Shadow AI: gdy pracownik wybiera skuteczność zamiast bezpieczeństwa

Sztuczna inteligencja weszła do biur znacznie szybciej, niż większość organizacji zdążyła przygotować się na jej obecność. Jeszcze niedawno dyskusje o AI prowadzone były głównie przez działy IT, zespoły innowacji i konsultantów odpowiedzialnych za transformację cyfrową. Dziś pracownik przygotowujący ofertę, analizujący dokument, piszący fragment kodu, tłumaczący wiadomość lub próbujący uporządkować kilkadziesiąt stron materiałów projektowych może w ciągu kilku sekund otworzyć jedno z publicznie dostępnych narzędzi generatywnej sztucznej inteligencji. Nie musi czekać na projekt wdrożeniowy, zgodę działu IT ani uruchomienie kolejnej inicjatywy strategicznej. AI jest na wyciągnięcie ręki. I właśnie w tym miejscu zaczyna się Shadow AI.

Shadow AI można najprościej określić jako korzystanie przez pracowników z narzędzi sztucznej inteligencji poza rozwiązaniami oficjalnie zatwierdzonymi lub kontrolowanymi przez organizację. Może to być prywatne konto w popularnym chatbocie, narzędzie do analizy dokumentów, generator kodu, aplikacja do tworzenia prezentacji albo niewielki serwis internetowy, który obiecuje w kilka sekund podsumować raport, przeanalizować umowę czy przygotować odpowiedź dla klienta. Z punktu widzenia bezpieczeństwa informacji taki sposób pracy jest oczywiście problematyczny. Firma może nie wiedzieć, jakie informacje zostały przekazane zewnętrznemu dostawcy, gdzie są przetwarzane, jak długo są przechowywane i czy pracownik nie umieścił w swoim poleceniu danych, które nigdy nie powinny opuścić kontrolowanego środowiska organizacji. Problem polega jednak na tym, że z punktu widzenia pracownika sytuacja często wygląda zupełnie inaczej. Pracownik nie zaczyna dnia z postanowieniem: „dzisiaj ominę politykę bezpieczeństwa firmy”. Znacznie częściej zaczyna od bardzo prozaicznego problemu. Ma przygotować analizę, podsumować kilkadziesiąt stron dokumentacji, odpowiedzieć na trudnego maila, porównać dwie wersje umowy albo znaleźć nieścisłości w specyfikacji technicznej. Organizacja udostępniła mu wprawdzie „bezpieczne narzędzie AI”, ale pierwsza odpowiedź jest zbyt ogólna. Druga również. Trzecia brzmi poprawnie, lecz niewiele wnosi. Po kilku próbach pracownik dochodzi do wniosku, że narzędzie „nie działa”. Następnie otwiera rozwiązanie, którego prywatnie używa od miesięcy, wkleja ten sam materiał, zadaje pytanie w sposób, do którego już się przyzwyczaił, i po chwili otrzymuje rezultat znacznie bliższy temu, czego oczekiwał. Z jego perspektywy właśnie znalazł skuteczniejszy sposób wykonania zadania. Z perspektywy organizacji właśnie mógł rozpocząć incydent związany z bezpieczeństwem informacji.

To rozróżnienie jest niezwykle ważne, ponieważ Shadow AI bardzo łatwo przedstawić jako problem dyscypliny pracowników. Można wprowadzić zakaz korzystania z publicznych modeli, rozesłać kolejną politykę bezpieczeństwa, dodać obowiązkowy slajd do szkolenia compliance i uznać sprawę za zamkniętą. Tylko że pracownik nadal ma to samo zadanie, ten sam termin i tę samą presję na wynik. Jeżeli oficjalne narzędzie nie pozwala mu wykonać pracy wystarczająco szybko lub jego zdaniem daje słabsze rezultaty, pokusa użycia rozwiązania zewnętrznego pozostaje. Technologia zmieniła się szybciej niż organizacyjne mechanizmy kontroli, ale jeszcze szybciej zmieniły się oczekiwania pracowników wobec narzędzi, z których korzystają. W tym miejscu pojawia się dodatkowy paradoks. W wielu organizacjach wdrożenie AI rozpoczyna się od pytania: „jakie narzędzie możemy bezpiecznie udostępnić?”. Znacznie rzadziej pojawia się pytanie: „czy nasi pracownicy potrafią z niego efektywnie korzystać?”. Dostęp do sztucznej inteligencji jest bowiem czymś zupełnie innym niż umiejętność pracy ze sztuczną inteligencją. Można kupić licencję na najlepsze rozwiązanie, umieścić jego ikonę w firmowym środowisku i nadal nie uzyskać oczekiwanej produktywności. Jeżeli użytkownik nie rozumie, jak przekazać modelowi odpowiedni kontekst, jak określić oczekiwany rezultat, jak stopniowo doprecyzowywać polecenia i jak ocenić jakość otrzymanej odpowiedzi, bardzo szybko może dojść do wniosku, że firmowe AI jest mało użyteczne. Publiczne narzędzia mają przy tym jeszcze jedną przewagę. Są projektowane tak, aby użytkownik bardzo szybko odczuł ich wartość. Można napisać kilka zdań niedoskonałego polecenia i mimo wszystko otrzymać odpowiedź, która wygląda przekonująco, jest dobrze sformatowana i daje poczucie oszczędności czasu. W codziennej pracy właśnie takie doświadczenie użytkownika może okazać się silniejsze niż procedura bezpieczeństwa przeczytana kilka miesięcy wcześniej. Nie dlatego, że pracownicy nie rozumieją znaczenia poufności danych. Dlatego, że produktywność ma natychmiastową nagrodę, podczas gdy ryzyko wycieku informacji jest dla większości osób abstrakcyjne, odległe i pozornie mało prawdopodobne.

