77% pracowników wkleja dane firmowe do promptów narzędzi GenAI, a 82% tych wklejeń pochodzi z kont prywatnych, całkowicie poza kontrolą działu IT (LayerX, "Enterprise AI and SaaS Data Security Report 2025"). To nie jest ryzyko teoretyczne - to codzienna praktyka w firmach, które nie dały pracownikom bezpiecznej alternatywy, a jednocześnie oczekują, że "jakoś" nie wkleją niczego poufnego.
Skala zjawiska, nie pojedynczy incydent
Cyberhaven w raporcie "2025 AI Adoption and Risk Report" (analiza 7 mln pracowników) wskazuje, że 34,8% danych firmowych trafiających dziś do narzędzi AI to dane wrażliwe (wzrost z 27,4% rok wcześniej i zaledwie 10,7% dwa lata wcześniej). 71,7% używanych narzędzi AI ma przy tym poziom ryzyka wysoki lub krytyczny. Skala rośnie z każdym rokiem, nie maleje. To oznacza, że problem nie rozwiąże się sam wraz z "przyzwyczajeniem się" pracowników do ostrożności.
Konsekwencje bywają bardzo konkretne. Samsung w marcu i kwietniu 2023 roku doświadczył trzech osobnych wycieków w ciągu około 20 dni od dopuszczenia ChatGPT do użytku wewnętrznego: kod źródłowy bazy półprzewodników, algorytmy wykrywania defektów urządzeń i transkrypt poufnego spotkania wewnętrznego trafiły do chmurowego modelu. Firma wprowadziła całkowity zakaz GenAI już w maju 2023. Podobne ograniczenia wprowadziły JP Morgan, Amazon, Apple i Verizon - duże firmy z realnym budżetem na bezpieczeństwo, które doszły do tego samego wniosku niezależnie od siebie.
Przy jednym z naszych wdrożeń w branży przemysłowej ten wymóg padł wprost na starcie rozmowy: dane mają zostać wewnątrz systemu, "nie w jakichś chmurach typu Cloud, ChatGPT i tak dalej", po to, żeby nic nie wychodziło na zewnątrz. To nie była abstrakcyjna prośba o "bezpieczeństwo", tylko warunek konieczny do w ogóle rozpoczęcia rozmowy o zakresie projektu.
Co się realnie zmieniło w prawie na 2026 rok
Nowelizacja ustawy o Krajowym Systemie Cyberbezpieczeństwa, wdrażająca unijną dyrektywę NIS2, weszła w życie 3 kwietnia 2026 roku. Podmioty kluczowe i ważne (a to obejmuje m.in. energetykę, produkcję i wytwarzanie) mają 12 miesięcy na wdrożenie systemu zarządzania bezpieczeństwem informacji i 24 miesiące na pierwszy audyt. Ustawa formalnie obowiązuje, choć w lutym 2026 roku Prezydent skierował ją równolegle do Trybunału Konstytucyjnego w trybie kontroli następczej. To znaczy, że przepisy działają już teraz, a ich zgodność z Konstytucją jest badana niezależnie, bez wstrzymania stosowania ustawy.
AI Act (Rozporządzenie UE 2024/1689) tymczasem przesunął terminy dla systemów wysokiego ryzyka: pierwotny termin 2 sierpnia 2026 roku, dzięki pakietowi Digital Omnibus, wydłużono do 2 grudnia 2027 (systemy samodzielne) i 2 sierpnia 2028 (systemy wbudowane w produkty). To nie zmienia jednak najważniejszego dla tego tematu: obowiązki transparentności z art. 50 wciąż obowiązują od 2 sierpnia 2026.
Kosztowo te regulacje nie są abstrakcyjne. IBM w "Cost of a Data Breach Report 2025" (Ponemon Institute, 600 organizacji, 3 470 wywiadów) wskazuje, że shadow AI był czynnikiem w 20% naruszeń danych, dodając średnio 670 000 dolarów do kosztu incydentu - same incydenty z udziałem shadow AI trwają dłużej (247 dni wobec 241) i częściej narażają dane osobowe klientów. Dla podwykonawców objętych łańcuchem dostaw dużego podmiotu NIS2 to ryzyko jest jeszcze bardziej bezpośrednie - pisaliśmy o tym szerzej przy audytach bezpieczeństwa dostawców.
Lokalny model AI dla firmy - jak wdrożyć bezpieczną sztuczną inteligencję w przemyśle
Sprzęt AI Edge (serwer z kartą GPU, np. NVIDIA DGX Spark, L40S, RTX PRO 6000, H200, B200, postawiony fizycznie w siedzibie firmy) pozwala uruchomić model językowy z pełną mocą obliczeniową w trybie air-gapped, czyli całkowicie odciętym od internetu. RAG (Retrieval-Augmented Generation) na własnych danych firmowych oznacza, że model odpowiada na podstawie dokumentów, które nigdy nie opuszczają lokalnej infrastruktury. Zgodność z ISO/IEC 27001 (bezpieczeństwo informacji) i ISO/IEC 42001 (zarządzanie systemami AI) domyka obraz od strony formalnej: to dokumenty, których zażąda audytor NIS2/KSC, a nie tylko dobra praktyka techniczna.
Własny model językowy w firmie a ochrona danych B2B i umów NDA przed wyciekiem
Dla firm pracujących pod umowami NDA (z podwykonawcami, inwestorami czy licencjodawcami technologii) to rozróżnienie ma konkretne konsekwencje kontraktowe, nie tylko techniczne: wklejenie fragmentu chronionej specyfikacji do publicznego ChatGPT może być naruszeniem NDA niezależnie od intencji pracownika, bo dane fizycznie trafiają na serwery zewnętrznego dostawcy. Model działający lokalnie, na sprzęcie należącym do firmy, nie stwarza tego problemu z definicji - nie dlatego, że jest "bardziej etyczny", tylko dlatego, że zapytanie nigdy nie opuszcza infrastruktury objętej tą samą umową o poufności co reszta dokumentacji projektu.
Rachunek ekonomiczny jest prosty: uniknięcie jednego incydentu shadow AI (dodatkowe 670 tys. USD kosztu wg IBM) albo kary wynikającej z NIS2/KSC (do 10 mln EUR lub 2% rocznego obrotu) z nawiązką pokrywa koszt wdrożenia serwera GPU on-premise z pełną suwerennością danych.
Jeśli Twoja firma pracuje z danymi objętymi NDA, patentami albo wymogami NIS2/KSC i chce zamknąć ryzyko przypadkowego wklejenia ich do publicznego AI - opisz sytuację w formularzu kontaktowym albo umów rozmowę wstępną. Pełny zakres bezpieczeństwa i zgodności wewnętrznego systemu AI znajdziesz na podstronie bezpieczeństwa.