha utnyttjats någonstans i världen; att den förekommer innebär inte att leverantören i den här studien har utsatts för en attack. På samma sätt är ett poängtal för sårbarhet för utpressningsprogram en indikator för att prioritera granskning, inte sannolikheten för att ett visst företag ska drabbas av ett utpressningsprogram.

E-postautentisering är relevant eftersom AI-leverantörer fortfarande använder vanliga företagsdomäner och affärsprocesser. Avsaknad av eller svag tillämpning av säkerhetskrav kan göra det lättare att utge sig för att vara en domän, även när själva AI-produkten är tekniskt avancerad. Siffrorna för DMARC, DKIM och SPF överlappar och ska inte summeras.

Leverantörernas roller är viktigare än AI-varumärkesprofilering

Rapporten delar in ekosystemet i sex övergripande aktivitetsgrupper. Grundläggande teknik – däribland modeller, beräkningsinfrastruktur och datatjänster – står för omkring 10 % av företagen. Vardagliga affärsapplikationer utgör omkring 31 %, medan företag som utvecklar och implementerar AI åt andra organisationer står för cirka 23 %.

Det bidrar till att förklara varför fokus enbart på välkända modellleverantörer missar en betydande del av företagens riskexponering. Integratörer, molntjänstleverantörer, datahanterare och kundtjänstplattformar kan ha nära åtkomst till kundernas system och information.

Fynden om inloggningsuppgifter var särskilt tydliga inom dessa roller. Black Kite fann tillhörande företagsinloggningar i register från program som stjäl information hos 19,9 % av leverantörerna av AI-lösningar i molnet, jämfört med 4,1 % av modell- och plattformsutvecklarna. Data- och märkningsföretag låg på 13,9 % och kundtjänstplattformar på 11,5 %.

Oron gäller vad dessa inloggningsuppgifter skulle kunna ge åtkomst till om de fortfarande är giltiga, inte ett antagande om att varje exponerad inloggning har använts. Vid granskning av leverantörer behöver fyndet kopplas till den tjänst som köps: en inloggningsuppgift till ett orelaterat affärsverktyg kan få helt andra konsekvenser än en som ger åtkomst till en produktionsmiljö riktad mot kunder.

AI-leverantörer har också egna beroenden

Rapportens andra del granskar programvarukomponenterna bakom AI-produkter. Black Kite identifierade 105 AI-företag med fynd kopplade till n8n, Langflow eller LiteLLM – verktyg som kan fungera som länkar mellan modeller, arbetsflöden och anslutna tjänster.

Ett gemensamt beroende kan skapa koncentrationsrisk även när leverantörsregistret verkar diversifierat. Flera separat inköpta AI-tjänster kan vara beroende av samma arbetsflödesplattform, modellrouter, programbibliotek eller molninfrastruktur. Ett säkerhetsproblem i det gemensamma lagret kan därför kräva samordnade åtgärder för flera leverantörsrelationer.

Den praktiska frågan är om en leverantör kan identifiera den berörda komponenten, fastställa vilka miljöer som använder den och snabbt åtgärda problemet eller isolera komponenten. Kunderna behöver också förstå vilka inloggningsuppgifter och behörigheter komponenten har, eftersom exponering av programvara får större konsekvenser när den ger en väg in i andra system.

MCP-fynd visar hur viktiga integrationsbehörigheter är

Black Kite undersökte separat 305 offentligt åtkomliga poster över Model Context Protocol-servrar, vilka tillskrevs 179 AI-företag. I dessa poster registrerade företaget 1 732 fynd, varav 48,8 % bedömdes som allvarliga eller kritiska. Av de 77 kritiska fynden gällde 87 % kod- eller kommandoinjektion.

MCP ger AI-applikationer ett standardiserat gränssnitt mot verktyg och datakällor. Beroende på implementationen kan en ansluten server tillhandahålla funktioner för att läsa dokument, ställa frågor till databaser, uppdatera poster eller utföra andra åtgärder. En sårbar komponent med omfattande behörigheter kan därför utsätta mer än bara själva AI-applikationen för risk.

Nämnaren spelar roll: 48,8 % avser registrerade fynd, inte andelen av alla AI-företag eller produktionsdriftsättningar av MCP som är sårbara. Datasetet omfattar offentligt åtkomliga kodförråd, paket och driftade komponenter. Att en domän har kopplats till en viss aktör fastställer inte att den används i produktion, och privata MCP-miljöer ingick inte i analysen.

För företagsteam är slutsatsen att kartlägga anslutningar, begränsa behörigheterna till det arbete som krävs och testa hur snabbt åtkomst kan återkallas. En extern granskning av en leverantör kan inte avslöja alla behörigheter som en kund har beviljat i sin egen miljö.

Så använder du resultaten utan att dra för långtgående slutsatser

Undersökningen genomfördes externt, utan åtkomst till de granskade företagens system. Fynd om kritiska sårbarheter kopplar i allmänhet observerade programvaruversioner till offentliggjorda sårbarheter; Black Kite testade inte om de gick att utnyttja. Signaler relaterade till botnät, som rapporterades hos 6,5 % av företagen, och ovanlig nätverksaktivitet, som rapporterades hos 44,3 %, bör undersökas, men utgör inte i sig bevis för ett intrång.

Synligheten påverkar också jämförelser. I en kompletterande grupp från Forbes AI 50 hade 52 % fynd om kritiska sårbarheter och 28 % hade tillhörande autentiseringsuppgifter i infostealer-register. Större digitala fotavtryck ger fler möjligheter att upptäcka problem, så siffrorna bör inte ses som en enkel rangordning av vilken typ av företag som är säkrast.

Black Kite säljer underrättelser om cyberrisker hos tredje part och övervakning, däribland analyser av leverantörers exponering och indikatorer på mottaglighet för utpressningstrojaner. Rapporten är en undersökning framtagen av leverantören med en angiven population och metod, inte en kartläggning av alla AI-företag eller ett bevis på att alla flaggade system har utsatts för intrång.

Den viktigaste operativa slutsatsen är att bedöma tre sammanhängande delar tillsammans: leverantören, dess beroenden och den åtkomst som dess produkt får. Hela 2026 års rapport om AI-leveranskedjan: riskerna bakom dina AI-affärsrelationer innehåller Black Kites detaljerade resultat och metod för att tillämpa detta arbetssätt vid granskning av AI-leverantörer.