Ukryta sztuczna inteligencja: wyzwanie związane z zarządzaniem, które nie pozwala liderom spać po nocach

Dla dyrektorów ds. informatyki i dyrektorów ds. zasobów ludzkich oznacza to kryzys zarządzania, którego nie da się rozwiązać samymi zakupami. Tradycyjne podejście polegające na „zakupie właściwego narzędzia i nakazaniu jego używania” zawodzi, gdy pracownicy mogą uzyskać porównywalne możliwości za pośrednictwem bezpłatnych aplikacji konsumenckich. Pytanie stojące przed zespołami kierowniczymi brzmi: jak ustanowić kontrolę, nie niwecząc przy tym wzrostu produktywności, który od początku sprawił, że AI stało się atrakcyjne.

Skala niewidocznego wykorzystania AI

Ukryte AI różni się od wcześniejszych wyzwań związanych z ukrytym IT zarówno zakresem, jak i dostępnością. Pracownik nie może uruchomić ukrytego serwera ani systemu zakupowego na telefonie podczas przerwy na lunch. Może jednak bez problemu wkleić poufne dane klienta do ChatGPT lub Claude, aby przygotować projekt wiadomości e-mail, napisać ocenę wyników pracy albo przeanalizować arkusz kalkulacyjny.

W marcu 2024 r. 27,4% danych firmowych wprowadzanych przez pracowników do narzędzi AI sklasyfikowano jako wrażliwe, w porównaniu z 10,7% rok wcześniej. Nie chodzi tylko o skalę, lecz także o tempo. 

Zdecentralizowany charakter wdrażania AI sprawia, że tradycyjne metody monitorowania są niewystarczające. W przeciwieństwie do instalacji oprogramowania wymagających uprawnień administratora lub narzędzi SaaS pozostawiających ślady w dokumentacji zakupowej, korzystanie z AI za pośrednictwem kont osobistych pozostawia minimalny ślad techniczny.

Według raportu IBM „Koszt naruszenia danych 2025” w organizacjach doświadczających intensywnego wykorzystania ukrytego AI naruszenia bezpieczeństwa skutkowały przejęciem większej ilości danych umożliwiających identyfikację osób (65%) oraz ujawnieniem większej ilości własności intelektualnej (40%) w porównaniu z organizacjami o niższym poziomie wykorzystania ukrytego AI. Incydenty te zwiększały również średni koszt naruszenia o 670 000 USD. 

Gdy pracownicy przetwarzają dane dotyczące zasobów ludzkich, informacje finansowe lub dane klientów za pośrednictwem konsumenckich narzędzi AI, organizacje tracą kontrolę nad łańcuchem powierniczym. Nie mogą wykazać zgodności z przepisami o ochronie danych, przeprowadzić audytu informacji, które opuściły organizację, ani zagwarantować ich usunięcia, gdy wymaga tego prawo.

Koncentracja ryzyka jest szczególnie wyraźna w mniejszych organizacjach. Firmy zatrudniające od 11 do 50 pracowników wykazywały największe wykorzystanie ukrytego AI — średnio 269 niezatwierdzonych narzędzi AI na 1000 pracowników.

Nawet organizacje średniej wielkości, zatrudniające od 500 do 1000 pracowników, miały około 200 narzędzi ukrytego AI na 1000 użytkowników. Nie są to tymczasowe eksperymenty — w przypadku niektórych aplikacji ukrytego AI mediana okresu użytkowania przekracza 400 dni ciągłego korzystania bez formalnej zgody lub nadzoru.

To obecnie jedna z najczęstszych rzeczywistości: wdrażanie AI już trwa, niezależnie od tego, czy kadra kierownicza się na nie przygotowała. Najgorszą reakcją jest jego zablokowanie. Prowadzi to do jeszcze szerszego korzystania z ukrytych narzędzi i podważa zaufanie.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Dave EvansOpens new window

Dyrektor generalny i współzałożyciel Fictiv

Myślenie przedkładające szybkość nad bezpieczeństwo

Najnowsze badania ujawniają niewygodną prawdę na temat nastawienia pracowników do zarządzania AI. Wśród pracowników 60% zgadza się, że korzystanie z niezatwierdzonych narzędzi AI jest warte ryzyka dla bezpieczeństwa, jeśli pomaga im pracować szybciej lub dotrzymywać terminów. Kolejne 21% uważa, że pracodawca „przymknąłby oko” na korzystanie z niezatwierdzonych narzędzi AI, o ile praca zostałaby wykonana na czas.

