Hvad betyder datasikkerhed ved AI-implementering?
Datasikkerhed ved AI-implementering er beskyttelsen af jeres og jeres kunders data, når de behandles af sprogmodeller, integrationsflows og cloud-tjenester: hvem må se hvad, hvor data lagres, hvordan de transporteres krypteret, og hvordan adgang og hændelser logges. Det er ikke et separat IT-projekt ved siden af AI; det er en forudsætning for at gå i drift.
AI gør datalæk lettere, hvis I ikke designer imod
Vi ser ofte medarbejdere kopiere kundedata ind i offentlige chatbots, fordi det er den hurtigste vej til et svar. Sikker implementering betyder at gøre den sikre vej til den nemme: assistenter og automatisering, der arbejder i godkendte miljøer med RAG på interne kilder, ikke fri kopiering.
Grundprincipper:
- Data minimering: send kun det nødvendige til modellen.
- Adskille miljøer: produktion, test og persondata.
- Kryptering i transit og hvile, hvor det er relevant.
- Adgangsstyring: hvem kan trigge flows, der læser eller skriver?
- Logning uden at gemme unødvendige persondata i loggen.
Integrationer er det svage led
De fleste datalæk i AI-projekter sker ikke i modellen, men i API-kald, webhooks og nøgler, der ligger forkert. Secrets i kode, for brede API-nøgler og flows uden validering af input er klassiske fejl.
Da CPH Erhverv byggede en samlet platform med Microsoft-login og integrationer til Outlook og eksterne portaler, var adgangsstyring og sporbarhed en del af arkitekturen fra start, ikke et efterprojekt. Se casen her.
Sikkerhedscheck før go-live
Hvilke data går hvor? Hvem har adgang? Hvad logges? Hvordan slettes eller anonymiseres? Kan I slukke flowet uden datatab? Svar nej på ét punkt, og I er ikke klar til produktion. Se også privacy by design.