Auf den Punkt: Laut IBM-Ponemon-Report 2026 stiegen die durchschnittlichen Kosten einer Datenpanne auf 6 Millionen Dollar, wobei ein Viertel der böswilligen Angriffe KI-gestützt war und nur 40 Prozent der Organisationen ihre KI-Modelle mit Zugriffskontrollen absichern.
Der aktuelle "Cost of a Data Breach"-Report von IBM und dem Ponemon Institute beziffert die durchschnittlichen Kosten einer Datenpanne für den Zeitraum März 2025 bis Februar 2026 auf 6 Millionen US-Dollar – ein Anstieg von 35 Prozent gegenüber 4,44 Millionen Dollar im Vorjahr. Als wesentlicher Kostentreiber identifiziert die Studie KI-gestützte Angriffe.
Die Studie basiert auf der Analyse von Datenpannen bei 600 Organisationen weltweit. Demnach war jede vierte böswillige Datenpanne KI-gestützt, wobei Deepfake-Identitätsbetrug und KI-fähige Malware den Großteil dieser Angriffe ausmachten. Gleichzeitig zeigt der Report eine gegenläufige Entwicklung: Der Einsatz von KI und Automatisierung in Security-Operations senkte die Kosten von Datenpannen im Schnitt um fast 2 Millionen Dollar. Dennoch hat laut Umfrage jede vierte Organisation diese Werkzeuge noch nicht in ihren Sicherheitsbetrieb integriert. In einer Folgeuntersuchung gaben mehr als die Hälfte der Organisationen an, Agenten für Bedrohungserkennung und -eindämmung einzusetzen, jedoch nur 18 Prozent für das Schwachstellenmanagement. Drei von vier befragten Unternehmen erklärten, dass Frontier-KI-Bedrohungen sie dazu veranlassen, den Einsatz von Agenten in ihren Sicherheitsabläufen neu zu überdenken.
Suja Viswesan, VP von IBM Security Software, fasst die Dynamik zusammen: KI mache Angriffe schneller und günstiger, während Datenpannen gleichzeitig teurer würden. Bei einer großen zeitlichen Lücke zwischen Entdeckung und Behebung eines Vorfalls schlage sich dieses Ungleichgewicht direkt in den Kosten nieder.
Ein gesondertes Ergebnis betrifft Angriffe auf KI-Modelle selbst: Jede fünfte Organisation meldete eine Datenpanne, die gezielt KI-Modelle oder -Anwendungen betraf. Häufigste Ursachen waren Schwachstellen in umgebenden Systemen – kompromittierte APIs, Anwendungen oder Plug-ins (27 Prozent) sowie Fehlkonfigurationen in der Cloud, die KI-Workloads betrafen (27 Prozent). Der überwiegende Teil der betroffenen Organisationen verfügte über keine adäquaten Zugriffskontrollen; insgesamt setzten nur 40 Prozent überhaupt Zugriffskontrollen für ihre KI-Modelle und -Daten ein. Kayne McGladrey, Senior Member der IEEE und ehemaliger CISO von Hyperproof, bezeichnet die Verbesserung von Zugriffskontrollen als offensichtlichste Sicherheitslücke, die es zu schließen gelte: Modelle und ihre APIs sollten wie Kronjuwelen behandelt werden. Udaya Bhaskar Vemuri, Senior Application Security Analyst, ergänzt, dass Organisationen zusätzlich Integrationen und Plug-ins überprüfen, ungewöhnliche Aktivitäten überwachen, sensible Daten schützen und für jedes KI-System einen klar definierten Verantwortlichen benennen sollten.
Neben Deepfakes und KI-Malware entwickeln sich laut Report auch KI-gestütztes Phishing sowie direkte Angriffe auf KI-Modelle wie Prompt Injection zu kostspieligen blinden Flecken in Unternehmen. Dray Agha, Senior Manager Security Operations bei Huntress, weist darauf hin, dass die Bedrohung nicht nur von außen komme: Nicht genehmigte Nutzung von KI-Anwendungen durch Mitarbeiter schaffe unkontrollierte Schwachstellen in Unternehmensumgebungen. CISOs müssten zu proaktiver Governance übergehen, Sicherheit in Entwicklungsworkflows verankern, Angriffsflächen konsequent managen und strikte Zugriffskontrollen für KI-Workloads durchsetzen.
Peter Garraghan, CSO und Gründer des KI-Sicherheitstestunternehmens Mindgard, warnt davor, blind auf die Wirksamkeit von KI-Sicherheits-Guardrails zu vertrauen. Forschung habe gezeigt, dass bestehende Guardrails verschiedene blinde Flecken aufweisen und ein Defense-in-Depth-Ansatz erforderlich sei. Da Angreifer sich kontinuierlich anpassten, müssten Organisationen ihre KI-Modelle und -Anwendungen laufend gegen realistische adversarielle Angriffe testen, um Schwachstellen in den Schutzmechanismen zu identifizieren. Durch Validierung der Guardrails vor und während des Einsatzes könnten CISOs sicherstellen, dass KI-Systeme robust genug sind, um sensible Daten zu schützen.
Quelle: www.csoonline.com · Erschienen 7. August 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.8.3.