केवल 29% सुरक्षा टीमें नियमित रूप से बता सकती हैं कि कर्मचारी एआई टूल को कौन-सा संवेदनशील डेटा भेजते हैं

यह लेख Cloud Security Alliance (CSA) की 2026 की सर्वेक्षण रिपोर्ट एआई युग में DLP के निष्कर्षों पर आधारित है। यह सर्वेक्षण Jazz ने करवाया था।

जून और जुलाई में CSA ने आईटी और सुरक्षा क्षेत्र के 433 पेशेवरों से पूछा कि क्या उनकी टीम ऐसी रिपोर्ट तैयार कर सकती है, जो दिखाए कि पिछले 30 दिनों में संवेदनशील डेटा कितनी बार जनरेटिव एआई टूल को भेजा गया। 29% ने कहा कि वे नियमित रूप से ऐसी रिपोर्ट तैयार कर सकते हैं।

अगर उत्तरदाताओं को जनरेटिव एआई एक मामूली माध्यम लगता, तो यह आँकड़ा कम मायने रखता। उन्होंने इसे डेटा बाहर जाने के सबसे बड़े जोखिम के रूप में रखा और 48% ने इसे अपने तीन सबसे बड़े जोखिमों में शामिल किया।

मैं डेटा हानि रोकथाम के समाधान बनाने वाली एक कंपनी में इंजीनियरिंग का नेतृत्व करता हूँ। मेरे ज़्यादातर काम का संबंध इस बात से है कि किसी सिस्टम में डेटा के आने-जाने के प्रमाण कहाँ मिलते हैं और उसका जोखिम क्यों पैदा होता है। इस नज़रिए से देखें, तो टीमें जितनी दृश्यता होने का मानती हैं और जितना दिखा सकती हैं, उनके बीच का अंतर सीधे इस बात से पैदा होता है कि जनरेटिव एआई पर नियंत्रण किस तरह तैयार किए गए।

जनरेटिव एआई पर दृश्यता को लेकर भरोसा, टीमें जो दिखा सकती हैं उससे कहीं आगे है

आधे से कुछ अधिक उत्तरदाताओं ने जनरेटिव एआई पर अपनी दृश्यता को 5 में से 4 या 5 अंक दिए। फिर भी, केवल 29% ही इस आकलन के समर्थन में ऐसी रिपोर्ट नियमित रूप से दे सकते थे, जो बस यह गिनती हो कि संवेदनशील डेटा कितनी बार किसी एआई टूल को भेजा गया।

स्रोत: Cloud Security Alliance, DLP in the AI Era (2026), n=433। रिपोर्ट के पृ. 22 और 23 के चार्ट के आधार पर पुनर्निर्मित।

नियंत्रण लागू करने का तरीका भी यही तस्वीर दिखाता है। केवल 22% उत्तरदाता जनरेटिव एआई माध्यम पर संवेदनशील डेटा को सख्ती से रोकते हैं। हटाए जा सकने वाले मीडिया को उत्तरदाताओं ने डेटा बाहर जाने का सबसे कम जोखिम वाला माध्यम माना, फिर भी वहाँ सख्ती से रोकने की दर सबसे अधिक, 31%, है। सख्ती से रोकने की व्यवस्था मुख्यतः उन माध्यमों पर केंद्रित है जहाँ सबसे पुराने टूल इस्तेमाल होते हैं।

स्रोत: Cloud Security Alliance, DLP in the AI Era (2026), n=433। रिपोर्ट के पृ. 23 और 26 के चार्ट के आधार पर पुनर्निर्मित; जहाँ राउंडिंग के कारण कोई पंक्ति 99% या 101% हुई, वहाँ बार को 100% के अनुपात में समायोजित किया गया।

Jazz ने सर्वेक्षण के साथ-साथ अपने ग्राहकों के परिवेश से मिले टेलीमेट्री आँकड़े भी प्रकाशित किए। उन आँकड़ों में एक औसत संगठन में 169.5 अलग-अलग एआई टूल इस्तेमाल हो रहे थे। इनमें से 9.8 स्वीकृत थे, यानी 94.2% स्वीकृत सूची से बाहर थे।

