Shadow AI er brug af AI-værktøjer i en organisation uden godkendelse, overblik eller fælles styring. Det kan være en medarbejder, der bruger en privat chatbot til mails, kode, dataanalyse eller dokumenter. Risikoen opstår, når data, beslutninger og ansvar flytter uden for organisationens kontroller.
Shadow AI er uautoriseret eller uregistreret brug af AI-værktøjer i en organisation. Uddraget giver overblik over, hvorfor fænomenet opstår, hvilke data- og sikkerhedsrisici det skaber, og hvordan organisationer kan reducere risikoen med klare regler, godkendte alternativer og løbende styring.
Hvad betyder Shadow AI i praksis?
Shadow AI dækker over AI-brug, som sker uden for organisationens officielle tekniske, sikkerhedsmæssige eller organisatoriske rammer. Det kan være en gratis webchat, et browserplugin, en privat AI-app, et uregistreret API-kald, en automatisering i et regneark eller et værktøj, som en afdeling køber uden central vurdering.
Begrebet minder om shadow IT, hvor medarbejdere bruger uautoriseret software for at løse opgaver hurtigere. Forskellen er, at AI-værktøjer ofte arbejder direkte med tekst, dokumenter, billeder, kode, kundedata, beslutningsgrundlag og interne vurderinger. Derfor handler Shadow AI ikke kun om licenser. Det handler også om databehandling, kildekritik, adgangsstyring, modeladfærd og ansvar.
Shadow AI er ikke nødvendigvis drevet af dårlige intentioner. Ofte opstår det, fordi medarbejdere oplever et reelt behov: de vil forkorte arbejdstid, oversætte, opsummere, skrive udkast, analysere data eller få teknisk hjælp. Problemet er, at organisationen ikke kan styre det, den ikke kender.
Hvordan opstår Shadow AI?
Shadow AI opstår typisk, når efterspørgslen efter AI overstiger organisationens evne til at levere klare regler og brugbare værktøjer. Hvis en medarbejder ved, at et offentligt AI-værktøj kan løse en opgave på få minutter, mens den interne proces er uklar, vil den praktiske løsning ofte vinde.
Microsoft og LinkedIns Work Trend Index fra 2024 viste, at 75 procent af globale vidensarbejdere brugte generativ AI på arbejde, og at 78 procent af AI-brugerne medbragte egne AI-værktøjer. Tallene er internationale surveydata og skal ikke læses som en dansk måling, men de dokumenterer den centrale mekanisme: mange medarbejdere venter ikke på en fuldt moden AI-strategi.
Der er især fire situationer, hvor Shadow AI vokser:
- Organisationen har forbud, men ikke et praktisk alternativ.
- Reglerne findes, men medarbejderne ved ikke, hvad de må dele med AI-værktøjer.
- Indkøb og sikkerhedsvurdering tager længere tid end de opgaver, medarbejderne forsøger at løse.
- Afdelinger vælger specialiserede AI-værktøjer uden fælles overblik over data, leverandørvilkår og adgang.
Hvordan adskiller Shadow AI sig fra almindelig shadow IT?
Shadow IT handler ofte om uautoriserede apps, fillagring, beskedtjenester eller softwareabonnementer. Shadow AI kan bruge de samme kanaler, men tilføjer et ekstra lag: værktøjet kan bearbejde, omforme, opsummere og generere nyt indhold ud fra de oplysninger, brugeren indtaster.
Det betyder, at risikoen ikke kun ligger i, hvor data opbevares. Den ligger også i, hvad AI-systemet gør med data, hvilke svar brugeren får tilbage, om svaret bliver brugt i en beslutning, og om der findes en sporbar forklaring på processen. En uautoriseret filsynkronisering kan lække dokumenter. En uautoriseret AI-assistent kan både modtage dokumenter, skabe nye vurderinger og påvirke en arbejdsproces.
| Område | Shadow IT | Shadow AI |
|---|---|---|
| Typisk brug | Uautoriserede apps, cloudlager eller samarbejdsværktøjer | Chatbots, AI-assistenter, analyseværktøjer, kodestøtte og automatisering |
| Primær risiko | Manglende kontrol med adgang, lagring og licenser | Manglende kontrol med data, modeloutput, beslutninger og leverandørvilkår |
| Sporbarhed | Kan ofte ses i software- eller netværksbrug | Kan skjules i almindelig webtrafik, private konti eller kopieret tekst |
| Konsekvens | Uautoriseret datadeling eller fragmenteret it-landskab | Uautoriseret datadeling, fejlagtige AI-svar og uklart ansvar for beslutninger |
Hvilke data- og sikkerhedsrisici følger med?
