Ryzyko shadow AI koncentruje się wśród zaawansowanych użytkowników w przedsiębiorstwach

Google News zwróciło uwagę na istotne ostrzeżenie Akamai: 5% użytkowników w przedsiębiorstwach generuje 12 razy więcej rozmów z AI niż dolna połowa pracowników. Nie są to osoby zadające jedynie sporadyczne pytania. Włączają AI do powtarzalnych procesów pracy, udostępniają kontekst zawodowy, przesyłają pliki, a czasem wdrażają agentów mających dostęp do systemów biznesowych.

To ustalenie podważa standardową reakcję na shadow AI, czyli wykorzystanie AI w miejscu pracy poza zatwierdzonymi przez pracodawcę mechanizmami kontroli. Wiele firm nadal publikuje jedną politykę dla wszystkich, blokuje kilka rozpoznawalnych stron i liczy licencje zatwierdzonych platform. Takie podejście traktuje ekspozycję jako równomiernie rozłożoną, podczas gdy telemetria Akamai wskazuje, że jest ona silnie skoncentrowana.

Nie jest to argument za ignorowaniem okazjonalnego użycia. Niemal połowa zaobserwowanych w przedsiębiorstwach rozmów z AI odbywała się z wykorzystaniem tożsamości prywatnych zamiast kont zarządzanych korporacyjnie. Jednak połączenie prywatnego dostępu, intensywnego formułowania promptów i podłączonych agentów stwarza znacznie poważniejsze ryzyko niż pojedyncze zapytanie.

Główny konflikt nie przebiega więc między pracownikami a zespołami bezpieczeństwa. Chodzi o szerokie zarządzanie na poziomie aplikacji kontra mechanizmy uwzględniające tożsamość i skoncentrowane na rzeczywistym zachowaniu. Pierwsze podejście pyta, czy dana usługa AI jest dozwolona. Drugie pyta, kto z niej korzysta, pod jaką tożsamością, z jakimi danymi i z dostępem do których systemów.

To rozróżnienie ma znaczenie, ponieważ pracownicy generujący największą wartość dzięki AI mogą jednocześnie tworzyć największą niezarządzaną ekspozycję. Ich bezrefleksyjne spowalnianie oznaczałoby marnowanie kompetencji i zachęcało do kolejnych obejść. Pozostawienie ich aktywności niewidocznej pozwoliłoby natomiast wrażliwym procesom rozwijać się poza zwykłymi granicami bezpieczeństwa.

Google News ujawnia węższy problem shadow AI

Dane Akamai przesuwają debatę o shadow AI z poziomu całkowitej adopcji na koncentrację aktywności i dostępu.

Podstawowe ustalenia pochodzą z raportu Akamai Enterprise AI Usage Risk Report 2026, opublikowanego 5 sierpnia. Akamai oparło raport na danych o wykorzystaniu z LayerX, firmy zajmującej się bezpieczeństwem przeglądarek dla przedsiębiorstw, którą przejęło. Badanie analizuje konta prywatne, aplikacje AI, rozszerzenia przeglądarek, wrażliwe prompty i autonomicznych agentów.

Według raportu o AI w przedsiębiorstwach przeciętny użytkownik korporacyjny wygenerował ponad 36 rozmów z AI. Średnia ta ukrywa jednak bardzo nierównomierny rozkład. Połowa użytkowników odnotowała 12 rozmów lub mniej, podczas gdy górne 5% wygenerowało co najmniej 144.

Różnica nie ogranicza się do liczby rozmów. Według Akamai typowa rozmowa z AI obejmuje około pięciu promptów. Rozmowy najbardziej intensywnych użytkowników osiągają co najmniej 18 promptów, wskazując na trwałą współpracę, a nie pojedynczą wymianę przypominającą wyszukiwanie.

