云安全联盟-2026年FSI网络安全专业人士云安全联盟AI安全倡议精简编辑重写报告（英译中）1. 用户直接或通过各类方式间接使用慧博投研资讯所提供的服务和数据的行为，都将被视作已无条件接受本声明所涉全部内容；若用户对本声明的任何条款有异议，请停止使用慧博投研资讯所提供的全部服务。
2. 用户需知，研报资料由网友上传，所有权归上传网友所有，慧博投研资讯仅提供存放服务，慧博投研资讯不保证资料内容的合法性、正确性、完整性、线. 任何单位或个人若认为慧博投研资讯所提供内容可能存在侵犯第三人著作权的情形，应该及时向慧博投研资讯提出书面权利通知，并提供身份证明、权属证明及详细侵权情况证明。慧博投研资讯将遵循版权保护投诉指引处理该信息内容；
【研究报告内容摘要】云安全联盟（CSA）关于云服务采用情况及当前人工智能（AI）的第三次调查表明，云服务已实现有效普及，而生成式人工智能（GenAI）的多个因素已从实验阶段转向规模化生产。
（慧博投研资讯）战略性问题已不再是机构是否会采用云服务、大型语言模型（LLM）和代理，而是安全、治理和运营模式是否在快速演变，足以跟上管理潜在风险的步伐。（慧博投研资讯）2026年的调查结果显示，该行业正朝着代理中介的金融运营模式发展。62%的组织报告已部署AI代理。在部署代理的组织中，有38%已授予其条件性或高度自主权。代理自主权预计也将扩展到消费者。85%的人认为AI代理将代表用户发起和执行金融交易，而65%的人认为这种转变将需要一个新的授权模式。
许多受访者的评论都呼应了这样一种担忧：即采用的速度超过了控制成熟的速度。20%的受访者报告了已知的与人工智能相关的安全事件，而另外21%的人则不确定是否发生了此类事件，这增加了先前事件可能已经发生的可能性。数据显示，缺乏可见性的部署可能导致未来在调查人工智能相关事件、正确报告并从中学习方面遇到困难
随着云服务在金融服务组织中的使用率达到98.3%，变得无处不在，但传统的云安全风险并未消失，反而随着AI服务的交织而变得更加复杂。第三方和供应链风险是云安全关注的重点，占比达55%，其次是配置错误，占比为52%。非人类身份也被认为是一个日益增长的担忧，涉及凭证配置错误、监控缺失以及政策执行不力
云和人工智能的共同主题是，主要风险是数据问题。例如，敏感数据泄露是人工智能安全的首要担忧，占比高达61%，远超对模型攻击、提示注入或对抗性技术的担忧。从实际角度来看，担忧不仅在于人工智能系统可能受到攻击，更在于通过提示、聊天记录、训练数据和检索增强生成连接器等日常使用模式，敏感财务数据可能被暴露。换句话说，是员工未意识到其行为的风险，或缺乏防止此类使用的约束机制。
安全优先事项在于应对这一现实。改进身份与访问安全（48%）以及将AI安全整合到云环境（44%）将引领未来计划的安全投资。然而，进展受到整个行业都存在的相同运营摩擦的限制：预算限制和缺乏AI专业知识（均为45%），以及数据分类差距占26%
2026行业调查报告FSI网络安全专业人士的精简编辑重写仅根据上传的CSAI基金会/云安全联盟人工智能安全倡议报告。
您可下载、存储、在您的计算机上显示、查看、打印，并链接至Cloud Security Alliance（），但须遵守以下条款：（a）草案仅供您个人信息、非商业用途；（b）草案不得以任何方式修改或更改；（c）草案不得重新分发；（d）商标、版权或其他声明不得删除。
根据美国版权法合理使用条款的规定，您可引用草案的部分内容，但须注明出处为云安全联盟。
关于赞助商CSA员工平面设计贡献者斯宾塞·卢姆佩史蒂文·史密斯特洛伊·利奇A.奥伯特·马克Bower -安朱纳合作者凯斯·亨内特希拉里·巴隆索法·波格雷宾斯卡亚当·帕克，首席信息安全官鲁斯·乔·谢尔詹姆斯·罗斯马特·布朗安南特·瓦拉加德吉米·巴伯阿曼·萨达纳弗雷德·巴德朱莉娅·切拉肖尔贾夫·斯塔普尔顿谢伊瓦·戈苏拉安朱娜安全为企业提供了在不同环境中自信地管理和扩展AI代理的自由。
基于机密计算技术，安朱娜平台提供了中央控制，确保AI代理仅按预期行事，保持在预算范围内，并持续符合监管框架。
每项操作都会被评估，每项运营风险都会被管理；凭证绝不会泄露，敏感数据始终受到控制和保护。
借助安朱娜，受监管的企业可以快速部署可信的自主AI，高效达成目标，同时不增加风险并保持安全监督。
85%的人认为AI代理将代表用户发起和执行金融交易，而65%的人认为这种转变将需要一个新的授权模式。
许多受访者的评论都呼应了这样一种担忧：即采用的速度超过了控制成熟的速度。
