AI แบบซ่อนตัวและความปลอดภัยของเบราว์เซอร์: การปกป้องข้อมูลเมื่อพนักงานใช้เครื่องมือ AI

สรุปอย่างรวดเร็ว
  • AI แบบเงากำลังก่อให้เกิดการรั่วไหลของข้อมูลแล้ว ในปี 2025 มีองค์กร 1 ใน 5 รายงานว่าเกิดการรั่วไหลของข้อมูลเนื่องจาก AI แบบเงา และมีเพียง 37% เท่านั้นที่ได้ดำเนินการป้องกัน
  • เบราว์เซอร์เป็นจุดควบคุมหลัก พนักงานสามารถเข้าถึง ChatGPT, Gemini, Claude และ Copilot ผ่านเบราว์เซอร์เว็บ — ซึ่งทำให้ SWG,
  • การห้ามใช้เครื่องมือ AI อย่างสิ้นเชิงจะส่งผลตรงกันข้าม การห้ามใช้อย่างกว้างขวางจะทำให้การใช้งานย้ายไปทำอย่างลับๆ
  • กรอบงานต่าง ๆ เรียกร้องให้ดำเนินการทันที NIST AI 600 1 ระบุว่าการรั่วไหลของข้อมูลส่วนตัวเป็นความเสี่ยงเฉพาะของ GenAI
  • ค่าใช้จ่ายนี้สามารถวัดได้ Shadow AI ทำให้ค่าใช้จ่ายเพิ่มเติมจากการละเมิดข้อมูลเพิ่มขึ้นเฉลี่ย 670,000 ดอลลาร์ (IBM, 2025)
  • ระบบการบริหารจัดการที่ไม่มีมาตรการบังคับใช้ทางเทคนิคจะล้มเหลว 97% ขององค์กรที่รายงานการละเมิดข้อมูลที่เกี่ยวข้องกับ AI ไม่มีระบบการเข้าถึง AI ที่เหมาะสม
  • แนวโน้มความเสี่ยงกำลังเพิ่มขึ้นอย่างรวดเร็ว Gartner คาดการณ์ว่าภายในปี 2030 จะมีองค์กรมากกว่า 40% ที่ประสบปัญหาด้านความปลอดภัยหรือการปฏิบัติตามกฎระเบียบ

ทีมการตลาดของคุณเพิ่งค้นพบว่า 40% ของพนักงานกำลังคัดลอกข้อมูลลูกค้าไปใส่ในเครื่องมือ AI ที่ไม่ได้รับอนุญาตในช่วงเวลาทำงานปกติ — ผ่านเบราว์เซอร์เดียวกันที่พวกเขาใช้สำหรับแอปพลิเคชัน SaaS ที่ได้รับอนุญาต ไม่มีมัลแวร์เกี่ยวข้อง ไม่มีการละเมิดระบบรักษาความปลอดภัยใดๆ นักวิเคราะห์คนหนึ่งได้คัดลอกรายชื่อลูกค้าจาก Salesforce วางลงในแชทบอทสาธารณะเพื่อสร้างแนวคิดการแบ่งกลุ่มลูกค้า ดาวน์โหลดผลลัพธ์ และซิงค์ไฟล์ไปยังพื้นที่จัดเก็บข้อมูลบนคลาวด์ส่วนตัว เบราว์เซอร์นั้นทำหน้าที่เป็นพื้นที่ทำงาน จุดเข้า และช่องทางการนำข้อมูลออก—ทั้งหมดในครั้งเดียว

Shadow AI — การใช้เครื่องมือ AI โดยไม่ได้รับอนุญาต และไม่มีการกำกับดูแลหรือการตรวจสอบจากฝ่ายไอที — ได้กลายเป็นหนึ่งในปัญหาด้านความปลอดภัยข้อมูลที่เร่งด่วนที่สุดที่ CISO อาจต้องเผชิญ และเบราว์เซอร์คือจุดที่ปัญหานี้เกิดขึ้น

สถานการณ์ AI “เงา” ที่ CISO ทุกคนควรหวาดกลัว

นี่คือลักษณะของเหตุการณ์ที่เกี่ยวข้องกับ AI แบบเงาทั่วไป — และเหตุผลที่การตรวจจับเหตุการณ์ดังกล่าวด้วยระบบควบคุมแบบเดิมนั้นยากมาก

ผู้จัดการผลิตภัณฑ์ที่บริษัทฟินเทคขนาดกลางคัดลอกข้อมูลคำร้องเรียนของลูกค้าจากระบบ CRM ของบริษัท เปิดแท็บเบราว์เซอร์ใหม่ และวางข้อมูลดังกล่าวลงในแชทบอท AI เวอร์ชันฟรี เพื่อร่างรายงานวิเคราะห์แนวโน้มสำหรับการทบทวนประจำไตรมาส ข้อกำหนดในการให้บริการของแชทบอทอนุญาตให้ผู้ให้บริการใช้ข้อมูลที่ป้อนเข้าไปเพื่อฝึกโมเดล ข้อมูลดังกล่าวรวมถึงชื่อ หมายเลขบัญชี และรายละเอียดธุรกรรม ผู้จัดการผลิตภัณฑ์ดาวน์โหลดสรุปที่ AI สร้างขึ้น ส่งอีเมลไปยังเพื่อนร่วมงานสามคน และเก็บสำเนาไว้ในโฟลเดอร์ Google Drive ส่วนตัว

ไม่มีไฟร์วอลล์ที่ถูกทริกเกอร์ ไม่มีเอเจนต์ที่ปลายทางแจ้งเตือนการวางข้อความดังกล่าว นโยบายDLPที่ตรวจสอบไฟล์แนบในอีเมลไม่ตรวจสอบการดำเนินการในคลิปบอร์ดผ่านเบราว์เซอร์CASBตรวจพบการซิงค์ของ Google Drive แต่ไม่สามารถตรวจสอบได้ว่ามีอะไรถูกวางลงในแท็บแชทบอทเมื่อสิบนาทีก่อน

