Czas czytania: około 9 minut
Shadow AI w fabryce to nie pytanie „czy”, tylko „ile”. W większości zakładów nikt nie potrafi podać liczby: ile BOM-ów, rysunków objętych NDA i ofert handlowych już trafiło do publicznych modeli AI. Zakaz na firewallu tej liczby nie zna, on ją tylko ukrywa. Dobra wiadomość jest taka, że skalę zjawiska da się zmierzyć, i lepiej zrobić to samodzielnie, zanim zrobi to za was audytor NIS2. W tym tekście pokazujemy, jak oszacować, ile waszej dokumentacji jest już u zewnętrznych dostawców AI: jakimi metodami to policzyć, gdzie każda z nich ma martwe pole i co ta liczba oznacza wobec obowiązków, które w Polsce zaczynają biec w 2026 roku. Najszybszy punkt wyjścia to 10-minutowy mini-audyt gotowości, który nie wymaga zostawiania danych.
Dlaczego zakaz nie odpowiada na właściwe pytanie
Klasyczna reakcja na shadow AI to wpis w polityce bezpieczeństwa i blokada domen na firewallu. Problem w tym, że blokada zmienia zachowanie, a nie potrzebę. Inżynier z terminem, który do tej pory wklejał specyfikację do publicznego chatu z komputera służbowego, po blokadzie zrobi to samo z telefonu na własnej sieci. Zadanie zostaje wykonane, tylko znika z jakichkolwiek logów. Zakaz nie usuwa ryzyka, on usuwa widoczność, a to gorsza pozycja wyjściowa do audytu niż stan sprzed zakazu.
Dwa dobrze udokumentowane przypadki pokazują mechanizm. W kwietniu 2023 Samsung wykrył trzy incydenty wycieku w jednym miesiącu: inżynierowie wkleili do publicznego ChatGPT kod źródłowy i sekwencje testowe wydajności chipów. W sierpniu 2025 automatyczne sensory bezpieczeństwa CISA, amerykańskiej agencji od cyberbezpieczeństwa, zaalarmowały o wysłaniu czterech dokumentów oznaczonych „For Official Use Only” do publicznego ChatGPT, i to z konta pełniącego obowiązki dyrektora agencji, w ramach użycia formalnie zatwierdzonego. Niewygodny wniosek: nawet autoryzowane użycie publicznego modelu wyprowadziło dokumenty poza perymetr, bo zgoda dotyczyła narzędzia, a nie klasyfikacji tego, co do niego trafiło. Nie potrzeba hakera, żeby wykraść dokumentację techniczną. Wystarczy pracownik z terminem.
Skoro zakazu nie da się wyegzekwować w sposób szczelny, jedyne, co daje przewagę, to wiedza o skali. Liczba, nawet przybliżona, zmienia rozmowę z „mamy politykę zakazu” na „wiemy, ile dokumentów i jakiej klasy jest realnie zagrożone, i co z tym robimy”.
Skala zjawiska: od czego zacząć szacowanie
Zanim policzycie własny wynik, warto znać punkt odniesienia. Dane z 2025 i 2026 są spójne niezależnie od metody pomiaru, i wszystkie mówią to samo: zero jest mało prawdopodobne.
- 47% konwersacji z narzędziami AI w firmach odbywa się przez konta prywatne, a nie zarządzane firmowo, czyli poza kontrolą organizacji (LayerX State of AI Usage Report 2026).
- Tylko 18% pracowników korzysta z AI w cyklu tygodniowym, ale niemal połowa sięga po nie w dłuższym oknie, więc pomiar oparty tylko na „aktywnych w tym tygodniu” zaniża obraz (LayerX, 2026).
- Ponad 6% konwersacji AI zawiera dane wrażliwe, a w samym ChatGPT odsetek ten przekracza 8% (LayerX, 2026).
- 63% organizacji nie ma polityki zarządzania AI, a 97% firm, które zaliczyły incydent z AI, nie miało właściwej kontroli dostępu do tych narzędzi (IBM Cost of a Data Breach Report 2025).
- Incydent z udziałem shadow AI dodaje średnio 670 000 USD do kosztu naruszenia (IBM, 2025), a według danych UpGuard z 2025 roku 80% pracowników używa narzędzi AI mimo zakazów.
To nie są ankiety o intencjach, tylko w dużej części telemetria z systemów monitorujących realny ruch. Wniosek dla fabryki jest prosty: jeśli wasz obecny wynik brzmi „u nas to się nie dzieje”, prawie na pewno znaczy on „u nas tego nie mierzymy”.
Co konkretnie wycieka z fabryki
W rozmowach z producentami w 2026 powracają te same cztery kategorie dokumentów, i to je warto policzyć w pierwszej kolejności, bo każda ma inną ścieżkę wycieku:
- BOM-y i specyfikacje techniczne, wklejane do streszczenia albo porównania z ofertą konkurencji,
- rysunki klienta objęte NDA, wysyłane do OCR lub tłumaczenia,
- korespondencja handlowa z cenami, kosztami i marżami, podsumowywana w briefach,
- historia serwisowa z numerami seryjnymi i danymi klientów końcowych, używana do wyciągania trendów awaryjności.
