304am永利

国外近期的调查报告揭示了一个明显趋势：员工在未经雇主批准、IT 监督或明确安全政策的情况下，正快速采用消费级AI工具
。根据 Cybernews《企业数字指数》报告，近 90% 受分析的AI工具曾遭遇数据泄露，使企业面临严重风险
。

报告显示，约 75% 的职场人士在工作中使用AI，其中 AI 聊天机器人是最常见的辅助工具
。虽然这提高了工作效率，但也可能导致企业面临凭证盗窃、数据泄露和基础设施漏洞风险，特别是考虑到仅有 14% 的工作场所制定了正式 AI 使用政策，导致员工使用行为缺乏追踪
。值得注意的是，在使用 AI 工具的员工中，约三分之一的使用行为未被管理层察觉
。个人账户的滥用进一步加剧了安全隐患
。

根据谷歌 2024 年对 1000 多名美国知识工作者的调查，93% 的 Z 世代员工（22-27 岁）在工作中使用两个及以上 AI 工具
。千禧一代紧随其后，79% 的员工展现出相似的使用习惯
。这些工具被用于起草邮件、整理会议纪要以及弥合沟通鸿沟
。这种跨代际的高频使用趋势，直接放大了安全风险——埃隆大学 2025 年的调查发现，58% 的 AI 用户定期依赖两个及以上不同模型
。而工具切换过程中的数据残留和权限继承问题往往被忽视
。

Harmonic 数据显示，45.4% 的敏感数据请求通过个人账户提交，完全绕过了企业监控系统
。“工作场所对多种 AI 工具的无序使用，特别是通过个人账户操作，给企业安全造成了严重盲区
。”企业级安全 AI 编排平台 nexos.ai 首席技术官 Emanuelis Norbutas 对此强调：“每个工具都可能成为敏感数据的外泄点，并完全脱离 IT 治理体系监管
。缺乏清晰监管的情况下，政策执行、使用监控和合规保障几乎无从谈起
。”

为评估工具实际的安全表现，Cybernews 研究人员在 2025 年 2 月分析了 52 个热门 AI 网络工具（基于 Semrush 流量数据筛
。
。研究显示：尽管平均网络安全得分为 85 分（满分 100），但 41% 的平台仅获 D 或 F 评级
。33% 的平台获得 A 级认证，突显行业安全水平两极分化
。这种悬殊差距的根源在于——头部企业往往依赖单一防护技术（如加密算法）拉高均分，却忽视系统托管、密码管理等基础安全环节
。

“高分均值不意味着工具绝对安全
。”Cybernews 安全研究主管 Vincentas Baubonis 警告：“工作流中的任何薄弱环节都可能成为攻击突破口
。一旦入侵，威胁分子就能横向穿透系统、窃取企业敏感数据，甚至部署勒索软件
。”

研究指出，84% 的 AI 工具曾发生数据泄露，其中 36% 在过去 30 天内遭攻击
。93% 存在 SSL/TLS 配置缺陷，导致数据传输加密强度被削弱，攻击者可轻易拦截敏感信息
。与此同时，91% 的平台存在系统托管漏洞，过时的服务器设置持续扩大攻击面
。更严峻的是，44% 的 AI 开发企业存在员工密码复用现象，而 51% 的工具发生过企业凭证失窃事件，这些漏洞为后续数据泄露埋下隐患
。

“许多 AI 工具在设计时就未考虑企业级安全需求
。”Norbutas 指出：“员工常默认这些工具天然安全，但事实是大量工具已被攻破
。当密码被复用或存储不当时，攻击者就获得了入侵企业系统的直通车
。”

此外，在笔记记录、日程管理和内容生成领域使用的生产力工具中，暴露出了最严重的安全隐患：每家公司平均失窃凭证达 1332条，其中92%的公司存在数据泄露，且所有工具均存在系统托管及 SSL/TLS 配置问题
。

“这是典型的阿喀琉斯之踵困境
。”Baubonis 分析称：“表面安全的工具可能因单一漏洞全盘失守
。以 Hugging Face 平台为例，一个盲点就足以摧毁数月建立的安全防线
。”该案例的警示在于——即使工具本身具备高安全评分（如Hugging Face获A级认证），若企业未对员工操作行为（如通过个人账户上传敏感数据）实施管控，仍可能导致系统性崩溃
。

除通用型工具外，大型语言模型（LLM）这一细分领域的安全风险尤为突出
。即使 58% 的大型语言模型（LLM）用户已尝试过两种及以上不同模型，且全球企业正加速部署 LLM 以优化运营、生成内容并赋能员工，但 Cybernews《企业数字指数》最新分析表明，许多职场 AI 工具的安全性远低于企业预期，正危及敏感数据和品牌声誉
。

在 LLM 使用场景中，Harmonic 数据显示，45.4% 的敏感数据请求通过个人账户提交，完全绕过企业官方通道
。这种操作模式使企业难以实施跨平台安全管控，往往在不知情时已暴露数据，引发对 AI 工具选型与集成的深度担忧
。《企业数字指数》揭示，所有 LLM 供应商均存在 SSL/TLS 配置漏洞
。若企业 SSL/TLS 设置不当，敏感数据可能遭中间人攻击截获，直接威胁用户信任与数据安全
。