นี่ไม่ใช่เรื่องสมมติ รายงานปี 2025 ของ Menlo Security พบว่ามีการบันทึกการพยายามคัดลอก 155,005 ครั้ง และการพยายามวาง 313,120 ครั้ง ลงในเครื่องมือ GenAI ภายในเดือนเดียว ซึ่งแสดงให้เห็นว่าพนักงานมักส่งข้อมูลสำคัญไปยังเครื่องมือ AI ผ่านคลิปบอร์ดของเบราว์เซอร์อย่างเป็นประจำ การสำรวจของ Gartner ที่ดำเนินการกับผู้นำด้านความปลอดภัยไซเบอร์ 302 คน ในช่วงเดือนมีนาคม–พฤษภาคม 2025 พบว่า 69% ขององค์กรสงสัยหรือมีหลักฐานว่าพนักงานกำลังใช้เครื่องมือ GenAI สาธารณะที่ถูกห้ามใช้

เบราว์เซอร์คือจุดที่ข้อมูลถูกส่งออกไป ซึ่งทำให้เบราว์เซอร์เป็นจุดที่คุณต้องควบคุมอย่างเคร่งครัด

ทำไมวิธีการรักษาความปลอดภัยแบบเก่าจึงไม่สามารถรับมือกับ Shadow AI ได้

สถาปัตยกรรมความปลอดภัยแบบดั้งเดิมถูกออกแบบมาเพื่อปกป้องข้อมูลที่เก็บอยู่ในฐานข้อมูล ข้อมูลที่กำลังถูกส่งระหว่างเซิร์ฟเวอร์ และข้อมูลที่เข้าถึงผ่านจุดปลายทางที่ได้รับการจัดการ Shadow AI ทำลายสมมติฐานทั้งหมดเหล่านั้น

แผนผังสถาปัตยกรรมที่แสดงชั้น AI แบบเงาและชั้นความปลอดภัยของเบราว์เซอร์ ตั้งแต่ผู้ใช้และอุปกรณ์ ผ่านแพลตฟอร์ม SSE ไปจนถึงเว็บ แอปพลิเคชัน SaaS และแอปพลิเคชัน AI

ระบบกรองเว็บแบบ Perimeter ดูเฉพาะโดเมน ไม่ใช่ข้อมูล ระบบกรองเว็บแบบดั้งเดิม secure web gateway สามารถบล็อก chat.openai.com ได้ตามหมวดหมู่ URL แต่พนักงานสามารถเปลี่ยนไปใช้หนึ่งในกว่า 6,500 โดเมน GenAI และ 3,000 แอปที่ตรวจพบในสภาพแวดล้อมองค์กร (Menlo Security, 2025) การบล็อกโดเมนเดียวก็เหมือนเกมตีตัวตุ่น การบล็อกทั้งหมดจะทำให้ประสิทธิภาพการทำงานลดลงและผลักดันให้ผู้ใช้หันไปใช้อุปกรณ์ส่วนตัว

ระบบ DLP ที่ติดตั้งบนอุปกรณ์ปลายทางจะตรวจสอบไฟล์เท่านั้น ไม่ใช่การดำเนินการบนคลิปบอร์ด เมื่อวิศวกรฝ่ายขายคัดลอกสเปรดชีตของกระบวนการขายจากระบบ CRM ที่ได้รับอนุญาต แล้ววางเนื้อหาลงในเครื่องมือ AI ที่ทำงานผ่านเบราว์เซอร์ ระบบ DLP ที่ติดตั้งบนอุปกรณ์ปลายทาง ซึ่งตรวจสอบการบันทึกไฟล์ การเขียนข้อมูลลง USB และไฟล์แนบในอีเมล จะไม่ตรวจพบอะไรเลย — เพราะไม่มีไฟล์ใดถูกสร้างขึ้น ข้อมูลดังกล่าวถูกส่งออกไปผ่านช่องข้อความของเบราว์เซอร์ ซึ่งเป็นช่องทางที่ระบบ DLP แบบเดิมส่วนใหญ่ไม่ตรวจสอบ

CASB ที่ไม่มีการตรวจสอบแบบ inline proxy จะมีจุดบอด CASB ที่ใช้ API สามารถตรวจสอบกิจกรรมในแอปพลิเคชัน SaaS ที่ได้รับอนุญาต เช่น Salesforce หรือ Microsoft 365 ได้ แต่ไม่สามารถมองเห็นแชทบอทในเวอร์ชันฟรีที่พนักงานเข้าถึงผ่านแท็บเบราว์เซอร์ได้ หากไม่มี proxy แบบ forward หรือการตรวจสอบแบบ inline เซสชัน AI ที่ไม่ได้รับการตรวจสอบจะไม่สามารถมองเห็นได้

การใช้วิธีการฝึกอบรมเพียงอย่างเดียวจะก่อให้เกิดการปฏิบัติตามกฎระเบียบแบบผิวเผินเท่านั้น องค์กรที่พึ่งพาการฝึกอบรมเพื่อสร้างความตระหนักรู้ อีเมลเตือน หรือนโยบายเป็นลายลักษณ์อักษรเพียงอย่างเดียว มักล้มเหลวในการป้องกันการรั่วไหลของข้อมูลอย่างต่อเนื่อง — เนื่องจากไม่มีมาตรการบังคับใช้ทางเทคนิคมาสนับสนุนนโยบายดังกล่าว ข้อมูลการละเมิดข้อมูลของ IBM ปี 2025 ยืนยันช่องว่างนี้: 97% ขององค์กรที่รายงานการละเมิดข้อมูลที่เกี่ยวข้องกับ AI ขาดระบบควบคุมการเข้าถึง AI ที่เหมาะสม

