Shadow AI på jobbet: risker och styrning

Det börjar sällan med ett medvetet beslut. En marknadschef klistrar in kundlistan i ett chattverktyg för att bli klar före lunch. En utvecklare matar in egenutvecklad källkod i en AI-tjänst för att få en bugg förklarad. En ekonomichef laddar upp kvartalsprognosen för att få en sammanfattning inför styrelsemötet.

Ingen av dem försöker kringgå säkerheten. De försöker bli klara med sitt jobb, och det är därför förbud och påminnelser har så svårt att bita.

Shadow AI betyder att anställda använder AI-verktyg och stora språkmodeller utan att IT eller säkerhetsfunktionen har godkänt, känner till eller har insyn i användningen. Till skillnad från äldre skugg-IT är risken inte bara att data hamnar på fel ställe. Data kan bearbetas, loggas och i vissa fall användas för att förbättra modellen.

Vad shadow AI är och varför det skiljer sig från skugg-IT

Klassisk skugg-IT handlar om verktyg: ett privat molnkonto, en projektportal som ingen upphandlat. Shadow AI är samma mönster med en viktig skillnad. Verktyget är inte bara en lagringsplats, det är en maskin som tolkar innehållet.

Data lämnar din kontroll vid inskrivningstillfället, inte vid en senare delning.
Innehållet kan ingå i träningsdata, vilket gör en raderingsbegäran verkningslös.
Verktyget producerar nytt innehåll, vilket skapar ansvar för beslut som fattas på grundval av resultatet.

Tröskeln är dessutom nära noll. Ingen installation, ingen licens, inget godkännande. Det räcker med en webbläsare och en privat inloggning.

Hur stort är problemet egentligen

Branschmätningar pekar återkommande på att en majoritet av kunskapsarbetare använder AI-verktyg varje vecka, medan långt färre organisationer har en formell policy. Glappet mellan användning och styrning växer snabbare än de flesta säkerhetsteam hinner ikapp.

För en svensk organisation betyder det att kundregister, personnummer i fritext, avtalsutkast, prognoser och källkod löper risk att hamna hos en underbiträdeskedja som ingen upphandlat. Risken förstärks av att AI-funktioner nu är inbyggda i verktyg du redan godkänt, ofta påslagna som standard. Då handlar det inte om en enskild anställds beteende utan om en konfiguration ingen tagit ställning till.

Riskerna som faktiskt kostar pengar

Dataläckage och immaterialrätt

Det mest omtalade exemplet är tillverkaren som lät ingenjörer klistra in proprietär källkod i ett publikt chattverktyg för felsökning. Koden hamnade i ett sammanhang företaget inte kontrollerade, och bolaget fick bygga en intern AI-miljö under tidspress. Efterhandsarbetet blev dyrare än en fungerande styrning hade varit i förväg.

Samma logik gäller algoritmer, prissättningsmodeller och affärsplaner. Materialet behöver inte läcka ut aktivt. Det räcker att leverantörens villkor tillåter användning för modellförbättring.

Personuppgifter och regelefterlevnad

Att behandla personuppgifter via ett verktyg utan biträdesavtal, utan dokumenterad rättslig grund och utan kontroll av lagringsplats är ingen gråzon. Det är behandling som saknar stöd i GDPR. Lägg till sektorsregler för hälso- och sjukvård, finans och offentlig sektor.

Ett företagsabonnemang löser bara problemet om avtalet är påskrivet, instansen är rätt konfigurerad och användarna använder företagskontot i stället för sitt privata.

Felaktiga svar och ansvarsglapp

Språkmodeller formulerar sig övertygande även när de har fel. Går resultatet rakt in i ett avtal, en kreditbedömning eller en teknisk lösning uppstår två problem: felet och frånvaron av spår. Kände säkerhetsteamet inte till verktyget finns ingen logg över modell, prompt eller version, och då går det inte att förklara hur ett beslut fattades. Det är i sig en regelefterlevnadsrisk, oavsett om beslutet var korrekt.

Varför ett förbud inte löser problemet

Ett totalförbud är enkelt att skriva och svårt att leva med. Produktivitetsvinsten är verklig, och den som inte får ett godkänt verktyg hittar ett annat. Resultatet blir samma användning med sämre insyn.

En fungerande strategi har två ben: styrning som sätter gränser och möjliggörande som ger ett godkänt alternativ som är minst lika smidigt.

Steg 1: Kartlägg innan du reglerar

Du kan inte styra det du inte ser. Börja med synlighet, inte med policy.

