Der IBM Cost of a Data Breach Report 2026 belegt: Fehlende KI-Governance, nicht KI selbst, treibt die Kosten in die Höhe

Jedes Jahr erscheint dieselbe Schlagzeile zu diesem Bericht: Die durchschnittlichen Kosten sind gestiegen, hier ist die Zahl, hier ein Zitat, warum Cybersicherheit wichtiger denn je ist. Diese Schlagzeile ist schon zum Veröffentlichungszeitpunkt überholt – und dieses Jahr verfehlt sie die eigentliche Geschichte komplett.

IBM und das Ponemon Institute haben diesen Monat den Cost of a Data Breach Report 2026 veröffentlicht – die 21. Ausgabe einer Studie, die seit 2005 die Kosten von Datenschutzverstößen analysiert. Die weltweiten durchschnittlichen Kosten eines Datenschutzverstoßes stiegen auf 4,99 Millionen USD – ein Anstieg um 12 % gegenüber dem Vorjahr und ein neuer Rekordwert. Diese Zahl wird die meisten Berichte dominieren. Das sollte sie nicht. Die wirklich entscheidende Zahl steht auf Seite 40: 92 % der Unternehmen, die einen sicherheitsrelevanten Vorfall mit KI erlebten, hatten zum Zeitpunkt des Vorfalls keine angemessenen KI-Zugriffskontrollen implementiert.

Lesen Sie das noch einmal. Nicht „einige“ Unternehmen. Nicht „viele“. Zweiundneunzig Prozent. Diese Unternehmen hatten bereits ein kompromittiertes KI-Modell oder eine Anwendung – und fast alle hatten immer noch keine grundlegenden rollenbasierten Zugriffskontrollen oder Multifaktor-Authentifizierung eingerichtet. Es geht hier nicht darum, dass künstliche Intelligenz gefährlich ist. Es geht darum, dass Governance bei der Einführung nie mit am Tisch saß.

Die meisten Kommentare zu diesem Bericht behandeln KI-Risiken als Zukunftsproblem, das man rechtzeitig angehen sollte, bevor es akut wird. Die Daten zeigen etwas anderes. KI-gesteuerte Angriffe haben im Jahresvergleich um 56 % zugenommen. Sicherheitsvorfälle mit unternehmenseigenen KI-Modellen stiegen von 13 % auf 21 % aller Datenschutzverletzungen – ein Anstieg um 61 % in nur einem Untersuchungszyklus. Shadow-AI-Vorfälle haben sich mehr als verdoppelt, von 20 % auf 43 %. Das ist keine Prognose. Es passiert bereits in großem Maßstab – jetzt, in den 602 Unternehmen, die Ponemon in 17 Branchen und 16 Ländern zwischen März 2025 und Februar 2026 untersucht hat.

wichtige Erkenntnisse

1. Weltweite Kosten für Datenschutzverletzungen erreichen Rekordwert von 4,99 Millionen USD. Das ist ein Anstieg um 12 % gegenüber dem Vorjahr, kehrt den seltenen Rückgang von 2025 um und setzt den seit der Pandemie anhaltenden Aufwärtstrend fort.
2. KI-Einführung ohne Governance – nicht KI selbst – ist der Hauptkostentreiber. Bei Unternehmen mit KI-bezogener Datenschutzverletzung fehlten in 92 % der Fälle angemessene KI-Zugriffskontrollen. Diese Vorfälle verursachten durchschnittlich 5,33 Millionen USD, gegenüber 4,70 Millionen USD bei Vorfällen ohne KI-Bezug.
3. Shadow-AI-Vorfälle haben sich mehr als verdoppelt und betreffen 43 % der betroffenen Unternehmen – gegenüber 20 % im Vorjahr. Die durchschnittlichen Kosten stiegen von 4,63 auf 5,39 Millionen USD, und in etwa jedem fünften Fall kam es zu regulatorischen Bußgeldern.
4. KI-Governance verliert an Boden statt aufzuholen. Nur 32 % der betroffenen Unternehmen verfügen aktuell über KI-Richtlinien, gegenüber 37 % im Vorjahr. Lediglich 19 % koordinieren Governance- und Sicherheitsteams.
5. Security-KI und Automatisierung bleiben der wirksamste Kostenreduzierer – Unternehmen mit umfangreicher Nutzung sparen pro Vorfall 1,93 Millionen USD und verkürzen die Eindämmungszeit um 65 Tage. Dennoch setzen nur 36 % der Unternehmen diese Tools umfassend ein.