Dłuższe rozmowy tworzą więcej okazji do wprowadzenia informacji biznesowych do zewnętrznego systemu. Użytkownik może zacząć od nieszkodliwej prośby o konspekt. Kolejne prompty mogą później zawierać dane klientów, wewnętrzne ograniczenia, fragmenty dokumentów, kod źródłowy, założenia finansowe lub instrukcje skopiowane z prywatnej komunikacji.

Nagromadzony kontekst ma większe znaczenie niż jakiekolwiek pojedyncze zdanie. Współczesna praca z AI często rozwija się fragmentarycznie. Pracownik dodaje fakty w wielu promptach, przesyła pliki pomocnicze i wielokrotnie prosi model o poprawę wyników. Każde indywidualne ujawnienie może wydawać się niewielkie, podczas gdy cała rozmowa odtwarza wrażliwy proces biznesowy.

Akamai informuje również, że 47,11% rozmów z AI w przedsiębiorstwach odbywa się za pośrednictwem tożsamości prywatnych. Takie sesje pozostają poza korporacyjnymi mechanizmami kontroli tożsamości, ustawieniami retencji, systemami audytu i wynegocjowanymi zabezpieczeniami danych. Zespoły bezpieczeństwa mogą widzieć, że przeglądarka dotarła do usługi AI, nie wiedząc, czy pracownik użył zarządzanego konta.

Podział według tożsamości znacząco różni się między platformami. Telemetria Akamai wykazała, że Gemini Enterprise utrzymywał 98,15% interakcji w ramach korporacyjnych systemów tożsamości. Microsoft Copilot for Microsoft 365 utrzymywał w tych systemach 90,55% interakcji.

Dostęp zorientowany na konsumentów wykazywał odwrotny wzorzec. Raport powiązał 61,36% interakcji z ChatGPT, 61,09% interakcji z Claude oraz 63,92% interakcji z Microsoft Copilot Standard z tożsamościami prywatnymi. DeepSeek osiągnął 99,8%.

Liczby te nie dowodzą, że każda prywatna sesja spowodowała wyciek poufnych danych. Wskazują na lukę w widoczności. Pracodawca nie może konsekwentnie stosować korporacyjnych zasad retencji, dostępu i przetwarzania danych, gdy praca odbywa się za pośrednictwem tożsamości, której nie zarządza.

Artykuł pojawiający się w Google News podkreśla również kluczową korelację. Ci sami zaawansowani użytkownicy, którzy prowadzą głębsze rozmowy, częściej przesyłają pliki, udostępniają informacje biznesowe i łączą AI z zadaniami operacyjnymi. Ryzyko wynika z aktywności, ponieważ każda dodatkowa interakcja stwarza kolejną możliwość niewłaściwej ekspozycji.

To bardziej użyteczne ujęcie niż traktowanie każdego pracownika jako równie istotnego źródła zagrożenia. Pracownik, który zadaje jedno ogólne pytanie dotyczące pisania, nie stwarza takiego samego ryzyka jak inżynier podłączający agenta do repozytorium kodu. Obie osoby korzystają z AI, ale ich dostęp, dane i potencjalny wpływ znacząco się różnią.

Liczba z nagłówka, 5%, nie powinna stać się stałym progiem. Każda organizacja będzie miała inny rozkład. Ważniejsza jest zmiana metodologiczna: zespoły bezpieczeństwa muszą mierzyć koncentrację, zanim zdecydują, gdzie potrzebne są silniejsze mechanizmy kontroli.

Najbardziej ryzykowni użytkownicy są często najbardziej produktywni

Pracownicy, którzy najczęściej obchodzą ogólną politykę AI, często są osobami, które już przekształciły AI w infrastrukturę pracy.

Zaawansowani użytkownicy zwykle pojawiają się dlatego, że odkrywają powtarzalną wartość, zanim formalne procesy zakupowe nadążą. Mogą używać AI do podsumowywania badań klientów, debugowania kodu, przygotowywania projektów umów, porównywania dokumentów technicznych, analizowania rozmów sprzedażowych lub opracowywania scenariuszy finansowych. Powtarzające się sukcesy zachęcają do głębszej integracji.