Shadow AI jest więc znacznie bardziej interesującym zjawiskiem niż zwykłe omijanie firmowych regulacji. Pokazuje napięcie pomiędzy bezpieczeństwem a efektywnością. Pokazuje również, że samo udostępnienie pracownikom narzędzia AI nie oznacza jeszcze, że organizacja rzeczywiście wdrożyła AI do swojej pracy. Jeżeli pracownik posiada dostęp do zatwierdzonego rozwiązania, ale nie wie, jak wykorzystać jego możliwości, będzie szukał alternatywy. A ponieważ alternatywa znajduje się dziś dosłownie kilka kliknięć dalej, granica pomiędzy produktywnością a ryzykiem bezpieczeństwa stała się wyjątkowo cienka.

Dlatego pytając, skąd bierze się Shadow AI, warto odejść od najprostszej odpowiedzi mówiącej o nieodpowiedzialności pracowników. Znacznie bardziej użyteczne jest pytanie, dlaczego pracownik uznał, że musi wyjść poza oficjalne środowisko, aby skutecznie wykonać swoją pracę. Odpowiedź bardzo często prowadzi nie do działu bezpieczeństwa, lecz do jakości wdrożenia AI, kompetencji użytkowników i sposobu, w jaki organizacja przygotowała ludzi do pracy z nową technologią.

Problem nie leży tylko w narzędziu, ale w kompetencjach

W dyskusji o sztucznej inteligencji bardzo łatwo ulec złudzeniu, że skoro narzędzie jest proste w obsłudze, to jego skuteczne wykorzystanie również musi być proste. Otwieramy okno rozmowy, wpisujemy pytanie i otrzymujemy odpowiedź. Interfejs przypomina zwykły komunikator, więc intuicyjnie traktujemy model jak bardziej inteligentną wyszukiwarkę. Problem polega na tym, że jakość pracy z AI zależy nie tylko od możliwości samego modelu, lecz także od jakości informacji, które użytkownik potrafi mu przekazać. To właśnie tutaj pojawia się luka kompetencyjna, która w wielu organizacjach pozostaje niedostrzegana. Firma kupuje licencje, udostępnia pracownikom bezpieczne środowisko i oczekuje wzrostu produktywności. Tymczasem część użytkowników wpisuje jedno zdanie, otrzymuje przeciętną odpowiedź i po kilku minutach dochodzi do wniosku, że całe to AI jest mocno przereklamowane.

