Dane wrażliwe firmy wymagają szczególnej ostrożności przy przetwarzaniu ich przez narzędzia AI, niezależnie od tego, jakiego rodzaju są to dane.

Na czym polega ta usługa

Usługa obejmuje przegląd sposobu, w jaki dane wrażliwe mogłyby być przetwarzane przez rozważane narzędzie AI, oraz wskazanie zabezpieczeń ograniczających ryzyko ich ujawnienia.

Dla kogo ma sens

Usługa jest przydatna dla firm rozważających wykorzystanie AI do pracy z danymi wrażliwymi, które chcą zrobić to w bezpieczny sposób.

Ile to trwa

Przegląd bezpieczeństwa danych wrażliwych mieści się z reguły w standardowym czasie do 3 dni.

Warunki

Diagnoza wstępna i wycena są bezpłatne. Dojazd na terenie Warszawy i okolic jest bezpłatny, a usługa objęta jest gwarancją do 12 miesięcy.

Kategorie danych wrażliwych przetwarzanych w firmowych systemach

Dane wrażliwe w przedsiębiorstwie to nie tylko dane osobowe podlegające regulacjom prawnym, takim jak RODO (ogólne rozporządzenie o ochronie danych osobowych), ale również wszelkie informacje o charakterze strategicznym, finansowym oraz operacyjnym. Podczas codziennej pracy biurowej dane te znajdują się w wielu różnych lokalizacjach cyfrowych. Należą do nich bazy danych relacyjnych, takie jak Microsoft SQL Server (system zarządzania relacyjnymi bazami danych), na których opierają się popularne systemy ERP (oprogramowanie do planowania zasobów przedsiębiorstwa), w tym linie InsERT GT oraz nexo (programy Subiekt, Rewizor, Gratyfikant, Rachmistrz), Comarch ERP (Optima, XL), WAPRO ERP (Mag, Fakir, Kaper), Sage Symfonia, enova365 czy RAKS.

W systemach tych gromadzone są bazy kontrahentów, cenniki indywidualne, marże handlowe, numery PESEL i NIP, dane o wynagrodzeniach pracowników oraz rejestry transakcji. Równie istotnym źródłem danych poufnych są pliki arkuszy kalkulacyjnych, dokumenty tekstowe, korespondencja e-mail prowadzona w ramach środowisk Microsoft 365 lub Google Workspace, a także rozliczenia z Zakładem Ubezpieczeń Społecznych przetwarzane w programie Płatnik ZUS. Wprowadzenie dowolnego fragmentu takiego dokumentu lub wyeksportowanej tabeli do nieautoryzowanego narzędzia AI (sztuczna inteligencja) wiąże się z ryzykiem natychmiastowego przekazania tych informacji poza kontrolowane środowisko sieciowe przedsiębiorstwa.

Architektura narzędzi AI a wektory wycieku informacji

Ryzyko związane z wykorzystaniem sztucznej inteligencji zależy w bezpośredni sposób od wybranego modelu architektury oprogramowania. W podstawowych, ogólnodostępnych wersjach webowych asystentów AI dane przesyłane w promptach (poleceniach wpisywanych przez użytkownika w oknie czatu) trafiają na serwery zewnętrznego dostawcy usługi. W domyślnych konfiguracjach konsumenckich dane te mogą być przechowywane w logach serwera, analizowane przez pracowników dostawcy w ramach kontroli jakości, a także wykorzystywane do dalszego trenowania i dostrajania wag modelu generatywnego. Oznacza to, że unikalna wiedza biznesowa firmy lub dane klientów mogą stać się częścią korpusu treningowego, a w skrajnych przypadkach zostać odtworzone w odpowiedziach generowanych dla innych, niepowiązanych użytkowników.

Drugim wektorem zagrożenia są niezweryfikowane rozszerzenia do przeglądarek internetowych oraz aplikacje pośredniczące, które oferują integrację AI z arkuszami kalkulacyjnymi lub klientami pocztowymi. Wiele z takich wtyczek przesyła pełną zawartość przeglądanych stron lub dokumentów przez serwery pośredników trzecich, którzy nie gwarantują odpowiednich standardów szyfrowania ani zgodności z umowami powierzenia przetwarzania danych. Dodatkowe ryzyko stanowi telemetria (automatyczne przesyłanie danych diagnostycznych i statystycznych o sposobie korzystania z oprogramowania) oraz mechanizmy buforowania zapytań w pamięci podręcznej urządzeń końcowych, które mogą być podatne na nieautoryzowany dostęp lokalny.