Den mest synlige risiko er, at fortrolige oplysninger kopieres ind i et AI-værktøj uden godkendt databehandleraftale, enterprise-konfiguration eller klar slettepolitik. Det kan være kundedata, personaledata, kontrakter, strategier, kildekode, supporthistorik, mødenoter eller interne økonomital.
Derudover kan et AI-værktøj påvirke arbejdet gennem output, som virker sikkert, men er forkert, ufuldstændigt eller uden tydelig kilde. NISTs generative AI-profil beskriver blandt andet risici knyttet til databeskyttelse, informationssikkerhed, fejlagtigt indhold og uigennemsigtige værdikæder. I Shadow AI bliver de risici sværere at håndtere, fordi organisationen ikke nødvendigvis ved, hvilket værktøj der blev brugt.
Sikkerhedsrisikoen stiger yderligere, når AI-værktøjet har adgang til filer, mail, kalender, kodebaser eller eksterne tjenester. Hvis et uautoriseret værktøj både kan læse data og handle på brugerens vegne, bevæger problemet sig fra teksthjælp til faktisk adgangsstyring. Det hænger tæt sammen med emner som AI-sikkerhed mod jailbreaking, hvor manipulerede instruktioner kan få systemer til at opføre sig anderledes end forventet.
Hvornår bliver Shadow AI et governance-problem?
Shadow AI bliver et governance-problem, når AI-brugen påvirker beslutninger, data eller processer, som organisationen har ansvar for. En medarbejder, der bruger et AI-værktøj til at omformulere en ufølsom tekst, skaber ikke samme risiko som en afdeling, der bruger et uautoriseret værktøj til rekrutteringsscreening, kreditvurdering, kundesegmentering eller juridisk dokumentanalyse.
Den praktiske grænse går ikke kun ved værktøjets navn. Den går ved brugssituationen. Et almindeligt tekstværktøj kan være lav risiko til sproglig korrektur og høj risiko, hvis det bruges til at vurdere mennesker, behandle følsomme data eller automatisere afgørelser. Derfor bør en organisation se på formål, data, konsekvens og kontrol, ikke kun på om værktøjet kaldes en chatbot.
Begrebet AI governance er relevant her, fordi Shadow AI ofte afslører et styringshul: medarbejderne har fundet en ny arbejdsform, mens ansvar, risikoklassificering, leverandørstyring og dokumentation ikke er fulgt med.
Hvilke tegn kan afsløre uautoriseret AI-brug?
Shadow AI kan være svært at se, fordi meget brug sker i browseren, på private konti eller gennem værktøjer, der ligner almindelige produktivitetsapps. Derfor er teknisk overvågning alene sjældent nok. Organisationen har også brug for åbne kanaler, hvor medarbejdere kan fortælle, hvilke opgaver de forsøger at løse med AI.
Mulige tegn kan være pludselige ændringer i arbejdsoutput, uventet brug af nye SaaS-værktøjer, kopiering af store tekstmængder til eksterne tjenester, afdelingsvise abonnementer uden central registrering eller dokumenter, hvor kildegrundlaget er uklart. Tegnene beviser ikke misbrug, men de kan bruges til at undersøge, om der mangler godkendte løsninger.
Et sundt kontrolmiljø adskiller nysgerrig eksperimentering fra risikabel databehandling. Hvis al AI-brug behandles som en forseelse, flytter adfærden ofte længere væk fra synlighed. Hvis alt derimod tillades uden risikovurdering, mister organisationen overblik over data og ansvar.
Hvordan kan en organisation kortlægge brugen uden at kvæle læring?
En god kortlægning starter med formålet: Hvilke opgaver bruger medarbejdere AI til, hvilke data indgår, og hvilke resultater bliver brugt videre? Det er mere nyttigt end kun at lave en liste over forbudte værktøjer. Et værktøj kan være forsvarligt til en type opgave og uegnet til en anden.
