Shadow AI: yasaklamak neden yetmiyor?

Birçok kurumun yapay zekâ araçlarına ilk tepkisi aynı: erişimi kapatmak. Proxy'de birkaç alan adı engelleniyor, bir duyuru yayımlanıyor ve konu kapanmış sayılıyor.

Pratikte ise olan şey kullanımın kaybolması değil, görünmez hâle gelmesi. Çalışanlar işlerini hızlandıran bir aracı kişisel telefonlarından, kurum dışı hesaplardan ya da engellenmemiş daha küçük servislerden kullanmaya devam ediyor. Kurum da artık hangi verinin nereye gittiğini hiç bilmiyor.

Önce envanter

Kontrol tasarlamadan önce cevaplanması gereken üç soru var:

Hangi ekipler, hangi araçları, hangi işler için kullanıyor?
Bu araçlara ne tür veriler giriyor (müşteri verisi, kaynak kod, sözleşme taslakları)?
Kullanılan servislerin veri saklama ve model eğitimi politikaları neler?

Proxy ve DLP kayıtları ilk tabloyu verir, ama en iyi bilgi kaynağı genellikle ekiplerin kendisidir. Cezalandırıcı olmayan kısa bir anket, kayıtlarda görünmeyen kullanımı ortaya çıkarır.

Yasak yerine onaylı yol

Engellemenin işe yaraması için çalışana bir alternatif sunulması gerekir. Kurumsal sözleşmesi olan, veri saklama koşulları net bir araç sunulduğunda kayıt dışı kullanım belirgin şekilde azalır.

Bunun üzerine üç katmanlı basit bir kural seti yeterlidir:

Serbest: Kamuya açık bilgilerle çalışmak.
Onaylı araçla serbest: İç dokümanlar, kişisel veri içermeyen iş verisi.
Yasak: Kişisel veri, müşteri sırları, kaynak kod ve kimlik bilgileri, onay süreci tamamlanmadıkça.

DLP'nin rolü

DLP burada son savunma hattı olarak devreye girer: yapay zekâ servislerine giden trafikte kişisel veri ya da gizli etiketli içerik tespit edildiğinde uyarı veya engelleme. Ancak DLP kuralları, yukarıdaki sınıflandırma olmadan ya çok gürültülü ya da çok gevşek kalır.

Kısacası, shadow AI bir teknoloji sorunu olmaktan çok bir görünürlük ve alternatif sunma sorunu. Önce ölçmek, sonra yol göstermek, en son engellemek.

Many organisations react to AI tools the same way: they block access. A few domains are blocked at the proxy, an announcement goes out, and the matter is considered closed.

In practice, the usage does not disappear; it becomes invisible. Employees keep using the tool that speeds up their work from personal phones, personal accounts or smaller services nobody has blocked. And the organisation no longer knows which data is going where.

Start with an inventory

Before designing controls, three questions need answers:

Which teams use which tools, and for what work?
What kind of data goes into these tools (customer data, source code, contract drafts)?
What are the data retention and model training policies of these services?

Proxy and DLP logs give a first picture, but the best source is usually the teams themselves. A short, non-punitive survey surfaces usage that never shows up in the logs.

An approved path instead of a ban

Blocking only works if employees are offered an alternative. When a tool with an enterprise agreement and clear data retention terms is available, unofficial use drops noticeably.

On top of that, a simple three-tier rule set is enough:

Allowed: Working with publicly available information.
Allowed with the approved tool: Internal documents and business data without personal data.
Not allowed: Personal data, customer confidential information, source code and credentials, until an approval process is in place.

The role of DLP

DLP is the last line of defence here: a warning or block when personal data or content labelled confidential is detected in traffic to AI services. Without the classification above, though, DLP rules end up either too noisy or too loose.

In short, shadow AI is less a technology problem than a problem of visibility and offering an alternative. Measure first, then guide, and block last.