Ten proces często zaczyna się niewinnie. Pracownik testuje publiczny chatbot na materiałach niepoufnych. Następnie tworzy prompty wielokrotnego użytku, dodaje pliki referencyjne, instaluje rozszerzenie przeglądarki lub łączy model z inną aplikacją. Prywatny eksperyment stopniowo staje się nieudokumentowanym procesem produkcyjnym.

Microsoft dostrzegł tę presję adopcyjną na lata przed raportem Akamai. Jego badanie AI w miejscu pracy z 2024 roku wykazało, że 75% ankietowanych pracowników umysłowych korzystało z AI w pracy. Wśród tych użytkowników 78% przyniosło własne narzędzia AI, zamiast czekać na opcję udostępnioną przez pracodawcę.

Wcześniejsze badanie mierzyło zachowania deklarowane przez respondentów, podczas gdy Akamai przedstawia obserwowaną telemetrię wykorzystania. Źródła stosują różne metody i dotyczą różnych okresów, dlatego ich danych nie należy łączyć w jedno twierdzenie statystyczne. Opisują jednak to samo napięcie organizacyjne: pracownicy wdrażają wygodne narzędzia szybciej, niż firmy potrafią je ocenić i objąć zarządzaniem.

Szerokie zakazy często nie uwzględniają tej motywacji. Polityka może nakazać pracownikom, by nie umieszczali wrażliwych informacji w niezatwierdzonym modelu. Nie może jednak uczynić zatwierdzonej alternatywy użyteczną, skrócić długiego wniosku o dostęp ani wyjaśnić, które informacje są bezpieczne w konkretnym procesie.

Gdy zatwierdzone narzędzie nie ma potrzebnych możliwości, intensywny użytkownik napotyka natychmiastowe utrudnienia. Może wstrzymać produktywną pracę, złożyć wniosek zakupowy lub kontynuować przez prywatne konto. Jeśli zatwierdzenie trwa tygodniami, prywatne konto staje się drogą najmniejszego oporu.

Nie usprawiedliwia to nieuprawnionego przetwarzania danych. Wyjaśnia natomiast, dlaczego ogólne szkolenia przynoszą nierówne rezultaty. Coroczna prezentacja dotycząca zgodności z zasadami konkuruje z codziennymi terminami, znanymi interfejsami konsumenckimi i natychmiastową wartością działającego łańcucha promptów.

Ustalenia Akamai dotyczące shadow AI sugerują, że szkolenia powinny wynikać z obserwowanego zachowania. Użytkownicy okazjonalni potrzebują jasnych granic i zatwierdzonych opcji. Zaawansowani użytkownicy potrzebują bardziej szczegółowych wskazówek dotyczących klasyfikacji danych, tożsamości, rozszerzeń, konektorów, uprawnień agentów i zgłaszania incydentów.

Potrzebują również bezpieczniejszej ścieżki eksperymentowania. Firma może utworzyć kontrolowane środowiska, w których zaawansowani użytkownicy testują nowe modele bez narażania danych produkcyjnych. Zespoły bezpieczeństwa mogą wtedy obserwować rzeczywiste wymagania, zanim zdecydują, które usługi, integracje i procesy zatwierdzić.

Takie podejście traktuje zaawansowanych użytkowników shadow AI jak partnerów, nie zakładając jednak, że specjalistyczna wiedza oznacza świadomość bezpieczeństwa. Ktoś może rozumieć zachowanie modeli, a mimo to nie doceniać ryzyka związanego z retencją, autoryzacją lub przetwarzaniem przez strony trzecie. Pewność techniczna czasem sprawia, że nieoficjalny proces wydaje się bezpieczniejszy, niż jest w rzeczywistości.