Die Zahl, die alle übersehen werden

92 % ohne angemessene KI-Zugriffskontrollen ist kein Rundungsfehler. Es ist ein strukturelles Versagen, das sich durch alle KI-bezogenen Vorfalltypen im Bericht zieht. Model-Inversion-Angriffe, bei denen Angreifer sensible Daten durch gezielte Abfragen aus den Modell-Ausgaben extrahieren, verursachten durchschnittlich 6,07 Millionen USD pro Vorfall – 18 % über dem globalen Durchschnitt. Prompt-Injection-Vorfälle lagen mit 5,89 Millionen USD knapp dahinter. Fehlkonfigurierte Cloud-Umgebungen für KI-Workloads kosteten 5,25 Millionen USD. Keiner dieser Angriffe richtet sich gegen die Logik des Modells selbst. Es sind die vorhersehbaren Folgen, wenn ein leistungsfähiges System mit sensiblen Daten verbunden wird – ohne Zugriffskontrollen oder Identity and Access Management. Ein bestätigter Datenschutzverstoß durch Model Inversion oder Prompt Injection unterliegt denselben Meldepflichten nach HIPAA, DSGVO oder vergleichbaren Regelwerken wie jeder andere Vorfall – mit der zusätzlichen Komplexität, dass die Rekonstruktion dessen, was ein KI-System preisgegeben hat, oft schwieriger ist als bei klassischen Angriffen.

Die Sprache des Berichts bestätigt das: „Die Hauptursachen dieser Vorfälle waren oft struktureller Natur: Kompromittierung verbundener APIs, Anwendungen und Cloud-Fehlkonfigurationen – ein Hinweis auf Governance-Versagen, nicht auf Modellrisiken.“ IBM und Ponemon sagen damit selbst: Das Modell ist selten der Schwachpunkt. Die Anbindung drumherum ist es.

Das ist relevant, weil sich die Diskussion über KI-Sicherheit immer noch stark auf das Modellverhalten konzentriert – Halluzinationen, Bias, Jailbreaking – während die tatsächlichen Vorfälle durch DLP-Lücken, fehlkonfigurierte Cloud-Umgebungen und ungesicherte APIs entstehen. KI-Datengovernance ist kein Nice-to-have, das man nachträglich auf eine KI-Einführung aufsetzt. Sie ist die Einführung. Eine formale Risikoanalyse, die gezielt erfasst, welche APIs, Cloud-Konfigurationen und KI-Workloads aktuell ohne Zugriffskontrollen laufen – statt KI-Risiken nur auf Modellebene zu bewerten – liefert die Grundlage, um die diesjährigen 92 % von einer abstrakten Statistik in eine priorisierte Maßnahmenliste zu überführen.

Shadow AI ist die neue Schatten-IT – mit höherem Risiko

Vor zehn Jahren kämpften Sicherheitsteams gegen Schatten-IT: Mitarbeitende meldeten sich ohne Freigabe für Cloud-Tools an, speicherten Unternehmensdaten in privaten Dropbox-Konten, nutzten nicht genehmigte SaaS. Die meisten Unternehmen etablierten schließlich Transparenzprogramme und CASBs, um das Problem in den Griff zu bekommen. Shadow AI wiederholt dieses Muster – nur dass die eingesetzten Tools sensible Inhalte aufnehmen, zusammenfassen und neu generieren können, wie es ein privates Filesharing-Konto nie könnte.

