维端网当零售企业借助人工智能分析消费偏好、优化商品推荐，并通过会员体系和电商平台持续提升客户体验时，另一场围绕消费者数据的攻防战也在同步展开。零售数字化带来的不只是新的增长机会，还有不断扩大的网络安全风险。
卡巴斯基2026年9月发布的一项全球调查显示，过去12个月中，87%的零售企业遭遇过网络安全事件。这项研究覆盖18个国家，面向零售行业IT安全专业人士开展调查。更值得关注的是，零售企业面临的损失已经不局限于客户数据泄露和直接经济损失，业务中断、数据永久丢失以及企业系统遭到不可逆损害，同样成为现实风险。与此同时，尽管82%的零售商增加了IT安全预算，仍有33%的受访企业表示没有感知到使用AI带来的风险。
维端网认为，这组数据揭示了零售数字化转型中的一个矛盾：企业越希望利用数据提升经营效率，就越需要建立与之匹配的安全能力。当AI开始进入营销、客户服务和业务运营，零售业的安全问题也正在从传统的信息系统防护，转向对数据、人员、应用和业务流程的综合治理。
从客户数据到业务连续性，零售业为何成为网络攻击的重点目标？
零售业拥有一种其他行业同样重视、但在零售场景中尤为密集的资源：贯穿消费者整个购物过程的数据。
一次线上购物，可能涉及用户注册信息、浏览记录、搜索关键词、购物车内容、支付信息、收货地址以及售后记录。如果消费者加入会员体系，还会留下消费频次、客单价、优惠券使用情况和品牌偏好等信息。企业将这些数据整合起来，便可以构建更加精细的用户画像，为精准营销、库存管理和商品推荐提供依据。
但从网络安全角度看，数据的集中化也意味着潜在风险的集中化。电商平台、会员系统、支付接口、营销工具和企业内部管理系统彼此连接，任何一个环节出现漏洞，都可能成为攻击者进入企业数字基础设施的入口。
卡巴斯基的调查显示，网络钓鱼是零售企业最常遇到的网络安全威胁之一，占比达到21%；网络间谍活动和Web应用程序漏洞利用分别达到19%和18%。此外，深度伪造攻击以及发票、支付欺诈均达到13%，企业邮箱入侵和语音钓鱼也分别占据一定比例。这些数据说明，零售业面临的威胁并非来自单一技术漏洞，而是由社会工程攻击、身份欺诈和应用程序安全问题共同构成。
网络钓鱼尤其值得警惕。与需要攻破复杂技术防护的攻击方式相比，钓鱼往往利用人的信任和判断失误。攻击者可以伪装成供应商、物流公司、支付服务商或企业管理人员，诱导员工点击恶意链接、提供登录凭据，甚至更改付款账户。随着生成式AI降低了文本生成和内容仿冒的门槛，攻击者还可以制作更贴近真实业务场景的沟通内容，增加识别难度。
在零售行业，这类攻击可能产生连锁影响。一名员工的账户被盗，可能进一步暴露客户管理系统；供应商邮箱遭到入侵，可能引发虚假付款；电商应用程序存在漏洞，则可能导致用户信息泄露，甚至影响线上交易的正常运行。
因此，网络安全事件的影响不能仅以被盗数据的数量来衡量。对于依靠持续交易和高频服务维持经营的零售企业而言，系统不可用本身就是一项直接的商业损失。
卡巴斯基调查显示，近期网络攻击造成的实际后果中，客户个人数据被盗占28%，经济损失占25%，业务和运营流程中断同样占25%。此外，19%的受访企业报告了无法恢复的数据丢失，16%报告企业资产或系统遭受不可逆损害。
这些后果之间还可能相互放大。客户数据泄露会带来调查、补救和客户沟通成本；业务系统中断则可能影响订单处理、库存同步、收银和配送；如果关键数据无法恢复，企业还可能面临长期经营能力受损的问题。
尤其对于拥有大量门店的连锁零售商而言，数字系统已经深度嵌入日常运营。线上商城、门店收银、仓储物流和供应链管理之间形成了紧密的业务联系，单个系统的故障可能沿着业务链条传导。零售企业需要防范的，因而不只是数据被盗，还包括攻击对整个经营体系造成的冲击。
