Hvad tallene om Skygge‑AI gemmer

Medarbejdere i de fleste organisationer bruger allerede AI‑værktøjer, som deres arbejdsgiver aldrig har godkendt. Det burde i dag ikke overraske nogen. Medarbejdere har altid været tiltrukket af teknologier, der hjælper dem med at arbejde mere effektivt, uanset om disse værktøjer formelt er blevet introduceret af IT. AI har blot accelereret denne adfærd.

Hastigheden af AI‑adoption er kun en del af historien. Det, der er mere afslørende, er hvad den fortæller os om de miljøer, hvor adoptionen finder sted. Når medarbejdere selv vælger AI‑værktøjer, er det ofte et tegn på, at IT mangler et fuldstændigt overblik over, hvordan arbejdet udføres. De samme organisationer, der har svært ved at identificere uautoriseret AI‑brug, kan også have problemer med langsommere patch‑processer, inkonsekvent kryptering eller enheder, der falder uden for etablerede sikkerhedspolitikker. Skygge‑AI skaber ikke disse svagheder, men kan gøre dem tydeligere.

Vores egen State of Digital Workspace 2026‑rapport analyserede telemetri fra millioner af administrerede enheder på tværs af 17 brancher, hvilket undgik begrænsningerne ved at bede medarbejdere om at huske eller afsløre, hvilke værktøjer de bruger. Den fandt, at brugen af AI‑assistenter voksede med næsten 1.000 % i 2025, hvilket gør den til den hurtigst voksende applikationskategori på arbejdspladsen.

Figuren viser, hvor hurtigt medarbejderadfærden ændrer sig. Den åbner også en mindre kendt undersøgelseslinje: viser organisationer med høj eksponering for uautoriserede applikationer svagheder i mere etablerede områder af enhedsstyring? Sundhedssektoren giver den tydeligste indikation på, at de kan. I vores undersøgelse fremgår sundhedssektoren blandt de brancher, der er mest udsatte for compliance‑risiko fra uautoriserede applikationer; og andre steder i rapporten registreres også nogle af de langsomste patch‑processer og højere andele af ukrypterede skriveborde.

Adoption er kun en del af billedet

At forstå, hvilke AI‑værktøjer medarbejderne bruger, er kun én brik i puslespillet. Det mere afslørende spørgsmål er, hvorfor de vælger dem, fordi disse beslutninger ofte fremhæver kløften mellem den IT‑afdeling på arbejdspladsen mener, den har skabt, og den, medarbejderne oplever hver dag.

Fordelingen mellem godkendte og uautoriserede AI‑værktøjer bliver mere afslørende, når brugen er etableret. Microsoft Copilot er bredt installeret på administrerede mobile enheder, hvor IT styrer udrulningen, takket være dens placering i Microsoft 365. Uden for dette administrerede miljø fører ChatGPT med en betydelig margin. Det findes på 91 % af uautoriserede iOS‑enheder og 61 % af uautoriserede Android‑enheder, mens Gemini udgør en stor del af den resterende Android‑brug.

Godkendte og selvvalgte tjenester kan let sameksistere inden for samme arbejdsmiljø. Medarbejdere kan have adgang til den virksomhedens AI‑tjeneste og alligevel ty til et andet værktøj, fordi de oplever det som hurtigere, mere velkendt eller bedre egnet til en bestemt opgave. Set fra deres perspektiv er dette ofte den mest praktiske og hurtigste måde at få arbejdet gjort på. For IT‑ og compliance‑teams skaber det usikkerhed om, hvilke applikationer der håndterer virksomhedens information, og om eksisterende styringspolitikker overholdes.

Mønsteret inden for kommunikationssoftware er lignende. Forbruger‑messaging‑applikationer udgør næsten halvdelen af de kommunikationsværktøjer, der er installeret på administrerede desktop‑platforme, sammen med Teams, Zoom og Slack. Finansielle tjenester og sundhedssektoren er, på trods af deres strenge arkiveringskrav, ikke undtaget. Compliance‑problemet opstår, når en organisation antager, at følsomme samtaler forbliver inden for godkendte kanaler. En politik‑forespørgsel, patientdiskussion eller intern beslutning, der flyttes til en forbruger‑app, kan ikke længere ligge i de systemer, der anvendes til opbevaring, overvågning eller efterforskning. Den pågældende medarbejder har måske ikke til hensigt at omgå kontroller og bruger blot den kanal, hvor en kollega svarer hurtigst.