20%的受访者报告了已知的与人工智能相关的安全事件，而另外21%的人则不确定是否发生了此类事件，这增加了先前事件可能已经发生的可能性。
数据显示，缺乏可见性的部署可能导致未来在调查人工智能相关事件、正确报告并从中学习方面遇到困难。
云安全联盟（CSA）关于云服务采用情况及当前人工智能（AI）的第三次调查表明，云服务已实现有效普及，而生成式人工智能（GenAI）的多个因素已从实验阶段转向规模化生产。
战略性问题已不再是机构是否会采用云服务、大型语言模型（LLM）和代理，而是安全、治理和运营模式是否在快速演变，足以跟上管理潜在风险的步伐。
随着云服务在金融服务组织中的使用率达到98.3%，变得无处不在，但传统的云安全风险并未消失，反而随着AI服务的交织而变得更加复杂。
第三方和供应链风险是云安全关注的重点，占比达55%，其次是配置错误，占比为52%。
非人类身份也被认为是一个日益增长的担忧，涉及凭证配置错误、监控缺失以及政策执行不力。
改进身份与访问安全（48%）以及将AI安全整合到云环境（44%）将引领未来计划的安全投资。
然而，进展受到整个行业都存在的相同运营摩擦的限制：预算限制和缺乏AI专业知识（均为45%），以及数据分类差距占26%。
例如，敏感数据泄露是人工智能安全的首要担忧，占比高达61%，远超对模型攻击、提示注入或对抗性技术的担忧。
从实际角度来看，担忧不仅在于人工智能系统可能受到攻击，更在于通过提示、聊天记录、训练数据和检索增强生成连接器等日常使用模式，敏感财务数据可能被暴露。
2. AI代理是主流61%的人将数据泄露列为首要人工智能风险在积极实施或先进采用方面；探索或试点额外增加49%金融服务已进入一个时代，人工智能系统将在云服务已根深蒂固的可扩展性支持下，直接参与金融决策和执行。
最适合进行这种转变的机构将是那些现在投资于人工智能特定监控、非人类和代理身份治理、人工智能交互点的数据控制以及为自主系统设计的授权模型的机构。
62%使用AI代理；93%使用代理的用户授予某种形式的自主权；38%拥有条件性或高自主权超过三分之一的企业正在积极在生产中实施人工智能，另外还有9%处于高级采用阶段。
通过人工智能交互导致敏感数据泄露是人工智能安全的主要担忧，其程度远超对模型攻击或对抗性技术的担忧。
85%的人预计将采用代理支付；65%的人认为需要建立新的授权框架98.3%使用云服务；33%采用主要或完全基于云的架构。
7.行业期待自主金融交易91%的人表示支持程度为“强烈”或“中等”5.强有力的高层领导对云安全的支持第三方风险（55%）和配置错误（52%）仍然位列前三大安全问题。
对人为错误的担忧位列前三安全顾虑，显示出对安全工具和支撑技术的更高信心。
对商业风险的深刻理解以及推动人工智能部署的能力，已提升了整体高管支持水平。
6.配置错误和第三方风险仍然是主要的云风险正如在之前的2023年报告中所述，随着大多数软件被设计为云原生，并且更容易扩展新功能，云利用率有所提高。
云服务采用：一个具有新复杂性的通用基准云服务在金融服务领域的采用已达到实用饱和状态。
其余98.3%则涵盖了主要采用本地部署（20%）、混合环境（46%）、主要采用云服务辅以部分本地部署（14%）以及完全基于云的架构（19%）。
对于大多数机构而言，当前真正的挑战在于管理混合环境中的弹性、数据本地性、集成和控制，而非决定是否使用云。
目前，64%的人正在公共云服务中存储或处理监管金融数据，另外18%计划在18个月内这样做，而只有18%的人表示没有计划将监管数据迁移到公共云，这一比例从2023年的25%下降。
该报告的信息很明确：云已成为基础设施，当前的治理挑战在于如何使用它，而不是是否使用它。
近一半受访者，48%的人报告在过去12个月内更改了他们的云服务提供商战略。
在这些组织中，44%的人在提供商之间迁移了工作负载，37%的人引入了退出或应急计划，31%的人整合了提供商，29%的人增加了一个新的CSP，25%的人减少了对单一提供商的依赖。
尽管出现了向多元化发展的趋势，但仍有5%的受访者将服务迁移回本地基础设施。
最常见的问题是如何在各个服务提供商之间分配工作负载，以优化弹性、成本和合规性。
37%的受访者表示其退出和应急计划有所增加，这表明与2023年的调查相比，其成熟度有了显著提升——在2023年的调查中，退出计划被识别为一个薄弱环节。
这一转变至少在一定程度上反映了DORA对ICT第三方退出策略的明确要求，该要求于2025年1月开始具有强制性[4]。