Nie chodzi przy tym o to, aby każdy pracownik stał się specjalistą od prompt engineeringu. Sama idea „magicznych promptów”, które należy znać, aby model zaczął działać, jest zresztą mocno uproszczona. Znacznie ważniejsza jest umiejętność prowadzenia z modelem uporządkowanej pracy. Trzeba wiedzieć, jaki problem chcemy rozwiązać, jakie informacje są dla niego istotne, czego model nie powinien zakładać, w jakiej formie oczekujemy wyniku i według jakich kryteriów będziemy go oceniać. Model, który otrzymuje polecenie „przeanalizuj ten dokument”, musi sam domyślić się, czego właściwie szukamy. Ten sam model poproszony o wskazanie niespójności pomiędzy wymaganiami biznesowymi a proponowanym rozwiązaniem technicznym, uporządkowanie ich według poziomu ryzyka i uzasadnienie każdego przypadku otrzymuje już zupełnie inne zadanie. Różnica nie polega więc wyłącznie na bardziej eleganckim sformułowaniu promptu. Polega na umiejętności zamiany własnego problemu biznesowego na instrukcję, z którą system AI potrafi efektywnie pracować. W praktyce właśnie ta umiejętność bardzo często odróżnia osobę, która postrzega AI jako interesującą ciekawostkę, od osoby, która rzeczywiście wykorzystuje je jako narzędzie zwiększające produktywność. Pierwsza prosi o „napisanie maila” i otrzymuje tekst, który brzmi jak generyczna korespondencja wygenerowana przez automat. Druga określa odbiorcę, cel wiadomości, kontekst wcześniejszej rozmowy, ton komunikacji i informacje, które muszą znaleźć się w odpowiedzi. Pierwsza wrzuca kilkudziesięciostronicowy dokument z prośbą o podsumowanie. Druga najpierw określa, jakie decyzje ma podjąć na podstawie dokumentu, a następnie prosi model o wydobycie informacji istotnych właśnie dla tych decyzji. Pierwsza oczekuje odpowiedzi. Druga buduje proces pracy. I dopiero na tym poziomie zaczyna się realna efektywność.

To rozróżnienie ma ogromne znaczenie dla Shadow AI. Wyobraźmy sobie pracownika, któremu firma udostępniła wewnętrznego asystenta opartego na zatwierdzonym modelu. Pracownik otrzymuje polecenie przygotowania analizy dokumentu klienta. Wpisuje kilka prostych pytań, otrzymuje ogólne odpowiedzi i uznaje narzędzie za mało skuteczne. Jednocześnie prywatnie korzysta z publicznego rozwiązania, z którym pracował już wiele razy. Zna jego sposób odpowiadania, wie, jak formułować pytania i nauczył się metodą prób i błędów, jak dochodzić do oczekiwanego rezultatu. W jego ocenie publiczne AI jest „lepsze”. Być może rzeczywiście korzysta z lepszego modelu, ale równie dobrze różnica może wynikać z tego, że użytkownik nauczył się pracować z jednym narzędziem, a z drugim nie. Organizacja interpretuje tę sytuację jako problem technologiczny. Pracownik interpretuje ją jako problem jakości firmowego rozwiązania. Tymczasem częścią problemu może być po prostu brak kompetencji niezbędnych do wykorzystania udostępnionej technologii. Co więcej, wraz z rozwojem modeli pojawia się niebezpieczne wrażenie, że kompetencje te stają się mniej potrzebne. Nowoczesne systemy coraz lepiej interpretują niedoskonałe pytania, potrafią przewidywać intencję użytkownika i generować poprawnie wyglądające odpowiedzi nawet wtedy, gdy polecenie jest bardzo ogólne. Paradoksalnie może to zwiększać ryzyko. Jeżeli narzędzie „jakoś sobie radzi”, użytkownik nie widzi potrzeby uczenia się bardziej świadomej pracy. Otrzymuje wynik, który wygląda profesjonalnie, więc zaczyna ufać procesowi, którego w rzeczywistości nie kontroluje. Nie wie, które informacje były istotne dla odpowiedzi, czego model nie uwzględnił i które wnioski powinny zostać zweryfikowane. Umiejętność korzystania z AI nie sprowadza się bowiem do uzyskania odpowiedzi. Obejmuje także ocenę jej jakości, rozpoznawanie ograniczeń modelu oraz świadomość tego, kiedy rezultat może być wykorzystany, a kiedy powinien zostać potraktowany wyłącznie jako punkt wyjścia do dalszej analizy.

Właśnie dlatego pojęcie AI literacy jest znacznie szersze niż umiejętność pisania promptów. Obejmuje ono rozumienie sposobu działania modeli, ich ograniczeń, ryzyka halucynacji, znaczenia kontekstu oraz zasad odpowiedzialnego przekazywania informacji. Pracownik powinien wiedzieć nie tylko, jak uzyskać lepszą odpowiedź, ale również czego nie wolno mu przekazywać do danego systemu. Powinien rozumieć różnicę pomiędzy publicznym narzędziem dostępnym przez prywatne konto a firmowym środowiskiem objętym odpowiednimi warunkami przetwarzania danych. Powinien potrafić zastąpić poufne informacje danymi anonimowymi wtedy, gdy jest to wystarczające do wykonania zadania. Powinien także rozpoznawać sytuacje, w których AI może pomóc w przygotowaniu materiału, ale nie powinno podejmować za niego decyzji. Te umiejętności stają się powoli tak samo fundamentalne jak kompetencja pracy z arkuszem kalkulacyjnym czy wyszukiwarką internetową.

