Shadow AI w firmie: kiedy pracownicy używają własnych modeli, dane wyciekają
Pracownik wkleja tajemnicę handlową firmy do publicznego okna czatu. Kierownik HR podsumowuje list motywacyjny kandydata za pomocą modelu działającego na serwerach dostawcy. Programista prosi generatywne narzędzie o analizę kodu produkcyjnego. Wszystkie trzy sytuacje to ten sam problem: shadow AI, czyli użycie niezatwierdzonych, zewnętrznych modeli do pracy z danymi firmowymi. Według raportu Menlo Security z 2025 roku, w samym styczniu 2025 pracownicy na świecie wygenerowali 10,53 miliarda wizyt w serwisach oferujących generatywną AI — to o pięćdziesiąt procent więcej niż rok wcześniej.
Problem nie polega na tym, że pracownicy są nieostrożni. Po prostu narzędzia publiczne są szybsze i wygodniejsze, a formalne procedury zatwierdzania nie nadążają za tempem wdrożeń. Ecosystm odnotowuje, że obawy o shadow AI wzrosły z 33% w 2025 roku do 61% w 2026 — niemal dwukrotnie. Według WitnessAI, w 2025 roku dwadzieścia procent organizacji, które doświadczyły naruszenia bezpieczeństwa danych, wskazało shadow AI jako czynnik incydentu. To już nie hipotetyczne ryzyko; to mierzalna ekspozycja.
Strata finansowa jest wyraźna. IBM w raporcie Cost of a Data Breach za 2025 rok wycenia średnią stratę incydentu z udziałem shadow AI na 4,63 miliona dolarów — o 670 tysięcy dolarów więcej niż przy standardowym naruszeniu. To premia, która nie bierze się z kradzieży danych, lecz z tego, że tradycyjne systemy ochrony — DLP, CASB, SSE — nie widzą, jakie dane wchodzą do modelu i co z nich wychodzi. Narzędzia te zaprojektowano do kontroli ruchu sieciowego i metadanych plików. Generatywna AI działa w innym paradygmacie: kontekstowo, probabilistycznie, przez interfejsy przeglądarki, które nie pozostawiają śladu w logach.
Akamai w raporcie SOTI z sierpnia 2026 roku wskazuje pięć rosnących wektorów ryzyka: rozszerzenie powierzchni ataku przez AI w miejscu pracy, osobiste konta AI pracowników, wycieki danych przez generatywne interfejsy, niewidoczne rozszerzenia przeglądarek i IDE, oraz agentów AI działających poza istniejącymi barierami ochronnymi. Każdy z tych wektorów obchodzi klasyczną kontrolę bezpieczeństwa.
Agentic AI — samodzielne modele, które planują i wykonują zadania w imieniu użytkownika — pogłębia ten problem. Według danych PwC, w 2025 roku Anthropic wykrył operac cyberszpiegowską wspieraną przez państwo, w której grupa z Chin używała Claude Code do skanowania infrastruktury, wyszukiwania podatności, zbierania poświadczeń i eksfiltracji danych z firm technologicznych, banków i agencji rządowych. Operatorzy wybierali cele, ale według szacunków osiemdziesiąt do dziewięćdziesięciu procent pracy wykonało AI. To nie jest scenariusz przyszłości; to udokumentowany wzorzec.
Regulacje zaczynają odpowiadać. Unijna AI Act przewiduje kary do 35 mln euro lub 7% globalnego obrotu za zakazane praktyki AI — w tym użycie shadow AI w kontekstach wysokiego ryzyka. Ale to odpowiedź prawna, nie techniczna. Z perspektywy bezpieczeństwa pytanie nie brzmi już „czy pracownicy używają AI”, tylko „które dane wyciekły, przez jaki kanał, do którego modelu”. Jeśli zespół nie widzi tych informacji, nie ma governance — ma politykę bez egzekucji.