具体泄露事件显示，五家供应商存在历史泄露记录
。其中 OpenAI 遭受 1140 次数据泄露，最近一次发生在分析前 9 天；Perplexity AI 在分析前 13 天泄露 190 条企业凭证
。凭证泄露；蛎苈敫从孟窒蟪中泳纾篜erplexity AI 员工中 35% 使用已泄露密码，EleulerAI 员工密码复用率达 33%
。

系统托管漏洞同样普遍存在
。除 AI21 Labs 和 Anthropic 外，所有供应商均存在显著托管安全问题
。Perplexity AI 与 EleulerAI 近 40% 系统部署于云端，更易遭受潜在攻击
。地域安全对比显示，美国 AI 供应商平均安全得分 87.5，显著高于其他国家
。安全表现最佳的三大供应商（AI21 Labs、Perplexity AI、Anthropic）包括美国和以色列企业，尽管美国整体得分较高，但其企业 Inflection AI 却成为垫底案例
。

在生成式 AI 引发的安全范式变革中，全球顶尖专家与权威机构已形成共识：AI 安全绝非单一技术问题，而是涉及技术架构、政策治理与国际协作的系统性工程
。

技术方面，四川大学网络空间安全学院任昊团队在 AAAI 2025 提出的研究成果揭示，AI 系统的安全漏洞具有 “全生命周期渗透” 特征
。例如，深度神经模糊推理系统（DNFIS）在医疗诊断场景中，用户敏感数据在传输和存储环节存在被窃取风险，而传统加密协议难以适配模糊隶属函数的复杂计算需求
。为此，团队开发的 PrivDNFIS 方案通过同态加密与密文提取技术，将端到端时间开销降低 1.9-4.4 倍，同时在半诚实威胁模型下提供形式化安全证明
。这种 “安全即效率” 的设计理念，为医疗、金融等关键领域的 AI 应用提供了可落地的技术范本
。

加拿大萨斯喀彻温大学网络安全专家 Natalia Stakhanova 博士进一步指出，AI 的 “双刃剑” 效应在攻防两端同时放大：攻击者可利用 AI 生成对抗样本绕过检测系统，而防御方同样可通过 AI 模拟大规模攻击以强化防御体系
。她特别强调，企业需建立动态攻防验证机制—— 例如通过对抗训练提升模型鲁棒性，或部署实时特征轨迹监控系统（如四川大学 GRIMM 模型），在不改变原有 GNN 架构的前提下，识别并修复中毒攻击导致的异常边扰动
。

政策方面，国家发改委在《夯实人工智能发展的安全基础》报告中明确，数据安全是 AI 安全的核心基石
。报告指出，71% 的企业 IT 领导者认为生成式 AI 加剧了数据泄露风险，微软、亚马逊等科技公司已限制员工使用消费级 AI 工具
。为此，中国近年密集出台《生成式人工智能服务管理暂行办法》《互联网信息服务深度合成管理规定》等法规，要求企业将数据安全嵌入模型训练、部署全流程，并建立算法备案与风险评估制度
。

加州 SB 1047 法案的实践则提供了另一种思路：要求前沿 AI 模型开发者设置 “安全开关”，并对违规行为实施高额？钣胂低彻赝
。这种 “技术硬约束 + 法律强威慑” 的组合，虽引发开源社区争议，但被 Elon Musk 等科技领袖视为 “防止 AI 技术滥用的必要代价”
。值得注意的是，欧盟《人工智能法案》采取了差异化监管策略 —— 根据风险等级对 AI 系统分类治理，既避免 “一刀切” 抑制创新，又确保高风险场景（如自动驾驶）的绝对安全
。

国际协作方面，图灵奖得主 Yoshua Bengio、姚期智等在威尼斯共识中强调，AI 安全是 “全球公共产品”，需建立跨国应急响应机制与独立验证体系
。他们建议：

这种协作理念已在实践中初显成效
。例如，英国 NCSC 联合 18 国发布的《AI 网络安全指南》，将安全设计嵌入开发、部署、运行全生命周期，要求默认开启自动更新并建立透明响应机制
。中国则通过《全球人工智能治理倡议》，推动与 “全球南方” 国家共享 AI 安全技术，助力缩小数字安全鸿沟
。

从消费级工具的个人账户滥用，到企业级 LLM 供应商的系统性漏洞，当前 AI 应用的安全风险已呈现 “双向渗透” 态势
。企业在享受 AI 提效红利的同时，正面临前所未有的数据安全与合规挑战 —— 个人账户成为敏感数据 “暗渠”，工具自身的 SSL 缺陷、托管漏洞与密码复用问题构成攻击链闭环，而头部供应商的评级落后与地域安全鸿沟，更暴露出行业标准化安全框架的缺失
。

随着生成式 AI 加速融入医疗、金融、政务等关键领域，威胁分子对 AI 工具漏洞的利用将更趋精准化、产业化
。企业需突破 “工具安全等于整体安全” 的认知误区，从政策层（制定 AI 使用规范）、技术层（部署跨平台监控系统）、供应商层（严格安全审计）构建三维防护体系
。监管机构与行业组织也应加快推动 AI 安全标准落地，填补 “技术创新快于安全治理” 的发展失衡
。

正如《企业数字指数》揭示的，AI 工具的真正价值，始于对 “安全即基础设施” 的清醒认知
。唯有将数据安全嵌入每一次工具选择、每一行代码设计、每一条使用流程，才能在智能化浪潮中筑牢数字安全防线，避免 “效率提升” 沦为 “风险敞口” 的代价
。