Vain 29% tietoturvatiimeistä pystyy säännöllisesti raportoimaan, mitä arkaluonteisia tietoja työntekijät lähettävät tekoälytyökaluihin

Tämä artikkeli perustuu Cloud Security Alliance (CSA) -järjestön vuoden 2026 kyselyraportin DLP tekoälyn aikakaudella tuloksiin. Jazz tilasi raportin.

Kesä- ja heinäkuussa CSA kysyi 433 IT- ja tietoturva-alan ammattilaiselta, pystyikö heidän tiiminsä laatimaan raportin, josta kävi ilmi, kuinka monta kertaa arkaluonteisia tietoja oli lähetetty generatiivisen tekoälyn työkaluihin edeltävien 30 päivän aikana. Kaksikymmentäyhdeksän prosenttia vastasi pystyvänsä laatimaan tällaisen raportin säännöllisesti.

Tällä luvulla olisi vähemmän merkitystä, jos vastaajat pitäisivät generatiivista tekoälyä vähäisenä kanavana. He arvioivat sen suurimmaksi tietojen ulosviennin riskiksi: 48 % sijoitti sen kolmen suurimman riskin joukkoon.

Johdan tietojen menetyksen estämiseen tarkoitettuja ratkaisuja kehittävän yrityksen suunnittelutiimiä, ja suurin osa työstäni liittyy siihen, missä järjestelmän osissa tietojen liikkumisesta jää todisteita ja miksi siihen liittyvä riski syntyy. Tästä näkökulmasta ero siinä, mitä tiimit uskovat pystyvänsä näkemään ja mitä ne pystyvät osoittamaan, johtuu suoraan siitä, miten generatiivisen tekoälyn hallintakeinot on suunniteltu.

Tiimien luottamus generatiivisen tekoälyn näkyvyyteen ylittää selvästi sen, mitä ne pystyvät osoittamaan

Hieman yli puolet vastaajista arvioi näkyvyytensä generatiivisen tekoälyn käyttöön tasolle 4 tai 5 asteikolla 1–5. Vain 29 % pystyi kuitenkin säännöllisesti perustelemaan arvionsa raportilla, joka yksinkertaisesti laskee, kuinka monta kertaa arkaluonteisia tietoja lähetettiin tekoälytyökaluun.

Lähde: Cloud Security Alliance, DLP tekoälyn aikakaudella (2026), n=433. Kuviot on laadittu uudelleen raportin sivujen 22 ja 23 kaavioiden pohjalta.

Estämisessä näkyy sama ilmiö. Vain 22 % vastaajista estää arkaluonteisten tietojen siirtämisen generatiivisen tekoälyn kanavassa ehdottomasti. Siirrettävien tietovälineiden, jotka vastaajat arvioivat pienimmäksi tietojen ulosviennin riskiksi, ehdottoman estämisen osuus on suurin: 31 %. Ehdoton estäminen painottuu kanaviin, joissa käytössä on vanhinta teknologiaa.

Lähde: Cloud Security Alliance, DLP tekoälyn aikakaudella (2026), n=433. Kuviot on laadittu uudelleen raportin sivujen 23 ja 26 kaavioiden pohjalta. Pylväät on skaalattu 100 prosenttiin riveillä, joiden arvoksi pyöristys antoi 99 % tai 101 %.

Jazz julkaisi kyselyn yhteydessä myös asiakasympäristöistään kerättyjä telemetriatietoja. Näiden tietojen perusteella organisaatiossa oli käytössä keskimäärin 169,5 erillistä tekoälytyökalua, joista 9,8 oli hyväksyttyjä. Näin ollen 94,2 % työkaluista jäi hyväksyttyjen luettelon ulkopuolelle.

Miksi ero syntyy: työkaluluettelo ei kirjaa tapahtumia

Tavallinen tapa vastata generatiivisen tekoälyn aiheuttamiin riskeihin on hyväksyä muutama tekoälypalvelu yrityssopimusten piiriin ja kehottaa välttämään muita tai estää niiden käyttö. Luku 94,2 % osoittaa, kuinka paljon tällainen luettelo jää käytännössä jälkeen. Määräaikaa vastaan työskentelevä insinööri käyttää sitä työkalua, jolla saa päivän ongelman ratkaistua, sillä hyväksytyn työkalun hankintaprosessi kestää viikkoja.

Täydellinenkään luettelo ei silti tuottaisi CSA:n pyytämää raporttia. Tietoturvaloukkauksia selvittävä tiimisi tai tilintarkastaja kysyy yksittäisestä tapahtumasta, jossa tietoja on siirtynyt ulos, mutta työkaluluettelo ei sisällä tietoja tapahtumista.

Jotta tapahtumasta selviää, mitä tapahtui, tarvitaan neljä tietoa: mitä arkaluonteisia tietoja oli kyseessä, mikä työkalu vastaanotti ne, minkä tilin kautta ne lähetettiin ja miksi henkilö lähetti ne.

Työkalujen hallinta pettää ensimmäisenä tilin kohdalla. Sama verkkosivusto palvelee sekä yrityksesi yritystiliä, jolla on omat tietojen säilytysasetuksensa ja sopimusehtonsa, että työntekijän maksutonta henkilökohtaista tiliä, jossa ei ole kumpaakaan. Henkilökohtaisella kirjautumisella käytetty hyväksytty työkalu antaa suunnilleen yhtä vähän näyttöä kuin hyväksymätön työkalu.