Disse mønstre peger på en bredere ændring i, hvordan arbejdet udføres. Medarbejdere bevæger sig i stigende grad mellem applikationer, browsere og AI‑tjenester, som ikke altid passer pænt ind i traditionelle styringsmodeller. Udfordringen er ikke blot at identificere en ny applikation. Det handler om at opretholde en klar forståelse af, hvordan arbejdet foregår på tværs af miljøet, så styringen kan følge med i medarbejdernes adfærd.

AI‑adoption og enhedshygiejne bevæger sig i forskelligt tempo

Den hurtige adoption af AI har afsløret en anden realitet inden for enterprise‑IT: teknologi udvikler sig ikke i samme tempo på tværs af organisationen. Medarbejdere kan begynde at bruge en AI‑tjeneste inden for få minutter, uden en indkøbsproces eller en support‑ticket.

At lukke et hul i enhedsstyringen kan tage måneder, især på tværs af blandede miljøer med virksomhedslaptops, delte enheder, robust hardware og medarbejder‑ejede telefoner. Telemetrien viser stor variation i patch‑hastighed. iOS‑enheder når den seneste version cirka otte gange hurtigere end Android‑enheder, mens macOS‑opdateringer sker omkring halvanden gang hurtigere end Windows.

Krypteringsdækningen er også ujævn; 23 % af bank‑desktop‑enheder er ukrypterede, og tallet stiger til omkring 27 % i sundheds‑ og high‑tech‑sektoren samt 28 % i medier og underholdning. Mere end halvdelen af desktop‑ og mobil‑enheder i uddannelsessektoren er ukrypterede, mens i den offentlige sektor har én ud af fem desktop‑enheder ingen kryptering.

Den branchemæssige fordeling af operativsystem‑opdateringer giver yderligere kontekst. Sundhedssektoren, farmaceutisk industri samt detail‑ og engrossektoren har de højeste koncentrationer af Android‑enheder, der kører fire eller fem generationer bag den aktuelle version. De oplysninger, der afsløres ved en manglende patch, varierer på tværs af disse miljøer, fra patientjournaler og kliniske data til lægemiddelforskning og betalingsinformation.

Ældre enheder er ofte indlejret i operationelle miljøer, hvor udskiftning og vedligeholdelse er vanskelige. En robust håndholdt enhed på en hospitalsafdeling eller lagergulv kan stadig køre et operativsystem, der er flere store versioner forældet, mens personalet i samme miljø har adgang til de nyeste offentlige AI‑tjenester. AI‑brugen kan vække umiddelbar bekymring, selvom den aldrende endpoint udgør en længerevarende vej til følsomme oplysninger.

Her bliver forholdet mellem AI‑adoption og endpoint‑styring tydeligere. Rapporten placerer skygge‑perimeter‑risiko og sikkerhedshygiejne i separate kapitler, men sundhedssektoren fremgår i begge. Den identificeres for compliance‑eksponering som følge af uautoriserede applikationer og dukker igen op på grund af langsomme operativsystem‑opdateringer og relativt høj andel af ukrypterede desktop‑enheder. Denne overlapning kan forblive skjult, når sikkerhed, enhedsstyring og applikationsinformation befinder sig i separate systemer. Hvert team kan have et præcist overblik over sin egen del af miljøet, mens de overser risikokoncetrationen på tværs af dem.

Den regulatoriske tidsplan er ændret

Nogle organisationer har forventet, at regulering vil skabe det nødvendige pres for at adressere disse huller, selvom tidsplanen nu giver dem længere tid end tidligere antaget. Under den politiske aftale, som EU‑forhandlerne nåede den 7. maj, er de højrisiko‑forpligtelser i AI‑loven for selvstændige systemer under bilag III flyttet fra august 2026 til december 2027. Dette er den kategori, som mange enterprise‑AI‑implementeringer forventes at falde ind under. Transparens‑forpligtelser gælder stadig fra august 2026, mens de bredere krav, der ville få mange organisationer til at oprette AI‑inventarer og formelle risikovurderinger, nu træder i kraft seksten måneder senere.