Der Bericht zeigt: Sicherheitsvorfälle mit Shadow AI – also nicht genehmigten KI-Tools, die Mitarbeitende eigenständig nutzen – haben sich dieses Jahr mehr als verdoppelt, von 20 % auf 43 % der betroffenen Unternehmen. Diese Vorfälle verursachten höhere Durchschnittskosten als im Vorjahr (5,39 Millionen USD gegenüber 4,63 Millionen USD) und hatten Folgen, die über einen einfachen Datenabfluss hinausgehen: 49 % führten zu Datenverlust oder -kompromittierung, 42 % verursachten operative Störungen, und 21 % zogen regulatorische Bußgelder nach sich.

Das sollte jede Compliance-Verantwortliche aufhorchen lassen: Shadow-AI-Vorfälle führen inzwischen in etwa jedem fünften Fall zu Bußgeldern. Das ist eine neue Erkenntnis dieses Jahres und bedeutet, dass Shadow AI von einem internen Kontrollproblem zu einem regulatorischen Risiko geworden ist. Wenn ein Mitarbeitender einen Kundendatensatz in einen nicht genehmigten Chatbot einfügt, um schneller zu antworten, ist das keine bloße Richtlinienverletzung mehr. Es ist ein potenzielles DSGVO- oder Datenschutzereignis mit Preisschild – und enthält der Datensatz personenbezogene Daten oder Gesundheitsdaten, verstärken die Meldepflichten das Bußgeldrisiko, das der Bericht dokumentiert.

Der Vergleich mit Schatten-IT gilt aber nur bedingt – und der Unterschied ist entscheidend. Schatten-IT bedeutete meist, dass Daten irgendwo lagen, wo sie nicht hingehören. Shadow AI bedeutet, dass Daten aktiv verarbeitet, transformiert und teilweise sogar zum Training oder Fine-Tuning eines Modells außerhalb jeglicher Sichtbarkeit genutzt werden. Das lässt sich nicht immer mit einer Löschanfrage rückgängig machen. Genau diese Lücke schließen zero trust generative AI-Ansätze und KI-Risiko-Governance-Frameworks: Richtlinien werden genau dort durchgesetzt, wo Inhalte zwischen Anwender und KI-System ausgetauscht werden – nicht erst im Nachhinein. Datenklassifizierung, bevor Inhalte überhaupt ein KI-Tool erreichen, ist die Voraussetzung für diese Durchsetzung – eine Policy Engine kann einen Kundendatensatz nicht von einem nicht genehmigten Chatbot fernhalten, wenn sie ihn nicht als sensibel erkennt.

Governance verliert an Boden, statt aufzuholen

Würde sich KI-Governance auch nur langsam verbessern, wären die letzten beiden Erkenntnisse nur ein temporärer Rückstand. Das Gegenteil ist der Fall: Der Bericht zeigt, dass Governance rückläufig ist. Nur 32 % der betroffenen Unternehmen verfügen dieses Jahr über KI-Richtlinien, gegenüber 37 % im Vorjahr. Auch der Anteil ohne jegliche Richtlinien ist gesunken, von 41 % auf 35 %, aber der Anteil „in Entwicklung“ stieg von 22 % auf 33 %. Übersetzt: Weniger Unternehmen haben die Aufgabe abgeschlossen, mehr fangen immer wieder von vorne an.

Die Koordinationslücke ist noch gravierender. Nur 19 % der Unternehmen geben an, dass ihre KI-Governance- und Sicherheitsteams tatsächlich zusammenarbeiten – eine Frage, die der Bericht erstmals gestellt hat. Die IBM-Forscher formulieren es klar: „Dieser Mangel an Zusammenarbeit kann zu blinden Flecken, Richtlinienkonflikten und langsameren Reaktionen auf Sicherheitsvorfälle führen.“ Governance und Sicherheit in getrennten Silos ist genau der Grund, warum eine 92%ige Zugriffskontroll-Lücke entsteht, ohne dass jemand die Verantwortung übernimmt. Das CISO-Dashboard bietet beiden Teams eine gemeinsame, aktuelle Sicht auf KI-vermittelte Datenzugriffe – und schließt so die Koordinationslücke, indem Governance und Sicherheit auf derselben Grundlage arbeiten, statt mit getrennten, nicht verknüpften Berichten.