Warianty wdrożenia sztucznej inteligencji w środowisku firmowym

Bezpieczne korzystanie z możliwości generatywnej sztucznej inteligencji wymaga dopasowania architektury rozwiązania do stopnia poufności przetwarzanych dokumentów. Wyróżnia się trzy główne warianty implementacji:

Pierwszy wariant to usługi chmurowe w modelu korporacyjnym z dedykowanym dostępem przez API (interfejs programistyczny aplikacji). W tym modelu przedsiębiorstwo zawiera z dostawcą umowę gwarantującą, że przesyłane zapytania nie będą wykorzystywane do uczenia modeli, a dane są szyfrowane w spoczynku i podczas transmisji przy użyciu protokołów TLS oraz szyfrowania AES-256 (zaawansowany standard szyfrowania z kluczem o długości 256 bitów). Jest to rozwiązanie elastyczne, lecz wciąż wymagające wysyłania danych poza infrastrukturę lokalną firmy.

Drugi wariant to lokalne wdrożenia on-premise (uruchamianie modeli na własnych serwerach fizycznych zlokalizowanych w siedzibie firmy). Wykorzystuje się w tym celu modele z otwartymi wagami, działające pod kontrolą systemów operacyjnych Linux (takich jak Ubuntu Server lub Debian) lub Windows Server. W tym scenariuszu serwer nie wysyła żadnych danych do sieci zewnętrznej, a całe przetwarzanie odbywa się na dedykowanych kartach graficznych GPU (procesorach graficznych przystosowanych do obliczeń równoległych) wewnątrz odizolowanej sieci lokalnej LAN (lokalna sieć komputerowa). Jest to rozwiązanie zapewniające maksymalny poziom kontroli nad informacjami poufnymi.

Trzeci wariant to model hybrydowy z warstwą pośredniczącą RAG (architektura generowania odpowiedzi wspomagana wyszukiwaniem informacji). W tym podejściu wewnętrzna baza wiedzy firmy jest indeksowana w lokalnej wektorowej bazie danych, a do modelu zewnętrznego przesyłane są wyłącznie zanonimizowane fragmenty tekstu niezbędne do sformułowania odpowiedzi, pozbawione danych identyfikacyjnych.

Mechanizmy techniczne chroniące dane przed przesłaniem do modelu

Skuteczna ochrona danych wrażliwych nie może opierać się wyłącznie na deklaracjach pracowników. Wymaga wdrożenia technicznych barier na poziomie stacji roboczych i sieci firmowej. Do podstawowych mechanizmów należą systemy DLP (oprogramowanie do zapobiegania wyciekom danych), które skanują ruch sieciowy oraz schowek systemowy w poszukiwaniu wzorców danych poufnych, takich jak numery PESEL, numery kart płatniczych, adresy e-mail czy formaty specyficzne dla wewnętrznych indeksów towarowych.

Kolejnym rozwiązaniem jest stosowanie lokalnych serwerów proxy (serwerów pośredniczących w ruchu sieciowym) z funkcją automatycznej anonimizacji i pseudonimizacji (zastępowania danych osobowych sztucznymi identyfikatorami przed wysłaniem zapytania do API). Brama usuwa z tekstu nazwiska, kwoty i nazwy podmiotów, zastępując je znacznikami zastępczymi, a po otrzymaniu odpowiedzi od modelu AI przywraca oryginalne wartości na komputerze uprawnionego pracownika.

Niezbędne jest również wdrożenie mechanizmów RBAC (kontrola dostępu oparta na rolach użytkowników) w ramach struktury Active Directory (usługa katalogowa w systemach Windows Server) lub serwerów LDAP (protokół dostępu do usług katalogowych) w środowiskach Linux. Dzięki temu asystent AI zintegrowany z firmowym dyskiem sieciowym ma dostęp wyłącznie do tych katalogów i zasobów, do których dany pracownik posiada formalne uprawnienia odczytu.

Najczęstsze błędy popełniane podczas pracy z asystentami AI

W praktyce funkcjonowania przedsiębiorstw najwięcej incydentów bezpieczeństwa wynika z niewłaściwych nawyków operacyjnych oraz braku sprecyzowanych reguł korzystania z nowych technologii. Do typowych błędów zaliczają się:

Samowolne korzystanie z narzędzi w ramach zjawiska Shadow IT (używanie przez pracowników niezatwierdzonego przez administratora oprogramowania na komputerach służbowych). Pracownicy wklejają całe zestawienia finansowe, wyciągi z programów księgowych lub fragmenty kodu źródłowego do bezpłatnych wersji czatów internetowych, korzystając z prywatnych kont pocztowych.

Wgrywanie surowych plików bazodanowych i eksportów CSV lub XLSX bez wcześniejszego oczyszczenia z danych osobowych i handlowych. Często użytkownicy nie zdają sobie sprawy, że załączony plik zawiera ukryte arkusze lub metadane z informacjami o autorze i historii zmian.