Każda z tych operacji dzieje się dziś w europejskich fabrykach, i najczęściej nie ze złej woli, tylko dlatego, że jest szybsza niż jakakolwiek alternatywa, którą firma daje pracownikowi. To ważne przy pomiarze: liczycie zachowanie racjonalne, nie sabotaż, więc ludzie chętniej je opiszą, jeśli pytanie nie brzmi jak przesłuchanie.
Jak zmierzyć shadow AI we własnym zakładzie
Nie istnieje jeden licznik, który poda wynik. Skalę szacuje się z kilku źródeł naraz, bo każde widzi inny fragment. Cztery metody, od najtańszej do najbardziej pracochłonnej:
1. Logi proxy, DNS i firewalla. Te dane najczęściej już macie. Filtr na domeny publicznych narzędzi AI pokazuje, ile ruchu i z ilu urządzeń firmowych do nich trafia, kiedy i jak często. To najtańszy pierwszy pomiar i zwykle pierwszy, który burzy założenie „u nas nikt tego nie używa”.
2. DLP, CASB i telemetria przeglądarki. Warstwa, która widzi nie sam fakt połączenia, ale treść: wklejenia, uploady plików, kategorie danych opuszczających perymetr. Dobrze skonfigurowany DLP potrafi odróżnić wklejenie fragmentu oferty od wysłania całego pliku CAD. To najbliżej realnej odpowiedzi na pytanie „co i w jakiej ilości wychodzi”.
3. Ustrukturyzowana ankieta i krótkie wywiady z działami. Logi nie widzą prywatnego telefonu, a to tam ucieka największa część shadow AI. Anonimowa ankieta („jakie zadania przyspieszasz AI”, „jakich narzędzi używasz”, „na jakim sprzęcie”) plus kilka rozmów z konstrukcją, ofertowaniem i serwisem uzupełnia martwe pole logów. Warunek jest jeden: pytanie nie może grozić konsekwencjami, bo wtedy wynik będzie zaniżony.
4. Próbkowanie kategorii dokumentów. Zamiast liczyć wszystko, bierzecie cztery klasy wrażliwych dokumentów (BOM-y, rysunki NDA, oferty, historia serwisowa) i dla każdej sprawdzacie, jak w praktyce jest przetwarzana i gdzie mogła wyciec. To nie da dokładnego wolumenu, ale pokaże, które klasy dokumentów są najbardziej narażone, a od nich zaczyna się priorytetyzacja.
Żadna z tych metod z osobna nie daje pełnego obrazu. Praktyczne minimum to połączenie logów (metoda 1) z ankietą (metoda 3): pierwsze mierzy to, co widoczne, druga sięga po to, co świadomie schowane. Poniższa tabela zestawia, co która metoda wykrywa, a czego nie.
| Metoda pomiaru | Co wykrywa | Czego nie wykrywa | Nakład |
|---|---|---|---|
| Logi proxy, DNS, firewall | Ruch do publicznych narzędzi AI z urządzeń firmowych, skala i częstotliwość | Użycie z telefonu i sieci prywatnej, treść wklejeń | Niski, dane zwykle już są |
| DLP, CASB, telemetria przeglądarki | Wklejenia i uploady, kategorie danych, konkretne pliki | Narzędzia poza zarządzanym urządzeniem | Średni, wymaga konfiguracji |
| Ankieta i wywiady z działami | Motywacje, zadania, obejścia, sprzęt prywatny | Dokładny wolumen, ryzyko zaniżenia | Niski, wymaga zaufania |
| Próbkowanie kategorii dokumentów | Które klasy dokumentów są najbardziej narażone i jak wyciekają | Pełny wolumen zjawiska | Średni, praca ręczna |
Skalę shadow AI szacuje się z kilku źródeł naraz, bo każde widzi inny fragment ruchu.
Co ten wynik oznacza pod NIS2
Zmierzona liczba nie jest ciekawostką dla działu IT. Pod znowelizowaną dyrektywą NIS2 staje się elementem obowiązku. Artykuł 21 wymaga od podmiotów kluczowych i ważnych zarządzania ryzykiem w łańcuchu dostaw, w tym bezpieczeństwa relacji z bezpośrednimi dostawcami usług. Każdy publiczny model, do którego trafia wasza dokumentacja, jest w tym ujęciu dostawcą w łańcuchu dostaw: niezarejestrowanym, bez umowy powierzenia, bez SLA i bez śladu audytowego.