Tymczasem organizacje często próbują skrócić cały proces edukacji do godzinnego szkolenia. Pracownik dowiaduje się, że nie powinien wklejać danych poufnych, że model może się mylić i że należy korzystać wyłącznie z zatwierdzonych narzędzi. Następnego dnia wraca jednak do swoich obowiązków i nadal nie wie, jak wykorzystać firmowe AI do rozwiązania rzeczywistego problemu. To trochę tak, jakby nauczyć kogoś zasad bezpieczeństwa samochodu, ale nie nauczyć go prowadzić. Formalnie przekazaliśmy wszystkie najważniejsze ostrzeżenia. Praktycznie nie rozwiązaliśmy problemu użytkownika. Jeżeli firma chce ograniczać Shadow AI, szkolenia powinny więc wychodzić daleko poza listę zakazów. Pracownicy powinni zobaczyć, jak AI może pomagać właśnie w ich pracy. Inaczej będzie wyglądała praca analityka, inaczej project managera, programisty, osoby z działu HR czy pracownika sprzedaży. Dopiero gdy użytkownik potrafi uzyskać z oficjalnego rozwiązania rezultat, który rzeczywiście oszczędza mu czas, pojawia się realna motywacja do pozostania w bezpiecznym środowisku. Bez tego organizacja wymaga od pracownika, aby zrezygnował z narzędzia, które uważa za skuteczniejsze, w zamian za narzędzie, którego nie potrafi jeszcze wykorzystać.

I tutaj problem Shadow AI przestaje być wyłącznie problemem bezpieczeństwa. Staje się problemem wdrożenia technologii. Można bowiem zablokować kolejne strony internetowe, ograniczyć dostęp do aplikacji i publikować coraz bardziej szczegółowe regulaminy. Jeżeli jednak pracownik nadal będzie czuł, że oficjalnie udostępnione rozwiązanie utrudnia mu osiągnięcie wyniku, będzie szukał drogi na skróty. W świecie, w którym dostęp do zaawansowanych modeli AI mieści się w prywatnym telefonie pracownika, kontrola technologiczna ma swoje oczywiste granice. Znacznie skuteczniejszym zabezpieczeniem może okazać się kompetencja.

Być może dlatego jednym z najważniejszych pytań przy wdrażaniu AI w organizacji nie powinno być dziś: „czy daliśmy pracownikom dostęp do bezpiecznego AI?”. Znacznie ważniejsze brzmi: „czy nauczyliśmy ich, jak z niego pracować?”. Dopiero odpowiedź na to drugie pytanie pozwala ocenić, czy oficjalne rozwiązanie rzeczywiście ma szansę konkurować z narzędziami, które pracownik może znaleźć poza organizacją w ciągu kilkunastu sekund.

Szybciej i lepiej, ale za jaką cenę?

Największe ryzyko związane z Shadow AI nie pojawia się zwykle przy pierwszym użyciu publicznego narzędzia. Zaczyna się nieco później, gdy użytkownik nabiera do niego zaufania. Pierwsze polecenia są zazwyczaj niewinne. Prośba o poprawienie stylu wiadomości, uporządkowanie notatek, przygotowanie struktury prezentacji czy streszczenie tekstu, który nie zawiera żadnych informacji poufnych. Narzędzie działa dobrze. Oszczędza czas. Odpowiedzi są użyteczne. Po kilku takich doświadczeniach granica przesuwa się niemal niezauważalnie. Skoro AI dobrze radzi sobie z ogólnym opisem problemu, to prawdopodobnie poradzi sobie jeszcze lepiej, jeżeli otrzyma prawdziwy dokument. Jeżeli analiza fragmentu specyfikacji była trafna, naturalnym krokiem wydaje się przesłanie całej specyfikacji. Jeśli dobrze pomogło w przygotowaniu odpowiedzi dla hipotetycznego klienta, kolejnym razem łatwiej wkleić rzeczywistą korespondencję. Im większe zaufanie do narzędzia, tym większa pokusa, aby przekazać mu dokładnie ten kontekst, który pozwoli uzyskać najlepszy wynik.

