Bezpieczeństwo danych i AI

Wdrożenie AI w firmie powinno iść w parze z dbałością o bezpieczeństwo danych — pomagamy pogodzić jedno z drugim.

Na czym polega ta usługa

Zakres obejmuje ocenę bezpieczeństwa danych przy wdrażaniu narzędzi AI, klasyfikację danych oraz przygotowanie zasad ich odpowiedzialnego wykorzystania.

Dla kogo ma sens

Usługa jest przydatna dla firm wdrażających AI, którym zależy na jednoczesnym zachowaniu bezpieczeństwa danych.

Ile to trwa

Prace mieszczą się z reguły w standardowym czasie do 3 dni.

Warunki

Diagnoza wstępna i wycena są bezpłatne, a usługa objęta jest gwarancją do 12 miesięcy.

Kluczowe wektory ryzyka i wycieku informacji przy korzystaniu z AI

Wdrożenie systemów sztucznej inteligencji (ang. Artificial Intelligence, AI) oraz dużych modeli językowych (ang. Large Language Models, LLM) w środowisku biurowym otwiera nowe możliwości automatyzacji, lecz wprowadza także specyficzne zagrożenia dla poufności informacji. Główne ryzyko wynika z niekontrolowanego transferu wrażliwych danych poza infrastrukturę przedsiębiorstwa do chmur publicznych dostawców zewnętrznych.

W praktyce biurowej najczęstszym problemem jest bezpośrednie wprowadzanie przez pracowników poufnych treści do ogólnodostępnych czatów internetowych. Dotyczy to wyciągów z umów handlowych, zestawień finansowych, kodów źródłowych oprogramowania, baz adresowych klientów, a także danych podlegających ochronie w ramach RODO (Rozporządzenie o Ochronie Danych Osobowych). W przypadku darmowych lub standardowych kont konsumenckich wprowadzone zapytania (ang. prompts) mogą być domyślnie zapisywane na serwerach dostawcy i wykorzystywane do dalszego trenowania kolejnych generacji modeli. Oznacza to, że fragmenty poufnych informacji mogą w przyszłości pojawić się w odpowiedziach wygenerowanych dla innych podmiotów.

Kolejnym wektorem zagrożeń są nieautoryzowane wtyczki do przeglądarek internetowych oraz dodatki do programów pocztowych. Aplikacje tego typu oferują szybkie streszczanie korespondencji lub dokumentów PDF, jednak często przesyłają pełną zawartość plików przez pośredniczące serwery proxy o nieznanym poziomie zabezpieczeń. W ten sposób dochodzi do ujawnienia haseł, korespondencji zarządu czy ofert przetargowych.

Zagrożenie stanowią także niezabezpieczone klucze API (ang. Application Programming Interface - interfejs programistyczny aplikacji). Skrypty automatyzujące przepływ informacji między systemami firmowymi a silnikami AI bywają konfigurowane w sposób statyczny, gdzie tokeny dostępowe zapisywane są jawnym tekstem w plikach konfiguracyjnych stacji roboczych, co ułatwia ich przechwycenie w przypadku infekcji złośliwym oprogramowaniem.

Klasyfikacja zasobów i kontrola dostępu przed uruchomieniem narzędzi AI

Bezpieczne korzystanie z narzędzi sztucznej inteligencji wymaga wcześniejszego uporządkowania uprawnień w strukturze sieciowej firmy. Przed dopuszczeniem asystentów cyfrowych do indeksowania zasobów konieczne jest przeprowadzenie szczegółowej klasyfikacji danych.

Informacje przetwarzane w przedsiębiorstwie dzieli się zazwyczaj na cztery podstawowe kategorie: dane jawne (materiały marketingowe, cenniki publiczne), dane wewnętrzne (ogólne instrukcje, procedury biurowe), dane poufne (dane finansowe, plany strategiczne, dokumentacja techniczna) oraz dane ściśle tajne (dane osobowe, dokumentacja kadrowa, bazy haseł, tajemnice handlowe). Narzędzia AI powinny mieć technicznie ograniczony dostęp wyłącznie do tych kategorii, które są niezbędne do realizacji określonego zadania.

Podstawą konfiguracji jest zasada najmniejszych uprawnień (ang. Principle of Least Privilege). Oznacza ona, że użytkownik oraz powiązane z nim konto aplikacji AI otrzymują wyłącznie taki poziom dostępu do plików i baz danych, jaki jest bezwzględnie konieczny do pracy. W środowiskach opartych na Windows Server oraz usłudze Active Directory (katalogowej bazie danych zarządzającej tożsamościami i uprawnieniami w domenie) wdraża się rygorystyczne listy kontroli dostępu (ang. ACL - Access Control Lists).

