Digital suverænitet er det forkerte udgangspunkt for AI-sikkerhed

Digital suverænitet fylder med god grund i den europæiske AI-debat. Organisationer vil have kontrol over kritisk teknologi, data, leverandører og juridisk risiko.

Men suverænitet er et dårligt udgangspunkt for den daglige AI-sikkerhed. Spørgsmålet om, hvor en tjeneste kommer fra, bliver stillet før spørgsmålet om, hvad der sker med de data, en medarbejder er ved at indsætte i den.

Rækkefølgen er afgørende. En lokalt hostet løsning kan stadig modtage oplysninger, den aldrig burde se. Ved brug af en global tjeneste kan fjernelse eller maskering af udvalgte følsomme data før afsendelse reducere risikoen for videregivelse, mens kontrol af leverandør og anvendelse stadig er nødvendig. Hosting er en del af vurderingen, men det er ikke selve kontrollen.

Reglerne rummer også begge dimensioner: EU’s databeskyttelsesvejledning behandler internationale overførsler, mens GDPR særskilt fastlægger dataminimering som et princip for behandling. Det ene ophæver ikke det andet.

Brugervenlige værktøjer vinder i hverdagen

Indkøb kan vælge foretrukne platforme, men de kan ikke få alle alternativer til at forsvinde. Medarbejdere møder AI i søgemaskiner, kontorpakker, kreative værktøjer, kundesystemer og selvstændige assistenter. Listen ændrer sig hurtigere end de fleste godkendelsesprocesser.

Derfor har en politik, som alene bygger på en liste over godkendte leverandører, en blind vinkel. Den styrer de tjenester, organisationen kender, mens den mest usikre adfærd kan foregå andre steder.

Det betyder ikke, at leverandørkontrol er overflødig. Kontrakter, opbevaringsindstillinger, adgangskontrol, vilkår for brug af data til modeltræning og relevante jurisdiktioner betyder stadig noget. Men der skal også være en kontrol, som fortsætter med at virke, når medarbejderen skifter fane.

At bygge sin egen AI kan blive en ressourcefælde

For en kommune, SMV eller specialiseret organisation kan “vi bygger vores egen sikre AI” lyde som det mest suveræne valg. I nogle tilfælde er en privat løsning den rigtige beslutning. Men drift af en konkurrencedygtig AI-tjeneste er ikke et enkeltstående it-projekt.

Det kræver løbende arbejde med modeller, infrastruktur, sikkerhed, evaluering, brugeroplevelse, integrationer og governance. Imens fortsætter de kommercielle tjenester med at udvikle sig. En intern løsning, der begyndte som et kontroltiltag, kan ende som et permanent vedligeholdelsesprogram med svagere funktionalitet og lav anvendelse.

Ikke alle interne AI-projekter er ens. At træne en generel model fra bunden, selv at hoste en åben model og at bygge en privat brugerflade oven på en eksisterende tjeneste har vidt forskellige omkostninger og gevinster. Ressourcefælden er tydeligst, når en organisation forsøger at kopiere en modeludvikling, der kræver langt større skala, end dens kerneopgave kan bære.

Det bedre spørgsmål er ofte ikke: “Kan vi eje modellen?” men: “Hvilket kontrollag skal vi eje?”

For mange organisationer omfatter det lag dataklassifikation, maskering, adgangsregler, vejledning og synlighed i risikofyldt adfærd. De kontroller kan beskytte medarbejdere på tværs af flere AI-tjenester, uden at organisationen skal udvikle sig til et AI-laboratorium.

Shadow AI er den operationelle virkelighed

Shadow AI er brug af AI uden for organisationens godkendte værktøjer eller fastlagte processer. Det kan være en privat konto, en ny tjeneste, en AI-funktion i eksisterende software eller et gratis værktøj, der bliver brugt til en enkelt hasteopgave.

