استفاده از هوش مصنوعی سایه در ۴۵٪ دستگاه‌های شرکتی به نشت داده‌ها منجر شد

تصور کنید یک برنامه‌نویس برای صرفه‌جویی در زمان، کد حساس شرکت را در یک چت‌بات رایگان قرار می‌دهد و ناگهان کل پایگاه داده مشتریان در معرض خطر قرار می‌گیرد. این دیگر یک سناریوی تخیلی نیست، بلکه حقیقتی است که اکنون در گزارش‌های رسمی مالی شرکت‌ها ثبت می‌شود.

در حالی که اکثر رخنه‌های امنیتی نیازمند یک مهاجم خارجی هستند، شرکت خدمات مالی CB Financial Services دچار حادثه‌ای شد که باید به صورت رسمی افشا می‌شد و عامل آن تنها یک کارمند بود که از یک ابزار غیرمجاز هوش مصنوعی استفاده کرده بود. این بانک در یک گزارش رسمی (Form 8-K) به سازمان بورس و اوراق بهادار آمریکا (SEC) در مه ۲۰۲۶ افشا کرد که نام، تاریخ تولد و شماره‌های تأمین اجتماعی مشتریان از طریق یک اپلیکیشن غیرمجاز هوش مصنوعی پردازش شده است. این اتفاق یک وظیفه روتین را به یک شکست نظارتی بزرگ تبدیل کرد و نشان می‌دهد که ریسک‌های تئوریک به واقعیت‌های مستند نظارتی تبدیل شده‌اند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، شکاف بین سرعت پذیرش ابزار و سیاست‌های امنیتی، بزرگ‌ترین نقطه ضعف سازمان‌هاست. در حالی که نشت داده‌های Samsung در سال ۲۰۲۳ — که در آن مهندسان کد منبع اختصاصی را در ChatGPT قرار دادند — یک هشدار جدی بود، وضعیت فعلی بسیار گسترده‌تر و فراگیرتر است. توسعه‌دهندگانی که سریع‌ترین نرخ پذیرش ابزار را دارند و به حساس‌ترین داده‌ها دسترسی دارند، اکنون موتور اصلی و پیشران این ریسک هستند.

مقیاس هوش مصنوعی سایه

مقیاس این مشکل در داده‌های اخیر صنعت به طور دقیق اندازه‌گیری شده است. بر اساس گزارش سال ۲۰۲۶ شرکت Verizon (DBIR)، استفاده منظم از هوش مصنوعی در دستگاه‌های شرکتی در یک سال تنها از ۱۵٪ به ۴۵٪ جهش کرده است. نکته تکان‌دهنده و بحرانی‌تر این است که ۶۷٪ از این استفاده‌ها از طریق حساب‌های شخصی صورت می‌گیرد؛ یعنی حساب‌هایی که تیم‌های امنیتی شرکت هیچ راهی برای نظارت بر آن‌ها ندارند.

پیامدهای مالی این موضوع به سرعت در حال افزایش است. طبق گزارش ۲۰۲۶ شرکت IBM درباره هزینه نشت داده‌ها، ۴۳٪ از سازمان‌های آسیب‌دیده، حوادث مربوط به هوش مصنوعی سایه (Shadow AI) — یعنی استفاده مخفیانه از ابزارهای غیرمجاز در محیط کار برای تسریع فرآیندها — را یکی از عوامل کمک‌کننده به نشت داده‌ها دانسته‌اند. این حوادث به‌طور متوسط مبلغ ۶۷۰ هزار دلار به هزینه کل هر نشت داده اضافه کرده‌اند.

شکاف حاکمیتی

این گسست از عدم تطابق سرعت بهره‌وری توسعه‌دهندگان با سیاست‌های شرکتی ناشی می‌شود. توسعه‌دهندگان در عرض ۱۸ ماه یک کلاس جدید از ابزارها را پذیرفتند، در حالی که حاکمیت شرکتی معمولاً در چرخه‌های سالانه پیش می‌رود. داده‌های سال ۲۰۲۶ شرکت ISACA یک خلأ نظارتی شدید را آشکار می‌کند:

• ۲۵٪ از سازمان‌ها هیچ سیاست رسمی و مکتوبی برای هوش مصنوعی ندارند.
• تنها یک‌سوم شرکت‌ها برای تمام کارکنان خود آموزش‌های مربوط به AI فراهم کرده‌اند.

وقتی ابزاری یک جلسه چهارساعته عیب‌یابی (Debugging) را به ۴۰ دقیقه کاهش می‌دهد، یک فایل PDF در شبکه داخلی شرکت نمی‌تواند با آن رقابت کند. ممنوعیت‌ها معمولاً شکست می‌خورند چون استفاده‌ها صرفاً به گوشی‌های شخصی و لپ‌تاپ‌های خانگی منتقل می‌شوند و در نتیجه ریسک برای سازمان کاملاً نامرئی می‌شود. ممنوع کردن ابزارها ریسک را کاهش نمی‌دهد، بلکه چشم افرادی که مسئول مدیریت این ریسک هستند، می‌بندد.