CSP策略变化的主要驱动力反映了对云集中和金融服务优先事项更为严格的方法。
其次是简化托管服务复杂性（39%）、监管或数据主权要求（38%）、技术要求（33%）以及业务需求变化（32%）。
弹性作为驱动因素的重要性反映了供应链的担忧，近期发生的事例中，第三方供应商的一次软件更新导致全球金融机构出现级联故障。
ISO/IEC 27001的采用率领先，达到62%，确认了其在全球金融服务领域信息安全管理的实际基准地位。
CSA云控制矩阵的采用率保持强劲，为39%，作为对更广泛框架的云特定补充。
框架问题中的“其他”类别为深入了解金融机构也必须应对的监管框架提供了窗口。
受访者提到了DORA、欧盟人工智能法案、GDPR、PCIDSS、NIST 800-53、SOX、COBIT以及各种国家法规，强调了这一高度监管行业所承担的合规负担。
几位受访者指出，他们依赖于基于多个框架的内部控制标准，这表明行业规范并非必然集中于遵守任何单一框架，而更是一种综合方法，即将控制措施映射到多个重叠的要求上。
美国国家标准与技术研究院（NIST）人工智能风险管理框架（AI RMF）在人工智能治理工具中采用率最高，达到39%，这得益于NIST的声誉及其2023年1月的早期发布。
2025年7月发布的CSA人工智能控制矩阵（AICM）被24%的受访者采用。
2023年12月发布的第一项人工智能管理系统国际标准ISO/IEC 42001，采用率为21%。
2025年7月发布的关注人工智能代理的统一合规框架（AIUC-1）被7%的受访者采用。
治理框架格局：虽碎片化但正在发展金融机构在相互重叠的治理与网络安全框架的密集网络中运营，2026年的调查捕捉了用于管理人工智能和云安全的实际框架的快照。
结果揭示了既有标准的主导地位依然稳固，以及人工智能特定治理工具的早期采用。
这或可反映监管要求，包括中央日志聚合、审计追踪和告警，以及定制化需求，例如有受访者提及的定制化自动取证功能。
这也是CSA合规自动化革命（CAR）的催化剂，旨在支持行业创建更多机器语言能力，以适应持续监控、实时安全态势以及更易于证明的合规要求。
受访者的自由填写项也指向下一波工具，包括AI安全态势管理、DSPM、CTEM和影子AI检测。
机遇在于，集成化框架可以作为统一层，减少重复工作，并在一致的控制结构内协调云和人工智能安全治理。
主要风险过去三年，CSPM的采用率显著提升，从估计的25-29%增长，代表着增长最快的工具类别。
它可能反映了组织韧性的真实改善：更好的备份和恢复能力、改进的检测以及针对勒索软件的特定事件响应方案已降低了预期影响。
然而，针对金融服务行业的勒索软件攻击仍在高频发生——2024年，65%的金融服务IT专业人士报告称遭受了攻击[21]——而工行LockBit攻击表明后果依然严重[22]。
更有可能的是人为错误占27%，不安全的非人类身份占24%，不安全的API占24%，不安全的人类身份占19%。
与以往调查相比，一个显著的变化是勒索软件作为前三名风险认知的急剧下降，受访者中仅占9%——其在2023年曾与数据泄露和系统破坏一同被视为主要担忧，当时其地位远为突出。
当被问及他们云基础设施的三大安全风险时，受访者给出了一份反映当前威胁环境的风险排序。
云配置错误仍然是第二大担忧，占52%，这是一个持续存在的挑战，反映了云环境的复杂性以及跨多云架构保持一致安全配置的难度。
云安全、IAM和DevSecOps方面的人员配备不足或技能欠缺影响28%。
多云不一致性占24%，遗留系统集成占22%，对单一供应商的依赖或可移植性有限占20%，可见性不足也占20%。
解释是勒索软件已经成为一种已知且可控的风险，而人工智能驱动的威胁和供应链漏洞尚未达到这种程度，这就是为什么这些新类别现在主导风险登记册的原因。
过去一年中，82%的组织至少经历过一次由身份驱动的网络攻击，而在金融服务领域这一比例甚至更高[26]。
调查数据显示，金融服务行业正开始认识到非人类身份管理是一项独特的安全挑战，但问题的规模需要比24%这个数字所暗示的更迫切的关注。
随着金融机构部署更多自动化流程、微服务，以及现在的人工智能代理，非人类身份（服务账户、API密钥、机器证书和代理凭证）的数量已增长到远超人类身份。
供应商研究表明，在企业环境中，非人类身份显著多于人类身份，一项估计显示，各行业的比例约为144:1，金融服务行业的比例则为96:1[25]。
虽然精确数字因来源和方法而异，但由微服务、自动化以及现在的人工智能代理驱动机器身份快速增长的方向性趋势，得到了广泛支持。
