शैडो AI संख्याएँ क्या छिपा रही हैं

अधिकांश संगठनों में कर्मचारी पहले ही ऐसे AI टूल्स का उपयोग कर रहे हैं जिन्हें उनके नियोक्ता ने कभी स्वीकृत नहीं किया है। अब तक यह किसी को भी आश्चर्य नहीं होना चाहिए। कर्मचारी हमेशा उन प्रौद्योगिकियों की ओर आकर्षित रहे हैं जो उन्हें अधिक कुशलता से काम करने में मदद करती हैं, चाहे वे टूल्स आईटी द्वारा औपचारिक रूप से पेश किए गए हों या नहीं। AI ने बस इस व्यवहार को तेज़ कर दिया है।

AI अपनाने की गति केवल कहानी का एक हिस्सा है। अधिक स्पष्ट बात यह है कि यह हमें उन वातावरणों के बारे में क्या बताता है जहाँ यह अपनापन हो रहा है। कर्मचारियों द्वारा अपने स्वयं के AI टूल्स का चयन अक्सर इस संकेत देता है कि आईटी को कार्य कैसे हो रहा है, इसका पूर्ण चित्र नहीं है। वही संगठन जो अनधिकृत AI उपयोग की पहचान करने में संघर्ष कर रहे हैं, वे धीमी पैचिंग, असंगत एन्क्रिप्शन या स्थापित सुरक्षा नीतियों से बाहर पड़े डिवाइसों से भी जूझ रहे हो सकते हैं। शैडो AI इन कमजोरियों को नहीं बनाता, लेकिन यह उन्हें अधिक स्पष्ट रूप से उजागर कर सकता है।

हमारी State of Digital Workspace 2026 रिपोर्ट ने 17 उद्योगों में प्रबंधित लाखों डिवाइसों से टेलीमेट्री का विश्लेषण किया, जिससे कर्मचारियों से यह याद करने या बताने के सीमाओं से बचा गया कि वे कौन से टूल्स उपयोग करते हैं। इस रिपोर्ट ने पाया कि 2025 में AI सहायक का उपयोग लगभग 1,000 प्रतिशत बढ़ा, जिससे यह कार्यस्थल में सबसे तेज़ी से बढ़ने वाली एप्लिकेशन श्रेणी बन गई।

यह आंकड़ा हमें बताता है कि कर्मचारी व्यवहार कितनी तेज़ी से बदल रहा है। यह एक कम परिचित प्रश्न की भी ओर ले जाता है: क्या उन संगठनों में जो अनधिकृत अनुप्रयोगों के प्रति उच्च एक्सपोज़र रखते हैं, डिवाइस प्रबंधन के अधिक स्थापित क्षेत्रों में कमजोरियां दिखती हैं? स्वास्थ्य सेवा इस बात का सबसे स्पष्ट संकेत देती है कि ऐसा हो सकता है। हमारे अध्ययन में, स्वास्थ्य सेवा उन उद्योगों में से एक के रूप में दिखाई देती है जो अनधिकृत अनुप्रयोगों से अनुपालन जोखिम के प्रति सबसे अधिक उजागर हैं; और रिपोर्ट के अन्य हिस्सों में सबसे धीमी पैचिंग और अधिक अनएन्क्रिप्टेड डेस्कटॉप्स की दर भी दर्ज की गई है।

स्वीकार केवल पूरी तस्वीर का एक भाग है

कर्मचारियों द्वारा कौन से AI टूल्स उपयोग किए जा रहे हैं, इसे समझना पहेली का केवल एक टुकड़ा है। अधिक स्पष्ट प्रश्न यह है कि वे उन्हें क्यों चुनते हैं, क्योंकि ये निर्णय अक्सर उस अंतर को उजागर करते हैं जो कार्यस्थल की आईटी ने निर्मित माना है और वह वास्तविक अनुभव जो कर्मचारियों को हर दिन होता है।

स्वीकृत और अस्वीकृत AI टूल्स के बीच वितरण उपयोग स्थापित होने के बाद अधिक स्पष्ट हो जाता है। Microsoft Copilot को प्रबंधित मोबाइल डिवाइसों पर व्यापक रूप से स्थापित किया गया है जहाँ आईटी परिनियोजन को नियंत्रित करती है, और यह Microsoft 365 में उसकी स्थिति से समर्थित है। इस प्रबंधित वातावरण के बाहर, ChatGPT काफी अंतर से अग्रणी है। यह अस्वीकृत iOS डिवाइसों के 91 प्रतिशत और अस्वीकृत Android डिवाइसों के 61 प्रतिशत पर दिखाई देता है, जबकि Gemini शेष Android उपयोग का अधिकांश हिस्सा संभालता है।