จุดร่วมคือ: ทุกวิธีการที่ล้มเหลวล้วนขาดความสามารถในการตรวจสอบแบบเรียลไทม์ในระดับเบราว์เซอร์ว่าพนักงานกำลังส่งข้อมูลใดไปยังเครื่องมือ AI

สิ่งที่เปลี่ยนแปลง: เบราว์เซอร์ได้กลายเป็นพื้นที่ทำงานขององค์กร

สามปัจจัยได้รวมตัวกันจนทำให้เบราว์เซอร์กลายเป็นแนวหน้าใหม่ในการคุ้มครองข้อมูล

อินโฟกราฟิกที่แสดงความเสี่ยงจากการเปิดเผยข้อมูล AI แบบแฝง และวิธีที่ระบบควบคุมความปลอดภัยของเบราว์เซอร์ช่วยป้องกันการรั่วไหลของข้อมูลไปยังเครื่องมือ AI ที่ไม่ได้รับอนุญาต

การเปลี่ยนแปลงที่ 1: เครื่องมือ AI เป็นส่วนหนึ่งของเบราว์เซอร์โดยธรรมชาติ ChatGPT, Claude, Gemini และเครื่องมือ AI เฉพาะทางอีกหลายสิบตัวทำงานทั้งหมดในเบราว์เซอร์ ต่างจากแอปพลิเคชัน SaaS แบบดั้งเดิมที่ต้องมีการผสานรวม SSO และการจัดเตรียมระบบ เครื่องมือแชทบอท AI ส่วนใหญ่ต้องการเพียงการสมัครด้วยอีเมลฟรี — หรือไม่ต้องมีบัญชีเลย นักวิเคราะห์ HR สามารถวางผลการประเมินประสิทธิภาพของพนักงานลงในแชทบอทและรับสรุปผลภายในไม่กี่วินาที ทั้งหมดนี้ทำได้ภายในเซสชัน Chrome มาตรฐานบนแล็ปท็อปที่ได้รับการจัดการ

การเปลี่ยนแปลงที่ 2: การเคลื่อนย้ายข้อมูลคือการคัดลอกและวาง ไม่ใช่การถ่ายโอนไฟล์ ตามผลสำรวจ Shadow AI ของ IBM (เดือนกุมภาพันธ์ 2026) พบว่า 80% ของพนักงานสำนักงานในสหรัฐอเมริกาใช้ AI ในหน้าที่การทำงานของตน แต่มีเพียง 22% เท่านั้นที่พึ่งพาเครื่องมือที่นายจ้างจัดหาให้อย่างเดียว ส่วนที่เหลือใช้บัญชีส่วนตัว บริการระดับฟรี และส่วนขยายของเบราว์เซอร์ ข้อมูลถูกเคลื่อนย้ายผ่านการดำเนินการของคลิปบอร์ด — คัดลอก วาง ลากและวาง — ซึ่งหลีกเลี่ยงระบบ DLP ที่เน้นไฟล์อย่างสิ้นเชิง

Shift 3: อุปกรณ์ที่ไม่ได้รับการจัดการและการเข้าถึงของผู้รับจ้างเพิ่มความเสี่ยง ผู้รับจ้างที่เข้าถึง Salesforce ผ่าน reverse proxy จากแล็ปท็อปส่วนตัวสามารถคัดลอกข้อมูลลูกค้า เปิดแท็บใหม่ไปยังเครื่องมือ AI สาธารณะ และวางข้อมูล — ทั้งหมดในเซสชันเบราว์เซอร์เดียว ไม่มีเอเจนต์ที่จุดปลายทางเพื่อตรวจสอบ ไม่มีโปรไฟล์ MDM เพื่อบังคับใช้ และไม่มีการควบคุมระดับเครือข่ายหากพวกเขาใช้การเชื่อมต่อ Wi-Fi ที่บ้าน เซสชันเบราว์เซอร์เองคือจุดบังคับใช้เดียวที่นำไปใช้ได้โดยไม่คำนึงถึงสถานะของอุปกรณ์

สิ่งที่กรอบงานระบุ: NIST และ OWASP เกี่ยวกับความเสี่ยงด้านข้อมูลของ GenAI

กรอบงานหลักทั้งสองสำหรับหัวข้อนี้ — NIST AI 600 1 และ OWASP Top 10 สำหรับ LLMs — ต่างระบุว่า การเปิดเผยข้อมูลผ่านการโต้ตอบกับ GenAI เป็นความเสี่ยงสำคัญที่จำเป็นต้องมีการควบคุมทางเทคนิค ไม่ใช่เพียงการควบคุมตามขั้นตอนเท่านั้น

เผยแพร่เมื่อวันที่ 26 กรกฎาคม 2567 NIST AI 600 1 Generative AI Profile ระบุความเสี่ยง 12 ประการที่เป็นลักษณะเฉพาะของ AI สร้างสรรค์ หรือถูกทำให้รุนแรงขึ้นโดย AI สร้างสรรค์ และเสนอมาตรการกว่า 200 ข้อสำหรับการจัดการความเสี่ยง ในจำนวนนี้ ความเป็นส่วนตัวของข้อมูลถูกระบุว่าเป็นความเสี่ยงที่แยกต่างหาก: การใช้และการฝึกอบรมระบบ GenAI อาจนำไปสู่การรั่วไหล การใช้โดยไม่ได้รับอนุญาต หรือการเปิดเผยตัวตนของข้อมูลส่วนบุคคล ฟังก์ชัน "Govern" ของโปรไฟล์นี้ — ซึ่งถือเป็นพื้นฐาน — กำหนดให้องค์กรต้องกำหนดนโยบายและแนวทางปฏิบัติที่ชัดเจนสำหรับการพัฒนาและการนำระบบ AI สร้างสรรค์ (GAI) ไปใช้ เพื่อรับรองการใช้งานอย่างมีจริยธรรมและรับผิดชอบ สำหรับทีมความปลอดภัย สิ่งนี้หมายความว่านโยบายดังกล่าวต้องมาพร้อมกับมาตรการควบคุมทางเทคนิคเพื่อบังคับใช้นโยบาย โดยเฉพาะอย่างยิ่งที่จุดที่พนักงานมีปฏิสัมพันธ์กับระบบ AI สร้างสรรค์ (GenAI): นั่นคือเบราว์เซอร์