Produktywny użytkownik może też stać się ukrytym właścicielem systemu. Jeśli zespół zależy od promptów przechowywanych na prywatnym koncie, firma nie ma wiarygodnego zapisu tych instrukcji. Jeśli pracownik odejdzie, zmieni narzędzia lub utraci dostęp, proces może zniknąć wraz z nim.

Ten sam problem dotyczy wiedzy. Pracownicy często dostarczają AI notatki, dokumenty, kontekst spotkań i decyzje rozproszone po prywatnych przestrzeniach. Zarządzany osobisty system wiedzy może ograniczyć tę fragmentację, ale tylko wtedy, gdy jego praktyki dotyczące dostępu i danych są zgodne z wymaganiami organizacji.

Zespoły bezpieczeństwa stoją więc przed delikatnym zadaniem. Muszą zachować kompetencje, które czynią AI użyteczną, jednocześnie przenosząc otaczający proces do zarządzanych tożsamości, zatwierdzonych ścieżek danych i systemów umożliwiających weryfikację.

Karanie najbardziej aktywnych użytkowników może zepchnąć ich jeszcze głębiej do podziemia. Ignorowanie ich może przekształcić prywatne eksperymenty w nieśledzoną infrastrukturę. Lepsza odpowiedź zaczyna się od ich zidentyfikowania, zrozumienia, co stworzyli, oraz oddzielenia wartościowych praktyk od niebezpiecznych wyborów wdrożeniowych.

Szeroka polityka widzi aplikacje, a nie ekspozycję

Lista aplikacji nie może pokazać, czy użytkownik zadał ogólne pytanie, czy dał autonomicznemu agentowi dostęp do krytycznego repozytorium.

Tradycyjne programy zarządzania shadow IT zwykle tworzą inwentaryzację usług, klasyfikują dostawców i blokują zakazane domeny. Model ten zakłada, że każda aplikacja stanowi względnie stabilną jednostkę ryzyka. Generatywna AI komplikuje to założenie, ponieważ ten sam interfejs może wspierać radykalnie różne zachowania.

Jeden pracownik może używać ChatGPT do przeredagowania publicznego opisu stanowiska. Inny może wkleić do tej samej usługi nieopublikowane specyfikacje produktu. Trzeci może zainstalować rozszerzenie do programowania mające dostęp do lokalnych plików i poświadczeń programistycznych.

Domena jest identyczna, ale ekspozycja zmienia się wraz z tożsamością, treścią, uprawnieniami i czasem trwania. Prosta decyzja „dozwolone albo zablokowane” nie jest w stanie wyrazić tych różnic.

Analiza bezpieczeństwa Akamai wskazuje pięć powiązanych obszarów: rozszerzające się wykorzystanie AI, konta prywatne, ekspozycję danych, rozszerzenia przeglądarek lub środowisk programistycznych oraz autonomicznych agentów. Połączenie tych elementów ma większe znaczenie niż każda pojedyncza kategoria.

Rozszerzenia przeglądarek zasługują na szczególną uwagę, ponieważ działają blisko aktywności użytkownika. W zależności od swoich uprawnień rozszerzenia mogą odczytywać zawartość stron, obserwować dane wejściowe, wchodzić w interakcje z aplikacjami chmurowymi lub wysyłać informacje do usług zewnętrznych. Pracownicy mogą instalować je, nie traktując tego działania jak wdrożenia oprogramowania.

Rozszerzenia zintegrowanych środowisk programistycznych stwarzają inżynierom podobny problem. Asystent programowania oparty na AI może mieć dostęp do plików źródłowych, materiałów konfiguracyjnych, dzienników błędów lub pobliskich sekretów. Nawet gdy podstawowa usługa jest zatwierdzona, konkretne rozszerzenie, typ konta lub konfiguracja mogą pozostawać poza firmową kontrolą.