स्वीकृत और स्वयं चयनित सेवाएँ एक ही कार्य वातावरण में आसानी से सह-अस्तित्व में रह सकती हैं। कर्मचारियों के पास कॉरपोरेट AI सेवा तक पहुँच हो सकती है, फिर भी वे किसी अन्य टूल की ओर रुख कर सकते हैं क्योंकि वे इसे तेज़, अधिक परिचित या किसी विशेष कार्य के लिए अधिक उपयुक्त पाते हैं। उनके दृष्टिकोण से, यह अक्सर अपना काम करने का सबसे व्यावहारिक और तेज़ तरीका होता है। आईटी और अनुपालन टीमों के लिए, यह अनिश्चितता पैदा करता है कि कौन सी एप्लिकेशन कंपनी की जानकारी संभाल रही है और क्या मौजूदा शासकीय नीतियों का पालन किया जा रहा है।

संचार सॉफ़्टवेयर में पैटर्न समान है। उपभोक्ता मैसेजिंग एप्लिकेशन प्रबंधित डेस्कटॉप प्लेटफ़ॉर्म पर स्थापित संचार टूल्स के लगभग आधे हिस्से के लिए जिम्मेदार हैं, साथ ही Teams, Zoom और Slack भी हैं। वित्तीय सेवाएँ और स्वास्थ्य सेवा, अपनी कड़ी रिकॉर्ड‑कीपिंग बाध्यताओं के बावजूद, इससे मुक्त नहीं हैं। अनुपालन समस्या तब शुरू होती है जब कोई संगठन मानता है कि संवेदनशील वार्तालापें स्वीकृत चैनलों में ही रहती हैं। एक नीति प्रश्न, रोगी चर्चा या आंतरिक निर्णय को उपभोक्ता एप्लिकेशन में ले जाने से वह अब उन सिस्टमों में नहीं रह सकता जो संरक्षण, निगरानी या जांच के लिए उपयोग होते हैं। संबंधित कर्मचारी का नियंत्रण को बायपास करने का कोई इरादा नहीं हो सकता और वह केवल उस चैनल का उपयोग कर रहा हो सकता है जहाँ सहकर्मी सबसे तेज़ प्रतिक्रिया देता है।

These patterns point to a broader shift in how work gets done. Employees are increasingly moving between applications, browsers and AI services that don’t always fit neatly into traditional management models. The challenge isn’t simply identifying another application. It’s maintaining a clear understanding of how work happens across the environment so governance can keep pace with employee behaviour.

AI अपनाना और डिवाइस स्वच्छता विभिन्न गति से आगे बढ़ते हैं

AI का तेज़ी से अपनाना एंटरप्राइज़ आईटी की एक और वास्तविकता को उजागर करता है: प्रौद्योगिकी संगठन भर में समान गति से विकसित नहीं होती। कर्मचारी मिनटों में एक AI सेवा का उपयोग शुरू कर सकते हैं, बिना किसी खरीद प्रक्रिया या सपोर्ट टिकट के।

डिवाइस प्रबंधन अंतर को बंद करने में कई महीने लग सकते हैं, विशेषकर मिश्रित परिसरों में जहाँ कॉरपोरेट लैपटॉप, साझा डिवाइस, कठोर हार्डवेयर और कर्मचारी‑स्वामित्व वाले फ़ोन होते हैं। टेलीमेट्री पैचिंग गति में व्यापक विविधता दिखाती है। iOS डिवाइस नवीनतम संस्करण तक लगभग आठ गुना तेज़ी से पहुँचते हैं, जबकि Android डिवाइस की तुलना में, और macOS अपडेट Windows की तुलना में लगभग डेढ़ गुना तेज़ होते हैं।

एन्क्रिप्शन कवरेज भी असमान है; बैंकिंग डेस्कटॉप्स का 23 प्रतिशत अनएन्क्रिप्टेड है, और यह आंकड़ा स्वास्थ्य सेवा और हाई‑टेक में लगभग 27 प्रतिशत, तथा मीडिया और एंटरटेनमेंट में 28 प्रतिशत तक बढ़ जाता है। शिक्षा क्षेत्र में आधे से अधिक डेस्कटॉप और मोबाइल डिवाइस अनएन्क्रिप्टेड हैं, जबकि सरकार में पाँच में से एक डेस्कटॉप में कोई एन्क्रिप्शन नहीं है।