ในด้านความปลอดภัยของแอปพลิเคชัน OWASP Top 10 for LLMs (2025) จัดประเภทการเปิดเผยข้อมูลที่ละเอียดอ่อน (LLM02:2025) เป็นความเสี่ยงระดับวิกฤต โดยระบุว่าข้อมูลที่ละเอียดอ่อนนั้นรวมถึงข้อมูลที่สามารถระบุตัวตนได้ (PII) รายละเอียดทางการเงิน บันทึกสุขภาพ ข้อมูลธุรกิจที่เป็นความลับ ข้อมูลรับรองความปลอดภัย และเอกสารทางกฎหมาย ความเสี่ยงนี้เกิดขึ้นได้ทั้งสองทาง: ข้อมูลจะไหลเข้าสู่ LLM เมื่อพนักงานคัดลอกและวางเนื้อหา และข้อมูลอาจไหลออกได้หากโมเดลได้จดจำข้อมูลการฝึกอบรมไว้ หรือหากระบบ RAG ค้นหาข้อมูลที่ไม่ได้รับอนุญาต LLMs โดยเฉพาะเมื่อถูกฝังอยู่ในแอปพลิเคชัน มีความเสี่ยงที่จะเปิดเผยข้อมูลที่ละเอียดอ่อน อัลกอริทึมที่เป็นกรรมสิทธิ์ หรือรายละเอียดที่เป็นความลับผ่านผลลัพธ์ที่สร้างขึ้น ซึ่งอาจนำไปสู่การเข้าถึงข้อมูลโดยไม่ได้รับอนุญาต การละเมิดความเป็นส่วนตัว และการละเมิดทรัพย์สินทางปัญญา

NIST และ OWASP ร่วมกันชี้ให้เห็นว่า องค์กรไม่สามารถมองการเปิดเผยข้อมูล GenAI เป็นเพียงปัญหาด้านนโยบายได้เท่านั้น เบราว์เซอร์ ซึ่งเป็นช่องทางที่พนักงานใช้โต้ตอบกับเครื่องมือเหล่านี้ คือจุดที่มาตรการควบคุมทางเทคนิคต้องถูกนำมาใช้เพื่อให้สอดคล้องกับกรอบงานทั้งสอง

สิ่งที่ทีมความปลอดภัยควรทำทันที: การควบคุมระดับเบราว์เซอร์สำหรับ Shadow AI

การจัดการกับ AI แบบเงาจำเป็นต้องใช้ระบบควบคุมหลายชั้นที่บังคับใช้ในระดับเบราว์เซอร์ ซึ่งเป็นจุดที่ข้อมูลออกจากองค์กรจริง ๆ นี่คือวิธีการดำเนินการแบบเป็นขั้นตอนที่อิงจากวิธีการที่ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพ

ขั้นตอนที่ 1: ค้นพบและจัดประเภทการใช้งาน AI (สัปดาห์ที่ 1–2)

ก่อนที่จะบังคับใช้นโยบาย คุณจำเป็นต้องมีความเข้าใจอย่างชัดเจน ให้ติดตั้งระบบจัดการเนื้อหาตามนโยบาย (secure web gateway ) ที่มาพร้อมระบบจัดประเภท URL ที่รองรับ AI เพื่อระบุทุกโดเมน GenAI ที่พนักงานกำลังเข้าถึง ให้เชื่อมโยงข้อมูลบันทึก SWG กับผลการตรวจค้นระบบ IT ที่ไม่ได้รับการอนุมัติ (shadow IT) จาก CASB เพื่อสร้างรายการ: เครื่องมือ AI ใดที่กำลังถูกใช้งาน ผู้ใช้คือใคร ความถี่ในการใช้งาน และจากประเภทอุปกรณ์ใด

ตัวอย่างสถานการณ์จริง: ทีมความปลอดภัยของผู้ให้บริการประกันสุขภาพพบว่า มีเครื่องมือ AI 12 ตัวที่ยังไม่ได้รับการอนุมัติ กำลังรับข้อมูลจากคลิปบอร์ดของผู้ประสานงานทางคลินิก ซึ่งสรุปบันทึกกรณีผู้ป่วยเพื่อเร่งกระบวนการจัดทำเอกสารการคัดกรองผู้ป่วย หากไม่มีการตรวจจับในระดับ SWG กิจกรรมนี้จะไม่สามารถตรวจพบได้ เนื่องจากเครื่องมือเหล่านี้ทำงานผ่านเบราว์เซอร์และไม่จำเป็นต้องติดตั้งซอฟต์แวร์

ขั้นตอนที่ 2: ดำเนินการใช้ระบบ DLP แบบอินไลน์ในเบราว์เซอร์ (สัปดาห์ที่ 3–4)

เมื่อทราบแล้วว่าเครื่องมือ AI ใดกำลังถูกใช้งาน ให้ใช้นโยบายการป้องกันข้อมูลที่ฝังตัว (data loss prevention ) เพื่อตรวจสอบเนื้อหา ณ จุดที่มีการโต้ตอบ — ก่อนที่ข้อมูลจะส่งถึงบริการ AI ระบบ DLP แบบฝังตัว (Inline DLP) ที่ถูกติดตั้งผ่านแพลตฟอร์ม SWG หรือ SSE บนคลาวด์ สามารถตรวจสอบการคัดลอกและวางข้อมูล การส่งข้อมูลจากช่องแบบฟอร์ม และการอัปโหลดไฟล์ไปยัง URL ของ GenAI ได้ การดำเนินการตามนโยบายควรถูกจัดระดับอย่างค่อยเป็นค่อยไป:

ห้ามส่งข้อมูลที่ได้รับการกำกับดูแล (PII, PHI, PCI) ไปยังเครื่องมือ AI ใดก็ตาม

ผู้ใช้ Coach ที่พยายามวางโค้ดต้นฉบับหรือเอกสารภายใน จะได้รับหน้าต่างป๊อปอัพแบบเรียลไทม์ที่อธิบายถึงความเสี่ยงและเสนอทางเลือกที่ได้รับการอนุมัติ

อนุญาตให้มีการค้นหาทั่วไปที่ไม่มีเนื้อหาที่ละเอียดอ่อน

ตัวอย่าง: วิศวกรที่บริษัทโลจิสติกส์คัดลอกและวางใบรายการสินค้าที่ส่งพร้อมที่อยู่ลูกค้าลงในเครื่องมือสรุปเนื้อหาด้วย AI ระบบ DLP แบบอินไลน์จะตรวจพบรูปแบบข้อมูลส่วนบุคคล (PII) บล็อกการคัดลอกและวาง และแสดงข้อความแจ้งเตือนว่า: "เนื้อหานี้มีที่อยู่ลูกค้า โปรดใช้พื้นที่ทำงาน AI ขององค์กรที่ได้รับการอนุมัติแทน" วิศวกรดังกล่าวจะถูกเปลี่ยนเส้นทางไปยังพื้นที่ทำงานที่ถูกต้อง โดยไม่ถูกลงโทษ — และข้อมูลดังกล่าวจะไม่ถูกส่งออกไปนอกองค์กรเลย

ขั้นตอนที่ 3: แยกเซสชัน AI ที่มีความเสี่ยงสูง (สัปดาห์ที่ 4–6)

สำหรับเครื่องมือ AI ที่ไม่สามารถบล็อกได้อย่างสมบูรณ์ — เนื่องจากหน่วยธุรกิจต้องพึ่งพาเครื่องมือเหล่านั้น —remote browser isolation ระบบจะแสดงเซสชันบนคอนเทนเนอร์ที่โฮสต์บนคลาวด์ พนักงานสามารถเห็นและโต้ตอบกับเครื่องมือ AI ได้ตามปกติ แต่การดำเนินการกับคลิปบอร์ด การดาวน์โหลด และการอัปโหลดสามารถควบคุมได้ในระดับละเอียด RBI ช่วยให้เกิดท่าทาง "อ่านได้แต่ไม่รั่วไหล": พนักงานสามารถใช้เนื้อหาที่สร้างโดย AI ได้ โดยไม่สามารถวางข้อมูลที่ละเอียดอ่อนลงในเครื่องมือ หรือดาวน์โหลดผลลัพธ์จาก AI ไปยังจุดปลายทางที่ไม่ได้รับการจัดการ

ลองพิจารณาทีม M&A ของบริษัทบริการทางการเงินที่จำเป็นต้องใช้เครื่องมือวิจัย AI เพื่อสรุปเอกสารที่เปิดเผยต่อสาธารณะ RBI อนุญาตให้ทีมดังกล่าวใช้เครื่องมือนี้ได้อย่างอิสระ แต่จะบล็อกการคัดลอกและวางเงื่อนไขข้อตกลงภายใน หรือการดาวน์โหลดสรุปที่สร้างโดย AI ซึ่งรวมถึงการวิเคราะห์ที่เป็นข้อมูลลับ เมื่อเซสชันสิ้นสุดลง คอนเทนเนอร์จะถูกทำลาย และข้อมูลจะไม่เหลืออยู่บนอุปกรณ์ปลายทาง

ขั้นตอนที่ 4: กำกับดูแลและปรับปรุง (กำลังดำเนินการอยู่)

จัดตั้งคณะกรรมการกำกับดูแล AI เพื่อตรวจสอบข้อมูลการวัดผลของ SWG และ DLP ทุกเดือน ติดตามเครื่องมือ AI ใหม่ที่ปรากฏขึ้น การละเมิดนโยบายที่เกิดขึ้นบ่อยที่สุด และว่าทางเลือกที่ได้รับการอนุมัตินั้นตอบสนองความต้องการของผู้ใช้หรือไม่ ปรับนโยบายให้สอดคล้องกับสถานการณ์ที่เปลี่ยนแปลงไป — เนื่องจากจำนวนบริการ GenAI กำลังเพิ่มขึ้น ไม่ใช่ลดลง

ความเร่งด่วน: ทำไมการรอคอยจึงก่อให้เกิดความเสี่ยงที่เพิ่มขึ้นเรื่อยๆ

การล่าช้าทุกเดือนจะทำให้ความเสี่ยงเพิ่มขึ้นในสามด้าน

ด้านการเงิน: การละเมิดข้อมูลโดย Shadow AI ส่งผลให้ข้อมูลส่วนบุคคลที่ระบุตัวตนได้ (PII) ของลูกค้าถูกเปิดเผยในสัดส่วนที่สูงกว่าค่าเฉลี่ยระดับโลกอย่างไม่สมส่วน คือ 65% เทียบกับ 53% (IBM, 2025) ซึ่งทำให้ต้นทุนต่อข้อมูลแต่ละรายการและค่าปรับตามกฎระเบียบสูงขึ้น เมื่อข้อมูลที่รั่วไหลเป็นข้อมูลที่หน่วยงานกำกับดูแลให้ความสำคัญมากที่สุด ความเสี่ยงทางการเงินจึงเพิ่มขึ้นอย่างมากเกินกว่าการตอบสนองต่อเหตุการณ์ในขั้นต้น