Agenci dodatkowo podnoszą stawkę. Agent AI to oprogramowanie, które wykorzystuje model do realizacji celu za pomocą narzędzi przy ograniczonej interwencji człowieka. W zależności od przyznanych uprawnień może przeszukiwać pliki, wywoływać API, modyfikować rekordy lub uruchamiać inne aplikacje.

Chatbot zwykle zwraca tekst do oceny przez człowieka. Agent może działać. Ta zmiana sprawia, że niedokładne wyniki, zmanipulowane instrukcje lub nadmierne uprawnienia prowadzą do konsekwencji operacyjnych.

Pracownik eksperymentujący z agentem może podłączyć osobisty token, przyznać szeroki dostęp do repozytorium lub uruchomić system z niezarządzanego urządzenia. Zespoły bezpieczeństwa mogą nie wiedzieć o istnieniu agenta, ponieważ jego aktywność wygląda jak zwykłe działanie w przeglądarce, API lub lokalnym środowisku deweloperskim.

Ryzyko utrzymuje się również po zakończeniu pierwotnej rozmowy. Prompt może przestać zwracać uwagę po zamknięciu karty przeglądarki. Agent może nadal działać według harmonogramu, zachowywać poświadczenia lub kontynuować pracę za pośrednictwem integracji.

Netskope wskazał na tę rozszerzającą się powierzchnię w swoich badaniach shadow AI z 2025 roku. Stwierdzono w nich, że w maju 2025 roku 60% obserwowanych użytkowników przedsiębiorstw nadal korzystało z osobistych aplikacji generatywnej AI. Firma śledziła również niestandardowych agentów, chmurowe platformy AI i narzędzia on-premises jako nowe formy shadow AI.

Netskope poinformował, że przeciętna organizacja w jego zbiorze danych korzystała z siedmiu aplikacji generatywnej AI typu software-as-a-service, wobec 5,6 trzy miesiące wcześniej. Firma śledziła także ponad 1 550 odrębnych aplikacji generatywnej AI. Liczby te pokazują, dlaczego utrzymanie kompletnej listy blokad staje się trudne.

Zastąpienie listy blokad nadzorem nad każdym promptem stworzyłoby jednak własne problemy. Prywatność pracowników, przepisy prawa pracy, minimalizacja danych i zaufanie nadal mają znaczenie. Większa widoczność nie oznacza automatycznie lepszego zarządzania, jeśli zbieranie danych nie ma jasnego celu ani odpowiednich zabezpieczeń.

Celem powinna być proporcjonalna kontrola. Organizacje mogą zacząć od metadanych, takich jak typ tożsamości, kategoria aplikacji, zdarzenia przesyłania danych, uprawnienia rozszerzeń, połączenia narzędzi i nietypowy poziom aktywności. Głębszą inspekcję mogą stosować wyłącznie tam, gdzie uzasadniają ją prawo, polityka i ryzyko.

Model ten przypomina ugruntowane zasady zero trust. Dostęp zależy od tożsamości, urządzenia, zasobu i kontekstu, a nie wyłącznie od lokalizacji. Zarządzanie AI powinno oceniać każdą interakcję na podstawie podobnej kombinacji sygnałów.

Zarządzana usługa AI nie sprawia, że każde działanie jest bezpieczne. Niezatwierdzona usługa nie czyni też każdego działania równie niebezpiecznym. Istotne pytanie brzmi, do czego użytkownik, model i połączone narzędzia mogą wspólnie uzyskać dostęp.

Dlatego szeroka polityka nie trafia w sedno problemu koncentracji. Reguluje nazwę aplikacji, podczas gdy faktyczna ekspozycja kumuluje się wokół konkretnych tożsamości i procesów pracy.

Skoncentrowana kontrola tworzy własne ryzyka

Ukierunkowane zarządzanie jest bardziej precyzyjne niż ogólne ograniczenia, ale organizacje nie powinny mylić skali użycia z dowodem niewłaściwego postępowania.