ऑपरेटिंग सिस्टम अपडेट के लिए उद्योग‑वार विभाजन अतिरिक्त संदर्भ देता है। स्वास्थ्य सेवा, फार्मास्यूटिकल्स और रिटेल‑होलेसेल में Android डिवाइसों का वहन सबसे अधिक है जो वर्तमान रिलीज़ से चार या पाँच पीढ़ियों पीछे चल रहे हैं। एक छूटे हुए पैच से उजागर होने वाली जानकारी इन वातावरणों में अलग‑अलग होती है, जैसे रोगी रिकॉर्ड और क्लिनिकल डेटा से लेकर दवा अनुसंधान और भुगतान जानकारी तक।

पुराने डिवाइस अक्सर संचालन सेटिंग्स में एम्बेडेड होते हैं जहाँ प्रतिस्थापन और रख‑रखाव कठिन होता है। अस्पताल वार्ड या वेयरहाउस फ़्लोर पर एक कठोर हैंडहेल्ड डिवाइस अभी भी कई प्रमुख संस्करण पीछे के ऑपरेटिंग सिस्टम रिलीज़ पर चल सकता है, जबकि उस वातावरण में स्टाफ नवीनतम सार्वजनिक AI सेवाओं तक पहुँच रखते हैं। AI उपयोग तुरंत चिंता का कारण बन सकता है, हालांकि वृद्ध हो रहे एंडपॉइंट संवेदनशील जानकारी तक पहुँचने का दीर्घकालिक मार्ग प्रस्तुत करता है।

This is where the relationship between AI adoption and endpoint management becomes clearer. The report places shadow perimeter risk and security hygiene in separate chapters, but healthcare appears in both. It is identified for compliance exposure arising from unsanctioned applications, then appears again because of its slow operating system updates and relatively high rate of unencrypted desktops. That overlap can remain hidden when security, device management and application information sit in separate systems. Each team may have an accurate view of its own part of the estate while missing the concentration of risk across them.

नियामक समय‑सारिणी बदल गई है

कुछ संगठन अपेक्षा करते थे कि नियमन इन अंतरालों को दूर करने के लिए आवश्यक दबाव उत्पन्न करेगा, हालांकि समय‑सारिणी अब उन्हें पहले से अधिक समय देती है। 7 मई को EU वार्ताकारों द्वारा प्राप्त राजनीतिक समझौते के तहत, एआई अधिनियम की उच्च‑जोखिम बाध्यताएँ, जो परिशिष्ट III के तहत स्वतंत्र प्रणालियों के लिए हैं, अगस्त 2026 से दिसंबर 2027 तक स्थानांतरित हो गई हैं। यह वह वर्ग है जिसमें कई एंटरप्राइज़ AI तैनाती की अपेक्षा की जाती है। पारदर्शिता बाध्यताएँ अभी भी अगस्त 2026 से लागू हैं, जबकि व्यापक आवश्यकताएँ जो कई संगठनों को AI इन्वेंटरी और औपचारिक जोखिम आकलन बनाने के लिए प्रेरित करती थीं, अब सोलह महीने बाद लागू होंगी।

यह देरी संगठनों को तैयार होने के लिए अधिक समय देती है, लेकिन यह वह त्वरित बाहरी समय‑सीमा भी हटा देती है जो निवेश को तेज़ कर सकती थी।

The market is responding to a recognised governance gap, although the value of that spending will depend on how well those platforms connect with the wider endpoint estate. A separate AI governance dashboard may identify which tools are in use while leaving device condition, encryption and application performance somewhere else. Regulation can set expectations and define accountability, but it cannot create a complete operational picture unless the underlying data can be brought together.

एंडपॉइंट AI तैनात करने वाले किसी भी व्यक्ति के लिए महत्वपूर्ण है

प्रत्येक संगठन की AI रणनीति अंततः उन डिवाइसों पर निर्भर करेगी जो कर्मचारी प्रतिदिन उपयोग करते हैं। यह सत्य है चाहे AI ब्राउज़र के माध्यम से प्रदान किया जाए, व्यवसाय एप्लिकेशन में एम्बेड किया जाए या सीधे एंडपॉइंट पर चलाया जाए।