Risikoen er ikke alene, at et ikke-godkendt produkt findes. Den opstår, når fortrolige oplysninger, persondata, kontraktmateriale eller andre følsomme data ender i en tjeneste uden de rigtige sikkerhedsforanstaltninger.

Forbud skaber sjældent synlighed. De kan i stedet flytte adfærden længere ud af syne. En mere brugbar tilgang kombinerer klare regler med et sikkerhedsnet, der hjælper medarbejderen i det øjeblik, noget risikofyldt er på vej til at blive delt.

En kontrolmodel i fem dele

1. Afgør hvilke data der skal beskyttes

Definér de oplysninger, medarbejdere ikke må dele i rå form: persondata, kundeoplysninger, sagsinformation, loginoplysninger, fortrolige dokumenter og følsomme forretningsdata. Brug eksempler fra det virkelige arbejde i stedet for abstrakt politiksprog.

2. Beskyt data før afsendelse

Opdag og maskér udvalgte følsomme oplysninger, før en prompt når AI-tjenesten. Det giver organisationen mulighed for at reducere risikoen for videregivelse, før en hændelse skal undersøges i logs eller leverandørrapporter.

3. Gør godkendte værktøjer til den nemme vej

Giv let adgang til sikre og anvendelige værktøjer. Forklar, hvilke tjenester der er godkendt til hvilke formål, og hvad medarbejderen skal gøre, når den godkendte løsning ikke kan løse opgaven.

4. Planlæg undtagelserne

Ingen leverandørliste forbliver komplet. Aftal, hvordan medarbejdere kan foreslå en ny tjeneste, rapportere en næsten-hændelse og få hjælp uden at vente i ugevis. Hurtig eskalation er en del af god governance.

5. Vurdér både tjenesten og anvendelsen

Gennemgå datapraksis, kontraktvilkår, rettigheder, opbevaring, integrationer og jurisdiktion, hvor det er relevant. Vurdér derefter den konkrete anvendelse. Hjælp til et ufarligt tekstudkast og en automatiseret afgørelse om en person medfører ikke de samme krav.

Sådan kan det se ud i praksis

Den stærkeste AI-politik er ikke den med den korteste leverandørliste. Det er den, der stadig beskytter data, når det virkelige arbejde ikke følger listen.

— AIamigo Team

Gratis og betalte AI-konti kræver forskellig kontrol

Antag ikke, at alle gratis eller betalte AI-tjenester behandler input ens. Indstillinger for databrug og modelforbedring varierer efter leverandør, produkt, kontotype, konfiguration og kontrakt. Vilkårene ændrer sig også.

Det styrker argumentet for beskyttelse før afsendelse. Når følsomme data fjernes, før de når tjenesten, er organisationen mindre afhængig af, at medarbejderen kender alle leverandørers aktuelle indstillinger. Det resterende indhold og formålet skal stadig være passende, men den mest oplagte eksponering er reduceret.

Målet er valgfrihed med kontrol

Organisationer bør ikke være tvunget til at vælge mellem nyttig AI og ansvarlig databehandling. De har brug for en strategi i flere lag:

1. Foretræk tjenester, der opfylder organisationens krav.
2. Træn medarbejdere i acceptabel brug med konkrete eksempler.
3. Beskyt følsomme data, før de forlader browseren.
4. Bevar kontrollen hos indkøb, informationssikkerhed, databeskyttelse og jura.
5. Opdatér politikken, når værktøjer og arbejdsmetoder ændrer sig.

AIamigo tilføjer et kontrolpunkt dér, hvor mange AI-interaktioner begynder: i browseren. På understøttede og konfigurerede tjenester kan AIamigo finde udvalgte typer følsomt indhold og lade brugeren maskere dem, før prompten bliver sendt. Det reducerer mængden af rå følsomme data, tjenesten modtager, uden at binde organisationens politik til én modelleverandør.

Digital suverænitet hører hjemme i den strategiske diskussion. Men det første operationelle spørgsmål er enklere: Beskytter vi følsomme data, før de forlader vores kontrol?