Vad Shadow AI‑siffrorna döljer

Anställda i de flesta organisationer använder redan AI‑verktyg som deras arbetsgivare aldrig har godkänt. Vid det här laget bör det inte förvåna någon. Anställda har alltid dragits till teknologier som hjälper dem att arbeta mer effektivt, oavsett om dessa verktyg formellt har introducerats av IT eller inte. AI har helt enkelt påskyndat detta beteende.

Hastigheten i AI‑adoptionen är bara en del av historien. Det som är mer avslöjande är vad den säger oss om de miljöer där adoptionen sker. Att anställda väljer sina egna AI‑verktyg är ofta ett tecken på att IT saknar en fullständig bild av hur arbetet utförs. Samma organisationer som har svårt att identifiera otillåten AI‑användning kan också ha problem med långsammare patchning, inkonsekvent kryptering eller enheter som faller utanför etablerade säkerhetspolicyer. Shadow AI skapar inte dessa svagheter, men den kan göra dem tydligare.

Vår egen State of Digital Workspace 2026‑rapport analyserade telemetri från miljontals hanterade enheter inom 17 branscher, vilket undvek begränsningarna i att be anställda minnas eller avslöja vilka verktyg de använder. Den fann att användningen av AI‑assistenter ökade med nästan 1 000 procent under 2025, vilket gör den till den snabbast växande applikationskategorin på arbetsplatsen.

Siffran visar hur snabbt anställdas beteende förändras. Den öppnar också en mindre bekant frågeställning: visar organisationer med hög exponering för otillåtna applikationer svagheter i mer etablerade områden av enhetshantering? Hälso‑ och sjukvården ger den tydligaste indikationen på att de kan göra det. I vår studie framträder hälso‑ och sjukvården bland de branscher som är mest utsatta för efterlevnadsrisker från otillåtna applikationer; och på andra ställen i rapporten noteras även några av de långsammaste patchningshastigheterna och högre andel okrypterade skrivbord.

Adoption är bara en del av bilden

Att förstå vilka AI‑verktyg anställda använder är bara en del av pusslet. Den mer avslöjande frågan är varför de väljer dem, eftersom dessa beslut ofta belyser klyftan mellan den IT‑miljö som arbetsplatsen tror sig ha skapat och den som anställda upplever varje dag.

Fördelningen mellan godkända och otillåtna AI‑verktyg blir mer avslöjande när användningen väl är etablerad. Microsoft Copilot är installerad i stor utsträckning på hanterade mobila enheter där IT styr distributionen, tack vare dess placering i Microsoft 365. Utanför den hanterade miljön leder ChatGPT med ett betydande övertag. Det förekommer på 91 procent av otillåtna iOS‑enheter och 61 procent av otillåtna Android‑enheter, medan Gemini står för en stor del av den återstående Android‑användningen.

Godkända och självvalda tjänster kan lätt samexistera inom samma arbetsmiljö. Anställda kan ha tillgång till den företagsintern AI‑tjänsten och ändå vända sig till ett annat verktyg eftersom de upplever det som snabbare, mer bekant eller bättre lämpat för en viss uppgift. Ur deras perspektiv är detta ofta det mest praktiska och snabbaste sättet att utföra arbetet. För IT‑ och efterlevnadsteam skapar det osäkerhet kring vilka applikationer som hanterar företagsinformation och huruvida befintliga styrningspolicyer följs.

Mönstret inom kommunikationsprogramvara är liknande. Konsumentmeddelande‑applikationer står för nästan hälften av de kommunikationsverktyg som är installerade på hanterade skrivbordsplattformar, tillsammans med Teams, Zoom och Slack. Finansiella tjänster och hälso‑ och sjukvård, trots sina strikta arkiveringskrav, är inte undantagna. Efterlevnadsproblemet uppstår när en organisation antar att känsliga konversationer förblir inom godkända kanaler. En policyfråga, patientdiskussion eller internt beslut som flyttas till en konsumentapplikation kan hamna utanför de system som används för lagring, övervakning eller utredning. Den berörda anställde kan ha ingen avsikt att kringgå kontroller och använder helt enkelt den kanal där en kollega svarar snabbast.

