Slechts 29% van de beveiligingsteams kan routinematig rapporteren over de gevoelige gegevens die werknemers naar AI-tools sturen

Dit artikel is gebaseerd op de bevindingen uit het onderzoeksrapport van Cloud Security Alliance (CSA) uit 2026, DLP in het AI-tijdperk, dat Jazz in opdracht heeft laten opstellen.

In juni en juli vroeg CSA aan 433 IT- en beveiligingsprofessionals of hun team een rapport kon opstellen met daarin hoe vaak er in de afgelopen 30 dagen gevoelige gegevens naar GenAI-tools waren gestuurd. Negenentwintig procent zei dat ze dit routinematig konden doen.

Dat cijfer zou minder zwaar wegen als respondenten GenAI als een klein risico zagen. Zij beschouwden het juist als het grootste risico op gegevensonttrekking: 48% plaatste het in de top drie.

Ik geef leiding aan engineering bij een bedrijf dat oplossingen voor gegevensverliespreventie ontwikkelt. Het grootste deel van mijn werk draait om de vraag waar binnen een systeem bewijs van gegevensverkeer te vinden is en waardoor het risico daarop ontstaat. Vanuit dat perspectief vloeit de kloof tussen wat teams denken te kunnen zien en wat ze kunnen aantonen rechtstreeks voort uit de manier waarop GenAI-beheersmaatregelen zijn ontworpen.

Het vertrouwen in inzicht in GenAI loopt ver vooruit op wat teams kunnen aantonen

Iets meer dan de helft van de respondenten beoordeelde hun inzicht in GenAI met een 4 of 5 op een schaal van 5. Toch kon slechts 29% die beoordeling routinematig onderbouwen met een rapport waarin simpelweg staat hoe vaak er gevoelige gegevens naar een AI-tool zijn gestuurd.

Bron: Cloud Security Alliance, DLP in the AI Era (2026), n=433. Gereconstrueerd op basis van de grafieken in het rapport op pp. 22 en 23.

Ook bij de handhaving is hetzelfde patroon zichtbaar. Slechts 22% van de respondenten blokkeert gevoelige gegevens strikt op het GenAI-kanaal. Verwisselbare media, door respondenten aangemerkt als het kanaal met het laagste risico op gegevensonttrekking, hebben het hoogste percentage strikte blokkering: 31%. Strikte blokkering komt vooral voor op kanalen met de oudste hulpmiddelen.

Bron: Cloud Security Alliance, DLP in the AI Era (2026), n=433. Gereconstrueerd op basis van de grafieken in het rapport op pp. 23 en 26; de balken zijn geschaald naar 100% wanneer afronding een rij op 99% of 101% deed uitkomen.

Naast de enquête publiceerde Jazz ook telemetriegegevens uit de omgevingen van zijn klanten. De gemiddelde organisatie in die dataset gebruikte 169,5 verschillende AI-tools, waarvan er 9,8 waren goedgekeurd. Daarmee viel 94,2% buiten de lijst met goedgekeurde tools.

Waarom de kloof bestaat: een lijst met tools registreert geen gebeurtenissen

De standaardreactie op GenAI-risico is om een handvol AI-diensten goed te keuren via zakelijke overeenkomsten en het gebruik van de rest te ontmoedigen of te blokkeren. Het cijfer van 94,2% laat zien hoe ver die lijst in de praktijk achterloopt. Een engineer met een deadline gebruikt de tool waarmee het probleem van vandaag kan worden opgelost, omdat de aanschafprocedure voor de goedgekeurde tool weken duurt.

Zelfs een volledige lijst zou het rapport waar CSA om vroeg niet opleveren. Je incidententeam of een auditor zal vragen naar een specifieke gebeurtenis waarbij gegevens naar buiten zijn gegaan; een lijst met tools bevat geen gebeurtenissen.

Om te laten zien wat er bij die gebeurtenis is gebeurd, heb je vier feiten nodig: om welke gevoelige gegevens het ging, welke tool die heeft ontvangen, via welk account dat gebeurde en waarom de persoon ze heeft verstuurd.

Governance op toolniveau loopt als eerste vast bij het account. Dezelfde website biedt zowel het zakelijke account van je bedrijf, met de bijbehorende instellingen voor gegevensbewaring en contractvoorwaarden, als het gratis persoonlijke account van een werknemer, dat die allebei niet heeft. Een goedgekeurde tool gebruiken met een persoonlijke login levert ongeveer evenveel bewijs op als een niet-goedgekeurde tool gebruiken.