Das alles passiert nicht, weil Unternehmen das Risiko nicht sehen. Es passiert, weil KI-Einführung mit Produktteam-Tempo läuft, Governance aber im Ausschusstempo – und in dieser Lücke entstehen die Kosten. Die im Bericht genannten Frontier-KI-Modelle – die Schwachstellen in Betriebssystemen und Browsern schneller finden als menschliche Forscher – vergrößern diese Lücke weiter. In zwei Jahren, so die Prognose der UC Berkeley-Forscher, wird KI Angreifern gegenüber Verteidigern einen Vorteil von 31,7 % verschaffen. Governance, die auf das Bedrohungsmodell des Vorjahres ausgelegt ist, ist schon jetzt überholt.

Der defensive Nutzen von KI ist real – aber wird zu wenig genutzt

Das alles ist kein Plädoyer gegen KI im Unternehmen – und es wäre unehrlich, es so darzustellen. Derselbe Bericht zeigt, dass KI und Automatisierung den größten Kostenvorteil für Sicherheitsteams bringen. Unternehmen, die Security-KI und Automatisierung umfassend nutzen, senken ihre durchschnittlichen Vorfallkosten auf 4,00 Millionen USD – gegenüber 5,93 Millionen USD bei Unternehmen ohne diese Tools. Das spart 1,93 Millionen USD pro Vorfall. Umfangreiche Nutzer identifizieren und beheben Vorfälle zudem in 215 Tagen – 65 Tage schneller als Unternehmen ohne diese Tools.

Das Problem ist die Nutzung, nicht die Wirksamkeit. Nur 36 % der Unternehmen setzen Security-KI und Automatisierung umfassend ein, ein leichter Anstieg gegenüber 32 % im Vorjahr. Der Einsatz konzentriert sich auf Erkennung und Reaktion; Prävention hinkt hinterher. Unter den Unternehmen mit KI-Agents im Security Operations Center nutzen 56 % diese für Threat Hunting und 54 % für automatisierte Reaktionen, aber nur 18 % für Schwachstellenmanagement – genau dort, wo Frontier-KI-Modelle die größte Angriffsfläche schaffen. Unternehmen setzen ihre besten Tools für die Aufräumarbeiten ein, nicht an der Eingangstür. Werden Threat-Hunting- und Response-Signale in eine einheitliche SIEM-Plattform eingespeist, erhalten Security Operations Center die Korrelationsebene, um KI-gesteuerte Erkennung auch auf das untergenutzte Schwachstellenmanagement auszuweiten.

Alle Governance- und Zugriffskontroll-Erkenntnisse dieses Berichts führen zur gleichen praktischen Lösung: zero trust architecture-Prinzipien auf KI anwenden – genauso wie seit Jahren auf Netzwerke und Identitäten. Kontinuierliche Verifizierung. Least-Privilege-Prinzip. Richtliniendurchsetzung beim Datenaustausch, nicht erst im Nachhinein. Attributbasierte Zugriffskontrolle (ABAC) – die gleichzeitige Bewertung von Inhaltssensibilität, Anwender- oder Agentenrolle und Kontext bei jedem Zugriff – ist der technische Mechanismus, der kontinuierliche Verifizierung praktisch umsetzbar macht. Kiteworks hat seine Compliant AI-Funktion und den Secure MCP Server genau nach diesem Prinzip entwickelt: Es wird gesteuert, auf welche Daten ein KI-System oder -Agent zugreifen, sie nutzen und austauschen darf – mit derselben Strenge wie bei menschlichen Anwendern, statt nachträglich Kontrollen auf ein bereits produktives Modell aufzusetzen.