Dessa mönster pekar på en bredare förändring i hur arbete utförs. Anställda rör sig i allt högre grad mellan applikationer, webbläsare och AI‑tjänster som inte alltid passar in i traditionella hanteringsmodeller. Utmaningen är inte bara att identifiera en ny applikation. Det handlar om att upprätthålla en klar förståelse för hur arbete sker i hela miljön så att styrningen kan hålla jämna steg med anställdas beteende.

AI‑adoption och enhetshygien rör sig i olika hastigheter

Den snabba adoptionen av AI har avslöjat en annan verklighet inom företags‑IT: tekniken utvecklas inte i samma takt över hela organisationen. Anställda kan börja använda en AI‑tjänst inom minuter, utan någon inköpsprocess eller supportärende.

Att täppa till ett gap i enhetshanteringen kan ta månader, särskilt i blandade miljöer som innehåller företags‑laptops, delade enheter, robust hårdvara och anställdas egna telefoner. Telemetrien visar stor variation i patchningshastighet. iOS‑enheter når den senaste versionen ungefär åtta gånger snabbare än Android‑enheter, medan macOS‑uppdateringar sker omkring en och en halv gång snabbare än Windows.

Krypteringsgraden är också ojämn; 23 procent av bank‑skrivbord är okrypterade, och siffran stiger till cirka 27 procent inom hälso‑ och sjukvård samt högteknologi, samt 28 procent inom media och underhållning. Mer än hälften av skrivbord‑ och mobila enheter inom utbildning är okrypterade, medan i den offentliga sektorn är en av fem skrivbord utan kryptering.

Industrifördelningen för operativsystemuppdateringar ger ytterligare kontext. Hälso‑ och sjukvård, läkemedel samt detalj‑ och grossisthandel har de högsta koncentrationerna av Android‑enheter som kör fyra eller fem generationer bakom den nuvarande releasen. Informationen som exponeras av en missad patch varierar mellan dessa miljöer, från patientjournaler och kliniska data till läkemedelsforskning och betalningsinformation.

Äldre enheter är ofta inbäddade i operativa miljöer där ersättning och underhåll är svåra. En robust handhållen enhet på en sjukhusavdelning eller lagergolv kan fortfarande köra ett operativsystem som är flera huvudversioner föråldrat, medan personalen i den miljön har tillgång till de senaste offentliga AI‑tjänsterna. AI‑användningen kan väcka omedelbar oro, även om den åldrande enheten utgör en långvarig väg till känslig information.

Det är här sambandet mellan AI‑adoption och enhetshantering blir tydligare. Rapporten placerar risk för skuggperimeter och säkerhetshygien i separata kapitel, men hälso‑ och sjukvården förekommer i båda. Den identifieras för efterlevnadsrisk som uppstår från otillåtna applikationer, och dyker sedan upp igen på grund av sina långsamma operativsystemuppdateringar och relativt höga andel okrypterade skrivbord. Denna överlappning kan förbli dold när säkerhet, enhetshantering och applikationsinformation ligger i separata system. Varje team kan ha en korrekt bild av sin egen del av miljön men missa riskkoncentrationen över dem.

Regelverkets tidplan har förändrats

Vissa organisationer har förväntat sig att regleringen ska skapa det tryck som behövs för att åtgärda dessa luckor, men tidplanen ger dem nu längre tid än tidigare förväntat. Enligt det politiska avtal som EU‑förhandlarna nådde den 7 maj har de högrisk‑förpliktelser som AI‑lagen ställer på fristående system enligt bilaga III flyttats från augusti 2026 till december 2027. Detta är den kategori som många företags‑AI‑implementeringar förväntas hamna i. Transparensförpliktelser gäller fortfarande från augusti 2026, medan de bredare kraven som skulle få många organisationer att skapa AI‑inventarier och formella riskbedömningar nu infaller sexton månader senare.