W Polsce to już nie jest odległa teoria. Znowelizowana ustawa o krajowym systemie cyberbezpieczeństwa weszła w życie 3 kwietnia 2026, a podmioty kluczowe i ważne mają czas na złożenie wniosku o wpis do rejestru do 3 października 2026, a na pełne wdrożenie obowiązków do 3 kwietnia 2027. To znaczy, że sierpień 2026 jest miesiącem przygotowań, a nie zapasu czasu. W Niemczech nowelizacja BSIG z grudnia 2025 dołożyła osobistą odpowiedzialność kierownictwa wobec własnej spółki (§38) obok kar administracyjnych nakładanych na podmiot (§65, do 10 mln EUR albo 2% obrotu). Osobista odpowiedzialność zmienia, kto w firmie czyta ten akapit i jak szybko prosi o spotkanie z compliance.
W audycie pytanie nie będzie brzmiało „czy macie politykę zakazu”, tylko „ile dokumentacji i jakiej klasy przetwarzają zewnętrzne modele, i skąd to wiecie”. Firma, która zna swój wynik z logów i ankiety, odpowiada z danych. Firma, która ma tylko wpis w polityce, odpowiada „nie wiemy”, a to najgorsza z możliwych odpowiedzi.
Od pomiaru do decyzji
Pomiar to nie cel, tylko podstawa decyzji. Gdy znacie skalę, w praktyce zostają trzy postawy:
- Zakaz i tyle. Tani, szybki, nieskuteczny. 80% pracowników i tak używa AI (UpGuard, 2025), tyle że poza zasięgiem logów. Zakaz bez alternatywy nie zmniejsza wyniku, tylko go ukrywa.
- Enterprise tier publicznego vendora. ChatGPT Enterprise, Copilot, Gemini Workspace. Lepsze niż nic, ale dane nadal opuszczają perymetr, a wobec art. 21 NIS2 to wciąż dostawca w łańcuchu, którego trzeba zmapować i przeaudytować, niezależnie od ceny licencji.
- Zatwierdzona prywatna AI na waszej infrastrukturze. Alternatywa szybsza niż wklejanie do publicznego chatu, bo model widzi wasze dokumenty, nie internet, a dane nie wychodzą z zakładu. To jedyna z trzech opcji, która realnie obniża zmierzony wynik, zamiast go chować. W jednej z branż wprowadzenie zatwierdzonej alternatywy obniżyło nieautoryzowane użycie o 89% (Healthcare Brew, 2026).
Konkretna kolejność działań na sierpień: po pierwsze, zróbcie pierwszy pomiar z logów, choćby zgrubny; po drugie, uzupełnijcie go anonimową ankietą w konstrukcji, ofertowaniu i serwisie; po trzecie, zestawcie wynik z listą kategorii dokumentów, które nie mogą wyjść; po czwarte, dopiero wtedy wybierajcie narzędzie, bo teraz wiecie, jaki problem ma rozwiązać. Jeśli chcecie punkt startowy bez angażowania zespołu, mini-audyt gotowości zajmuje 10 minut i nie wymaga zostawiania danych. Szerszy kontekst, kiedy prywatna AI faktycznie wygrywa z publiczną, opisaliśmy w tekście prywatna AI w produkcji: kiedy wygrywa.
Jeśli wolicie od razu porozmawiać, 30 minut z założycielem to bez pitchu, konkretne pytania i to, co zwykle widać w pierwszym tygodniu audytu shadow AI.
Najczęstsze pytania
Czym jest shadow AI w fabryce?
To korzystanie z publicznych narzędzi AI (najczęściej ChatGPT i podobnych) do zadań firmowych bez wiedzy i zgody IT. W produkcji dotyczy zwykle streszczania specyfikacji, tłumaczenia rysunków, porównywania ofert i analizy historii serwisowej, czyli operacji na dokumentach, które nie powinny opuszczać zakładu.
Jak sprawdzić, ile shadow AI dzieje się u nas?
Zacznijcie od logów proxy, DNS i firewalla przefiltrowanych po domenach publicznych narzędzi AI, potem uzupełnijcie obraz warstwą DLP lub telemetrią przeglądarki i anonimową ankietą w kluczowych działach. Same logi zaniżają wynik, bo nie widzą prywatnego telefonu.
Czy zakaz ChatGPT rozwiązuje problem?
Nie. Zakaz zmienia kanał, nie potrzebę: praca ucieka na sprzęt prywatny i znika z logów. 80% pracowników używa AI mimo zakazów. Skuteczne jest dopiero podanie zatwierdzonej, szybszej alternatywy razem z pomiarem.
Co shadow AI oznacza dla audytu NIS2?
Każdy publiczny model, do którego trafia dokumentacja, to dostawca w łańcuchu dostaw w rozumieniu art. 21. Audytor spyta, ile i jakiej klasy dokumentów przetwarzają zewnętrzne modele. W Polsce wniosek o wpis do rejestru składa się do 3 października 2026, więc to temat na teraz.
Ile czasu zajmuje pierwszy pomiar?
Zgrubny pomiar z istniejących logów to kwestia godzin, nie tygodni. Mini-audyt gotowości daje punkt wyjścia w 10 minut, a pełniejszy obraz z DLP i ankietą można zebrać w ciągu jednego lub dwóch tygodni.