I tutaj pojawia się paradoks, który jest znacznie groźniejszy niż samo korzystanie z zewnętrznego AI. Z punktu widzenia jakości odpowiedzi użytkownik robi coś całkowicie racjonalnego. Modele potrzebują kontekstu. Im bardziej precyzyjnie opisany problem, tym większa szansa na uzyskanie rezultatu rzeczywiście przydatnego w pracy. Jeśli analityk chce, aby model wskazał niespójności w dokumencie, najlepiej dostarczyć cały dokument. Jeśli project manager chce przygotować odpowiedź na trudne pytanie klienta, najlepiej pokazać wcześniejszą korespondencję i ustalenia projektowe. Jeżeli programista oczekuje pomocy przy diagnozie błędu, naturalnym odruchem jest wklejenie fragmentu kodu wraz z logami. Każdy kolejny element kontekstu poprawia potencjalną jakość odpowiedzi. Jednocześnie każdy kolejny element może zwiększać ekspozycję informacji organizacji.

W tradycyjnych systemach pracownik często wyraźnie widział moment przekazywania danych poza firmę. Wysłanie załącznika na prywatny adres e-mail albo skopiowanie dokumentów na prywatny dysk było czynnością, która miała oczywisty ciężar. Interfejs narzędzia generatywnego zmienia tę percepcję. Użytkownik nie ma poczucia, że „wysyła dokument do zewnętrznej organizacji”. Prowadzi rozmowę. Wkleja tekst do niewielkiego pola i naciska Enter. Psychologicznie przypomina to bardziej zadanie pytania niż transfer danych. Ta pozorna banalność interakcji sprawia, że granica pomiędzy pomocą w pracy a ujawnieniem informacji może zostać przekroczona bez poczucia, że właśnie wydarzyło się coś istotnego.

Ryzyko nie ogranicza się przy tym do danych osobowych czy najbardziej oczywistych informacji objętych tajemnicą przedsiębiorstwa. Równie wartościowe mogą być materiały, których pracownicy na co dzień nie traktują jako szczególnie wrażliwych. Fragment architektury systemu. Warunki handlowe. Projekt umowy. Informacje o planowanym produkcie. Lista problemów znalezionych podczas testów. Niepubliczna roadmapa. Wewnętrzne komentarze dotyczące klienta. Dane z procesu rekrutacyjnego. Kod źródłowy. Wyniki analiz finansowych. Szczegółowe procedury operacyjne. Pojedynczy fragment może wydawać się nieistotny. Problem pojawia się wtedy, gdy organizacja traci kontrolę nad tym, gdzie takie informacje trafiają, na jakich zasadach są przetwarzane i czy sposób ich wykorzystania jest zgodny z przyjętymi zobowiązaniami kontraktowymi, regulacyjnymi oraz wewnętrznymi zasadami bezpieczeństwa. Szczególnie niebezpieczna jest normalizacja tego zachowania. Jeśli pracownik raz wklei poufny fragment dokumentu i nic się nie stanie, następnym razem bariera będzie niższa. Po kilku tygodniach taki sposób pracy może stać się rutyną. Co więcej, pracownik zaczyna budować własny, nieformalny proces. Jedno narzędzie wykorzystuje do podsumowań, drugie do analizy plików, trzecie do kodu, czwarte do prezentacji. Z perspektywy użytkownika jest to po prostu osobisty zestaw narzędzi zwiększających efektywność. Z perspektywy organizacji powstaje niewidoczny ekosystem przetwarzania informacji, nad którym nikt nie ma pełnej kontroli. Shadow AI przestaje wtedy oznaczać pojedynczy przypadek użycia. Staje się alternatywną warstwą infrastruktury pracy stworzoną oddolnie przez użytkowników.

Warto także zauważyć, że nie każdy pracownik potrafi prawidłowo ocenić wrażliwość informacji. Klasyfikacja danych jest dla działów bezpieczeństwa oczywista na poziomie polityk i procedur, ale w rzeczywistej pracy granice bywają znacznie mniej czytelne. Czy można wkleić fragment umowy, jeśli usuniemy nazwę klienta? Czy dokument bez danych osobowych nadal może być poufny? Czy kod pozbawiony nazw systemów przestaje być własnością intelektualną? Czy wolno przesłać logi, jeśli nie zawierają numerów kont ani nazwisk? Takie pytania pojawiają się w praktyce znacznie częściej niż spektakularny przypadek przesłania pełnej bazy klientów do publicznego modelu. To właśnie setki drobnych decyzji podejmowanych codziennie przez pracowników tworzą realny profil ryzyka organizacji. Dochodzi do tego jeszcze jeden problem. Wynik wygenerowany przez AI łatwo odłączyć od źródła, z którego powstał. Pracownik może wykorzystać odpowiedź w prezentacji, raporcie, kodzie lub analizie i po kilku dniach nikt nie będzie już pamiętał, że fragment materiału został wcześniej przetworzony w publicznym narzędziu. Informacja wraca do oficjalnego obiegu organizacji w nowej postaci. Proces wygląda poprawnie, dokument znajduje się na firmowym dysku, rezultat został zatwierdzony przez managera, a jednak jego powstanie obejmowało etap, którego organizacja nie kontrolowała. To sprawia, że Shadow AI jest trudne nie tylko do blokowania, ale również do audytowania. Ślad wykorzystania zewnętrznego modelu może praktycznie nie istnieć.