Wohin der Rest des Geldes fließt

Einige weitere Erkenntnisse aus dem diesjährigen Bericht verdienen Aufmerksamkeit, weil sie zeigen, wo sich Kosten außerhalb der KI-Debatte konzentrieren. Das Gesundheitswesen bleibt das teuerste Segment – zum 13. Mal in Folge, mit durchschnittlich 6,64 Millionen USD pro Vorfall, auch wenn der Wert gegenüber dem Vorjahr (7,42 Mio. USD) gesunken ist. Finanzdienstleistungen gingen in die andere Richtung: von 5,56 auf 6,29 Millionen USD. Finanzdienstleistungen und Energie machten zusammen 62 % aller untersuchten KI-getriebenen Vorfälle aus – eine Konzentration, die der Bericht als systemisches Risiko bezeichnet, da Störungen in diesen Sektoren auf Verbraucherfinanzen, Wirtschaftssysteme und Stromnetze durchschlagen.

Phishing blieb zum vierten Mal in Folge der teuerste Angriffsvektor mit durchschnittlich 5,29 Millionen USD, wobei Voice- und SMS-Phishing in 17 % der Angriffe eingesetzt wurden. Ransomware stieg auf 39 % der betroffenen Unternehmen, gegenüber 34 % im Vorjahr – ein Anstieg um 62,5 % seit 2023. Angreifer setzen dabei zunehmend auf Rufschädigung statt nur auf Datenverschlüsselung: 41 % der Ransomware-Angriffe beinhalten inzwischen Drohungen mit öffentlicher Bloßstellung und Medienleaks – häufiger als die klassische Verschlüsselung operativer Systeme.

Auf der Kostenseite war der DevSecOps-Ansatz der größte Kostensenker: Er reduzierte die durchschnittlichen Kosten um 253.805 USD. Die IAM-Implementierung folgte mit 225.622 USD, Verschlüsselung lag mit 213.478 USD ebenfalls unter den Top-Reduzierern. Auf der anderen Seite verursachten Supply-Chain-Vorfälle mit kompromittierten Geschäftspartnern durchschnittlich 227.250 USD Mehrkosten – der teuerste Verstärker im Bericht. Das zeigt: Supply Chain Risk Management und Third-Party Risk Management bleiben unverzichtbare, wenn auch wenig glamouröse Posten im Sicherheitsbudget.

Verschlüsselung ist weiterhin nicht Standard – bemerkenswert, da sie für jede Compliance-Richtlinie in diesem Bereich zentral ist. 53 % der betroffenen Unternehmen hatten zum Zeitpunkt des Vorfalls keine sensiblen Daten im ruhenden Zustand oder während der Übertragung verschlüsselt, weitere 10 % wussten nicht, ob überhaupt verschlüsselt wurde. Nur 37 % konnten dies mit Sicherheit bestätigen. Das ist kein KI- oder Frontier-Modell-Problem. Das ist ein Grundlagenproblem, das jedes Unternehmen ohne Governance-Ausschuss lösen kann. Betroffene Daten umfassen hier oft geistiges Eigentum und Kundendaten, deren Verlust weit über die unmittelbaren Kosten hinausgeht.

Verzögerung ist der teuerste Posten im Bericht

Ein weiteres Muster zieht sich durch alle Erkenntnisse: Zeit ist Geld – fast buchstäblich. Datenschutzverletzungen, deren Identifikation und Eindämmung länger als 200 Tage dauerte, kosteten dieses Jahr im Schnitt 5,65 Millionen USD – ein Anstieg um 12 % gegenüber 5,01 Millionen USD im Vorjahr. Vorfälle, die in unter 200 Tagen gelöst wurden, lagen bei 4,32 Millionen USD – ebenfalls 11 % mehr als im Vorjahr, aber deutlich günstiger. Die Lücke zwischen schneller und langsamer Reaktion hat sich vergrößert – im Einklang mit den Daten zu KI-gestützten Angriffen: Angreifer beschleunigen ihre Abläufe, während ein erheblicher Teil der Verteidiger nicht nachzieht.