پنج عادت برای کاهش ریسک

توسعه‌دهندگان می‌توانند بدون قربانی کردن بهره‌وری، ریسک‌های شخصی و حرفه‌ای خود را با اتخاذ پنج عادت خاص کاهش دهند:

• پاک‌سازی قبل از کپی (Sanitize before pasting): نام‌های میزبان (Hostnames)، URLهای داخلی، شناسه‌های مشتریان، کلیدهای API و هر چیزی که شبیه به ساختار دیتابیس (Schema) است را حذف کنید. سی ثانیه زمان برای جستجو و جایگزینی (Find-and-Replace) می‌تواند از یک نشت داده جلوگیری کند. اگر پاک‌سازی داده‌ها بیشتر از حل خود مشکل زمان می‌برد، آن کد اصلاً نباید کپی شود.
• بررسی تنظیمات ذخیره‌سازی: تنظیمات هر ابزار را دقیقاً بشناسید. حساب‌های رایگان مصرف‌کننده اغلب ورودی‌ها را ذخیره کرده و برای آموزش مدل استفاده می‌کنند، در حالی که نسخه‌های سازمانی (Enterprise) معمولاً این کار را نمی‌کنند. حتی اگر حساب شخصی سریع‌تر به نظر برسد، از پلن سازمانی شرکت استفاده کنید؛ این تغییر ساده، بخش بزرگی از ریسک را حذف می‌کند. برای پیاده‌سازی چنین ساختاری، می‌توان از لایه‌های حفاظتی تخصصی در چت‌بات‌های سازمانی بهره برد تا دسترسی‌ها به طور سیستماتیک کنترل شوند.
• حسابرسی افزونه‌ها: با افزونه‌های مرورگر AI مانند وابستگی‌های محیط تولید (Production Dependencies) برخورد کنید. هر ابزاری که می‌تواند هر صفحه‌ای را که می‌بینید بخواند، می‌تواند کنسول‌های مدیریتی، ایمیل‌ها و ویکی‌های داخلی شما را نیز بخواند. قبل از نصب، بررسی کنید که چه داده‌هایی را به سرورهای خود ارسال می‌کند.
• تولرانس صفر برای داده‌های شخصی (PII): هرگز داده‌های دیگران را کپی نکنید. در مورد کدنویس شما می‌توانید قضاوت کنید، اما در مورد داده‌های مشتری خیر. نام‌ها، ایمیل‌ها، تیکت‌های حاوی اطلاعات شناسایی شخصی و متن پیاده‌شده تماس‌ها هرگز نباید وارد ابزاری شوند که خودتان شخصاً انتخاب کرده‌اید. در محیط‌های پیچیده‌تر، استفاده از امنیت ردیفی (Row-Level Security) می‌تواند مانع از دسترسی غیرمجاز به داده‌های حساس در تحلیل‌های AI شود.
• شفاف‌سازی زنجیره ابزارها: به مدیران یا تیم‌های امنیتی بگویید واقعاً از چه ابزارهایی استفاده می‌کنید. هدف این است که ابزارها را از لیست «سایه» به لیست «مجاز» منتقل کنید. تیم‌هایی که کمترین مشکل با هوش مصنوعی سایه دارند، آن‌هایی هستند که در آن‌ها اعتراف به استفاده از یک ابزار، امن و پذیرفته شده است.

راهنمای مدیران تیم

اگر توسعه‌دهنده ارشد یا مدیر تیم هستید، نفوذ شما بیشتر از تیم امنیتی است. هدف شما باید این باشد که «مسیر مجاز»، همان «راحت‌ترین مسیر» باشد. اگر تنظیمات تایید شده کندتر یا ضعیف‌تر از یک تب شخصی ChatGPT باشد، کارکنان راه میان‌بر می‌زنند و سیستم را دور می‌زنند.

به جای مستندات حاکمیتی ۴۰ صفحه‌ای، یک سیاست سه خطی در فایل README تیم خود قرار دهید:

۱. کدهای شرکت $\rightarrow$ فقط ابزارهای تایید شده (لیست زیر). ابتدا پاک‌سازی کنید.
۲. داده‌های مشتری/شخصی $\rightarrow$ هرگز، در هیچ ابزاری و در هیچ سطحی.
۳. ابزار جدید می‌خواهید؟ در کانال #ai-tools پست کنید. پاسخ پیش‌فرض «بله-با بررسی» است.

به جای پذیرفتن هر ابزاری که بخش تدارکات شرکت انتخاب کرده، برای لایسنس‌های سازمانی ابزارهایی فشار بیاورید که تیم شما در حال حاضر ترجیح می‌دهد.

شرکت Gartner پیش‌بینی می‌کند که تا سال ۲۰۲۷، هوش مصنوعی سایه عامل ۴۰٪ از شکست‌های AI در سازمان‌ها باشد. شکاف بین چرخه‌های پذیرش ۱۸ ماهه و چرخه‌های حاکمیتی سالانه همچنان اصلی‌ترین آسیب‌پذیری است.

اینکه این شکاف از طریق عادت‌های بهتر پر شود یا ممنوعیت‌های سخت‌گیرانه، به این بستگی دارد که توسعه‌دهندگان امروز چگونه با دستور «Paste» برخورد کنند. جایگزین این مسیر، شکافی است که با نظارت‌های آزاردهنده پر می‌شود یا گزارشی از نوع 8-K که نام کارفرمای شما روی آن باشد.

گام بعدی شما

• تنظیمات Privacy و Data Training حساب‌های AI خود را همین امروز بررسی کنید.
• لیستی از ابزارهای AI که در گردش کارتان استفاده می‌کنید تهیه کرده و با مدیر فنی خود به اشتراک بگذارید.
• یک چک‌لیست سریع برای پاک‌سازی داده‌های حساس (Sanitization) در کنار محیط کدنویسی خود قرار دهید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.