Instalowanie niesprawdzonych wtyczek do pakietów biurowych Microsoft Office lub przeglądarek internetowych. Wiele bezpłatnych dodatków obiecujących automatyczne podsumowywanie wiadomości e-mail w rzeczywistości przesyła całą pocztę przychodzącą na zewnętrzne, niezweryfikowane serwery.

Współdzielenie jednego konta dostępowego do płatnej usługi AI przez wielu pracowników. Uniemożliwia to prowadzenie rejestru zdarzeń, weryfikację historii zapytań w logach audytowych oraz przypisanie odpowiedzialności za ewentualne naruszenie zasad poufności.

Brak weryfikacji generowanych odpowiedzi pod kątem tzw. halucynacji (generowania przez model fałszywych lub zmyślonych informacji brzmiących w sposób wiarygodny) oraz podatności na prompt injection (atak polegający na wstrzyknięciu złośliwej instrukcji w treści przetwarzanego dokumentu w celu obejścia zabezpieczeń modelu).

Integracja AI z bazami danych SQL Server i systemami ERP

Wiele przedsiębiorstw dąży do zintegrowania modeli sztucznej inteligencji z posiadanym oprogramowaniem handlowo-magazynowym i finansowo-księgowym, aby umożliwić kadrze zarządzającej zadawanie pytań w języku naturalnym o aktualny stan magazynowy, marże czy płynność finansową. Bezpośrednie podłączenie zewnętrznego modelu AI do produkcyjnej bazy danych Microsoft SQL Server stanowi jednak krytyczne zagrożenie dla integralności i poufności całego środowiska IT.

Bezpieczna konfiguracja wymaga utworzenia dedykowanej warstwy pośredniczącej opartej na replikach tylko do odczytu lub zanonimizowanych widokach bazodanowych. Model AI nie powinien mieć bezpośredniego dostępu do struktury tabel programu Subiekt GT, Comarch Optima czy WAPRO Mag. Zamiast tego zapytania w języku naturalnym są tłumaczone na zapytania SQL w odizolowanym środowisku, a wykonanie zapytania następuje wyłącznie w ramach ścisłych limitów uprawnień użytkownika bazodanowego z zablokowaną możliwością modyfikacji danych (instrukcje INSERT, UPDATE, DELETE).

Wszelkie operacje tego typu muszą być objęte rejestracją zdarzeń, a dane zwracane przez bazę podlegają filtrowaniu przez reguły zapobiegające wyciągnięciu pełnych tabel z danymi klientów lub historii wynagrodzeń.

Kiedy problemem nie jest sam model AI, lecz konfiguracja sieci i uprawnień

Podczas analizy incydentów bezpieczeństwa często okazuje się, że źródłem problemu nie jest sam algorytm sztucznej inteligencji, lecz istniejące wcześniej luki w konfiguracji firmowej infrastruktury informatycznej. Asystent AI działający w sieci lokalnej jedynie uwypukla i przyspiesza dostęp do nieodpowiednio zabezpieczonych zasobów.

Typowym przykładem są otwarte zasoby sieciowe SMB (protokół udostępniania plików w sieci lokalnej Windows) bez wymuszonego uwierzytelniania lub z nadanymi uprawnieniami ogólnymi dla wszystkich użytkowników sieci. Jeśli model AI lub pracownik przeszukuje zasoby dysku sieciowego, asystent może zaindeksować i wyświetlić dokumenty kadrowe, umowy menedżerskie czy skany dokumentów, które zostały omyłkowo zapisane w ogólnodostępnym katalogu.

Innym problemem jest brak segmentacji sieci lokalnej LAN na odrębne sieci wirtualne VLAN (wirtualne sieci lokalne izolujące poszczególne działy firmy). Serwery bazodanowe i stacje robocze przetwarzające dane wrażliwe powinny być odseparowane od urządzeń ogólnego dostępu, sieci gościnnych Wi-Fi oraz stacji roboczych o podwyższonym ryzyku. Zabezpieczenie danych przed AI wymaga zatem w pierwszej kolejności uporządkowania uprawnień w systemie operacyjnym Windows lub Linux oraz skonfigurowania reguł na zaporze sieciowej (firewall).

Praktyczny przebieg przeglądu bezpieczeństwa danych w firmie

Audyt i zabezpieczenie środowiska IT pod kątem pracy z narzędziami sztucznej inteligencji przebiega w sposób uporządkowany, z zachowaniem pełnej poufności:

W pierwszym etapie przeprowadzana jest inwentaryzacja narzędzi AI wykorzystywanych przez pracowników oraz identyfikacja kanałów, którymi dane wrażliwe mogą opuszczać firmę. Weryfikacji podlegają przeglądarki internetowe, aktywne wtyczki, oprogramowanie pocztowe oraz stacje robocze.