从这个角度看，网络安全已经不再是单纯的IT部门议题，而是关系收入、成本、客户信任和业务连续性的经营问题。
AI个性化服务正在扩大安全边界，真正的风险不只是算法本身
零售企业引入AI，通常有着清晰的业务目标：更准确地理解消费者需求，更高效地开展营销，更快速地响应客户问题，以及通过数据分析改善库存和供应链决策。但AI并不是一个独立存在的应用。它需要调用数据、连接业务系统，并在一定程度上获得访问企业信息的权限。随着AI逐步融入日常运营，企业原有的安全边界也随之发生变化。
卡巴斯基的调查显示，12%的零售企业已经部署了基于大语言模型（LLM）的工具，另有83%处于讨论、设计或试点阶段。与此同时，33%的零售企业表示没有感知到AI使用带来的风险，而其他行业的这一比例为18%。
需要注意的是，33%并不意味着这些企业已经发生AI安全事故，也不代表它们完全没有任何安全措施。它反映的是受访者对AI风险的认知状况。真正值得关注的，是AI应用推进速度与风险治理意识之间可能存在的落差。
首先，AI会增加企业数据的使用场景。
传统零售系统往往按照相对明确的业务目的处理数据，例如会员系统管理客户信息，订单系统处理交易记录，营销平台负责活动投放。引入AI之后，企业可能希望把这些数据用于客户问答、消费趋势分析、营销内容生成和经营决策支持。
如果企业没有明确规定哪些数据可以输入AI工具，员工就可能在日常工作中将客户信息、订单详情、商业合同或内部经营数据提交给未经批准的外部服务。即使没有黑客入侵，这种不受控制的数据使用也可能构成信息泄露风险。
其次，AI会改变企业的访问控制需求。
当AI工具能够连接知识库、客户关系管理系统或内部业务平台时，安全问题便不再只是模型能否正确回答问题，而是它能够访问哪些信息、能够代表谁执行操作，以及执行结果是否受到有效约束。如果AI获得了超出实际需要的权限，或者企业未能区分不同员工的访问级别，那么原本受限于特定岗位的信息，就可能通过新的交互入口被不恰当地调用。未来，当AI从提供建议进一步发展到执行任务时，权限管理、操作审计和人工审批的重要性还会进一步上升。
再次，AI的普及也不会让传统攻击方式自动消失。相反，网络钓鱼、身份冒充和应用程序漏洞仍然可能与AI应用同时存在。攻击者可以利用仿冒身份获取员工凭据，再尝试进入内部系统；也可能利用应用程序缺陷访问企业数据。AI在这里既可能成为企业的生产力工具，也可能成为攻击者提升效率的辅助工具。
这意味着，零售企业不能把AI安全简单等同于模型安全。模型本身的防护固然重要，但企业还必须审视AI与数据、身份、应用程序及业务流程之间的连接关系。
更深一层的问题在于，个性化服务与数据保护之间存在天然的张力。推荐越精准，企业通常越希望掌握更多关于消费者的信息；服务越智能，系统可能需要调用越多的业务上下文。但这并不意味着企业应当无限扩大数据采集和使用范围。
真正成熟的个性化能力，应当建立在清晰的数据使用边界之上：只收集业务所需的信息，只向授权主体开放必要的数据，并对数据的使用、传输和保存建立可追踪的管理机制。
AI不会自动让零售企业变得不安全，但它可能放大原有管理缺陷。当数据权限、员工操作和应用程序安全本来就存在漏洞时，新技术的接入会使问题更加复杂。
82%的零售商增加安全预算，下一步是从采购工具转向持续运营
面对不断扩大的风险，零售企业已经开始增加投入。卡巴斯基调查显示，82%的受访零售商提高了当年的IT安全预算，41%为外包部分IT安全职能安排了新增资金，涉及员工安全培训、托管安全服务、托管检测与响应，以及数据保护技术等领域。这一趋势反映出零售企业正在重新评估自身的安全能力建设方式。
对于大型零售集团而言，内部安全团队可以承担安全架构设计、制度制定和风险管理等职责，但要持续覆盖终端设备、云环境、应用程序、身份系统和复杂网络威胁，需要相应的专业人员、技术平台和运营投入。对于规模较小的零售商而言，完全依靠内部团队建立全天候安全运营能力，往往面临更大的资源压力。