Forsinkelsen giver organisationerne mere tid til at forberede sig, men den fjerner også en umiddelbar ekstern deadline, som kunne have fremskyndet investeringerne.

Markedet reagerer på et anerkendt styringsgab, selvom værdien af denne udgift vil afhænge af, hvor godt disse platforme kobles til det bredere endpoint‑miljø. Et separat AI‑styringsdashboard kan identificere, hvilke værktøjer der er i brug, mens enhedstilstand, kryptering og applikationsydelse forbliver et andet sted. Regulering kan sætte forventninger og definere ansvarlighed, men den kan ikke skabe et fuldstændigt operationelt overblik, medmindre de underliggende data kan samles.

Endpoint’en er vigtig for alle, der implementerer AI

Enhver organisations AI‑strategi vil i sidste ende afhænge af de enheder, som medarbejderne bruger dagligt. Det gælder, uanset om AI leveres via en browser, er indlejret i en forretningsapplikation eller kører direkte på endpoint’en.

Udviklere og enterprise‑teams, der implementerer assistenter, agenter eller on‑device‑modeller, skal arbejde med de enheder, som medarbejderne allerede bruger. Disse enheder kan være ældre, stærkt styrede eller allerede under præstationspres. På Windows‑desktop‑enheder udgør IT‑administration, sikkerhed og systemværktøjer næsten to‑tredjedele af den installerede software‑stack. Endpoint‑beskyttelse, patch‑styring, kryptering og asset‑inventory‑agenter konkurrerer alle om processor‑kapacitet og hukommelse, før en AI‑arbejdsbelastning påbegyndes.

At tilføje en assistent til dette miljø ændrer kravene til enheden. Dette er især relevant for on‑device‑inference og agent‑baserede arbejdsgange, hvor pålidelighed og tilgængelige beregningsressourcer påvirker, om tjenesten svarer som forventet. The Digital Workspace 2026‑rapport fandt, at Windows‑enheder oplever 3,1 gange flere tvungne nedlukninger og 7,5 gange flere utilgængelige applikationstilstande end Macs. Når medarbejdere begynder at stole på AI‑assistenter i rutinearbejde, har disse pålidelighedsforskelle en direkte indvirkning på adoption og tillid. En tjeneste, der er utilgængelig, langsom eller inkonsekvent i det øjeblik, den er nødvendig, vil snart blive omgået.

En nyligt udstedt ledelses‑laptop og en delt klinisk enhed kan tilhøre samme organisation, men befinder sig i hver sin ende af patch‑, præstations‑ og kontrolskalaen.  At designe en AI‑implementering omkring en idealiseret endpoint risikerer at overse de steder, hvor implementeringen vil være sværest. Disse svagheder er ofte koncentreret i regulerede og operationelle miljøer, hvor enheder forbliver i brug længere, og afbrydelser kan påvirke frontline‑arbejdet. Det er også de miljøer, hvor dårlig synlighed medfører de største konsekvenser.

At se hele miljøet

Politikker er stadig nødvendige, men deres rækkevidde er begrænset, når en organisation ikke kan se, hvilke værktøjer medarbejderne bruger, eller i hvilken tilstand de enheder, de får adgang gennem, befinder sig. Medarbejdere vil fortsætte med at vælge tjenester, der hjælper dem med hurtigt at fuldføre en opgave. Nogle vil bruge en godkendt assistent, mens andre vælger en offentlig tjeneste, der virker nemmere eller giver et bedre resultat. Skriftlige regler alene vil ikke give IT‑teamene et præcist billede af denne adfærd.

Den operationelle udfordring er at forstå AI‑brug i kontekst, hvilket kan omfatte enhedens alder, operativsystem, patch‑status, krypteringsdækning og de applikationer, der allerede kører på den. Set hver for sig kan hvert datasæt synes håndterbart. Samlet kan de afsløre, hvor flere svagheder akkumuleres omkring de samme medarbejdere, enheder eller forretningsprocesser. Regulerede organisationer bør begynde med at samle AI‑brug, patch‑ og krypteringsinformation i et fælles overblik og derefter identificere de dele af miljøet, der gentagne gange fremkommer i disse datasæt. Skygge‑AI kan være det mest synlige tegn på problemet, mens den bredere risiko ligger i huller mellem de systemer, der bruges til at styre arbejdspladsen.