डेवलपर्स और एंटरप्राइज़ टीमें जो सहायक, एजेंट या ऑन‑डिवाइस मॉडल तैनात करती हैं, उन्हें उन डिवाइसों के साथ काम करना होगा जो कर्मचारी पहले से उपयोग कर रहे हैं। ये डिवाइस पुराने, अत्यधिक प्रबंधित या पहले से ही प्रदर्शन दबाव में हो सकते हैं। Windows डेस्कटॉप्स पर, आईटी प्रशासन, सुरक्षा और सिस्टम टूल्स स्थापित सॉफ़्टवेयर स्टैक के लगभग दो‑तिहाई हिस्से के लिए जिम्मेदार हैं। एंडपॉइंट प्रोटेक्शन, पैच प्रबंधन, एन्क्रिप्शन और एसेट इन्वेंटरी एजेंट सभी प्रोसेसर क्षमता और मेमोरी के लिए प्रतिस्पर्धा करते हैं, इससे पहले कि AI कार्यभार शुरू हो।

उस वातावरण में एक सहायक जोड़ने से डिवाइस पर लगाए गए मांगों में परिवर्तन आता है। यह विशेष रूप से ऑन‑डिवाइस इनफ़रेंस और एजेंटिक वर्कफ़्लो के लिए प्रासंगिक है, जहाँ विश्वसनीयता और उपलब्ध कंप्यूटिंग संसाधन यह निर्धारित करते हैं कि सेवा अपेक्षित रूप से प्रतिक्रिया देती है या नहीं। The Digital Workspace 2026 रिपोर्ट ने पाया कि Windows डिवाइस Mac की तुलना में 3.1 गुना अधिक फोर्स्ड शटडाउन और 7.5 गुना अधिक अनुत्तरदायी एप्लिकेशन स्थितियों का सामना करते हैं। जैसे ही कर्मचारी नियमित कार्य के दौरान AI सहायक पर निर्भर होने लगते हैं, ये विश्वसनीयता अंतर सीधे अपनाने और विश्वास को प्रभावित करते हैं। एक सेवा जो आवश्यक समय पर उपलब्ध नहीं, धीमी या असंगत हो, जल्द ही बाईपास कर दी जाएगी।

A recently issued executive laptop and a shared clinical device might belong to the same organisation, yet sit at opposite ends of patching, performance and control.  Designing an AI deployment around an idealised endpoint risks overlooking the places where implementation will be hardest. Those weaknesses are often concentrated in regulated and operational environments, where devices stay in use for longer and interruptions can affect frontline work. These are also the settings where poor visibility carries the greatest consequences.

पूरे वातावरण को देखना

नीतियाँ आवश्यक बनी रहती हैं, लेकिन उनका प्रभाव सीमित है जब कोई संगठन यह नहीं देख पाता कि कर्मचारी कौन से टूल्स उपयोग करते हैं या वे किन डिवाइसों के माध्यम से पहुँचते हैं। कर्मचारी उन सेवाओं का चयन करना जारी रखेंगे जो उन्हें कार्य शीघ्रता से पूरा करने में मदद करती हैं। कुछ स्वीकृत सहायक का उपयोग करेंगे, जबकि अन्य सार्वजनिक सेवा चुनेंगे जो आसान लगती है या बेहतर परिणाम देती है। केवल लिखित नियम आईटी टीमों को उस व्यवहार का सटीक हिसाब नहीं दे पाएँगे।

ऑपरेशनल चुनौती यह है कि AI उपयोग को संदर्भ में समझा जाए, जिसमें डिवाइस की आयु, उसका ऑपरेटिंग सिस्टम, पैच स्थिति, एन्क्रिप्शन कवरेज और उस पर पहले से चल रही एप्लिकेशन शामिल हो सकती हैं। अलग‑अलग देखे जाने पर प्रत्येक डेटा सेट प्रबंधनीय लग सकता है। संयुक्त रूप से, वे यह उजागर कर सकते हैं कि कई कमजोरियां एक ही कर्मचारियों, डिवाइसों या व्यावसायिक प्रक्रियाओं के आसपास कैसे संचित हो रही हैं। नियामक संगठनों को AI उपयोग, पैचिंग और एन्क्रिप्शन जानकारी को एक साझा दृश्य में लाकर शुरू करना चाहिए, फिर उन हिस्सों की पहचान करनी चाहिए जो इन डेटा सेटों में बार‑बार प्रकट होते हैं। शैडो AI समस्या का सबसे स्पष्ट संकेत हो सकता है, जबकि व्यापक जोखिम उन सिस्टमों के बीच के अंतराल में स्थित है जो कार्यस्थल को प्रबंधित करते हैं।