Die Erholung zeigt zumindest an der Oberfläche ein positiveres Bild: 42 % der betroffenen Unternehmen meldeten dieses Jahr vollständige Wiederherstellung – gegenüber 35 % im Vorjahr und einer Vervierfachung gegenüber 12 % im Jahr 2024. „Wiederherstellung“ bedeutet in dieser Studie aber: Betrieb wiederhergestellt, Compliance-Anforderungen erfüllt, Kundenvertrauen zurückgewonnen. 58 % hatten diesen Punkt zum Zeitpunkt der Datenerhebung noch nicht erreicht. Fast jedes fünfte Unternehmen benötigte mehr als 150 Tage allein für die vollständige Wiederherstellung – zusätzlich zur Zeit für Identifikation und Eindämmung. Zusammengerechnet wird der wahre Preis eines langsam gelösten Vorfalls in der Durchschnittszahl gar nicht abgebildet. Er steckt in Monaten unterbrochener Abläufe, verzögerter Verträge und Kundenabwanderung – Dinge, die sich nicht in einer einzelnen Zahl ausdrücken lassen.

Die Unternehmen, die Vorfälle am schnellsten identifizierten, setzten dabei nicht auf externe Hilfe. Interne IT- und Sicherheitsteams entdeckten 38 % der Vorfälle – mehr als jede andere Quelle – und brauchten dafür im Schnitt 209 Tage, 15 % schneller als der globale Durchschnitt. Das ist das stärkste Argument im ganzen Bericht, in interne Erkennungsfähigkeiten zu investieren, statt Incident Response komplett auszulagern.

Was sich jetzt ändert

Die Empfehlungen von IBM stimmen eng mit den Daten der letzten beiden Jahre überein: Identitätssicherheit auf kontinuierliche, laufende Verifizierung umstellen statt einmaliger Freigabe; diese Verifizierung auch auf nicht-menschliche Identitäten ausweiten, da nur 46 % der Unternehmen aktuell die Maschinenidentitäten ihrer KI-Workflows absichern; und KI-Souveränität – Kontrolle darüber, wo KI-Systeme laufen, wie Daten verarbeitet werden und wer Zugriff hat – als Sicherheitsanforderung behandeln, nicht als philosophische Präferenz.

85 % der Unternehmen planen inzwischen, die Sicherheitsausgaben speziell wegen neuer Frontier-KI-Bedrohungen zu erhöhen – ein starker Anstieg gegenüber 64 %, bevor ihnen das Ausmaß dieser Risiken bewusst wurde. Das ist der richtige Instinkt, kommt aber spät. Die Unternehmen, die im nächsten Jahr vorne liegen, sind nicht die mit den höchsten Ausgaben, sondern die, die die Lücke zwischen KI-Einführung und Governance schließen – bevor ein Vorfall sie dazu zwingt. Wer Data Governance und KI-Einführung noch als getrennte Projekte behandelt, findet in diesem Bericht das Argument, sie zu vereinen. Kiteworks Secure Data Exchange ist speziell darauf ausgelegt, Governance genau an der Schnittstelle zwischen Mensch und KI-Agent durchzusetzen. Das Kiteworks Data Control Pane vereinheitlicht diese Durchsetzung über E-Mail, Filesharing, Managed File Transfer und KI-Systemanbindungen hinweg – sodass überall, wo sensible Inhalte bewegt werden, dieselben Zugriffskontrollen und Prüfprotokolle gelten.

Erfahren Sie mehr darüber, wie Sie steuern, worauf KI-Systeme und -Agenten zugreifen, was sie nutzen und austauschen dürfen – vereinbaren Sie jetzt eine individuelle Demo.

Weitere Ressourcen

• Blog Post
  Zero‑Trust-Strategien für erschwinglichen KI-Datenschutz
• Blog Post
  Wie 77 % der Unternehmen bei KI-Datensicherheit scheitern
• eBook
  KI-Governance-Lücke: Warum 91 % kleiner Unternehmen 2025 russisches Roulette mit Datensicherheit spielen
• Blog Post
  Für Ihre Daten gibt es kein „–dangerously-skip-permissions“
• Blog Post
  Regulierungsbehörden fragen nicht mehr, ob Sie eine KI-Richtlinie haben. Sie wollen einen Nachweis, dass sie funktioniert.