अंतर क्यों बना रहता है: टूल की सूची किसी घटना का रिकॉर्ड नहीं रखती

जनरेटिव एआई के जोखिम से निपटने का आम तरीका यह है कि कुछ एआई सेवाओं को उद्यम-स्तरीय समझौतों के तहत मंज़ूरी दी जाए और बाकी को हतोत्साहित किया जाए या रोक दिया जाए। 94.2% का आँकड़ा दिखाता है कि व्यवहार में यह सूची कितनी पीछे रह जाती है। समय-सीमा के दबाव में काम कर रहा इंजीनियर वही टूल इस्तेमाल करता है जो आज की समस्या हल कर दे, क्योंकि मंज़ूरशुदा टूल की खरीद प्रक्रिया में कई हफ़्ते लगते हैं।

पूरी सूची होने पर भी CSA की माँगी गई रिपोर्ट तैयार नहीं हो पाएगी। आपकी घटना-प्रतिक्रिया टीम या कोई ऑडिटर डेटा बाहर जाने की किसी खास घटना के बारे में पूछेगा, जबकि टूल की सूची में घटनाओं का कोई रिकॉर्ड नहीं होता।

यह दिखाने के लिए कि उस घटना में क्या हुआ, आपको चार बातें जाननी होंगी: कौन-सा संवेदनशील डेटा शामिल था, उसे किस टूल ने प्राप्त किया, किस खाते के ज़रिए भेजा गया और व्यक्ति ने उसे क्यों भेजा।

टूल-स्तरीय नियंत्रण सबसे पहले खाते के स्तर पर टूटता है। एक ही वेबसाइट आपकी कंपनी के उद्यम खाते और कर्मचारी के मुफ़्त निजी खाते—दोनों के लिए होती है। कंपनी के खाते में डेटा-संग्रह की अवधि तय करने वाली सेटिंग और अनुबंध की शर्तें होती हैं, जबकि निजी खाते में इनमें से कुछ भी नहीं होता। किसी मंज़ूरशुदा टूल में निजी लॉगिन से काम करने पर आपको लगभग उतने ही प्रमाण मिलते हैं, जितने किसी अमंज़ूरशुदा टूल से।

यह जानना कठिन है कि काम करने का मकसद क्या था, जबकि इसी से तय होता है कि कुछ गलत हुआ या नहीं। टूटा हुआ फ़ॉर्मूला ठीक करने के लिए चैटबॉट में राजस्व का मॉडल डालने वाली वित्त विश्लेषक अपना काम कर रही है। लेकिन शुक्रवार को इस्तीफ़ा देने की सूचना दे चुके किसी व्यक्ति का वही जानकारी डालना बिल्कुल अलग तरह की बातचीत की माँग करता है। दोनों में फ़र्क व्यक्ति से जुड़ा संदर्भ पैदा करता है, जो भेजे गए डेटा में कभी दिखाई नहीं देता।

इस्तेमाल में मौजूद हर नियंत्रण केवल एक जगह देखता है

सर्वेक्षण में संवेदनशील डेटा को एआई टूल तक पहुँचने से रोकने का कोई एक प्रमुख तरीका सामने नहीं आया। एआई डोमेन को नेटवर्क स्तर पर रोकना, ब्राउज़र में सामग्री की जाँच करना और केवल स्वीकार्य उपयोग नीति पर निर्भर रहना—इनमें से प्रत्येक को 21% से 23% समर्थन मिला। अंतर्निहित DLP वाले उद्यम एआई प्लेटफ़ॉर्म को 10% समर्थन मिला।

इनमें से हर नियंत्रण को जाँच के एक ही बिंदु के आधार पर बनाया गया है। डोमेन को रोकने वाला नियंत्रण किसी कनेक्शन को अनुमति देता है या रोकता है और दर्ज करता है कि वह किस साइट तक गया। ब्राउज़र एक्सटेंशन यह देखता है कि उस ब्राउज़र में क्या टाइप किया जा रहा है, लेकिन डेस्कटॉप ऐप, कोड एडिटर के भीतर मौजूद कोडिंग सहायक या कमांड-लाइन टूल से भेजी गई सामग्री नहीं देख पाता। उद्यम एआई प्लेटफ़ॉर्म का अंतर्निहित DLP यह देखता है कि उस प्लेटफ़ॉर्म में क्या आता है। इनमें से हर नियंत्रण देखने के लिए एक जगह चुनता है और उम्मीद करता है कि डेटा वहीं जाएगा।