Het doel is moeilijker vast te stellen, maar bepaalt of er iets mis is gegaan. Een financieel analist die een omzetmodel in een chatbot plakt om een foutieve formule te herstellen, doet gewoon haar werk. Dezelfde gegevensinvoer verdient een heel ander gesprek als die afkomstig is van iemand die vrijdag zijn ontslag heeft ingediend. Het verschil zit in de context rond die persoon, die nooit in de verzonden gegevens zelf zichtbaar wordt.

De gebruikte beheersmaatregelen kijken elk maar op één plek

Uit de enquête bleek dat er geen dominante aanpak is voor het beheersen van gevoelige gegevens die naar AI-tools worden gestuurd. Netwerkblokkering van AI-domeinen, inhoudsinspectie in de browser en alleen beleid voor aanvaardbaar gebruik kregen elk tussen de 21% en 23%; zakelijke AI-platforms met ingebouwde DLP kregen 10%.

Elk van deze beheersmaatregelen is ontworpen rond één inspectiepunt. Een domeinblokkade staat een verbinding toe of houdt die tegen en registreert naar welke website de verbinding ging. Een browserextensie ziet wat er in die browser wordt getypt, maar mist alles wat wordt verstuurd vanuit een desktopapp, een programmeerassistent in een code-editor of een opdrachtregelprogramma. De ingebouwde DLP van een zakelijk AI-platform ziet wat er op dat platform binnenkomt. Elk van deze maatregelen kiest één plek om te kijken en hoopt dat de gegevens daarheen gaan.

Het ene inspectiepunt verklaart ook de handhavingscijfers. Als een beheersmaatregel geen onderscheid kan maken tussen een zakelijk en een persoonlijk account, of tussen een gebruikelijke gegevensinvoer en een risicovolle, moet die beide blokkeren of geen van beide. Strikte blokkering houdt dan naast risicovolle activiteiten ook legitiem werk tegen. Op de vraag wat de belangrijkste reden was om niet over te stappen op strengere actieve blokkering, noemde 46% van de respondenten de vrees dat bedrijfsprocessen zouden worden verstoord en 39% onvoldoende vertrouwen in de nauwkeurigheid van DLP.

Kanttekeningen om in gedachten te houden

De enquêtecijfers zijn zelfgerapporteerd en in de enquête is niet getoetst of de beoordelingen van de zichtbaarheid overeenkwamen met de daadwerkelijke dekking. De respondenten zijn overwegend afkomstig uit Noord- en Zuid-Amerika (80%) en uit organisaties met minder dan 5.000 medewerkers (67%). De resultaten zijn daarom mogelijk niet in dezelfde mate van toepassing op grote internationale ondernemingen. De telemetrie is afkomstig van organisaties die ervoor hebben gekozen dit soort zichtbaarheid in te voeren. Daardoor kunnen de gegevens een vertekend beeld geven en vooral afkomstig zijn van organisaties die zich al zorgen maken over de wildgroei aan AI.

Goedgekeurde tools en agents maken de lijst nog minder betrouwbaar

Nu goedgekeurde SaaS-producten AI-assistenten toevoegen, heeft de vraag welke tool de gegevens heeft ontvangen vaak twee antwoorden: de applicatie die de medewerker heeft geopend en de aanbieder van het AI-model erachter. AI-agents maken het nog ingewikkelder. Wanneer een agent een bestand ophaalt en het namens een medewerker ergens naartoe stuurt, zijn de vraag wie dat deed en waarom nu deels een zaak van software. Zoals een recent artikel van Unite.AI over promptinjectie bij agents in productie betoogt, kan een agent worden gestuurd door de inhoud die hij leest. Zijn eigen verslag van wat hij heeft gedaan, kan daarom niet gelden als bewijs van het doel.

Een test die u deze maand kunt uitvoeren

Kijk naar de afgelopen 30 dagen en kies het gevoeligste gegeven waarvan u denkt dat het bij een AI-tool terecht is gekomen. Controleer vervolgens of uw team het volgende kan opleveren zonder dit handmatig samen te stellen:

• Om welke gegevens het ging en waar ze vandaan kwamen
• Welke tool de gegevens heeft ontvangen, inclusief tools die niet op uw goedgekeurde lijst staan
• Of de gegevens via een bedrijfsaccount of een persoonlijk account zijn verstuurd
• Waar de medewerker aan werkte toen die de gegevens verstuurde

Als u op de eerste twee vragen snel antwoord krijgt, maar voor de laatste twee de medewerker moet ondervragen, bestrijkt uw governance wel uw lijst met tools, maar nauwelijks uw gegevens.