Klasyfikacja danych w systemach AI

Klasyfikacja danych w systemach AI to świadome oznaczanie informacji według ich wrażliwości, przeznaczenia i zasad dostępu. Nie jest to techniczne ozdobienie pliku etykietą. To decyzja, czy dany fragment może trafić do czatu, bazy wiedzy RAG, automatyzacji, zewnętrznego API albo do konkretnej osoby. Przykładowa skala dla małej firmy może mieć cztery poziomy: publiczne, wewnętrzne, poufne i dane wymagające szczególnej ochrony. Do każdej kategorii trzeba dopisać prostą regułę: kto może ją zobaczyć, gdzie może być przetwarzana oraz jak długo może zostać zachowana.

AI nie usuwa potrzeby takiego porządku, lecz ją zwiększa. Jeden prompt może połączyć opis klienta, dokument ofertowy i wynik wyszukiwania w odpowiedź, która następnie trafia do kolejnego narzędzia. Bez klasyfikacji łatwo pomylić zatwierdzony opis usługi z roboczą notatką albo wkleić dane z rozmowy sprzedażowej do narzędzia, którego warunków i retencji nie sprawdzono. Klasyfikacja pozwala ustawić granicę przed działaniem agenta. Nie odpowiada na pytanie, czy dana treść jest interesująca dla modelu, tylko czy system ma prawo i potrzebę jej użyć.

Nie myl klasyfikacji z samym wykrywaniem danych osobowych. Dane osobowe i PII są jedną z ważnych kategorii, ale nie wyczerpują problemu. Poufne mogą być także strategia cenowa, nieopublikowany program produktu, klucz API, kod źródłowy, dokument klienta lub materiały objęte umową. Z kolei zwykły publiczny artykuł nie staje się poufny tylko dlatego, że znajduje się w tym samym folderze. Klasyfikacja opisuje kontekst biznesowy informacji. Dopiero na jej podstawie można zastosować redakcję danych, minimalizację danych, DLP albo ograniczenia uprawnień.

Praktyczny przykład: ekspert buduje asystenta do przygotowywania odpowiedzi po rozmowach z potencjalnymi klientami. Transkrypcja zawiera nazwisko, firmę, problemy i budżet, więc otrzymuje etykietę poufne plus dane osobowe. Zatwierdzony opis usługi, zakres pakietów i publiczne case studies są oznaczone jako wewnętrzne lub publiczne. Automatyzacja może użyć drugiego zbioru do stworzenia propozycji, ale przed przekazaniem transkrypcji do modelu najpierw usuwa zbędne dane identyfikujące i wymaga zatwierdzenia człowieka przed wysyłką. Dzięki temu system ma jasną regułę, a nie tylko ogólny zakaz „nie wrzucaj wrażliwych rzeczy do AI”.

Dobry start nie wymaga rozbudowanego programu korporacyjnego. Zrób inwentaryzację pięciu miejsc, z których AI dziś pobiera dane: dysku, CRM, skrzynki, dokumentów ofertowych i narzędzi do automatyzacji. Przy każdym typie informacji odpowiedz na cztery pytania: czy zawiera dane osoby, czy jest aktualnym źródłem prawdy, czy można ją przekazać zewnętrznemu dostawcy oraz co ma się stać po zakończeniu zadania. Następnie wpisz kategorię do metadanych pliku, pola w CRM lub nazwy folderu. Ważna jest konsekwencja i możliwość sprawdzenia reguły, nie perfekcyjna taksonomia.

Klasyfikacja musi działać razem z kontrolą dostępu. Sam tag „poufne” nie powstrzyma agenta, jeżeli jego konto ma pełny dostęp do całego dysku i może wywołać dowolne zewnętrzne API. Dla każdej kategorii ogranicz źródła, narzędzia i odbiorców zgodnie z zasadą najmniejszych uprawnień. W praktyce oznacza to osobne foldery lub źródła wiedzy, konta usługi o wąskim zakresie, listę dozwolonych narzędzi oraz log zdarzeń. NIST wskazuje, że zarządzanie danymi i prywatnością powinno być elementem zarządzania ryzykiem organizacji, a nie reakcją po incydencie.

Są też ograniczenia. Etykiety przypisane ręcznie bywają nieaktualne, a automatyczne klasyfikatory mylą kontekst, więc nie należy traktować ich jako nieomylnej decyzji prawnej. Klasyfikacja nie zastępuje podstawy prawnej przetwarzania danych, umowy z dostawcą ani oceny ryzyka tam, gdzie jest wymagana. Nie zwalnia także z weryfikacji odpowiedzi AI. Jej zadanie jest prostsze i bardzo praktyczne: zanim dane wejdą do systemu, zespół ma wspólny język do powiedzenia „to może wejść”, „to wymaga oczyszczenia” albo „tego system nie dostaje”.