W drugim etapie analizowane są uprawnienia dostępowe do lokalnych baz danych ERP (InsERT, Comarch, WAPRO, Symfonia), serwerów plików NAS (sieciowe pamięci masowe) oraz zasobów chmurowych Microsoft 365 i Google Workspace.

Trzeci etap obejmuje konfigurację zabezpieczeń sieciowych: reguł na firewallu blokujących nieautoryzowane punkty końcowe API, wdrożenie zasad grupy GPO (polityk zarządzania konfiguracją w systemie Windows Server) zarządzających instalacją rozszerzeń w przeglądarkach oraz konfigurację mechanizmów filtrowania danych wyjściowych.

W przypadku decyzji o wdrożeniu lokalnych modeli AI przeprowadzana jest instalacja i optymalizacja środowiska na serwerze on-premise z systemem Linux lub Windows, wraz z odcięciem możliwości wysyłania pakietów telemetrycznych na zewnątrz sieci firmowej. Całość prac realizowana jest podczas wizyty u klienta, z możliwością bezpłatnego podpisania umowy o zachowaniu poufności (NDA).

Często zadawane pytania dotyczące ochrony danych w narzędziach AI

Czy bezpłatne wersje czatów AI wykorzystują wpisywane dane do trenowania modeli?

Tak, w większości bezpłatnych wersji konsumenckich dane wprowadzane w oknie czatu są zapisywane na serwerach dostawcy i mogą być wykorzystywane do dalszego uczenia algorytmów. Wprowadzenie do takiego narzędzia danych kontrahentów, wyciągów z programów księgowych lub tajemnic przedsiębiorstwa jest równoznaczne z ich przekazaniem podmiotowi zewnętrznemu.

Czym różni się lokalny model AI od usługi chmurowej?

Lokalny model AI działa w całości na sprzęcie należącym do firmy (serwerze lub stacji roboczej z systemem Linux lub Windows Server) wewnątrz sieci lokalnej. Żadne zapytania ani przetwarzane dokumenty nie opuszczają infrastruktury przedsiębiorstwa. Usługa chmurowa wymaga natomiast przesyłania danych przez internet do serwerów zewnętrznego dostawcy, co wymaga zastosowania szyfrowania oraz formalnych umów przetwarzania danych.

W jaki sposób zabezpieczyć dane z programów takich jak Subiekt, Optima czy Symfonia?

Podstawowym zabezpieczeniem jest zakaz bezpośredniego wklejania raportów i baz danych do publicznych narzędzi AI oraz odcięcie bezpośredniego dostępu modeli do produkcyjnych baz Microsoft SQL Server. W przypadku konieczności analizy danych stosuje się procedury automatycznej anonimizacji (usuwania nazwisk, numerów NIP, PESEL i dokładnych kwot) lub buduje się odizolowane widoki bazodanowe z uprawnieniami tylko do odczytu.

Czy przed rozpoczęciem audytu i prac w firmie podpisywana jest umowa o zachowaniu poufności?

Tak, na życzenie klienta bezpłatnie podpisywana jest umowa o zachowaniu poufności (NDA - Non-Disclosure Agreement) przed przystąpieniem do jakichkolwiek analiz środowiska informatycznego i weryfikacji konfiguracji systemów.

Czy wdrożenie bezpiecznego AI wymaga wymiany wszystkich komputerów w firmie?

Nie, w większości przypadków wystarczy odpowiednia konfiguracja istniejącej infrastruktury sieciowej, polityk bezpieczeństwa na stacjach roboczych oraz serwera centralnego. Jeśli firma decyduje się na uruchomienie modelu lokalnego on-premise, dedykowaną kartę graficzną lub serwer instaluje się w jednym centralnym punkcie sieci, a pracownicy korzystają z bezpiecznego interfejsu przez sieć lokalną.

Weryfikacja i zabezpieczenie środowiska IT przed wdrożeniem asystentów AI

Wykorzystanie sztucznej inteligencji w przedsiębiorstwie może znacząco usprawnić analizę danych i przygotowywanie dokumentacji, pod warunkiem zachowania pełnej kontroli nad przepływem informacji poufnych. Prawidłowo skonfigurowane zapory sieciowe, odizolowane bazy danych oraz jasne reguły filtrowania zapytań eliminują ryzyko wycieku tajemnic handlowych i danych osobowych. Usługa realizowana jest bezpośrednio w siedzibie klienta na terenie Warszawy i okolicznych powiatów, zapewniając dostosowanie zabezpieczeń do specyfiki wykorzystywanego oprogramowania biznesowego i architektury sieciowej firmy.

22 378 48 09

Bezpieczeństwo danych wrażliwych przy wykorzystaniu AI w firmie