Granska nätverks- och DNS-loggar för trafik mot kända AI-tjänster och API-slutpunkter.
Inventera webbläsartillägg via din enhetshantering, eftersom många verktyg nås den vägen.
Gå igenom SaaS-portalen för AI-funktioner som redan är påslagna i godkända system.
Fråga medarbetarna anonymt vilka verktyg de använder och vilket problem de löser. Svaren avgör vad det godkända alternativet måste klara.

Bygg kartläggningen som mätning av trafik till kända domäner, inte som granskning av enskilda personer. Dokumentera tjänster och datatyper i er tillgångsförteckning.

Steg 2: Klassificera data före du väljer verktyg

Definiera nivåer som går att tillämpa utan att tveka i stunden.

Publikt: marknadsmaterial och öppen dokumentation. Tillåtet i alla godkända verktyg.
Internt: processer och analyser utan känsliga uppgifter. Tillåtet i företagslicensierade verktyg med biträdesavtal.
Konfidentiellt: kunddata, ekonomi och avtal. Endast i privat eller egenhostad miljö.
Restriktat: källkod, förvärv och juridiskt privilegierat material. Inget AI-verktyg utan skriftligt godkännande i förväg.

Med fyra nivåer blir frågan om ett verktyg är tillåtet en avläsning i stället för en bedömning.

Steg 3: Skriv en policy som ryms på en sida

En AI-policy på fyrtio sidor läses av juristerna och ingen annan. Skriv kort: vilka verktyg som är godkända, villkorade eller förbjudna, vilka datanivåer som får förekomma var, vilka användningsområden som är uteslutna och vad som händer vid överträdelse.

Frågan medarbetaren ställer sig är praktisk: får jag klistra in det här? Svaret ska ta fem sekunder. Komplettera med en rutin för godkännande av nya verktyg, för en kö som tar tre veckor producerar shadow AI.

Steg 4: Ge godkända alternativ som är enklare att använda

Det godkända verktyget måste vara lättare att nå än det otillåtna. Kräver det säkra alternativet fem steg medan det osäkra fungerar direkt i webbläsaren väljer de flesta det osäkra.

Företagslicens hos etablerad leverantör med avtal som utesluter träning på era data och med loggning i er egen klientorganisation.
Privat eller egenhostad modell för känsligare data, i eget datacenter eller i en molnleverantörs isolerade körmiljö.
Sanering som arbetssätt: ta bort namn, datum, kontonummer och andra identifierare innan innehållet används. Verktyget ger fortfarande värde, men uppgifterna är inte längre personuppgifter.

Steg 5: Mät och följ upp

En policy utan uppföljning är teater. Sätt tre mätpunkter: antal upptäckta AI-tjänster i trafiken, andel användare på godkända verktyg och antal incidenter kopplade till AI-användning. Följ dem kvartalsvis.

Tekniskt handlar det om tre lager: regler i molnåtkomstkontrollen som larmar vid trafik till icke godkända AI-tjänster, dataläckageskydd som reagerar på mönster i utgående trafik, och en rutin för vad som händer om känsliga uppgifter redan lämnat miljön. Rutinen bör ange vem som kontaktar leverantören, hur incidenten klassas och när kunder eller tillsynsmyndighet ska informeras.

Vanliga frågor

Vad skiljer shadow AI från skugg-IT? Skugg-IT är all teknik som används utan IT-godkännande. Shadow AI avser AI-verktygen, och risken är större eftersom data kan bearbetas och användas för modellträning, inte bara lagras.

Är det ett GDPR-problem att använda chattverktyg på jobbet? Det beror på innehållet. Intern idégenerering och publikt material är sällan ett problem. Personuppgifter utan biträdesavtal, rättslig grund och kontroll över lagringsplats är det.

Hur upptäcker vi användning utan att övervaka medarbetare? Mät trafik mot kända AI-tjänster i nätverket och inventera webbläsartillägg, i stället för att granska enskildas aktivitet på enheten. Beskriv metoden i integritetspolicyn så att den är känd i förväg.

Räcker det med ett företagsabonnemang? Bara om avtalet är tecknat, instansen är rätt konfigurerad och användarna använder företagskontot. Ett privat konto med jobbmejl är fortfarande shadow AI.

Var börjar vi om vi bara har en vecka? Kartlägg trafiken, stäng av AI-funktioner ni inte tagit ställning till i befintliga system och publicera en enkel datanivåmodell. Det ger mer än en lång policy som ingen följer upp.

Behöver ni hjälp med en lägesbild och en plan som går att genomföra? Prata med teamet för en avgränsad genomgång av AI-användning, datanivåer och tekniska kontroller.

Shadow AI på arbetsplatsen: risker och hur du styr dem