ด้านกฎระเบียบ: GDPR, CCPA และ HIPAA ล้วนกำหนดให้องค์กรต้องรักษาการควบคุมการประมวลผลข้อมูลส่วนบุคคล เมื่อพนักงานคัดลอกและวางข้อมูลบันทึกผู้ป่วยลงในเครื่องมือ AI ที่ยังไม่ผ่านการตรวจสอบ ซึ่งถูกโฮสต์ในเขตอำนาจศาลที่ไม่มีข้อตกลงความเพียงพอ องค์กรนั้นจะถือเป็นผู้ควบคุมข้อมูลและต้องรับผิดชอบตามกฎหมาย พระราชบัญญัติ AI ของสหภาพยุโรป (EU AI Act) ได้เพิ่มข้อผูกพันเพิ่มเติมเกี่ยวกับความโปร่งใสและการประเมินความเสี่ยงในการใช้ GenAI ซึ่ง AI แบบเงา (shadow AI) ตามนิยามแล้วไม่สามารถปฏิบัติตามได้

ด้านปฏิบัติการ: รายงานของ Menlo Security ระบุว่า การใช้ AI แบบสร้างเนื้อหา (generative AI) แบบไม่เป็นทางการ (shadow) ในองค์กรต่าง ๆ เพิ่มขึ้นถึง 68% ภายในระยะเวลาหนึ่งปี องค์กรที่ยังเลื่อนการนำมาตรการควบคุมระดับเบราว์เซอร์มาใช้ในวันนี้ จะต้องเผชิญกับปัญหา AI แบบไม่เป็นทางการที่ขยายตัวมากขึ้นและฝังรากลึกยิ่งขึ้น เมื่อถึงเวลาที่การบังคับใช้มาตรการดังกล่าวกลายเป็นสิ่งที่หลีกเลี่ยงไม่ได้ — และการฝึกอบรมใหม่ให้กับพนักงานหลายหมื่นคนที่ได้นำ AI เข้ามาใช้ในกระบวนการทำงานประจำวันแล้ว ย่อมยากกว่าการปรับเปลี่ยนพฤติกรรมตั้งแต่เนิ่นๆ อย่างมาก

แพลตฟอร์ม SSE ของSkyhigh Security รวม SWG, CASB, DLP, RBI และ ZTNA ไว้ในเครื่องยนต์นโยบายเดียว — ทำให้สามารถตรวจพบ AI ที่ไม่ได้รับการควบคุม บังคับใช้การปกป้องข้อมูลในระดับเบราว์เซอร์ และควบคุมการใช้งาน AI บนอุปกรณ์ที่ได้รับการจัดการและไม่ได้รับการจัดการทั้งหมดจากคอนโซลเดียว การบูรณาการนี้มีความสำคัญ เนื่องจากความเสี่ยงด้านความปลอดภัยจาก AI copilots และเครื่องมือต่าง ๆ ครอบคลุมจุดบังคับใช้หลายจุด และการควบคุมที่แยกส่วนจะก่อให้เกิดช่องว่างที่พนักงาน — ไม่ว่าจะโดยเจตนาหรือไม่ — จะสามารถหาทางผ่านได้

แหล่งข้อมูล

  1. Menlo Security.AI กำลังเปลี่ยนรูปแบบพื้นที่ทำงานสมัยใหม่อย่างไร(กรกฎาคม 2025).https://www.menlosecurity.com/resources/how-ai-is-shaping-the-modern-workspace-report
  2. Gartner.Gartner ระบุจุดอ่อนสำคัญของ GenAI ที่ CIO ต้องแก้ไขอย่างเร่งด่วน(19 พฤศจิกายน 2025).https://www.gartner.com/en/newsroom/press-releases/2025-11-19-gartner-identifies-critical-genai-blind-spots-that-cios-must-urgently-address0
  3. IBM และ Ponemon Institute.รายงานค่าใช้จ่ายจากการรั่วไหลข้อมูล ปี 2025(กรกฎาคม 2025).https://www-api.ibm.com/adobe/assets/urn:aaid:aem:607b9590-38e0-4c91-b433-aa8a17f5b5e8/original/as/cost-of-a-data-breach-2025-full-report.pdf
  4. IBM.การนำ AI มาใช้ที่เพิ่มขึ้นในหมู่แรงงานทั่วสหรัฐอเมริกา กำลังก่อให้เกิดความเสี่ยงจาก AI ที่ไม่ได้รับการควบคุมหรือไม่?(3 พฤศจิกายน 2568).https://www.ibm.com/think/insights/rising-ai-adoption-creating-shadow-risks
  5. NIST.NIST AI 600-1: กรอบงานการจัดการความเสี่ยงด้านปัญญาประดิษฐ์: โปรไฟล์ปัญญาประดิษฐ์แบบสร้างเนื้อหา(กรกฎาคม 2024).https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
  6. OWASP.Top 10 สำหรับแอปพลิเคชัน LLM ปี 2025: LLM02:2025 การเปิดเผยข้อมูลที่ละเอียดอ่อน(2025).https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/
  7. สหภาพยุโรป.กฎระเบียบ (EU) 2016/679 (กฎระเบียบทั่วไปว่าด้วยการคุ้มครองข้อมูลส่วนบุคคล)(27 เมษายน 2016).https://eur-lex.europa.eu/eli/reg/2016/679/oj
  8. กระทรวงยุติธรรม, สำนักงานอัยการสูงสุด.พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของผู้บริโภคในรัฐแคลิฟอร์เนีย (CCPA).https://oag.ca.gov/privacy/ccpa
  9. กระทรวงสาธารณสุขและบริการมนุษย์ของสหรัฐอเมริกา (HHS).HIPAA สำหรับผู้เชี่ยวชาญ.https://www.hhs.gov/hipaa/for-professionals/index.html
  10. สหภาพยุโรป.กฎระเบียบ (EU) 2024/1689 (พระราชบัญญัติปัญญาประดิษฐ์)(13 มิถุนายน 2024).https://eur-lex.europa.eu/eli/reg/2024/1689/oj