जाँच का एक ही बिंदु होने से नियंत्रण लागू करने के आँकड़े भी समझ में आते हैं। अगर कोई नियंत्रण कॉर्पोरेट खाते और निजी खाते में, या सामान्य रूप से की गई जानकारी डालने और जोखिमपूर्ण तरीके से की गई जानकारी डालने में फ़र्क नहीं कर सकता, तो उसे दोनों को रोकना होगा या किसी को भी नहीं रोकना होगा। ऐसे में सख्ती से रोकने पर जोखिमपूर्ण काम के साथ वैध काम भी रुक जाता है। जब पूछा गया कि वे सक्रिय रूप से रोकने के लिए ज़्यादा कड़े कदम क्यों नहीं उठा रहे हैं, तो 46% उत्तरदाताओं ने कारोबारी कार्यप्रवाह बाधित होने की आशंका और 39% ने DLP की सटीकता पर अपर्याप्त भरोसे को मुख्य कारण बताया।

ध्यान रखने योग्य सीमाएँ

सर्वेक्षण के आँकड़े उत्तरदाताओं की स्वयं दी गई जानकारी पर आधारित हैं। सर्वेक्षण में दृश्यता के आकलनों की वास्तविक कवरेज से तुलना नहीं की गई। उत्तरदाताओं में अमेरिका महाद्वीप के लोगों (80%) और 5,000 से कम कर्मचारियों वाले संगठनों के लोगों (67%) का अनुपात अधिक है, इसलिए हो सकता है कि ये नतीजे बड़े वैश्विक उद्यमों पर समान रूप से लागू न हों। टेलीमेट्री उन संगठनों से आती है जिन्होंने इस तरह की दृश्यता लागू करने का विकल्प चुना। इस वजह से, इसमें उन संगठनों का अनुपात अधिक हो सकता है जो पहले से ही AI के अनियंत्रित फैलाव को लेकर चिंतित हैं।

स्वीकृत टूल और एजेंट इस सूची को और भी कमज़ोर करेंगे

जैसे-जैसे स्वीकृत SaaS उत्पादों में AI सहायक जुड़ रहे हैं, यह सवाल कि डेटा किस टूल तक पहुँचा, अक्सर दो जवाब देता है: कर्मचारी ने जो ऐप खोला था और उसके पीछे मौजूद AI मॉडल का प्रदाता। AI एजेंट इस मामले को और पेचीदा बना देते हैं। जब कोई एजेंट कर्मचारी की ओर से कोई फ़ाइल लेकर उसे कहीं भेजता है, तो अब यह कुछ हद तक सॉफ़्टवेयर पर निर्भर करता है कि उसे किसने और किसलिए भेजा। उत्पादन में इस्तेमाल हो रहे एजेंटों में प्रॉम्प्ट इंजेक्शन पर Unite.AI के हालिया लेख में तर्क दिया गया है कि एजेंट को उसके द्वारा पढ़ी गई सामग्री के ज़रिए प्रभावित किया जा सकता है, इसलिए उसने क्या किया, इस बारे में उसका अपना विवरण उसके मकसद का प्रमाण नहीं माना जा सकता।

इस महीने किया जा सकने वाला एक परीक्षण

पिछले 30 दिनों को देखें और उस सबसे संवेदनशील डेटा को चुनें, जिसके बारे में आपको लगता है कि वह किसी AI टूल तक पहुँचा। फिर जाँचें कि क्या आपकी टीम नीचे दी गई जानकारी बिना उसे हाथ से तैयार किए दे सकती है:

• डेटा क्या था और कहाँ से आया था
• उसे कौन-सा टूल मिला था, जिसमें आपकी स्वीकृत सूची से बाहर के टूल भी शामिल हैं
• क्या उसे कॉर्पोरेट खाते से भेजा गया था या निजी खाते से
• भेजते समय वह व्यक्ति क्या काम कर रहा था

अगर पहले दो सवालों के जवाब तुरंत मिल जाते हैं, लेकिन आख़िरी दो के लिए कर्मचारी से पूछताछ करनी पड़ती है, तो आपका शासन-तंत्र आपकी टूल सूची पर तो नज़र रखता है, लेकिन आपके डेटा के बारे में बहुत कम जानता है।