Nie oznacza to oczywiście, że każda interakcja z publicznym AI automatycznie prowadzi do wycieku danych. Byłoby to równie dużym uproszczeniem jak przekonanie, że problem można rozwiązać jednym zakazem. Ryzyko zależy od rodzaju narzędzia, warunków korzystania z usługi, konfiguracji konta, charakteru przekazywanych informacji oraz zasad obowiązujących w danej organizacji. Istotą problemu jest jednak utrata kontroli. Firma może mieć świetnie zaprojektowane procedury ochrony danych i jednocześnie nie wiedzieć, że część rzeczywistej pracy odbywa się w systemach, których nigdy nie uwzględniono w architekturze bezpieczeństwa.

Najbardziej interesujące jest to, że mechanizm ten może dotyczyć właśnie najlepszych i najbardziej zaangażowanych pracowników. Osoby szukające sposobów na automatyzację swojej pracy, eksperymentujące z nowymi narzędziami i próbujące dostarczać wyniki szybciej często jako pierwsze odkrywają możliwości generatywnej AI. Organizacja może więc znaleźć się w sytuacji, w której zachowanie zwiększające produktywność jednocześnie zwiększa ryzyko. Trudno rozwiązać ten konflikt, przedstawiając go wyłącznie jako problem przestrzegania procedur. Pracownik widzi przecież wymierną korzyść tu i teraz. Potencjalne konsekwencje bezpieczeństwa są odległe i nie zawsze dobrze rozumiane. Dlatego Shadow AI należy traktować jako problem projektowania środowiska pracy, a nie wyłącznie kontroli zachowań. Jeżeli bezpieczna droga jest istotnie trudniejsza, wolniejsza lub mniej użyteczna od drogi nieformalnej, organizacja sama tworzy warunki sprzyjające obchodzeniu zasad. Ludzie w naturalny sposób optymalizują swoją pracę. Wybierają rozwiązania, które pozwalają szybciej zakończyć zadanie, zmniejszyć liczbę powtarzalnych czynności i osiągnąć lepszy rezultat. Nie wystarczy więc powiedzieć im, czego nie wolno robić. Trzeba stworzyć takie warunki, aby bezpieczny wybór był jednocześnie wyborem praktycznym.

Właśnie tutaj dochodzimy do najważniejszego pytania całego problemu. Jeżeli pracownik może wykonać zadanie w dziesięć minut przy użyciu publicznego AI albo w godzinę przy użyciu narzędzi oficjalnych, co właściwie powinno zostać naprawione: zachowanie pracownika czy środowisko, które postawiło go przed takim wyborem? Odpowiedź na to pytanie prowadzi już bezpośrednio do tego, jak organizacje powinny próbować ograniczać Shadow AI.

Jak organizacja może ograniczyć Shadow AI?

Najprostszą reakcją organizacji na Shadow AI jest zakaz. Nie korzystać z publicznych modeli. Nie przesyłać dokumentów. Nie używać prywatnych kont. Nie instalować niezatwierdzonych aplikacji. Z perspektywy bezpieczeństwa takie zasady są zrozumiałe, a w wielu przypadkach wręcz konieczne. Problem zaczyna się wtedy, gdy na zakazie kończy się cała strategia organizacji. Pracownik nadal ma przecież te same zadania, te same terminy i tę samą potrzebę zwiększania efektywności. Wie również, że istnieją narzędzia, które mogą skrócić kilka godzin pracy do kilkudziesięciu minut. Jeśli firma mówi mu jedynie, czego nie wolno robić, ale nie pokazuje, jak osiągnąć podobny rezultat w sposób bezpieczny, nie rozwiązuje problemu. Co najwyżej spycha go jeszcze głębiej w cień.