因此，借助第三方安全服务商，正在成为一种现实选择。企业可以根据自身需求，引入托管安全服务、威胁检测与响应、终端保护及安全咨询等能力，而不必独立承担所有技术建设和人员成本。
不过，外包并不意味着企业可以把安全责任一并交出去。第三方服务商能够帮助企业提升检测和响应能力，但前提是企业明确自身需要保护的核心资产、服务商的访问权限、事件报告机制以及双方的责任边界。如果缺少统一的管理体系，外包反而可能增加新的供应链风险。
在具体的安全建设上，卡巴斯基的调查显示，部分企业已经采取零信任或最小权限原则、强化云安全控制以及部署IT安全监控工具等措施。这些做法指向了同一个方向：安全建设需要从单点防护转向持续、可验证的风险管理。
对于零售企业而言，至少有三个方面值得优先推进：
第一，重新梳理核心资产和业务依赖关系。 企业需要明确哪些数据、系统和业务流程一旦受到攻击，将对经营造成最大影响。客户数据库、支付系统、订单平台、库存管理和供应链系统应当按照业务重要程度进行分类，并据此制定访问控制、备份恢复和应急响应策略。安全投入不能只看部署了多少产品，更应看关键业务能否在事故发生后尽快恢复。
第二，把AI治理纳入现有安全体系。 企业应明确允许使用的AI服务、可以输入的数据类型，以及敏感信息的脱敏要求。对于能够访问内部知识库或业务系统的AI应用，还应建立权限限制、操作日志、异常行为监测和必要的人工审批机制。对于未经授权的AI工具使用，也需要通过制度、培训和技术控制共同加以管理。
第三，将员工意识、技术防护与持续监控结合起来。 调查中，IT及安全专业知识不足和安全意识缺乏分别被27%的受访者列为促成攻击成功的内部因素；过时的软件或硬件，以及缺乏对IT基础设施的集中管理，则分别占23%。此外，34%的受访者表示，员工使用个人设备处理工作事务或存储企业数据的行为较为常见，33%提到弱密码、重复使用密码等不良习惯。
这些问题说明，安全体系的薄弱环节往往并不只存在于技术层面。企业即使部署了先进的检测系统，如果员工缺乏基本的安全意识，设备长期不更新，账户权限管理松散，仍然可能给攻击者留下可乘之机。因此，安全建设需要形成持续运营机制，包括定期更新系统、监控异常活动、开展员工培训、测试备份恢复能力，并根据威胁变化不断调整防护策略。对于业务高度依赖线上交易的零售企业，还应特别关注促销季、节假日等交易高峰期的系统承载能力与应急响应安排，因为这些时期一旦发生中断，损失可能更为集中。
从产业角度看，零售安全需求的增长，也为网络安全厂商、系统集成商和托管安全服务商带来了新的市场空间。企业不仅需要终端防护、云安全和数据保护等产品，还需要将这些能力整合到实际业务环境中，并通过持续监控和响应服务形成完整的防护体系。这也意味着，安全市场的竞争将不再只是单一产品功能的竞争。谁能够理解零售业务流程，帮助企业识别最关键的风险，并在有限预算内建立可持续的安全运营能力，谁就更有机会获得客户的长期信任。
结语
零售业正在进入一个由数据和AI共同驱动的新阶段。个性化推荐、智能客服和自动化运营可以帮助企业改善客户体验、提升经营效率，但技术带来的商业价值，并不会自动转化为安全能力。卡巴斯基调查中，87%的网络安全事件发生比例与33%的AI风险认知缺口，恰好构成了一个值得零售企业认真审视的对照：一方面，安全事件已经相当普遍；另一方面，部分企业仍未充分认识到新技术可能引入的风险。对于零售企业来说，真正的问题已经不是要不要使用AI，而是能否在扩大数据应用范围的同时，建立与之匹配的治理机制、技术防护和业务恢复能力。只有当安全成为数字化运营的一部分，而不是事故发生后的补救措施，AI带来的效率提升才更有可能转化为长期、稳定的商业收益。