数据分类尤为重要，因为无法可靠地标记和管理其数据的组织无法确信地控制AI系统可以访问、训练或揭示的内容。
高层领导的支持总体上是积极的，43%的人认为支持力度强，38%的人认为支持力度一般。
虽然仍有16%的人报告说支持有限或没有实质性的支持，但调查结果显示出与上次调查相比的积极转变方向，表明高管层对云安全作为业务优先事项和预期基础设施一部分的认识有所提高。
提升身份与访问安全是明年优先事项的前茅，占比48%，其次是将其AI安全整合入云环境，占比44%。
其他优先事项包括检测和修复配置错误，占比33%；提升弹性和灾难恢复能力，占比30%；调整或改进零信任能力，占比27%；预算优化，占比26%；维持合规性，占比22%；管理工作负载漏洞，占比15%；实施云检测与响应，占比15%；评估攻击面，占比14%；以及为量子威胁做准备，占比10%[7]。
实施新型云安全能力的最大障碍描绘了这样一个行业图景：该行业受限于组织能力，而非技术可用性。
预算限制和竞争性优先事项占比45%，这是一个持续存在的挑战，反映了安全投资与创收计划之间的张力。
云安全、IAM和DevSecOps方面的人员配备不足或技能缺乏紧随其后，占比28%。
数据分类和政策成熟度差距影响26%，多云复杂性以及跨提供商的不一致控制措施影响24%，与遗留系统集成困难影响22%，对单一CSP的依赖或可移植性有限影响20%，以及云环境可见性不足也影响20%。
高层领导对云安全的支持通常很强，43%的受访者认为支持力度很大，38%认为支持力度一般。
然而，16%的人报告说支持有限或没有实质性的支持，考虑到解决安全挑战所需的巨大投资规模，这一数字令人担忧。
无法可靠地对数据进行分类和标记的组织，在部署基于这些数据进行分析、学习和生成输出的AI系统时，将面临更加严峻的挑战。
缺乏明确的数据分类政策，使得对AI系统可以访问哪些数据、可以在训练中包含哪些数据、以及可以在输出中展示哪些数据等环节实施适当控制变得不可能。
2020年，短缺主要在于基础云安全能力——配置云原生控件、理解共享责任模型、管理云IAM。
到2026年，AI/ML专业知识的差距（45%）超过了云安全人员短缺（28%），成为更严峻的制约因素，而AI安全专业人才市场则与近十年前的云安全市场相似：竞争激烈，争夺那些兼具机器学习专业知识、安全架构知识和金融服务领域理解的专业人士。
这种对称性表明，机构正在采取双重策略：一方面从供应商处购买人工智能能力，另一方面也在构建与其自身监管和运营需求相一致的专有应用程序。
人工智能应用：从实验到规模化生产这些数据标志着该行业的转变，该行业直到2023年才刚刚开始讨论人工智能的应用案例。
自上次调查以来，由于以下几因素的加速，人工智能的采用率有所提高：大型语言模型能力的成熟、企业级人工智能平台的可用性，以及越来越多的证据表明人工智能可以在欺诈检测、客户服务效率和运营方面带来可衡量的改进。
例如，埃森哲估计早期采用者将获得22%到30%的生产力提升[8]，而麦肯锡预测每年有2000亿到3400亿美元的潜在价值[9]——尽管这些数字代表的是供应商的预测而非实际结果，并且解读时应考虑其作者的商业利益。
2026年的调查引入了新的AI应用问题，结果显示该行业已远远超越了AI的实验阶段。
当被问及在业务流程中应用第三方和机器学习时，大约有91%的人报告了某种使用或探索。
其中，14%处于早期探索阶段，35%处于试点阶段，34%处于积极的生产实施阶段，9%处于高级应用阶段。
内部AI开发的模式几乎完全相同：17%处于早期探索阶段，33%处于试点阶段，35%处于积极实施阶段，9%处于高级应用阶段。
由于调查对代理的定义较为宽泛，这一数字既包括了更强大的自主系统，也包括了更简单的任务导向型机器人。
只有27%的人报告没有使用代理，而11%的人表示不确定，这本身可能就预示着在正式治理之外存在阴影部署。
内部员工辅助工具用于编码、写作和分析的占比为这些机构实例突显了这种加速趋势。
摩根大通在2026年为科技领域拨款198亿美元，其中包括12亿美元用于人工智能，并报告称其超过20万名员工正在使用其大型语言模型套件[10]。
美国银行报告称其超过21万名员工正在使用其生成式人工智能助手，90%的员工采用人工智能，IT服务台查询量减少了超过50%[11]。
高盛在2025年7月为其12,000名开发人员部署了自主人工智能软件工程师[12]。
花旗集团向其分布在全球80个国家的超过15万名员工部署了专有的生成式人工智能工具[13]。