Ustalenia Akamai uzasadniają bliższą uwagę wobec intensywnych użytkowników. Nie dowodzą, że górne 5% spowodowało większość potwierdzonych incydentów, ujawniło najbardziej wrażliwe dane lub działało nieodpowiedzialnie. Wysoka aktywność jest wskaźnikiem ryzyka, a nie werdyktem dotyczącym incydentu.

To ograniczenie ma znaczenie. Telemetria opisuje rozmowy, tożsamości i wzorce użycia. Nie może ujawnić pełnego celu biznesowego każdej interakcji. Analityk bezpieczeństwa testujący mechanizmy kontroli AI może wyglądać jak niebezpieczny użytkownik, jeśli mierzyć go wyłącznie liczbą rozmów.

Organizacje powinny więc unikać przekształcania wskaźnika 5% w automatyczną kategorię egzekwowania zasad. Intensywna aktywność powinna uruchamiać analizę kontekstową. Nie powinna uzasadniać natychmiastowego zawieszenia konta, inwazyjnego monitorowania ani działań dyscyplinarnych bez dodatkowych dowodów.

Zbiór danych odzwierciedla także widoczność Akamai i LayerX. Nie należy traktować go jako uniwersalnego spisu każdej branży, geografii, urządzenia i wdrożenia AI. Firmy potrzebują własnego poziomu odniesienia, zanim ustalą progi lub oszacują ekspozycję.

Druga obawa dotyczy fałszywego poczucia bezpieczeństwa związanego z kontami firmowymi. Zarządzana tożsamość poprawia audytowalność, kontrolę dostępu i ochronę kontraktową. Nie powstrzymuje jednak pracownika przed wprowadzeniem informacji objętych ograniczeniami, zaakceptowaniem odpowiedzi będącej halucynacją ani przyznaniem nadmiernych uprawnień połączonej aplikacji.

Firmowe wersje Gemini, Copilot, ChatGPT lub Claude mogą ograniczać określone ryzyka dzięki kontrolom administracyjnym. Nie mogą zastąpić klasyfikacji danych, projektowania uprawnień, przeglądu procesów pracy ani ludzkiego osądu.

Trzecia obawa dotyczy zaufania organizacyjnego. Pracownicy, którzy uważają, że każda interakcja z AI będzie czytana przez kierownictwo, mogą ukrywać jej użycie, przenosić się na prywatne urządzenia lub unikać zatwierdzonych narzędzi. Taka reakcja ogranicza widoczność, którą miał zapewnić ukierunkowany program.

Firmy potrzebują przejrzystych zasad monitorowania. Użytkownicy powinni rozumieć, jakie sygnały są zbierane, dlaczego mają znaczenie, kto może je przeglądać i jak długo pozostają dostępne. Zespoły bezpieczeństwa powinny, tam gdzie to możliwe, oddzielać wykrywanie ryzyka od monitorowania wyników pracy.

Profil AI NIST stanowi użyteczną przeciwwagę dla wąskiego egzekwowania zasad. Porządkuje pracę nad ryzykiem w obszarach zarządzania, mapowania, pomiaru i postępowania. Takie podejście oparte na cyklu życia traktuje kontrole jako ciągły system, a nie pojedynczą politykę wobec pracownika.

Zarządzanie określa właścicieli, dopuszczalne użycie, ścieżki zgłaszania i odpowiedzialność. Mapowanie identyfikuje kontekst biznesowy, osoby, których to dotyczy, dane i zależności. Pomiar sprawdza, czy ryzyka i kontrole można obserwować. Postępowanie nadaje priorytety reakcjom zgodnie z wpływem i tolerancją ryzyka.

W zastosowaniu do intensywnych użytkowników shadow AI ta sekwencja zapobiega przedwczesnemu przejściu od wykrycia do kary. Firma najpierw identyfikuje intensywne procesy pracy, mapuje ich cel biznesowy i dostęp do danych, mierzy konkretną ekspozycję, a następnie wybiera proporcjonalną kontrolę.