Dlatego ograniczanie Shadow AI powinno zaczynać się od zaakceptowania niewygodnego faktu: pracownicy będą korzystać ze sztucznej inteligencji. Nie dlatego, że zarząd przyjął strategię AI, ani dlatego, że dział IT uruchomił oficjalny projekt. Będą z niej korzystać dlatego, że jest użyteczna. Pytaniem nie jest więc już, czy AI pojawi się w codziennej pracy organizacji, lecz na jakich zasadach będzie wykorzystywane. Im dłużej firma próbuje udawać, że może zatrzymać ten proces samymi ograniczeniami technicznymi, tym większa przestrzeń powstaje dla rozwiązań nieformalnych. Dojrzałe podejście powinno polegać na przeniesieniu aktywności z obszaru Shadow AI do świadomego i kontrolowanego wykorzystania AI.

Pierwszym elementem jest oczywiście odpowiednie środowisko technologiczne. Jeżeli organizacja oczekuje, że pracownicy będą korzystali wyłącznie z zatwierdzonego rozwiązania, musi ono być wystarczająco dobre, aby rzeczywiście chcieli z niego korzystać. Bezpieczeństwo jest warunkiem koniecznym, ale nie może być jedynym kryterium. Narzędzie powinno odpowiadać na rzeczywiste potrzeby użytkowników, pozwalać na pracę z typowymi dla nich dokumentami i procesami oraz zapewniać jakość odpowiedzi, która daje odczuwalną wartość. Bez tego oficjalne AI może stać się kolejnym systemem wdrożonym z sukcesem technicznym, ale omijanym w codziennej pracy.

Drugim elementem są jasne zasady. Nie wystarczy powiedzieć, że „nie wolno przekazywać danych poufnych”. Dla osoby zajmującej się bezpieczeństwem informacji takie sformułowanie może wydawać się oczywiste. Dla pracownika analizującego dokumentację projektową już niekoniecznie. Organizacja powinna możliwie jasno określić, jakie rodzaje informacji można przekazywać do poszczególnych narzędzi, czego robić nie wolno i co należy zrobić w sytuacji niepewności. Szczególnie ważne jest odejście od regulacji tworzonych wyłącznie językiem prawnym lub technicznym. Polityka AI powinna pomagać człowiekowi podjąć właściwą decyzję w ciągu kilkunastu sekund podczas rzeczywistego dnia pracy, a nie wyłącznie dobrze wyglądać podczas audytu.

Najważniejszym elementem pozostają jednak kompetencje. Można wdrożyć bezpieczne narzędzie i można napisać świetną politykę, ale dopóki pracownik nie będzie potrafił uzyskać z firmowego AI rezultatu, którego potrzebuje, presja na poszukiwanie alternatyw nie zniknie. Dlatego edukacja dotycząca AI nie powinna ograniczać się do prezentacji o zagrożeniach. Powinna obejmować rzeczywistą pracę z narzędziami. Jak przygotować dobre polecenie? Jak przekazać właściwy kontekst? Jak rozbić złożone zadanie na etapy? Jak poprawiać wynik poprzez kolejne iteracje? Jak rozpoznawać halucynacje? Jak oddzielać informacje, które można wykorzystać w modelu, od tych, których przekazywać nie wolno? Jak korzystać z AI jako wsparcia w analizie, nie oddając mu jednocześnie odpowiedzialności za decyzję? Właśnie takie umiejętności decydują o tym, czy sztuczna inteligencja będzie rzeczywistym narzędziem pracy, czy jedynie kolejną ikoną na firmowym pulpicie.

Szczególna odpowiedzialność spoczywa tutaj na managerach. To oni w największym stopniu kształtują codzienny sposób pracy zespołów. Jeżeli z jednej strony pracownik słyszy, że nie wolno korzystać z publicznego AI, a z drugiej otrzymuje coraz krótsze terminy i oczekiwanie większej produktywności, pojawia się oczywisty konflikt. Manager powinien wiedzieć, jakie narzędzia są dostępne dla zespołu, do jakich zastosowań można ich używać i jak rozmawiać o AI bez tworzenia atmosfery, w której pracownicy wolą ukrywać eksperymenty z nową technologią. Organizacja dowie się więcej o rzeczywistym wykorzystaniu AI wtedy, gdy pracownik będzie mógł powiedzieć: „znalazłem narzędzie, które bardzo pomaga mi w tym zadaniu – czy możemy sprawdzić, czy wolno z niego korzystać?”, niż wtedy, gdy jedyną możliwą odpowiedzią firmy jest automatyczne „nie”. Warto również pamiętać, że dojrzałość w korzystaniu z AI nie oznacza znajomości kilkudziesięciu narzędzi. Wręcz przeciwnie. Rynek aplikacji opartych na sztucznej inteligencji rozwija się tak szybko, że próba śledzenia każdej nowej usługi jest praktycznie niemożliwa. Znacznie bardziej wartościowe jest nauczenie się zasad, które można przenosić pomiędzy różnymi modelami i platformami. Dobrze zdefiniowany problem, właściwy kontekst, iteracyjna praca z odpowiedzią, krytyczna weryfikacja wyniku i świadomość bezpieczeństwa danych pozostają potrzebne niezależnie od tego, jak będzie nazywało się najpopularniejsze narzędzie za rok czy dwa lata.

