盛世集团

近日，Cybersecurity Insiders发布《2026年统一数据安全报告》（2026 Unified Data Security Report，以下简称“报告”）。报告指出，当前企业数据安全的核心挑战已不只是“数据存在哪里”，还要考虑“数据去了哪里、变成了什么，以及安全措施能否全程跟进”。

企业安全工具越堆越多，但统一的

；つ芰Σ⒚挥兴嬷嵘。

报告数据显示，58%的组织部署了11种以上的数据安全工具，而认为自身工具栈已完全统一的仅有7%

；60%的组织评估自身数据安全体系存在中度或高度碎片化，23%表示不同工具间几乎不共享上下文。

实际调查中，45%的安全团队处理一次事件需要查询至少6个系统，16%需要查询10个以上，且各系统的日志格式、保存期限和事件信息各不相同，分析人员往往得先把日志、告警和数据流动信息手动拼接起来，才能还原出事件全貌。

碎片化直接拖累了安全团队的调查效率。目前，仅有9%的组织有能力对几乎全部敏感数据告警进行调查，56%的组织只能覆盖一半或更少。自动化水平同样不乐观，只有10%的组织具备较充分的自动化能力，47%仍处于有限或最低程度的自动化状态，大量工作依赖人工。

当工具彼此割裂、调查流程仍以人工为主时，告警积压几乎是必然结果。

不同环境之间的可见性差距同样明显。电子邮件在敏感数据活动监测方面表现最好，可见性比例为36%，协作与文件共享平台为25%，SaaS业务应用为24%，终端设备为22%，云存储和IaaS为19%，私有应用和数据中心应用为15%，AI工具及AI应用最低，仅有10%。能够实时追踪敏感数据在不同应用之间流转的组织，只占7%。

报告举例，一项业务流程可能把数据从SaaS应用搬到私有应用，再送入AI助手，中间会接连跨越多个可见性边界，安全团队往往在数据尚未流转完就已经丢失了上下文。

另一个突出问题是，敏感数据一旦被修改，原有的检测手段可能就失效了。只有9%的组织能够在数据经过改动后依然可靠地识别出来，17%的组织依赖精确匹配检测，但这种方式在内容被复制、概括或重新表述后很可能派不上用场。

换句话说，文件没有以原始形式离开企业，并不代表其中的敏感内容就此止步。数据安全要关注的已不只是文件本身，还包括数据在不同应用和工作流程中被复制、修改和再次使用的情况。

AI进一步放大了这些问题。目前，98%的受访组织已在使用某种形式的AI，20%已将AI嵌入采购、客户支持、财务分析等业务关键流程，这些场景不可避免会接触到客户、财务、运营和合同等敏感数据。然而，只有7%的组织对“敏感数据未在缺乏适当检查和控制的情况下进入AI工作流”有较高信心，另有39%的组织怀疑这类情况已经发生，但因可见性不足而无法确认。

从治理角度看，AI使用虽已普遍，操作层面的安全控制却明显滞后。67%的组织制定了某种形式的AI政策，但通过内联控制实际执行相关策略的仅有14%，在AI环境中能够持续执行策略的比例更低，仅为8%。

制定规则与实际控制数据流动之间，仍有相当距离。尤其在提示词输入、复制粘贴和AI生成内容等环节，传统以文件为中心的安全控制明显不够用。

目前，53%的组织能够持续控制向云服务上传文件，49%能够控制向外部接收方共享文件，43%能够控制从云或SaaS环境下载文件

；但涉及将敏感内容复制粘贴到AI提示词或网页表单时，能够持续控制的比例降至25%，对于向AI工具提交提示词和文本，能够持续执行策略的比例仅有20%。

数据安全不能再仅围绕“文件移动”来部署防护，必须进一步覆盖数据实际发生变化的各个环节。为此，报告建议将数据分类和血缘追踪能力延伸至AI工具、私有应用、云基础设施及跨应用工作流，并将控制范围扩大到提示词提交、复制粘贴和AI生成响应等操作。

对于已嵌入业务流程的AI，企业需要掌握员工具体使用了哪些AI工具和功能、哪些数据被输入、产生了什么输出，以及安全策略能否在整个流程中持续跟进。同时，针对AI智能体，须按最小权限原则分配访问权限，同时监控其API活动和被授予的权限，检查智能体访问和生成的数据，并在每次数据交接环节执行相应策略。

当AI从“辅助工具”演进为能够调用系统、访问数据并执行任务的工作主体后，安全管理也需从仅关注使用AI的人员，延伸至管理AI本身的权限和行为。

第三方数据同样带来显著的可见性挑战。供应商或合作伙伴的数据进入企业环境后，企业需要追踪其来源、后续分发，以及是否被复制、转换或再次共享。

合规取证是另一薄弱环节。仅12%的组织能快速提供完整、可审计的敏感数据保管链证据，36%需在多个系统间进行大量人工处理，10%甚至难以提供足够证据。面对个人数据请求，仅9%能迅速定位某人在不同系统中的全部数据实例，38%需大量人工介入。

此外，报告披露，27%的组织无法在72小时的数据泄露通知期限内重建完整数据路径，其中19%需要数周或更长时间，8%几乎从未掌握足够数据来完成重建。

报告提出将“统一数据安全”作为主要发展方向。其核心并非堆叠更多安全产品，而是让数据发现、分类、数据安全态势管理、DLP、数据血缘、策略执行和事件调查这些环节共享同一套数据上下文，使安全团队能够持续掌握数据存在哪里、如何移动、怎样变化，以及在哪里重新出现。

在调查层面，应减少分析人员需要查询的系统数量，通过自动化完成日常检测、分类、告警补充和分流，让安全人员把更多精力放在真正的风险判断上。

从投入趋势看，这一方向已经开始落地。79%的组织在未来12个月内已有数据安全调整计划或正推进相关变化，72%预计数据安全投入将增加。

未来12至24个月，重点投入方向依次为：提高数据流动可见性（44%）、加强策略一致执行（39%）、自动化调查和响应（37%）、强化DLP（34%）、AI治理和合规准备（32%）。同时，75%的组织对利用AI能力统一安全系统和流程表现出积极兴趣。

不过，报告也提醒，安全措施不能带来过多操作阻力。41%的受访者表示，安全控制带来的摩擦已经高到促使员工转向未经批准的工具或工作方式，比如使用个人AI账户、非受管文件共享工具，或将数据复制粘贴到DLP无法监控的渠道。

成熟的数据安全模式应结合用户体验，采取指导、适应性控制和基于风险的执行方式，而非简单粗暴地全面阻断。否则，安全措施反而可能把数据推向更难监控的角落。

信息来源：赛博研究院公众号