此外，还值得指出的是，对SaaS供应商使用AI功能的可见性可以绕过TPRM审查和检测。
2026年3月，Obsidian Security观察到69,749次用户与嵌入AI功能的SaaS企业数据的交互，如果没有浏览器内检测，其中大部分可能未被察觉。
代理支付：一种新的授权范式那个最终数字在绝对值上并不大，但与三年前受访者的状况相比，具有战略意义。
关键在于现有的支付工具和身份验证模型都是基于有人在场确认交易细节而设计的。
调查回应表明，行业普遍认为在智能代理式商业可能实现规模化之前，需要一个新的信任基础。
机密计算中的可信执行环境赋予人工智能代理的自主权程度，揭示了金融机构正在实时应对的一种信任光谱。
绝大多数，即55%，在有限自主权下运行，其中人工智能执行任务，但有人类主动监督——这是经典的“人在回路中”模式。
条件自主权，即人工智能在定义的护栏内独立于低风险场景行事，适用于33%。
当被问及消费者是否会使用AI代理来发起和执行支付交易，而无需直接实时参与时，只有5%的人表示不会。
随着在证明对偏见、道德及其他要求的控制方面的成熟度提高，更复杂的监管规则（如欧盟AI法案中的分类及类似全球标准）可能会影响后几类应用（的采用）。
人工智能安全风险当被问及在使用人工智能时，三个最大的安全风险是什么时，受访者关注的似乎主要集中在对数据丢失或访问敏感数据的担忧上。
来自反馈的主要主题似乎都围绕着数据的机密性、授权和可审计性，即数据是如何被保护的。
基础设施提供了一种潜在方法，以摆脱对传统纯软件信任的依赖，为安全关键代理或依赖服务提供基于硬件的可衡量信任。
以显著优势位居榜首的是，61%的受访者指出，敏感数据的泄露可能源于提示词、文件、聊天记录或其他途径。
这一发现与更广泛的行业研究一致，该研究表明，对企业而言，最直接的AI风险并非针对AI系统的对抗性攻击，而是通过这些系统的正常使用导致敏感数据不受控制地暴露。
一位首席信息安全官（CISO）提到，已知有这样的事例：其金融机构的员工不了解AI政策，无意中将客户记录分享到了一个公开的大型语言模型（LLM）用于对账，这一行为很快被安全团队发现。
2025年10月，Visa推出了基于可信代理协议（TAP）的智能商务；到2025年12月，该协议已与超过100家合作伙伴共同完成了数百笔安全代理发起的交易[14]。
Mastercard于2025年4月推出代理支付（Agent Pay），并在2025年假日季前向所有美国卡持有人推广，同时与桑坦德银行合作，于2026年初在欧洲启动了首个端到端的AI代理支付试点[15]。
Stripe于2026年3月推出机器支付协议[16]，Google则在2025年9月宣布了代理支付协议，并获得了60家合作组织的支持[17]。
根据爱德华·邓恩公司（Edgar, Dunn & Co.）的预测，代理商务市场在2025年将达到1350亿美元，到2030年将增长至1.7万亿美元[18]。
然而，在安永（Accenture）的一项关于未来支付的调查中，87%的支付行业领袖和首席技术官认为信任将是最大的障碍，78%的人预期欺诈行为将显著增加[19]。
23%的人指出缺乏对人工智能驱动行为的可审计性、可追溯性或监控——这与数据披露的担忧几乎相当，表明金融机构对其解释和审计人工智能决策的能力深感担忧，而这一能力既是监管要求，也是运营要求。
16%的人提到了人工智能驱动处理过程中的监管或政策不合规，10%的人提到了来自人工智能提供方的第三方或供应链风险。
33%的案例涉及人工智能代理和工具的权限过度或授权不足，27%涉及通过RAG连接器或检索工具进行未经授权的访问或数据泄露，23%涉及通过模型行为（包括训练数据泄露和推理攻击）导致敏感数据泄露。
人工智能（AI）加剧的社会工程学，包括深度伪造和AI驱动的鱼叉式网络钓鱼，引起了16%受访者的关注，而规避传统检测的自动化或AI驱动攻击则影响了12%。
对深度伪造的担忧基于线月，英国阿鲁普工程公司一名财务人员被冒充高管身份的深度伪造视频通线万美元，这一案例展示了AI赋能的社会工程学可能造成的经济损失规模[27]。
行业估计表明，到2025年初，全球深度伪造欺诈造成的损失可能已超过2亿美元，而德勤预测，到2027年，AI赋能的欺诈可能使美国年度损失达到400亿美元——但此类供应商预测应被视为方向性估计而非精确预测。
19%的人提到了提示注入或越狱导致的有害行为，10%的人提到了训练管道中的数据污染或完整性攻击，3%的人提到了模型盗窃或专有能力的提取。
