Большинство списков рисков безопасности данных выглядят так же, как и пять лет назад, а новый пункт об ИИ добавляется почти как запоздалая мысль. Такой подход уже устарел. В 2026 году самые рискованные пробелы в большинстве программ безопасности данных не всегда совпадают с теми, вокруг которых руководители служб безопасности десятилетиями выстраивали меры контроля. Сегодня значительная часть риска исходит от инструментов, которые никто не одобрял, агентов, которыми никто полностью не управляет, а также от облачной и SaaS-инфраструктуры, которая росла быстрее, чем развивалось большинство политик.
В этом списке рассматриваются семь наиболее значимых рисков безопасности данных, с которыми организации сталкиваются в 2026 году: от давно известных проблем, которые по-прежнему становятся причиной большинства утечек, до рисков, связанных с ИИ и меняющих подход команд безопасности к доступу, идентификации и раскрытию данных. В отношении некоторых из этих рисков уже существуют зрелые программы. Другие, особенно риски, специфичные для ИИ, всё ещё определяются в режиме реального времени.
1. Инсайдерский риск
Инсайдерский риск остаётся одним из наиболее стабильно недооцениваемых рисков безопасности данных, отчасти потому, что он редко выглядит как атака. Большинство случаев раскрытия данных, связанных с инсайдерами, происходит не из-за злонамеренного субъекта. Он возникает, когда сотрудник предоставляет чрезмерно широкий доступ к файлу, копирует конфиденциальные данные не в тот инструмент или обходит неудобный рабочий процесс, чтобы быстрее выполнить задачу. Согласно отчёту IBM Cost of a Data Breach за 2025 год, инциденты с участием злонамеренных инсайдеров обходились в среднем в 4,92 млн долларов за одну утечку, тогда как инциденты, вызванные ошибками инсайдеров, стоили в среднем 3,62 млн долларов, а на их выявление и сдерживание уходило в среднем более 200 дней; подробнее об этом говорится в руководстве Forcepoint по инсайдерским рискам.
Генеративный ИИ еще больше расширил этот риск. Когда сотрудник вставляет договор или запись о клиенте в инструмент ИИ, обычно это происходит без злого умысла. Риск заключается в том, куда эти данные попадут дальше, как они будут храниться и не будут ли они в конечном итоге использоваться для обучения модели, которую организация не контролирует.
2. Неправильная конфигурация облака и разрастание прав доступа
Большинство случаев раскрытия облачных данных начинается не со сложной атаки. Всё начинается с оставленного открытым хранилища, политики доступа, которую не ужесточили после завершения проекта, или настройки разрешений, которая незаметно пережила своё первоначальное назначение. Неправильно настроенные облачные хранилища и чрезмерно широкие политики доступа остаются одними из самых распространённых источников непреднамеренного раскрытия данных, и проблема усугубляется по мере того, как организации распределяют конфиденциальные данные между всё большим числом облачных платформ, SaaS-приложений и инструментов ИИ, чем большинство команд безопасности способны отслеживать вручную.
Здесь важно различать знание о том, что инфраструктура настроена неправильно, и понимание того, какие данные фактически раскрыты внутри неё. Инструмент управления состоянием безопасности облака (CSPM) может отметить открытый бакет. Но он не может сказать команде безопасности, содержит ли этот бакет клиентскую базу данных или папку с маркетинговыми материалами. Именно этот пробел призвано закрыть управление состоянием безопасности данных (DSPM), и более подробно эта тема раскрыта в руководстве Forcepoint по лучшим практикам безопасности облачных данных.
3. Риски, связанные с регулированием и соблюдением нормативных требований
Риски, связанные с соблюдением нормативных требований, в 2026 году выглядят иначе, чем даже два года назад, в основном потому, что последствия стали личными. Регуляторы все чаще возлагают прямую ответственность за нарушения нормативных требований на советы директоров и руководителей, а не только на организацию в целом. Этот сдвиг превращает соблюдение нормативных требований из формальной процедуры в реальный бизнес-риск с прямой угрозой для руководства.
Поверх устоявшихся нормативных рамок, таких как GDPR, HIPAA и CMMC, организациям теперь приходится учитывать новую волну регулирования, ориентированного на ИИ. Инструменты генеративного ИИ создают новые векторы раскрытия данных, которые традиционные программы соблюдения требований не были рассчитаны выявлять, поскольку передача сотрудником регулируемых данных в систему ИИ создаёт пробел в комплаенсе, совершенно не похожий на традиционную передачу данных. В руководстве Forcepoint по соблюдению требований безопасности данных объясняется, как пересекаются эти нормативные рамки и где внедрение ИИ создаёт новые пробелы.
4. Потеря данных из-за человеческих ошибок и пробелов в резервном копировании
Не каждый риск безопасности данных связан с противником. Некоторые из самых разрушительных инцидентов происходят из-за письма, отправленного не тому адресату, перезаписанного файла или процесса резервного копирования, который незаметно перестал работать за несколько месяцев до того, как это кто-либо заметил. Такие инциденты редко попадают в заголовки новостей, но операционный ущерб, включая потерянные записи, остановленные бизнес-процессы и пробелы в соблюдении нормативных требований, может соперничать с ущербом от преднамеренной утечки.