Reakcja może polegać na migracji konta osobistego na zarządzane. Może obejmować usunięcie nadmiernego uprawnienia rozszerzenia, zastąpienie osobistego klucza API, ograniczenie narzędzi agenta lub zatwierdzenie lepszej usługi dla przedsiębiorstw.

Niektóre procesy pracy powinny zostać całkowicie zatrzymane. Nieprzejrzany agent zmieniający dane finansowe lub przetwarzający regulowane dane zdrowotne stwarza inny poziom ekspozycji niż asystent redagowania korzystający z materiałów publicznych. Analiza koncentracji pomaga dostrzec tę różnicę, lecz jej znaczenie nadal określa ocena człowieka.

Ukierunkowane zarządzanie musi również uwzględniać użytkowników uprzywilejowanych. Inżynierowie, administratorzy, badacze, kadra kierownicza, zespoły prawne i pracownicy finansowi często przetwarzają bardziej istotne informacje niż ich współpracownicy. Należy oceniać łącznie liczbę rozmów i wrażliwość dostępu.

Użytkownik mający 150 rozmów niskiego ryzyka o publicznym języku marketingowym może stwarzać mniejszą ekspozycję niż ktoś, kto przesłał jeden poufny dokument dotyczący przejęcia. Wolumen jest użyteczny, ponieważ identyfikuje utrwalone zachowania. Kontekst treści i uprawnień określa potencjalny wpływ.

Sceptyczny wniosek jest prosty: telemetria shadow AI Akamai poprawia priorytetyzację, ale nie zapewnia kompletnej oceny ryzyka. Organizacje nadal potrzebują lokalnych dowodów, przejrzystych zasad i starannego przeglądu.

Co zespoły bezpieczeństwa powinny obserwować dalej

Kolejna faza zarządzania shadow AI będzie mierzona wdrażaniem zarządzanych tożsamości, uprawnieniami agentów i potwierdzonym ograniczeniem ekspozycji na wrażliwe dane.

Pierwszym sygnałem jest udział aktywności AI związanej z pracą, która przechodzi z tożsamości osobistych na konta zarządzane przez firmę. Jest to bardziej miarodajne niż liczenie zakupionych licencji. Firma może posiadać tysiące stanowisk enterprise, podczas gdy pracownicy nadal korzystają ze znanych im kont osobistych.

Liderzy bezpieczeństwa powinni mierzyć migrację kont według zespołu i poziomu aktywności. Postęp wśród okazjonalnych użytkowników jest użyteczny, ale najważniejsze są zmiany wśród najbardziej intensywnych użytkowników. Spadek udziału kont osobistych w tej grupie potwierdzałby tezę Akamai o koncentracji i pokazywał, że ukierunkowana interwencja działa.

Wskaźnik ten wymaga ostrożnej interpretacji. Zarządzane logowanie nie dowodzi bezpiecznego zachowania. Zapewnia jednak mocniejszą podstawę dla kontroli dostępu, ustawień retencji, audytowalności i reagowania na incydenty.

Drugim sygnałem jest wzrost liczby agentów i rozszerzeń mających dostęp do systemów biznesowych. Organizacje powinny zinwentaryzować, co te narzędzia mogą odczytywać, zmieniać i przesyłać. Powinny także ustalić, które tożsamości dostarczyły poświadczenia.

Uprawnienia mają większe znaczenie niż liczba agentów. Dziesięciu agentów ograniczonych do informacji publicznych może tworzyć mniejszą ekspozycję niż jeden system z dostępem do zapisu w danych produkcyjnych. Przeglądy powinny priorytetowo traktować wrażliwe zasoby, trwałe poświadczenia, zewnętrzny transfer danych i działania pozbawione potwierdzenia przez człowieka.

Każde ograniczenie nadmiernych uprawnień wzmacniałoby argument za skoncentrowanym zarządzaniem. Szybki wzrost liczby niewykrytych agentów osłabiałby twierdzenia, że obecne polityki AI zapewniają znaczący zasięg.

