Check Point 的“2026 云安全报告：保障 AI 转型”警告企业安全正在落后于 AI 采用

根据 Check Point 和 Cybersecurity Insiders 的新报告“2026 云安全报告：保障 AI 转型”，人工智能的采用速度正在超过企业安全团队的适应能力。报告认为，组织面临的最大问题不再是是否采用 AI，而是他们的安全架构是否能够处理 AI 系统引入生产环境的规模、速度和自主性。

报告的发现表明，许多企业正在进入一个危险的过渡期。 AI 助手、副驾驶、自主代理 和机器驱动的工作流程正在迅速被嵌入到业务运营中，但围绕它们的控制仍然是碎片化的。传统的安全架构是围绕可预测的人类行为、稳定的应用程序和明确定义的网络边界设计的。AI 系统同时改变了这三者。

AI 已经进入生产环境

报告中最明确的发现之一是，AI 实验基本上已经结束。约 70% 的受访组织表示，他们已经在生产环境中运行生成式 AI 工作负载，而 64% 的组织报告已经在试验或生产中部署了 AI 代理。

这种转变很重要，因为 AI 代理不再仅限于生成文本或总结信息。它们越来越多地被连接到企业应用程序、API、内部数据库和运营系统。在某些情况下，组织甚至授予这些系统对核心基础设施的特权访问。

报告指出，12% 的组织已经授予 AI 代理对关键系统的特权访问。这就产生了一个完全不同的网络安全问题。安全团队不再只是管理员工与 AI 工具（如 ChatGPT 或 Gemini）的交互。他们现在被迫管理能够在实时环境中采取行动的自主系统。

根据报告，83% 的受访者表示，保护生成式 AI 应用程序比保护传统软件环境更难。

安全事件已经变得普遍

调查结果表明，AI 相关的安全问题不再是理论上的。超过一半的受访组织报告至少发生了一起确认的 AI 相关安全事件，而另外 24% 的组织怀疑发生了事件，但缺乏足够的可见性来确认它们。

这意味着 78% 的组织要么知道自己经历了 AI 相关的安全问题，要么不能自信地排除这种可能性。

事件类型差异很大。有些涉及未经授权的员工使用外部 AI 工具，通常被称为“影子 AI”。其他事件涉及通过 AI 系统泄露敏感数据或 AI 生成的钓鱼和深度伪造攻击。

报告强调，AI 流量越来越像合法的企业活动，这使得检测变得更加困难。API 调用、模型请求和对 AI 服务的出站连接在网络层面上可能看起来正常，除非检查系统能够分析交互行为本身。

这就产生了一个环境，恶意活动可以与合法的 AI 使用模式融合。

51 点 AI 安全差距

报告中最引人注目的统计数据之一是研究人员所描述的“51 点准备差距”。

虽然 77% 的组织表示，他们已经改变了整体安全策略以应对 AI 采用，但只有 26% 的组织认为他们的当前安全架构实际上已经准备好在不进行重大重新设计的情况下支持 AI 驱动的工作负载。

报告认为，这种脱节解释了为什么组织继续经历政策失败、治理差距和可见性问题，尽管投资和高管关注度增加。

在许多环境中，AI 工作负载在云服务、SaaS 应用程序、专用基础设施、API 和远程端点之间移动。现有的安全控制通常在这些边界处失去一致性。

研究人员认为，组织越来越需要统一的安全架构，能够在混合环境中应用一致的策略，而不是依赖于独立运行的断开工具。

对 AI 活动的可见性仍然非常有限

报告反复强调，许多组织仍然缺乏对其 AI 环境的基本可见性。

只有 5% 的受访者表示，他们对员工使用的 AI 工具、这些工具的访问方式以及敏感数据进入 AI 系统后流向哪里有完整的可见性。

类似的百分比表示，他们可以可靠地区分合法的 AI 活动和可疑或未经授权的行为。

这产生了显著的运营盲点。基于浏览器的 AI 助手可能不会留下任何端点证据，而基于 API 的 AI 交互可以完全绕过传统的 SaaS 发现系统。以服务帐户运行的 AI 代理也可能看起来与正常的自动系统行为无法区分。