系统和通信风险，包括工具或API调用篡改以及与MCP相关的威胁，被9%的人识别出来。
这表明，人们要么对模型的成熟度和输入/输出护栏的完善越来越有信心，要么至少将更多注意力集中在了其他活动的即时风险上。
人工智能安全事件：一个难以透明的问题？人工智能应用障碍：隐私、技能与信任一个普遍关注的问题在于，可观察性似乎存在滞后。
20%的人报告了与人工智能相关的incidents或breaches，而另外21%的人则不确定是否发生了此类事件。
这种不确定性可能是缺乏专门针对人工智能的监控和检测的信号，这可能是一个警示。
传统的监控工具可能无法正确识别某些生成式人工智能行为，也无法正确观察和报告新的攻击因素。
不明确的监管要求影响36%，不明确的投资回报率29%，预算限制25%，以及与遗留系统的集成22%。
组织阻力仅为5%，这表明即使在没有运营准备的情况下，领导层支持通常也是存在的。
报告中开放式评论重申了相同主题：影子人工智能、治理滞后，以及日益增长的集中式人工智能网关的吸引力，这些网关允许创新同时保持政策执行。
可能有多种原因可以解释这一点，但报告事件的相关监管要求也可能影响了回复数量。
一位来自尼泊尔的受访者提到了使用云服务的成本差异，以及知识差距限制了人工智能在世界某些地区的应用。
另一个人描述了一种新兴的架构模式：“我们的策略基于零信任架构，确保随着我们云足迹的扩展，身份始终是我们的主要边界。
我们面临的最大挑战是‘影子AI’现象——员工使用未经授权的大型语言模型。
为了应对这一挑战，我们实施了一个集中的AI网关，使我们能够在保持严格的数据丢失防护标准的同时，利用创新。
”开放式最终问题的回答中，受访者被允许分享额外想法或探讨问卷中未充分覆盖的主题，从中反复出现若干主题。
一位受访者表达了众多人的心声：“我们组织内部的AI/ML应用正在爆发式增长，因为许多团队已经开始开发AI代理来满足自身需求。
”其他人也指出了云和移动设备早期采用者面临的类似挑战，他们表示，安全解决方案的成熟度、清晰的战略和治理预期有助于加速使用，并期望人工智能也能得到同样的结果。
缺乏公司层面的清晰AI战略、影子AI的挑战（员工在敏感财务数据上使用未经授权的AI工具）、以及在AI快速发展的背景下维护安全治理的难度，这些都是反复被提及的评论。
1.人工智能安全整合的必要性分析：七个定义趋势2.人工智能时代下的第三方风险接下来的章节不提供任何新数据。
相反，它们应用一种第二种分析方法——CSA的人工智能代理与人类专家审查相结合——来发掘数据中已在本报告中共享的部分所隐含的额外行业趋势。
人工智能安全整合已经是44%受访者的前三投资优先事项，然而确认发生的人工智能事件占20%，另外21%的受访者表示无法判断是否发生过事件。
传统的云安全堆栈，如CSPM、CWPP、CNAPP和SIEM，是为虚拟机、容器和API构建的。
它们本身并不能解决提示层泄露、向量存储暴露、使用中的模型被攻破、RAG权限漂移或AI生成输出风险问题。
受访者填写的AISPM、AI专注型DSPM和影子AI检测的出现表明，市场正开始构建缺失的层级。
现有的框架如SR 11-7仍然具有影响力，但它们是为统计模型构建的，而非上下文相关、概率性的大型语言模型[29]。
随着AI驱动攻击风险随着越来越强大的AI模型的涌现呈指数级增长[45]，对AI风险控制系统自身的风险缓解将成为一个重要的考虑因素。
随后，2025年10月AWS长达15小时的停机影响了超过400万用户，2025年6月Google Cloud IAM系统故障导致劳埃德银行、苏格兰银行、Coinbase和Robinhood等机构服务中断，以及Azure25 3.自主金融新浪潮版权所有2026，云安全联盟。
2024年，有六十五分之五的金融服务IT专业人士报告称遭受了攻击，平均恢复成本为258万美元[21]。
针对ICBC金融服务的LockBit攻击扰乱了国债市场运作[22]，而Infosys McCamish数据泄露事件则暴露了650万人的数据，其中包括美国银行的客户[23]。
机构需要就代理身份、授权委托、撤销权、可审计性以及机器可执行的约束机制等问题提供有说服力的答案。
CSA的代理式IAM工作提供了一个方案：代理身份应被视为具有可验证凭证、有时间限制的权限以及与代理所代表的人或组织主体相关联的可审计日志的第一类IAM对象[6]。
MAESTRO框架则将此扩展为一个涵盖身份、工具授权、代理间通信和监督的更广泛的安全模型[30]。
自2025年1月17日起，它要求对约22,000家欧盟金融机构进行更严格的ICT第三方库存管理、风险评估、退出规划和集中度风险管理。