En praktisk kortlægning kan gennemføres i fire trin:
- Lav en anonym eller ikke-sanktionerende indsamling af aktuelle AI-use cases.
- Sorter brugen efter datatyper: offentlige oplysninger, interne oplysninger, fortrolige oplysninger og personoplysninger.
- Vurder konsekvensen af output: inspiration, udkast, intern analyse, kundevendt svar eller beslutningsstøtte.
- Beslut, hvilke use cases der skal have godkendte værktøjer, ekstra kontrol eller stop.
Den tilgang gør Shadow AI til et læringssignal. Hvis mange bruger en privat chatbot til referater, dokumentudkast eller dataoprydning, kan organisationen undersøge, om der mangler en godkendt løsning med passende adgangsstyring, logning og databeskyttelse.
Hvilke regler bør en intern AI-politik dække?
En intern AI-politik bør være kort nok til at blive brugt og præcis nok til at afgøre tvivlstilfælde. Den bør ikke kun sige, hvilke værktøjer der er tilladt. Den bør forklare, hvilke data der må bruges, hvilke opgaver der kræver menneskelig kontrol, og hvem der kan godkende nye AI-løsninger.
Politikken bør mindst dække følgende områder:
- Hvilke AI-værktøjer er godkendt til hvilke opgavetyper?
- Hvilke data må aldrig indtastes i ikke-godkendte værktøjer?
- Hvornår må AI-output bruges direkte, og hvornår kræves faglig kontrol?
- Hvordan dokumenteres brug af AI i kundevendte, interne eller beslutningsnære processer?
- Hvordan foreslår medarbejdere nye AI-værktøjer uden at gå uden om sikkerhedsprocessen?
Reglerne bør være koblet til konkrete eksempler. En generel formulering om, at fortrolige oplysninger ikke må deles, er ofte for abstrakt. Det er mere brugbart at nævne kundesager, medarbejderoplysninger, kontrakter, kode, budgetter, tilbudsmateriale og interne strategidokumenter.
Hvordan vurderes risikoen ved konkrete AI-værktøjer?
Risikovurderingen bør kombinere leverandør, data, funktion og arbejdsproces. Et AI-værktøj er ikke sikkert, bare fordi leverandøren er kendt, og det er ikke nødvendigvis uegnet, bare fordi det bruger generativ AI. Spørgsmålet er, om værktøjet passer til den konkrete opgave og organisationens krav.
Et enkelt vurderingsskema kan se sådan ud:
| Kontrolpunkt | Spørgsmål | Hvorfor det betyder noget |
|---|---|---|
| Data | Hvilke oplysninger indtastes, uploades eller hentes automatisk? | Risikoen afhænger ofte mere af datatypen end af værktøjets markedsføring. |
| Leverandør | Hvilke vilkår gælder for lagring, brug, sletning og adgang? | Organisationen skal vide, om oplysninger kan behandles uden for den ønskede ramme. |
| Output | Bliver svaret brugt som inspiration, udkast eller beslutningsgrundlag? | Jo større konsekvens output har, desto stærkere kontrol bør der være. |
| Integration | Har værktøjet adgang til mail, filer, kalender, kode eller forretningssystemer? | Integrerede AI-værktøjer kan skabe adgangs- og handlingsrisici. |
| Sporbarhed | Kan brug, dataflow og ændringer dokumenteres bagefter? | Uden sporbarhed bliver fejl, klager og audits svære at håndtere. |
ISO/IEC 42001 beskriver et ledelsessystem for organisationer, der udvikler, leverer eller bruger AI-baserede produkter og tjenester. Standarden er ikke en hurtig tjekliste for alle situationer, men den peger på en vigtig pointe: AI-risici bør styres som en løbende organisatorisk proces, ikke som enkeltstående værktøjsgodkendelser.
Hvad kan medarbejdere gøre, før de bruger et AI-værktøj?
Hvis du vil bruge et AI-værktøj i en arbejdssituation, bør du først afgøre, om opgaven involverer data eller beslutninger, som organisationen har særlige krav til. Offentligt materiale og ufølsomme udkast kræver typisk mindre kontrol end kundesager, personaleforhold, kontrakter, sikkerhedsoplysninger eller økonomi.