Förseningen ger organisationerna mer tid att förbereda sig, men den tar också bort en omedelbar extern tidsfrist som kunde ha påskyndat investeringar.

Marknaden svarar på ett erkänt styrningsgap, även om värdet av dessa utgifter kommer att bero på hur väl dessa plattformar kopplar ihop med den bredare enhetsmiljön. En separat AI‑styrningsdashboard kan identifiera vilka verktyg som används samtidigt som enhetstillstånd, kryptering och applikationsprestanda hamnar någon annanstans. Reglering kan sätta förväntningar och definiera ansvar, men den kan inte skapa en komplett operativ bild om inte de underliggande data kan samlas.

Slutpunkten är viktig för alla som implementerar AI

Varje organisations AI‑strategi kommer i slutändan att bero på de enheter som anställda använder dagligen. Detta gäller oavsett om AI levereras via en webbläsare, är inbäddad i en affärsapplikation eller körs direkt på slutpunkten.

Utvecklare och företags‑team som implementerar assistenter, agenter eller modeller på enheten måste arbeta med de enheter som anställda redan använder. Dessa enheter kan vara äldre, starkt hanterade eller redan under prestandapåverkan. På Windows‑skrivbord står IT‑administration, säkerhet och systemverktyg för nästan två‑tredjedelar av den installerade programvarustacken. Slutpunktskydd, patch‑hantering, kryptering och inventeringsagenter konkurrerar alla om processorkapacitet och minne innan en AI‑arbetsbelastning påbörjas.

Att lägga till en assistent i den miljön förändrar de krav som ställs på enheten. Detta är särskilt relevant för inferens på enheten och agentbaserade arbetsflöden, där tillförlitlighet och tillgängliga beräkningsresurser påverkar om tjänsten svarar som förväntat. The Digital Workspace 2026‑rapport fann att Windows‑enheter upplever 3,1 ganger fler tvångsavstängningar och 7,5 ganger fler oresponsiva applikationstillstånd än Macs. När anställda börjar förlita sig på AI‑assistenter under rutinarbete har dessa tillförlitlighetskillnader en direkt inverkan på adoption och förtroende. En tjänst som är otillgänglig, långsam eller inkonsekvent i det ögonblick den behövs kommer snart att kringgås.

En nyligen utfärdad lednings‑laptop och en delad klinisk enhet kan tillhöra samma organisation, men befinner sig på motsatta ändar av patchning, prestanda och kontroll.  Att utforma en AI‑implementering kring en idealiserad slutpunkt riskerar att förbise de platser där implementeringen blir svårast. Dessa svagheter är ofta koncentrerade i reglerade och operativa miljöer, där enheter används längre och avbrott kan påverka frontlinjearbetet. Detta är också de situationer där bristande insyn medför de största konsekvenserna.

Att se hela miljön

Policyer förblir nödvändiga, men deras räckvidd är begränsad när en organisation inte kan se vilka verktyg anställda använder eller enheternas skick som de får åtkomst genom. Anställda kommer fortsätta att välja tjänster som hjälper dem att slutföra en uppgift snabbt. Vissa kommer att använda en godkänd assistent, medan andra väljer en offentlig tjänst som känns enklare eller ger ett bättre resultat. Skriftliga regler ensamma ger inte IT‑team en korrekt bild av detta beteende.

Den operativa utmaningen är att förstå AI‑användning i sitt sammanhang, vilket kan inkludera enhetens ålder, operativsystem, patch‑status, krypteringsgrad och de applikationer som redan körs på den. När de betraktas separat kan varje datamängd verka hanterbar. Kombinerade kan de avslöja var flera svagheter samlas kring samma anställda, enheter eller affärsprocesser. Reglerade organisationer bör börja med att föra AI‑användning, patchning och krypteringsinformation till en gemensam vy, för att sedan identifiera de delar av miljön som återkommer i dessa datamängder. Shadow AI kan vara den mest synliga indikationen på problemet, medan den bredare risken ligger i luckorna mellan de system som används för att hantera arbetsplatsen.