Brak właściwej segmentacji uprawnień prowadzi do sytuacji, w której asystent AI zintegrowany z wewnętrzną wyszukiwarką plików indeksuje udziały sieciowe (ang. Network Attached Storage, NAS) i na proste zapytanie szeregowego pracownika prezentuje poufne zestawienia zarobków lub wyceny zysków, do których pytający nie powinien mieć wglądu.

Lokalne modele sztucznej inteligencji (Local LLM) jako alternatywa on-premise

Dla przedsiębiorstw przetwarzających informacje o wysokim stopniu poufności optymalnym rozwiązaniem pod kątem bezpieczeństwa jest wdrożenie lokalnych modeli sztucznej inteligencji w architekturze on-premise (uruchamianych bezpośrednio na własnym sprzęcie komputerowym w siedzibie firmy).

Lokalne instancje modeli językowych instaluje się na wydajnych stacjach roboczych lub dedykowanych serwerach wyposażonych w odpowiednie procesory graficzne (ang. GPU - Graphics Processing Unit) oraz pamięć operacyjną RAM. W takim scenariuszu cały proces wnioskowania i analizy dokumentów odbywa się wewnątrz lokalnej sieci komputerowej (LAN), bez konieczności wysyłania jakichkolwiek pakietów danych na serwery zewnętrzne.

Rozwiązanie to pozwala na pełną izolację środowiska roboczego od publicznego Internetu (ang. Air-Gapped Network). Modele lokalne mogą bezpiecznie przetwarzać wewnętrzne bazy wiedzy, archiwa umów, dokumentację technologiczną oraz bazy systemów ERP bez ryzyka naruszenia tajemnicy przedsiębiorstwa lub przepisów RODO. Zarządzanie takim środowiskiem realizuje się na systemach Windows lub Linux, dbając o regularną konserwację, tworzenie kopii zapasowych oraz monitorowanie obciążenia podzespołów.

Bezpieczna integracja narzędzi AI z systemami ERP i bazami danych

Wiele firm dąży do połączenia możliwości analitycznych sztucznej inteligencji z danymi zgromadzonymi w systemach zarządzania przedsiębiorstwem, takich jak InsERT GT/nexo (Subiekt, Rewizor, Gratyfikant), Comarch ERP (Optima, XL), WAPRO ERP (Mag, Fakir, Kaper), Sage Symfonia, enova365 czy RAKS.

Bezpośrednie podłączanie zewnętrznych narzędzi AI do produkcyjnej bazy danych (np. Microsoft SQL Server) rodzi poważne zagrożenia dla integralności i poufności danych. Prawidłowa integracja wymaga zastosowania warstwy pośredniczącej, która izoluje główną bazę od zapytań analitycznych.

W praktyce stosuje się dedykowane widoki bazodanowe (ang. SQL Views) oraz procedury składowane (ang. Stored Procedures), które udostępniają modelom analitycznym wyłącznie zanonimizowane lub zagregowane zbiory danych. Z przesyłanych tabel wycina się numery PESEL, numery NIP, dane kontaktowe osób fizycznych, adresy zamieszkania oraz numery rachunków bankowych.

Dodatkowo konfiguruje się bezpieczne bramy API (ang. API Gateway), które kontrolują każde przychodzące i wychodzące zapytanie pod kątem złośliwego kodu (np. ataków typu SQL Injection - wstrzykiwania nieautoryzowanych komend do bazy danych) oraz rejestrują pełną historię operacji w dziennikach audytowych.

Najczęstsze błędy przy samodzielnych próbach wdrażania AI w firmie

Samodzielne wprowadzanie narzędzi sztucznej inteligencji bez odpowiedniego przygotowania informatycznego często prowadzi do powstawania poważnych luk w zabezpieczeniach. Do najczęściej spotykanych błędów należą:

Wprowadzanie całkowitego zakazu korzystania z AI bez zapewnienia bezpiecznych narzędzi alternatywnych. Skutkuje to zjawiskiem Shadow IT (niewidocznego IT), w którym pracownicy omijają zakazy i używają prywatnych telefonów, tabletów lub prywatnych kont pocztowych do przesyłania firmowych dokumentów na darmowe serwery publiczne.
Pozostawianie domyślnych ustawień kont komercyjnych. W wielu usługach chmurowych opcja wykorzystywania zapytań do trenowania modeli jest domyślnie aktywna i wymaga ręcznego wyłączenia w panelu administracyjnym (ang. Data Opt-Out).
Nadawanie skryptom integrującym AI uprawnień administratora domenowego lub uprawnień systemowych 'sa' w bazie SQL Server. W razie przejęcia kontroli nad skryptem atakujący zyskuje nieograniczony dostęp do całej infrastruktury serwerowej firmy.
Przesyłanie pełnych zrzutów baz danych (plików kopii zapasowych o rozszerzeniach .bak lub .mdf) do internetowych parserów kodu i modeli językowych w celu uzyskania szybkiej analizy błędu.
Brak rejestrowania zapytań (ang. Logging) i brak monitorowania ruchu sieciowego generowanego przez aplikacje korzystające z modeli zewnętrznych, co uniemożliwia wykrycie ewentualnego wycieku danych.
Nieweryfikowanie odpowiedzi generowanych przez sztuczną inteligencję (zjawisko halucynacji - generowania nieprawdziwych, lecz przekonująco brzmiących danych), co może prowadzić do błędnych decyzji księgowych, prawnych lub magazynowych.

Kiedy problemem nie jest technologia AI, lecz luki w podstawowej strukturze IT

Często obawy związane z bezpieczeństwem sztucznej inteligencji ujawniają usterki i zaniedbania, które istniały w infrastrukturze informatycznej firmy na długo przed wdrożeniem nowych narzędzi. W takich przypadkach problemem nie jest sam silnik AI, lecz brak podstawowej higieny sieciowej i systemowej.

Typowym przykładem są nieprawidłowo skonfigurowane uprawnienia do współdzielonych folderów sieciowych na serwerach plików lub dyskach NAS. Jeśli folder zawierający umowy pracownicze lub dokumentację finansową jest dostępny dla grupy "Wszyscy użytkownicy", dowolna aplikacja, w tym lokalny asystent AI, odczyta te pliki zgodnie z nadanymi uprawnieniami systemowymi. Usunięcie problemu wymaga wówczas przebudowy struktury uprawnień NTFS/SMB, a nie blokowania samego oprogramowania analitycznego.

Innym częstym zjawiskiem jest brak szyfrowania dysków twardych (np. mechanizmem BitLocker w systemie Windows lub LUKS w systemach Linux) na stacjach roboczych i laptopach pracowników pracujących zdalnie. W przypadku utraty lub kradzieży urządzenia niezaszyfrowane bazy danych lokalnych modeli oraz historia zapytań mogą zostać bezpośrednio odczytane przez osoby niepowołane.

Zagrożenie stanowi także brak wieloskładnikowego uwierzytelniania (ang. MFA - Multi-Factor Authentication) na firmowych kontach chmurowych i pocztowych. Przejęcie pojedynczego hasła pracownika pozwala osobom trzecim na dostęp do całej historii konwersacji z asystentami AI oraz powiązanych repozytoriów dokumentów.

Procedury bezpieczeństwa i polityka korzystania z AI w przedsiębiorstwie

Techniczne zabezpieczenia infrastruktury IT muszą być poparte jasnymi i zrozumiałymi procedurami organizacyjnymi. Każda firma wykorzystująca rozwiązania sztucznej inteligencji powinna wdrożyć wewnętrzną politykę bezpieczeństwa AI.

Dokument ten precyzuje, które narzędzia są oficjalnie zatwierdzone przez dział IT, jakie typy informacji wolno przetwarzać za pomocą poszczególnych modeli oraz w jakich sytuacjach bezwzględnie wymagane jest uzyskanie zgody administratora systemów. Pracownicy powinni przejść instruktaż z zakresu rozpoznawania danych wrażliwych oraz technik bezpiecznego formułowania zapytań (ang. Prompt Sanitization - oczyszczanie zapytań z danych identyfikacyjnych).

Ważnym elementem organizacyjnym jest również formalna ochrona prawna. Na życzenie klientów przygotowujemy bezpłatną umowę o zachowaniu poufności (ang. NDA - Non-Disclosure Agreement) przed przystąpieniem do jakichkolwiek prac audytowych lub wdrożeniowych. Gwarantuje to pełne bezpieczeństwo tajemnic handlowych i danych operacyjnych podczas analizy środowiska informatycznego.

W ramach kompleksowego wsparcia technicznego wykonujemy bezpłatny przegląd środowiska IT dla firm, który pozwala zidentyfikować luki w konfiguracji serwerów, stacji roboczych, sieci lokalnych oraz baz danych przed podłączeniem nowych modułów sztucznej inteligencji.