到2025年11月，已有19家关键ICT第三方供应商被指定接受欧盟直接监管，处罚最高可达平均每日全球营业额的1%[4][24]。
人工智能增加了另一层复杂性，因为机构不仅越来越依赖第三方基础设施，还依赖第三方的模型行为、更新、训练选择和安全控制。
已有62%的企业已部署代理，38%的代理用户授予条件性或高自主权，85%的企业预期将实现自主AI支付，金融服务正迈向新的运营模式。
将任务委托给AI代理并不会将责任转移给模型提供方、云服务提供商或软件代理。
对数据泄露的61%担忧、对RAG泄露的27%担忧以及对凭证暴露的19%担忧，直接指向了一个新的控制领域。
在常见的RAG企业架构中，风险出现在数据摄取、检索、生成、存储和工具使用等环节。
4.监管趋同与持续分化全球监管格局在方向上保持一致，但在策略上呈现碎片化。
目前，欧洲通过《数字市场法案》（DORA）和《欧盟人工智能法案》形成了最清晰的联合立场。
高风险人工智能的义务，包括影响信用评分和保险风险评估的义务，将于2026年8月2日全面生效，罚款金额最高可达3500万欧元或全球年营业额的7%[28]。
在摄入阶段，被污染或恶意的文档可能持续存在于向量存储中，并随后影响模型行为。
在检索阶段，相似性搜索本身并不尊重文档级别的授权，这可能允许用户获取他们无权查看的内容。
在生成阶段，模型可能会泄露检索到的敏感数据，或产生受对抗性内容影响的输出。
向量数据库还5.技术安全差距：从安全护栏到人工智能数据管道在美国，该框架仍然更具分布式特点，并以原则为基础。
SR 11-7仍然为模型风险预期提供基准，而第三方风险指引继续由多个审慎监管机构发布[29]。
在亚太地区，报告指出澳新银行监管局（APRA）的CPS 230将于2025年7月1日生效，新加坡货币管理局（MAS）于2025年11月发布的AI风险咨询，以及巴塞尔委员会于2025年12月发布的第三方风险原则[31][36][37]。
这对全球金融机构的影响是实践性的，而非哲学性的：它们必须将共同原则转化为能够同时满足多个框架要求的控制措施。
对于自主式架构而言，模型上下文协议及类似的工具使用模式又增加了另一层风险：工具中毒、过度授权的连接器、不安全的工具描述以及授权边界薄弱。
该报告的控制方向合理且实用：输入输出护栏、检索层权限执行、代理连接工具的最小权限审查，以及对漂移、异常输出和提取尝试的监控[30][32]。
报告还强调，机密计算是部署受监管数据AI并减少对周围基础设施层暴露的一种有前景的途径。
如果许多机构依赖相同的基础模型、相同的云服务集中以及类似的AI赋能决策模式，它们的错误可能会相互关联。
在相互关联的金融网络中行动的高自主性代理机构，可能比人类干预能更快地传播错误。
这就是为什么已经授予高自主性的5%受访者，不仅应被视为一种治理信号，还应被视为一种早期系统性风险指标的原因。
它们代表了安全体系中相对不成熟的部分，通常缺乏传统数据平台所期望的行级安全、字段级加密和可审计性。
机遇与建议7.从云安全到人工智能云安全非人类和代理身份的身份与访问管理应作为近期优先事项。
鉴于62%的组织已部署AI代理，且非人类身份风险位列云端主要担忧之一，机构需要可验证的代理凭证、范围受限的权限、行为监控、可审计的操作日志以及自动化的凭证轮换。
随着人工智能-云安全演变为一个统一学科，可观测性、供应链问责制和自动化响应成为关键原则，并伴随着共同治理、共同遥测和共同责任[5]。
组织还应利用OWASPLLM应用十大风险、MITREATLAS和CSA的MAESTRO框架等资源，开展针对AI的威胁建模。
从实际操作角度看，有四个技术控制措施亟待关注：部署输入输出护栏；在RAG检索层强制执行访问控制；审查代理连接的工具，确保最小权限和时间限制的授权；以及监控模型和代理是否存在漂移、异常输出和提取尝试。
金融机构应将人工智能风险管理融入现有的云安全治理体系中，而非将其视为一个独立的附属项目。
若机构不了解哪些数据是敏感的、数据存储于何处以及哪些系统可以访问这些数据，则无法有效管理人工智能风险。
最终的策略性转变最为关键：在金融服务领域，云安全与AI安全已不再是独立的学科。
云风险之首是第三方集中度达55%，AI风险之首是数据泄露达61%，这两个问题并非毫不相干。
它们是同一底层挑战的两种表现形式：敏感的金融数据正通过比原始控制架构所设计的管理能力更为复杂的云服务、外部供应商、AI模型、检索系统和软件代理组合进行流转。