Риск возрастает, когда процессы резервного копирования и восстановления проверяются только после того, как что-то уже пошло не так. Организации, которые относятся к проверке резервных копий как к регулярной дисциплине, а не как к второстепенному вопросу аварийного восстановления, гораздо лучше подготовлены к быстрому восстановлению, когда человеческая ошибка неизбежно произойдёт. Практические шаги включают разделение сред резервного копирования и производственных сред, регулярную, а не реактивную проверку процессов восстановления, а также применение той же классификации данных, что используется в политике безопасности, к приоритизации резервного копирования, чтобы наиболее конфиденциальные данные восстанавливались быстрее всего.
5. Фишинг и утечка данных с использованием учетных данных
Фишинг остаётся самой распространённой точкой входа в инциденты безопасности данных, а приманки становятся только убедительнее. Исследовательская команда Forcepoint X-Labs недавно отследила недавнюю кампанию с имитацией Dropbox, в ходе которой злоумышленники использовали убедительную PDF-приманку для кражи учётных данных; это напоминание о том, что даже известные и доверенные платформы могут служить эффективным прикрытием для кражи учётных данных.
Фишинг остаётся постоянным риском безопасности данных, а не просто проблемой доставки вредоносного ПО, из-за того, что происходит после клика. Один скомпрометированный пароль или набор учётных данных может дать злоумышленнику такой же доступ, как у легитимного сотрудника, поэтому последующее раскрытие данных часто выглядит идентично инциденту с инсайдерским риском до тех пор, пока не будет проведено расследование. Именно это пересечение объясняет, почему для обнаружения эксфильтрации на основе учётных данных нужны механизмы, которые отслеживают поведение и перемещение данных, а не только входящие сообщения.
6. Теневой ИИ и неуправляемый ИИ в одобренных приложениях
Теневой ИИ обычно описывают как проблему несанкционированных инструментов: сотрудники регистрируются в потребительском ИИ-приложении, о котором команда безопасности никогда не слышала. Это реальная проблема, но лишь половина риска. Более серьёзная слепая зона для большинства организаций в 2026 году — ИИ, который уже работает внутри инструментов, явно одобренных ИТ-отделом. Copilot, Salesforce Einstein и аналогичные функции ИИ, встроенные в разрешённые SaaS-платформы, могут выводить данные за пределы их исходных границ доступа сразу после включения, потому что функция ИИ наследует все разрешения, которые уже были у базовой платформы.
В этом и заключается различие между одобренным и управляемым. Инструмент может быть полностью одобрен ИТ-отделом и при этом работать без политики, определяющей, какие данные он может видеть, обобщать или использовать для действий. Чтобы закрыть этот пробел, необходимо управление, которое следует за самими данными, а не только за списком одобренных приложений.
Сторона теневого ИИ, связанная с несанкционированными инструментами, тоже остаётся важной. Использование сотрудниками ИИ-инструментов в личных учётных записях, вне зоны корпоративной видимости, остаётся одним из самых быстрорастущих источников неуправляемого раскрытия данных. В руководстве Forcepoint по решениям в области безопасности ИИ рассматривается, как технологии брокера безопасности доступа к облаку (CASB) и DSPM совместно выявляют такое несанкционированное использование.
7. Агентный ИИ и новая проблема доступа к данным
Агентный ИИ вводит новую категорию рисков безопасности данных, с которой большинство существующих программ не были рассчитаны справляться: нечеловеческий субъект, способный самостоятельно читать, генерировать и перемещать данные без сеанса, который команда безопасности могла бы наблюдать так же, как вход человека в систему. ИИ-агент может извлечь данные из CRM, обобщить их и передать это резюме другому агенту — и всё это без запуска проверки доступа, которую вызвали бы действия человека-сотрудника.
Риск не обязательно в том, что агенты действуют злонамеренно. Проблема в том, что им часто по умолчанию предоставляют широкий доступ, и лишь немногие организации распространили свою политику безопасности данных на взаимодействие агентов с данными с той же строгостью, что и на взаимодействие людей с данными. Forcepoint X-Labs недавно смоделировала полную компрометацию инфраструктуры ИИ, показав, как чрезмерно свободно настроенный ИИ-помощник может раскрыть учётные данные, что затем приводит к компрометации конвейера модели и, в конечном итоге, к риску эксфильтрации данных — и всё это без срабатывания ни одного традиционного оповещения безопасности. Та же проблема с объёмом доступа актуальна даже без активного злоумышленника: вопрос, который должна задавать каждая организация, внедряющая агентов, заключается не только в том, что агент может сделать в случае компрометации, но и в том, что ему уже разрешено делать.
Как закрыть разрыв между выявлением риска и его предотвращением
Семь рисков из этого списка имеют очень разные первопричины, включая человеческие ошибки, регуляторное давление, кражу учётных данных и системы ИИ, которых ещё три года назад не существовало в большинстве стеков безопасности. Их объединяет общая точка отказа: организации часто могут видеть, что риск существует, задолго до того, как они действительно смогут что-либо с ним сделать. Именно в этом разрыве между видимостью и контролем происходит большая часть ущерба.
Подход Forcepoint к безопасности данных построен на непосредственном закрытии этого разрыва. Self-Aware Data Security знает, где находятся конфиденциальные данные в момент их создания, адаптируется по мере изменения риска и применяет последовательную защиту везде, куда перемещаются эти данные, включая инструменты ИИ, агентов и облачные платформы, которые меняют сам характер возникновения рисков.
Источник: Data Security Risks in 2026: From Insider Threats to Agentic AI