คำถามที่พบบ่อย

Shadow AI คือการใช้เครื่องมือ AI — เช่น แชทบอท ผู้ช่วยเขียนโค้ด และบริการสรุปข้อมูล — โดยพนักงานโดยไม่ได้รับการอนุมัติหรือการกำกับดูแลจากฝ่าย IT ซึ่งแตกต่างจาก Shadow IT แบบดั้งเดิมในจุดสำคัญหนึ่ง คือ Shadow AI ดำเนินการประมวลผลข้อมูลขององค์กรอย่างเชิงรุก และอาจเก็บรักษาข้อมูลดังกล่าวไว้ เมื่อพนักงานติดตั้งแอปแบ่งปันไฟล์ที่ไม่ได้รับอนุญาต ความเสี่ยงอยู่ที่การเก็บข้อมูล แต่เมื่อพวกเขาคัดลอกข้อมูลลูกค้าไปวางในแชทบอท AI ข้อมูลดังกล่าวอาจถูกผู้ให้บริการเก็บไว้ และขึ้นอยู่กับเครื่องมือและระดับการสมัครสมาชิก อาจถูกใช้เพื่อฝึกโมเดล ซึ่งเป็นความเสี่ยงที่องค์กรไม่สามารถเรียกคืนหรือแก้ไขได้
พนักงานสามารถเข้าถึงเครื่องมือ AI ผ่านเว็บเบราว์เซอร์ ไม่ใช่ผ่านแอปพลิเคชันที่ติดตั้งไว้ เว็บเบราว์เซอร์คือจุดที่ดำเนินการคัดลอกและวาง อัปโหลดไฟล์ และส่งแบบฟอร์ม — ซึ่งเป็นขั้นตอนที่นำข้อมูลที่ละเอียดอ่อนเข้าสู่เครื่องมือ AI การควบคุมที่บังคับใช้ในระดับเว็บเบราว์เซอร์ผ่าน SWG, DLP แบบอินไลน์ และ RBI มีผลบังคับใช้ไม่ว่าอุปกรณ์นั้นจะอยู่ภายใต้การจัดการหรือไม่ ทำให้เว็บเบราว์เซอร์เป็นจุดบังคับใช้ที่ครอบคลุมและมีประสิทธิภาพมากที่สุด
คุณสามารถทำได้ แต่โดยทั่วไปแล้ววิธีนี้ไม่ค่อยได้ผลในระยะยาว ในระบบนิเวศ AI มีโดเมน GenAI มากกว่า 6,500 โดเมน และแอปพลิเคชัน 3,000 แอป (Menlo Security, 2025) และมีใหม่ปรากฏขึ้นทุกสัปดาห์ การบล็อกแบบครอบคลุมยังทำให้พนักงานต้องใช้อุปกรณ์ส่วนตัวและฮอตสปอตมือถือ ซึ่งอยู่นอกเหนือการควบคุมของบริษัท กลยุทธ์ที่มีประสิทธิภาพมากขึ้นคือการผสมผสานการบล็อกแบบเลือกเฉพาะสำหรับเครื่องมือที่มีความเสี่ยงสูงกับระบบ DLP แบบอินไลน์และการให้คำปรึกษาสำหรับการใช้งานที่มีความเสี่ยงปานกลาง พร้อมทั้งทางเลือก AI ขององค์กรที่ได้รับการอนุมัติสำหรับกรณีการใช้งานทั่วไป
ข้อมูลส่วนบุคคลของลูกค้า (PII), รหัสแหล่ง, เงื่อนไขสัญญา, ข้อมูลพนักงาน และข้อมูลผู้ป่วย เป็นประเภทข้อมูลที่ถูกเปิดเผยบ่อยที่สุดผ่านการโต้ตอบกับ AI ผ่านเบราว์เซอร์ เนื่องจากพนักงานมักคัดลอกและวางเนื้อหาใดก็ตามที่เกี่ยวข้องกับงานที่กำลังทำอยู่ ทรัพย์สินทางปัญญาเป็นประเภทข้อมูลที่มีค่าใช้จ่ายต่อบันทึกสูงที่สุด จึงเป็นสิ่งสำคัญอย่างยิ่งที่จะต้องบังคับใช้นโยบาย DLP ที่คำนึงถึงเนื้อหา (content-aware DLP) สำหรับการรับส่งข้อมูลผ่านเบราว์เซอร์ที่เชื่อมต่อกับ AI
NIST AI 600 1 ปรับใช้ AI RMF ให้เหมาะสมกับความเสี่ยงของ AI แบบสร้างเนื้อหา (generative AI) โดยเฉพาะอย่างยิ่ง ได้แก่ การสร้างข้อมูลเท็จ (hallucinations), การรั่วไหลของข้อมูล, ปัญหาเกี่ยวกับลิขสิทธิ์ และความลำเอียงที่เป็นอันตราย ฟังก์ชันการกำกับดูแล (Govern) ของมาตรฐานนี้กำหนดให้องค์กรต้องกำหนดนโยบายการใช้งานที่ชัดเจน พร้อมด้วยมาตรการบังคับใช้ทางเทคนิค OWASP Top 10 สำหรับ LLMs (2025) จัดอันดับ “การเปิดเผยข้อมูลที่ละเอียดอ่อน” เป็น LLM02 โดยชี้ให้เห็นว่า LLMs มีความเสี่ยงที่จะเปิดเผยข้อมูลที่ละเอียดอ่อนผ่านผลลัพธ์ที่สร้างขึ้น ซึ่งอาจนำไปสู่การเข้าถึงข้อมูลโดยไม่ได้รับอนุญาต การละเมิดความเป็นส่วนตัว และการละเมิดสิทธิในทรัพย์สินทางปัญญา ทั้งสองกรอบงานชี้ให้เห็นถึงความจำเป็นในการใช้มาตรการควบคุมทางเทคนิค — ไม่ใช่เพียงนโยบาย — ณ จุดที่มีการโต้ตอบกับข้อมูล