监管机构应制定针对人工智能的审查程序，并培训审查人员掌握人工智能和机器学习的验证方法。
他们应考虑要求对承担重要职能的人工智能系统进行登记，就人工智能相关集中度风险开展国际合作，并评估是否应将集中度风险的监管扩展至基础模型提供者，而不仅仅是云基础设施。
为金融机构提供云服务的服务商应提高服务变更、模型更新和安全事件方面的透明度。
在受监管环境中，消费者软件中可能可容忍的短通知变更，可能会造成实质性的治理问题。
这种模糊性会延缓人工智能的有效部署，但也可能促使机构在没有成熟的监管措施的情况下推进。
机构还应维护材料式人工智能系统的正式清单，包括影子人工智能，并将退出和应急计划扩展到关键的人工智能服务。
服务提供商还应投资于金融服务特定的AI治理功能，以支持审计追踪、模型溯源、可解释性、隐私保护部署以及更强的运营透明度。
将数据隐私和安全问题列为AI采用首要障碍的54%受访者，这既代表了一个控制问题，也是一个市场信号。
与此同时，55%的人将第三方风险视为首要的云服务担忧，61%的人将数据泄露视为首要的AI担忧，20%的人报告了与AI相关的安全事件，而另外21%的人则不确定此类事件是否发生。
2026年的调查捕捉到了一个行业，该行业历史上以采用速度较慢而闻名，目前正处于向引领最新技术部署转型的关键阶段。
现在的问题是，机构以及处理敏感金融和个人数据的实体愿意将多少自主权委托给人工智能系统，以及安全与治理能否在自主权加深之前成熟。
它们将是那些能够快速建立管控机制并维护消费者、监管机构及其他利益相关者的信任的机构。
受访者认为，在人工智能交互点进行特定于人工智能的监控可见性、代理感知的身份治理、数据分类以及政策执行、检索层授权以及其他必须在生产速度下运行的强制性护栏措施至关重要。
按地区划分，57%的受访者运营于美洲，48%在欧洲、中东和非洲（EMEA），39%在亚太地区（APAC）。
按职级划分，12%担任C级或高管职位，26%为总监，38%为经理，22%为一线专业人员。
其中，银行和信用合作社占受访者的37%，金融科技（fintech）占19%，其余则来自保险、投资管理、专业协会、云服务提供商、监管机构及其他金融服务领域。
企业规模方面，17%的员工人数少于100人，29%的员工人数超过10,000人。
本报告基于加拿大证券交易委员会（CSA）2020年和2023年的金融服务云调查，并保留了早期调查中的许多问题，以支持纵向比较[1][2]。
报告新增了一个substantial的章节，重点关注人工智能和机器学习的应用、安全、治理以及金融领域自主AI的出现。
该调查于2026年1月15日至3月1日期间进行，从全球金融机构中从事云计算、人工智能、网络安全、合规和风险管理领域的专业人士那里收集了340份回复。
受访者通过CSA的会员网络、金融服务工作组、合作伙伴组织以及行业活动招募。
该调查包含27个问题，涵盖云基础设施战略、监管合规、安全工具和实践、人工智能采用成熟度、特定于人工智能的风险和治理、人工智能代理部署以及组织人口统计。
云安全联盟金融服务工作组仍然是云和人工智能安全、监管互动以及该行业最佳实践发展的主要行业合作平台。
与此报告最直接相关的举措包括人工智能控制矩阵、多代理威胁模型安全MAESTRO框架、STAR计划，以及云安全联盟关于代理人工智能身份和访问管理的研究。
报告确定的未来工作重点领域包括：代理身份与授权模型、AI特定事件检测与响应、跨司法管辖合规映射以及金融服务特定AI安全培训。
人口统计如同任何自愿性调查一样，其结果应被视为方向性指标，而非整个行业的统计精确度量。
其最大价值在于趋势方向、相对优先级以及云和人工智能领域风险信号的连贯性。
区域分布比2023年的调查更能反映一个更均衡的全球样本，其中来自欧洲、中东、非洲和亚太地区的参与度有所增加。
桑坦德与万事达完成欧洲首个端到端支付实时执行[1]云安全联盟.《金融服务领域的云使用》.2020. [2]云安全联盟. 《金融服务在云中的状态》.2023年6月. [3] CrowdStrike. 《初步事后审查(PIR) —影响Falcon传感器的配置更新》.2024年7月. [4]欧洲议会和欧盟理事会. 《法规(EU) 2022/2554 —数字运营弹性法案(DORA)》。
为了完善报告评分体系，请在看完报告后理性打个分，以便我们以后为您展示更优质的报告。您也可以对自己点评与评分的报告在“我的云笔记”里进行复盘管理，方便您的研究与思考，培养良好的思维习惯。当前终端的在线人
下一篇：没有了