En enkel tommelfingerregel er, at du ikke bør indsætte oplysninger i et uautoriseret AI-værktøj, hvis du ikke ville sende de samme oplysninger til en ukendt ekstern modtager. Det gælder også, selv om værktøjet virker professionelt, hurtigt eller teknisk imponerende.
Du bør også skelne mellem at bruge AI til hjælp og at bruge AI som afgørende kilde. Hvis værktøjet laver et udkast, kan du kontrollere det. Hvis værktøjet vurderer en kunde, en ansøger, en patient, en borger eller en medarbejder uden godkendt proces, er risikoen væsentligt højere.
Hvilken praktisk model kan reducere Shadow AI?
Den mest holdbare løsning er sjældent et rent forbud. Forbud kan være nødvendige for bestemte datatyper eller højrisikoopgaver, men de løser ikke medarbejdernes behov for bedre værktøjer. En mere robust model kombinerer synlighed, gode alternativer, tydelige grænser og løbende læring.
En organisation kan reducere Shadow AI med en femdelt model:
- Find de mest brugte uformelle AI-use cases gennem dialog, spørgeskemaer, indkøbsdata og teknisk overblik.
- Tilbyd godkendte værktøjer til de opgaver, hvor behovet er legitimt og risikoen kan kontrolleres.
- Lav dataklasser, så medarbejdere ved, hvad der må bruges i hvilke AI-miljøer.
- Indfør menneskelig kontrol ved beslutningsnære eller kundevendte resultater.
- Gennemgå værktøjer og regler løbende, fordi AI-funktioner, integrationer og leverandørvilkår ændrer sig.
For større organisationer kan enterprise AI være en måde at samle adgang, sikkerhed og administration på. Det fjerner ikke behovet for politik, træning og risikovurdering, men det kan give et mere kontrolleret alternativ til private AI-konti.
Hvordan hænger Shadow AI sammen med databeskyttelse og fortrolighed?
Shadow AI er tæt forbundet med generativ AI og datafortrolighed, fordi brugeren ofte kopierer den mest relevante information ind i værktøjet for at få et godt svar. Jo mere konkret opgaven er, desto større er fristelsen til at bruge rigtige navne, tal, kundehistorik, interne dokumenter eller hele datasæt.
Organisationen bør derfor give medarbejdere et praktisk sprog for datarisiko. Det er ikke nok at sige, at personoplysninger og forretningshemmeligheder kræver forsigtighed. Medarbejderen skal vide, om et mødereferat, en supportmail, en kontraktklausul, en fejlrapport eller et regneark falder inden for en kategori, der kun må behandles i godkendte systemer.
Dataminimering er et centralt kontrolpunkt. Hvis AI kan hjælpe med en opgave på anonymiseret, syntetisk eller omskrevet input, bør det være standardvejen. Hvis værktøjet kræver fulde originale data for at levere værdi, bør brugen vurderes som et systemvalg, ikke som en individuel genvej.
Hvordan bør organisationen reagere, når Shadow AI opdages?
Reaktionen bør afhænge af risikoen. Hvis en medarbejder har brugt et ikke-godkendt værktøj til ufølsom sproglig hjælp, kan den rigtige reaktion være vejledning og bedre adgang til godkendte løsninger. Hvis følsomme oplysninger, kundedata eller beslutningsprocesser er involveret, bør hændelsen behandles som et reelt kontrolproblem.
En rolig hændelsesproces kan indeholde tre spørgsmål: Hvilke data blev brugt, hvilket værktøj modtog dem, og hvordan blev output anvendt? Derefter kan organisationen afgøre, om der kræves sletning, leverandørkontakt, intern eskalering, ændrede adgangsregler eller opdateret træning.
En AI-beredskabsplan kan gøre reaktionen mere ensartet. Planen bør ikke kun dække tekniske fejl, men også uautoriseret brug, datadeling, fejlagtige AI-genererede beslutningsoplæg og værktøjer, der ændrer vilkår eller funktioner efter godkendelse.
Hvilke kilder ligger til grund?
Artiklen bygger på Microsoft og LinkedIns Work Trend Index 2024 om udbredelsen af egne AI-værktøjer på arbejde, NISTs AI Risk Management Framework og NISTs Generative AI Profile om risikostyring for generativ AI. Sikkerhedsvinklen er også sammenholdt med OWASP Top 10 for Large Language Model Applications, og governance-delen er perspektiveret med ISO/IEC 42001:2023.