Najczęstsze pytania dotyczące bezpieczeństwa AI i ochrony danych

Czy korzystanie z płatnych subskrypcji AI w chmurze gwarantuje pełną poufność danych?

Płatne wersje biznesowe (ang. Enterprise / Team) oferują wyższy poziom ochrony niż konta darmowe, w tym formalną deklarację niewykorzystywania wprowadzanych danych do trenowania modeli publicznych. Mimo to dane nadal opuszczają sieć firmy i są przetwarzane na serwerach zewnętrznych, co może stać w sprzeczności z wewnętrznymi regulacjami branżowymi, tajemnicą bankową, lekarską lub rygorystycznymi umowami z kontrahentami. W przypadku danych o krytycznym znaczeniu bezpieczniejszym rozwiązaniem pozostają modele lokalne on-premise.

Czym różni się lokalny model sztucznej inteligencji od rozwiązania w chmurze?

Lokalny model AI (Local LLM) jest zainstalowany i uruchamiany bezpośrednio na sprzęcie komputerowym w siedzibie firmy (na serwerze lub dedykowanej stacji roboczej). Wszystkie obliczenia, zapytania i analizowane pliki pozostają w obrębie lokalnej sieci komputerowej (LAN) i nie są wysyłane do Internetu. Rozwiązanie chmurowe działa na serwerach dostawcy zewnętrznego, co wymaga stałego połączenia z siecią i przesyłania zapytań przez łącze internetowe.

Jak sprawdzić, czy pracownicy nie przesyłają poufnych dokumentów firmy do zewnętrznych botów?

Weryfikację przeprowadza się poprzez audyt ruchu sieciowego na poziomie zapory sieciowej (ang. Firewall / UTM - Unified Threat Management) oraz analizę dzienników zdarzeń na stacjach roboczych. Możliwe jest skonfigurowanie reguł blokujących lub monitorujących ruch do znanych domen dostawców publicznych modeli AI oraz wdrożenie systemów zapobiegania wyciekom danych (ang. DLP - Data Loss Prevention), które wykrywają próby kopiowania numerów PESEL, NIP czy numerów kont bankowych do formularzy internetowych.

Czy wdrożenie lokalnego modelu AI wymaga wymiany wszystkich komputerów w firmie?

Nie ma konieczności modernizacji wszystkich stanowisk komputerowych. Wystarczy przygotowanie jednej centralnej stacji roboczej lub serwera z odpowiednią kartą graficzną i pamięcią RAM, który pełni rolę lokalnego silnika analitycznego. Pozostałe komputery i laptopy w firmie łączą się z nim za pośrednictwem sieci lokalnej przez przeglądarkę internetową lub dedykowany interfejs, korzystając z jego mocy obliczeniowej bez obciążania własnych podzespołów.

W jaki sposób zabezpieczyć bazy systemów księgowych przed niekontrolowanym dostępem AI?

Zabezpieczenie polega na całkowitej izolacji głównej bazy danych (np. bazy Microsoft SQL Server w systemach InsERT, Comarch czy WAPRO) od bezpośredniego dostępu aplikacji zewnętrznych. Narzędziom AI udostępnia się wyłącznie dedykowane widoki SQL zawierające zanonimizowane dane liczbowe, bez nazwisk, nazw kontrahentów czy numerów identyfikacyjnych. Dodatkowo nadaje się uprawnienia wyłącznie do odczytu (ang. Read-Only), co uniemożliwia przypadkową lub celową modyfikację zapisów księgowych i magazynowych.

Praktyczne wsparcie w bezpiecznym wdrażaniu nowoczesnych technologii

Właściwe połączenie innowacyjnych narzędzi sztucznej inteligencji z rygorystycznymi zasadami ochrony informacji pozwala na podniesienie efektywności pracy bez narażania przedsiębiorstwa na straty finansowe, wizerunkowe czy prawne. Kluczem do sukcesu jest rzetelny audyt posiadanej infrastruktury, odpowiednia segmentacja uprawnień sieciowych oraz dopasowanie architektury narzędzi do specyfiki przetwarzanych danych.

Wszystkie czynności diagnostyczne, przeglądy środowiska IT oraz prace konfiguracyjne realizujemy bezpośrednio w siedzibie klienta. Działamy na terenie całej Warszawy oraz w promieniu do 40 km w okolicznych powiatach (pruszkowskim, piaseczyńskim, legionowskim, wołomińskim, otwockim, grodziskim i warszawskim zachodnim), zapewniając dojazd w czasie do 1 godziny oraz wsparcie techniczne po realizacji usługi do 30 dni.

22 378 48 09

Bezpieczeństwo danych i AI — w skrócie