รายงาน "Cost of a Data Breach Report 2025" ของ IBM พบว่า เหตุการณ์ที่เกี่ยวข้องกับ AI แบบเงา (shadow AI) ทำให้เกิดค่าใช้จ่ายเพิ่มเติมเฉลี่ย 670,000 ดอลลาร์ เมื่อเทียบกับกรณีการรั่วไหลข้อมูลที่ไม่เกี่ยวข้องกับ AI แบบเงา นอกจากค่าใช้จ่ายโดยตรงจากการรั่วไหลข้อมูลแล้ว องค์กรยังต้องเผชิญกับค่าปรับตามกฎระเบียบ GDPR และ HIPAA ความเสียหายต่อชื่อเสียง และภาระในการดำเนินงานเพื่อแก้ไขข้อมูลที่ไม่สามารถเรียกคืนได้จากโมเดล AI ของฝ่ายที่สาม
RBI จัดการเซสชันเว็บในคอนเทนเนอร์คลาวด์ แทนที่จะทำบนเอนด์พอยต์ท้องถิ่น สำหรับการเข้าถึงเครื่องมือ AI สิ่งนี้หมายความว่าองค์กรสามารถอนุญาตให้พนักงานดูและใช้บริการ AI ได้ พร้อมทั้งควบคุมการดำเนินการของคลิปบอร์ด การดาวน์โหลดไฟล์ และการป้อนข้อมูลที่ชั้นการแยกข้อมูล ข้อมูลที่ละเอียดอ่อนจะไม่ถูกส่งไปยังเครื่องมือ AI เลย เนื่องจากการวางหรือการอัปโหลดจะถูกบล็อกก่อนที่จะออกจากคอนเทนเนอร์
ใช่—นี่เป็นสิ่งจำเป็นอย่างยิ่ง หากทางเลือกที่ได้รับการอนุมัติเข้าถึงได้ยากกว่า ช้ากว่า หรือมีประสิทธิภาพต่ำกว่าตัวเลือกในแพ็กเกจฟรี พนักงานจะหาทางหลีกเลี่ยงระบบควบคุม กลยุทธ์ AI เงามืดที่มีประสิทธิภาพที่สุดคือการผสมผสานการบังคับใช้ทางเทคนิค (SWG, DLP, RBI) กับเครื่องมือ AI ที่ได้รับการอนุมัติและตอบสนองความต้องการของพนักงาน — จากนั้นติดตามตรวจสอบทั้งสองช่องทางเพื่อตรวจสอบการปฏิบัติตามนโยบาย
องค์กรที่ใช้งานแพลตฟอร์ม SWG หรือ SSE บนคลาวด์อยู่แล้ว สามารถเพิ่มระบบจัดประเภท URL ที่ใช้ AI และนโยบาย DLP แบบอินไลน์ได้ภายในไม่กี่วัน นอกจากนี้ ยังสามารถกำหนดค่า RBI สำหรับเซสชันที่เกี่ยวข้องกับ AI ได้พร้อมกัน วิธีการแบบเป็นขั้นตอนที่อธิบายไว้ในบทความนี้ — ค้นหา บังคับใช้ แยกส่วน และกำกับดูแล — ได้รับการออกแบบมาเพื่อลดความเสี่ยงได้อย่างชัดเจนภายใน 4–6 สัปดาห์ โดยไม่จำเป็นต้องเปลี่ยนเบราว์เซอร์หรือติดตั้งเอเจนต์ใหม่บนอุปกรณ์ปลายทาง
เมื่อนำไปใช้ร่วมกับนโยบายแบบค่อยเป็นค่อยไป — บล็อกข้อมูลที่อยู่ภายใต้การกำกับดูแล, ให้คำแนะนำสำหรับกรณีที่อยู่ในขอบเขตที่คลุมเครือ, และอนุญาตให้ดำเนินการค้นหาข้อมูลที่ปลอดภัย — ผลกระทบต่อประสิทธิภาพการทำงานจะน้อยมาก การแจ้งเตือนแบบให้คำปรึกษาจะช่วยให้ผู้ใช้เรียนรู้ได้แบบเรียลไทม์ แทนที่จะก่อให้เกิดความขัดแย้ง องค์กรที่ผสมผสานการบังคับใช้กับทางเลือก AI ที่ได้รับการอนุมัติ มักจะเห็นการเพิ่มขึ้นของประสิทธิภาพการทำงาน เนื่องจากพนักงานเปลี่ยนจากเครื่องมือที่กระจัดกระจายและไม่ผ่านการตรวจสอบ ไปสู่กระบวนการทำงาน AI ที่สม่ำเสมอและปลอดภัย ปกป้องข้อมูลของคุณที่จุดที่ AI มาบรรจบกับเบราว์เซอร์ แพลตฟอร์มความปลอดภัย AI ของSkyhigh Security มอบการมองเห็นแบบอินไลน์ การบังคับใช้ DLP และการควบคุมระดับเบราว์เซอร์ เพื่อให้พนักงานสามารถใช้เครื่องมือ AI ได้โดยไม่เปิดเผยข้อมูลที่ละเอียดอ่อนสำรวจความปลอดภัย AI ของ Skyhigh →
ปกป้องข้อมูลของคุณทุกที่
Skyhigh Security การปกป้องข้อมูลแบบครบวงจรด้วยเทคโนโลยี DLP, CASB และ DSPM ชั้นนำของอุตสาหกรรม — ทั้งหมดในแพลตฟอร์ม SSE แบบรวมศูนย์เพียงหนึ่งเดียว
ดูว่าSkyhigh Security ช่วยคุณได้อย่างไร
เรียนรู้วิธีที่Skyhigh Security ข้อมูลสำคัญของคุณในคลาวด์ เว็บ และแอปพลิเคชันส่วนตัว
ขอการสาธิต
Shadow AI และความปลอดภัยของเบราว์เซอร์: การปกป้องข้อมูลเมื่อพนักงานใช้เครื่องมือ AI อ่านแล้ว 0%