Trzecim sygnałem jest to, czy organizacje potrafią wykazać mniej zdarzeń dotyczących wrażliwych danych bez tłumienia użytecznej adopcji. Jest to najtrudniejsza miara, ponieważ wymaga wspólnej oceny rezultatów przez zespoły bezpieczeństwa i produktywności.

Skuteczny program powinien ograniczać przesyłanie danych objętych ograniczeniami, niezarządzane poświadczenia i niezatwierdzone integracje. Powinien także zapewniać wystarczająco łatwy dostęp do zatwierdzonego użycia, aby pracownicy nie przenosili się do niewidocznych kanałów.

Metryki oparte wyłącznie na zablokowanych żądaniach tworzą niewłaściwe zachęty. Większa liczba blokad może oznaczać silniejsze egzekwowanie zasad, rosnący niebezpieczny popyt lub słabe zatwierdzone alternatywy. Zespoły muszą porównywać zdarzenia zapobiegawcze z migracją kont, wdrażaniem zatwierdzonych procesów pracy, opiniami użytkowników i potwierdzonymi incydentami.

Ujęcie Google News pozostanie użyteczne tylko wtedy, gdy organizacje sprawdzą je w swoich własnych środowiskach. Dokładny próg 5% może się zmienić, ale koncentracja powinna być widoczna w wewnętrznej telemetrii, jeśli podstawowy wzorzec się utrzyma.

Zespoły bezpieczeństwa mogą zacząć od kilku praktycznych pytań. Którzy pracownicy najczęściej korzystają z AI? Którzy z nich polegają na tożsamościach osobistych? Kto przesyła pliki, instaluje rozszerzenia lub łączy agentów z systemami wewnętrznymi? Które zatwierdzone narzędzia nie spełniają ich potrzeb?

Pytania te tworzą lepszy punkt wyjścia niż pytanie, czy cała AI powinna być dozwolona czy zakazana. Łączą zarządzanie z rzeczywistą pracą i ujawniają miejsca, w których wygoda omija kontrolę.

Firmy powinny także ustanowić ścieżkę eskalacji, która nie zaczyna się od działań dyscyplinarnych. Gdy zespół bezpieczeństwa wykryje zaawansowany nieoficjalny proces pracy, pierwsza analiza powinna określić jego wartość biznesową, dane wejściowe, uprawnienia i alternatywy. Tworzy to okazję do zachowania użytecznych praktyk przy jednoczesnym usunięciu niepotrzebnej ekspozycji.

Gdy ryzyko jest natychmiastowe, na przykład agent ma szeroki dostęp do środowiska produkcyjnego, najpierw należy zastosować ograniczenie. Gdy ekspozycja jest niższa, migracja i wsparcie mogą zapewnić lepszą długoterminową zgodność niż ogólny zakaz.

Przed uznaniem problemu za opanowany liderzy powinni zadać jedno ostatnie pytanie: czy organizacja potrafi opisać swoje najbardziej intensywne procesy pracy z AI bez polegania na ankiecie? Jeśli odpowiedź brzmi nie, polityka działa przed dowodami.

Google News zwróciło uwagę na istotne odwrócenie perspektywy. Shadow AI jest powszechne, lecz jej najpoważniejsza ekspozycja nie musi rozkładać się równomiernie. To osoby najgłębiej korzystające z AI są miejscem, w którym zbiegają się produktywność, dane, tożsamość i autonomiczny dostęp.

To jasno wskazuje następne działanie. Zidentyfikuj skoncentrowane przepływy pracy, przenieś je pod zarządzaną tożsamość, przejrzyj ich uprawnienia i zmierz, czy narażenie wrażliwych danych spada. Szerokie zasady mogą wyznaczać granice, ale tylko dowody z rzeczywistego użycia pokazują, gdzie należy zapewnić ochronę.