Zapobieganie wyciekowi danych (DLP) w AI

Zapobieganie wyciekowi danych, znane jako Data Loss Prevention lub DLP, to praktyka wykrywania, klasyfikowania i chronienia informacji wrażliwych przed nieuprawnionym ujawnieniem. W systemie AI dotyczy to przede wszystkim momentu, gdy człowiek, agent albo automatyzacja przekazuje dane do modelu, bazy wiedzy, narzędzia zewnętrznego lub kolejnego kroku workflowu. DLP nie jest pojedynczym przełącznikiem w ChatGPT czy Claude. To połączenie zasad, konfiguracji narzędzi, kontroli dostępu i procedury reakcji. Jego celem jest ograniczenie przypadkowego skopiowania danych klienta do promptu, wysłania ich przez agenta albo udostępnienia wyniku niewłaściwej osobie.

W pracy z generatywną AI ryzyko pojawia się na wejściu, w trakcie przetwarzania i na wyjściu. Wejściem może być pełna transkrypcja konsultacji, arkusz z leadami, dokument zawierający dane zdrowotne, hasło, klucz API albo nieopublikowana oferta. W trakcie przetwarzania ryzykiem są zbyt szerokie uprawnienia agenta i połączenia z aplikacjami. Na wyjściu problemem może być odpowiedź, która przytacza dane z innego klienta, trafia do złego odbiorcy albo zostaje zapisana w publicznym miejscu. DLP pomaga zobaczyć te przepływy jako jeden system zamiast traktować każdy prompt jako prywatną rozmowę bez konsekwencji.

Punktem wyjścia jest klasyfikacja danych, nie lista zakazów napisana ogólnikowo. Mała firma może zacząć od czterech prostych grup: dane publiczne, dane wewnętrzne, dane klienta oraz dane szczególnie chronione. Do ostatniej grupy zwykle należą dane identyfikujące osobę, dane płatnicze, zdrowotne, hasła i sekrety techniczne. Przy każdej grupie zapisz, czy może trafić do konkretnego modelu, czy wymaga anonimizacji oraz czy potrzebuje zgody człowieka. Taka mapa pozwala skonfigurować reguły wykrywające na przykład numer PESEL, adres e-mail lub klucz API, ale też ustalić proces dla informacji, których automat nie rozpozna po samym wzorcu tekstu.

DLP nie zastępuje polityki korzystania z AI ani RODO. Polityka mówi pracownikowi i współpracownikowi, jakie zachowanie jest dozwolone. DLP jest techniczną i procesową warstwą, która może ostrzec, wymagać uzasadnienia, zablokować wysłanie albo zostawić ślad do przeglądu. RODO i umowy z klientami określają szersze obowiązki związane z przetwarzaniem danych. Dopiero połączenie tych warstw daje sensowną ochronę. Sam komunikat „nie wklejaj poufnych danych” przegrywa z presją czasu, a sama blokada bez jasnej alternatywy skłania ludzi do obchodzenia procesu.

Praktyczny przykład: solopreneurka automatyzuje podsumowanie rozmów sprzedażowych. Zamiast przekazywać do modelu całe nagranie wraz z imieniem, telefonem i historią klienta, workflow najpierw usuwa identyfikatory i tworzy krótkie streszczenie. Reguła DLP zatrzymuje tekst zawierający numer PESEL, dane karty lub sekret API. Model może przygotować propozycję follow-upu wyłącznie na podstawie zatwierdzonego źródła prawdy. Przed wysyłką człowiek sprawdza odbiorcę, fakty i obietnicę. Jeśli kontrola zadziałała, incydent zapisuje się jako sygnał do poprawy procesu, a nie jako powód, by po cichu wyłączyć automatyzację.

Skuteczne DLP używa zasady najmniejszych uprawnień. Agent do researchu nie potrzebuje dostępu do CRM, skrzynki i dysku z umowami jednocześnie. Narzędzie, które tylko klasyfikuje lead, nie powinno móc wysłać wiadomości ani zmienić statusu płatności. Dane zewnętrzne, takie jak strona WWW lub załącznik, trzeba traktować jako nieufne. Mogą zawierać instrukcje, które próbują wpłynąć na model. Dlatego oddzielaj nieufną treść od instrukcji systemowych, ograniczaj narzędzia dostępne agentowi i wymagaj zatwierdzenia przed działaniem o wysokim skutku.

Najczęstszy błąd to kupienie narzędzia DLP bez ustalenia realnych przepływów danych. Drugi błąd to blokowanie wszystkiego, co sprawia, że zespół przenosi pracę do prywatnych kont i niezatwierdzonych aplikacji. Automatyczne wykrywanie bywa omylne, zwłaszcza przy kontekście biznesowym, języku polskim i danych zapisanych nietypowo. DLP nie jest też gwarancją, że dostawca modelu przetwarza dane zgodnie z Twoją umową. Nadal trzeba sprawdzić ustawienia retencji, warunki planu, lokalizację danych, role użytkowników oraz ścieżkę audytu.

Zacznij od jednego workflowu o realnym ryzyku. Spisz, skąd wchodzą dane, jakie pola trafiają do modelu, gdzie wraca wynik i kto może uruchomić akcję. Usuń niepotrzebne pola, zamaskuj identyfikatory, wprowadź oddzielne konta lub projekty dla pracy z klientami i dodaj kontrolę przed wysłaniem. Następnie przetestuj proces na danych testowych, także z celowo wstawionym adresem e-mail lub sekretem. Połącz ten przegląd z polityką korzystania z AI, retencją danych i zasadą najmniejszych uprawnień. W ten sposób DLP staje się konkretną częścią systemu AI, a nie hasłem z prezentacji bezpieczeństwa.