Käyttötarkoitusta on vaikeampi selvittää, ja se ratkaisee, onko mitään mennyt pieleen. Talousanalyytikko, joka liittää chatbotille tuottomallin rikkinäisen kaavan korjaamiseksi, tekee työtään. Täsmälleen sama liittäminen saa aivan toisenlaisen merkityksen, jos sen tekee henkilö, joka jätti irtisanoutumisilmoituksensa perjantaina. Heidän tilanteensa erottaa toisistaan henkilöön liittyvä taustatieto, joka ei koskaan näy lähetetyssä sisällössä.

Käytössä olevat hallintakeinot tarkastelevat kukin vain yhtä kohtaa

Kyselyssä ei löytynyt yhtä hallitsevaa tapaa estää arkaluonteisten tietojen lähettäminen tekoälytyökaluihin. Verkkotasolla tapahtuva tekoälyn verkkotunnusten esto, selaimessa tehtävä sisällöntarkastus ja pelkät hyväksyttävän käytön käytännöt saivat kukin 21–23 %:n osuuden. Sisäänrakennetulla DLP:llä varustettujen yritysten tekoälyalustojen osuus oli 10 %.

Jokainen näistä hallintakeinoista on suunniteltu yhden tarkastuspisteen ympärille. Verkkotunnuksen esto sallii yhteyden tai estää sen ja kirjaa, mille sivustolle yhteys suuntautui. Selainlaajennus näkee, mitä selaimeen kirjoitetaan, mutta ei mitään, mitä lähetetään tietokonesovelluksesta, koodieditoriin sisällytetystä koodausavustajasta tai komentorivityökalusta. Yritysten tekoälyalustan sisäänrakennettu DLP näkee, mitä kyseiselle alustalle syötetään. Jokainen niistä tarkastelee vain yhtä kohtaa ja luottaa siihen, että tiedot kulkevat sitä kautta.

Yksi tarkastuspiste selittää myös estämistä koskevat luvut. Jos hallintakeino ei erota yritystiliä henkilökohtaisesta tilistä tai tavanomaista liittämistä riskialttiista, se joutuu estämään molemmat tai ei kumpaakaan. Ehdoton estäminen pysäyttää silloin riskialttiin toiminnan ohella myös oikeutetun työnteon. Kun vastaajilta kysyttiin tärkeintä syytä siihen, etteivät he ole siirtyneet aktiivisempaan estämiseen, 46 % mainitsi pelon liiketoiminnan työnkulkujen häiriintymisestä ja 39 % riittämättömän luottamuksen DLP:n tarkkuuteen.

Huomioitavia varauksia

Kyselyn luvut perustuvat vastaajien omiin ilmoituksiin, eikä kyselyssä verrattu näkyvyysarvioita todelliseen kattavuuteen. Vastaajissa painottuivat Amerikan mantereiden alueet (80 %) sekä organisaatiot, joissa on alle 5 000 työntekijää (67 %), joten tulokset eivät välttämättä päde samalla tavoin suuriin, maailmanlaajuisesti toimiviin yrityksiin. Telemetria on peräisin organisaatioista, jotka päättivät ottaa käyttöön tällaisen näkyvyyden, joten aineistossa saattavat painottua ne, jotka ovat jo huolissaan tekoälytyökalujen hallitsemattomasta leviämisestä.

Hyväksytyt työkalut ja agentit heikentävät luetteloa entisestään

Kun hyväksytyt SaaS-tuotteet lisäävät tekoälyavustajia, kysymykseen siitä, mikä työkalu sai tiedot, on usein kaksi vastausta: työntekijän avaama sovellus ja sen taustalla oleva tekoälymallin tarjoaja. Tekoälyagentit mutkistavat asiaa entisestään. Kun agentti hakee tiedoston ja lähettää sen johonkin työntekijän puolesta, kysymykset siitä, kuka tiedot lähetti ja miksi, ovat nyt osittain ohjelmiston vastuulla. Kuten Unite.AI:n tuoreessa artikkelissa kehoteruiskutuksesta tuotantokäytössä oleviin agentteihin todetaan, agentin toimintaa voidaan ohjata sen lukemalla sisällöllä, joten sen omaa kuvausta tekemisistään ei voi pitää näyttönä sen tarkoituksesta.

Testi, jonka voit tehdä tässä kuussa

Tarkastele viimeisiä 30 päivää ja valitse arkaluonteisin tieto, jonka uskot päätyneen tekoälytyökalun käyttöön. Tarkista sitten, pystyykö tiimisi tuottamaan seuraavat tiedot ilman, että ne kootaan käsin:

• Mitä tieto oli ja mistä se oli peräisin
• Mikä työkalu sai tiedon, myös hyväksytyn luettelon ulkopuoliset työkalut
• Kuljetettiinko tieto yrityksen vai henkilökohtaisen tilin kautta
• Mitä henkilö oli tekemässä lähettäessään tiedon

Jos kahteen ensimmäiseen kysymykseen saadaan nopeasti vastaus mutta kahteen viimeiseen vastaaminen edellyttää työntekijän haastattelemista, hallintamallinne kattaa työkaluluettelonne mutta vain hyvin vähän tiedoistanne.