没有 AI 特定的遥测和监控，许多组织实际上正在尝试保护他们无法完全观察到的环境。

现有的基础设施不适用于 AI 流量

报告还认为，AI 从根本上改变了企业流量模式。

组织报告了 API 驱动的流量、用户与 AI 系统之间的通信流、数据中心内的东西向流量以及对外部 AI 服务的出站请求的显著增加。

这些转变正在给现有的基础设施安全工具带来压力。

只有 24% 的组织表示，他们的网络安全工具可以在不降低性能的情况下完全检查 AI 流量。同时，67% 的组织报告了混合环境中的安全策略碎片化。

研究人员认为，传统的围绕可预测的用户会话和稳定的应用程序流程设计的架构现在被迫管理跨多个环境同时发生的动态、API 密集、服务介导的交互。

报告还指出，AI 工作负载正逐渐迁移回私有数据中心和混合基础设施。约 29% 的组织表示，他们已经将 AI 工作负载移入私有或本地环境，而另有 49% 的组织正在考虑这样做。

这种趋势部分是由监管问题、性能要求和将 AI 计算更接近敏感企业数据的愿望驱动的。

WAF 和传统安全控制正在挣扎

报告中的另一个主要主题是 AI 应用程序和传统 Web 安全工具之间日益增长的不匹配。

只有 22% 的受访者表示，他们的 Web 应用程序防火墙 (WAF) 或 WAAP 解决方案能够有效地检测 GenAI 特有的攻击，例如提示注入。同时，71% 的组织报告称，自从采用生成式 AI 工作负载以来，假阳性率有所增加。

传统的 WAF 逻辑是围绕可预测的浏览器流量、已知签名和结构化请求设计的。AI 系统生成长提示、流式响应、模型特定的 API 交互和自主服务到服务的通信，这些通常超出了这些假设。

运行时保护仍然不成熟。

只有 17% 的组织表示，他们已经广泛部署了能够实时检查和执行 LLM 输入和输出的运行时控制。超过一半的组织报告没有正式的安全测试流程用于 GenAI 应用程序，或者仅依赖于临时测试。

报告警告，许多组织正在比他们能够正确验证其安全性的速度更快地将 AI 功能部署到生产环境中。

员工继续规避 AI 限制

即使组织实施了控制，员工也经常会规避它们。

根据调查，42% 的组织表示，员工会规避 AI 安全控制，当这些控制会产生摩擦或减慢生产力时。

这种行为的范围从使用个人 AI 账户到在未经批准的企业环境中访问基于浏览器的工具。

报告认为，这反映了一个更深层次的架构问题。干扰工作流程的安全策略往往会失败，因为员工优先考虑速度和可用性而不是合规性。

研究人员建议，组织需要使批准的 AI 访问比未经授权的替代方案更容易、更无缝，如果他们希望减少“影子 AI”的使用。

转向统一的 AI 安全架构

在整个报告中，Check Point 和 Cybersecurity Insiders 一再回到这样一个观点：AI 安全不能通过孤立的点产品来解决。

相反，报告认为，组织正在逐渐转向更广泛的“混合网状”安全架构，能够在云基础设施、数据中心、SaaS 平台、端点和 AI 工作负载上同时应用集中式策略执行。

根据调查，86% 的组织现在认为，数据中心、云和边缘环境中的统一安全管理对于 AI 工作负载至关重要。

报告得出结论，AI 正在暴露已经存在于碎片化的企业安全模型中的弱点。挑战不再仅仅是检测到威胁后发生的事件。它是建立能够以与现代 AI 系统相同的速度和规模运行的预防为主的架构的挑战。

正如“2026 云安全报告：保障 AI 转型”所明确指出的，许多企业已经在运营上采用了 AI，但他们的安全基础仍然在赶上。