根据 Cobalt 周一发布的《2025 年渗透测试状态报告》，在渗透测试中发现的生成式 AI（GenAI）系统的严重漏洞仅在约 21% 的情况下得到解决。
与其他类型的漏洞相比，例如解决率超过 75% 的 API 漏洞和解决率为 68% 的云漏洞，GenAI 漏洞的修复频率要低得多。
总体而言，根据 Cobalt 的报告，组织平均仅解决渗透测试中发现的 48% 的问题，以及 69% 的被归类为严重的高风险问题。
“业务推进速度超过了安全准备的速度，” Cobalt 首席技术官 Gunter Ollmann 告诉 SC 媒体。“为了获得竞争优势，组织竞相推出由 GenAI 驱动的功能，而安全团队往往在开发后期才被引入，甚至根本没有机会参与。”《2025 年渗透测试状态报告》包含了 Cobalt 过去十年的渗透测试数据，以及最近对 450 名安全领导者和从业者的调查。
尽管 98% 的调查受访者表示他们目前正将 GenAI 整合到产品和服务中，但只有 66% 的人表示他们正在对这些 GenAI 解决方案进行定期安全评估，例如渗透测试。
此外，Cobalt 报告称，与其它被测试系统相比，GenAI 系统存在高比例的高风险安全问题。在对大型语言模型（LLM）系统的渗透测试中，近三分之一的发现（32%）被归类为高风险，而整体平均高风险问题比例仅为 13%。
Ollmann 告诉 SC 媒体，GenAI 系统中高风险和未解决漏洞的普遍存在是多种因素共同作用的结果，其中包括 AI 开发团队在安全知识方面的差距，以及对第三方或开源模型的依赖。
“用户需要将整个模型或软件包替换为更新版本，因此用户完全依赖于 GenAI 模型的来源提供者及其补丁 / 修复流程，” Ollmann 指出。
尽管 GenAI 漏洞的修复频率低于其他类型的漏洞，但一旦被处理，其修复速度往往比其他类型的漏洞更快。Cobalt 发现，人工智能和大型语言模型漏洞通常在一周到一个月内得到修复，而所有漏洞的整体中位修复时间为 67 天。
虽然中位修复时间比大约 75% 的组织报告的两周服务水平协议（SLA）目标要长五倍，但严重漏洞的中位修复时间已显著缩短，从 2017 年的 112 天减少到 2024 年的仅 37 天。
Ollmann 表示，来自业务领导层的更大支持和责任感、程序化的进攻性安全策略，以及在开发生命周期中“左移”的安全性，促成了这一在解决高风险安全问题方面的积极发展。
“定期、结构化的渗透测试有助于在实际条件下验证防御控制措施的有效性。这种转变提高了对实际有效措施的可见性，使团队能够加倍投入有效的控制措施，同时降低影响较小的努力的优先级——最终推动安全计划中更具可衡量的改进，”Ollmann 说。
Ollmann 推荐这种结构化的渗透测试方法，以更好地应对 GenAI 和其他漏洞，并敦促组织确保其基于 GenAI 的系统在部署到用户之前经过适当测试。
“许多发现的问题与应用程序中的遗留漏洞、输入和输出验证的缺乏以及敏感信息的泄露有关。通过适当的规划、培训和测试，组织可以提前应对这些组织风险，”Ollmann 总结道。