Shadow AI nie zniknie więc dzięki jednemu dokumentowi ani jednej decyzji działu IT. Można natomiast znacząco ograniczyć jego skalę poprzez stworzenie środowiska, w którym pracownik nie musi wybierać pomiędzy bezpieczeństwem a efektywnością. Organizacja, która zapewnia odpowiednie narzędzia, jasno określa zasady i jednocześnie rozwija kompetencje swoich ludzi, zmienia charakter problemu. AI przestaje funkcjonować w cieniu, ponieważ pracownik ma zarówno możliwość, jak i wiedzę pozwalającą korzystać z niego w sposób świadomy.

Być może właśnie tutaj znajduje się najważniejszy wniosek. Najlepszym zabezpieczeniem przed Shadow AI nie jest pracownik, który boi się korzystać ze sztucznej inteligencji. Jest nim pracownik, który wie, jak korzystać z niej dobrze, kiedy może jej zaufać, kiedy powinien zweryfikować wynik i gdzie przebiega granica informacji, których nie wolno przekazywać poza kontrolowane środowisko. Kompetencja nie zastępuje technologii ani procedur bezpieczeństwa, ale sprawia, że zaczynają one działać także poza dokumentacją i regulaminami – w rzeczywistej pracy.

Jeżeli chcesz nauczyć się wykorzystywać narzędzia AI w biznesie bardziej świadomie, efektywnie i bezpiecznie, w Solutio Care prowadzę indywidualne szkolenie z obsługi narzędzi AI w biznesie. Szkolenie jest nastawione na praktyczną pracę z AI i rozwijanie umiejętności, które można później zastosować w codziennych zadaniach zawodowych. Więcej informacji znajdziesz na stronie:

https://www.solutio-care.pl/szkolenie-indywidualne-z-obslugi-narzedzi-ai-w-biznesie

Bo w świecie powszechnego dostępu do sztucznej inteligencji przewagę coraz rzadziej daje samo posiadanie narzędzia. Coraz częściej daje ją umiejętność świadomego korzystania z niego.

Literatura:

• Silic, M., Silic, D., & Kind‐Trüller, K. (2025). From shadow it to shadow AI–threats, risks and opportunities for organizations. Strategic Change.
• Puthal, D., Mishra, A. K., Mohanty, S. P., Longo, A., & Yeun, C. Y. (2025). Shadow AI: Cyber security implications, opportunities and challenges in the unseen frontier. SN Computer Science, 6(5), 405.
• Chin, T., Li, Q., Mirone, F., & Papa, A. (2025). Conflicting impacts of shadow AI usage on knowledge leakage in metaverse-based business models: A Yin-Yang paradox framing. Technology in Society, 81, 102793.
• Ross, J. A., Hibbert, L., & Moss, E. J. (2025, August). Shadow AI: Governance, risk, and organisational resilience. In 2025 International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA) (pp. 1-9). IEEE.
• Balogun, A. Y., Metibemu, O. C., Olutimehin, A. T., Ajayi, A. J., Babarinde, D. C., & Olaniyi, O. O. (2025). The ethical and legal implications of shadow AI in sensitive industries: A focus on healthcare, finance and education. Finance and Education (February 13, 2025).
• Chhetri, M. B., Tariq, S., Aamir, T., Grobler, M., Thapa, C., & Singh, R. (2026). From Frontier to Shadow AI: A Simmering Threat to Assurance and Security in Critical Infrastructure. arXiv preprint arXiv:2606.00088.
• Keshavarz, H., Zadeh, M. M. S., Jalaliyoon, N., Tabatabaee, A., & Shams, Z. (2026). Shadow Artificial Intelligence and Psychological Safety: Hidden Risks in Modern IT Organizations. IT Professional, 28(3), 10-18.
• Majka, M. (2025). AI nie zabiera pracy, upraszcza ją. O prawdziwej roli sztucznej inteligencji w biznesie. Solutio Care.
• Majka, M. (2024). How AI Will Impact Ethics?. Linkedin.
• Majka, M. (2024). Understanding AI Ethics Norms and Their Execution. Linkedin.