Ta kalkulacja zmienia się w zależności od szczebla organizacji. Wśród prezesów i członków najwyższego kierownictwa 69% uważa, że szybkość ma większe znaczenie niż obawy dotyczące prywatności lub bezpieczeństwa. Na poziomie dyrektorów i starszych wiceprezesów odsetek ten wynosi 66%. Dla porównania, pogląd ten podziela zaledwie 37% osób na stanowiskach administracyjnych i 38% osób na niższych stanowiskach kierowniczych. 

Osoby mające największą władzę, aby zmieniać zasady zarządzania, najczęściej je ignorują.

Dane udostępniane przez pracowników odzwierciedlają tę tolerancję ryzyka. Jedna trzecia z nich udostępniała badania lub zbiory danych za pośrednictwem niezatwierdzonych narzędzi AI, ponad jedna czwarta udostępniała dane pracowników, w tym nazwiska, informacje o wynagrodzeniach lub wynikach pracy, a 23% udostępniało sprawozdania finansowe lub dane sprzedażowe.

Dlaczego blokowanie zawodzi

Organizacje próbujące rozwiązać problem ukrytej AI poprzez ograniczenia odkrywają fundamentalny problem. Pracownicy znajdują sposoby na uzyskanie dostępu do zablokowanych aplikacji. Blokowanie nie eliminuje tego zachowania — jedynie spycha je głębiej do podziemia i odbiera możliwość jego monitorowania.

Ludzie w twojej organizacji z niej korzystają. Korzystają z niej cały czas. Być może więc trzeba ogłosić coś, co nazywam amnestią AI, i powiedzieć: wyjdźcie z ukrycia i pokażcie nam, z czego korzystacie w związku z AI. Korzystajcie ze sprawdzonych narzędzi z odpowiednimi ograniczeniami, nie trenujcie modelu, zabezpieczcie wszystko. Ale wyjdźcie z cienia — koniec z ukrytą AI. Macie amnestię. Nie będziemy przejmować się tym, że korzystaliście z niej w przeszłości. Uznajmy po prostu, że nie będziemy się tym przejmować. Proszę jednak, ujawnijcie to i wspólnie zastanówmy się, jak robić to właściwie.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Charlene Li

Założycielka i dyrektor generalna Quantum Networks Group

Luka wiedzy pogłębia to wyzwanie. Chociaż 40% pracowników pamięta, że otrzymało szkolenie z zakresu AI, 40% nadal codziennie korzysta z niezatwierdzonych narzędzi. Jeszcze bardziej paradoksalne jest to, że badacze odkryli dodatnią korelację między użytkownikami deklarującymi, że rozumieją wymagania dotyczące bezpieczeństwa AI, a ich regularnym korzystaniem z niezatwierdzonych narzędzi AI. 

Wraz ze wzrostem wiedzy pracowników na temat zagrożeń związanych z AI rośnie również ich pewność siebie w ocenie tych zagrożeń — nawet kosztem przestrzegania zasad obowiązujących w firmie.

Sugeruje to, że szkolenia podnoszące świadomość bezpieczeństwa nie są wystarczającym zabezpieczeniem. Mniej niż połowa pracowników twierdzi, że zna i rozumie zasady swoich firm dotyczące korzystania z AI. Obowiązujące zasady często nie uwzględniają praktycznych powodów, dla których pracownicy w pierwszej kolejności sięgają po ukrytą AI.

Budowanie praktycznych ram zarządzania AI

Stowarzyszenie Audytu i Kontroli Systemów Informacyjnych opracowało wytyczne dla organizacji dotyczące całego cyklu zarządzania AI. Z badań ISACA wynika, że tylko 31% organizacji ma formalne, kompleksowe zasady dotyczące AI, mimo że 83% specjalistów IT i biznesu uważa, że pracownicy ich organizacji korzystają z AI.

Najlepsze ramy zaczynają się od uznania faktów — powiedział Evans. — Po pierwsze, należy zinwentaryzować, gdzie AI jest już wykorzystywana i dlaczego. Po drugie, trzeba określić jasne granice: jakie dane są dozwolone, które narzędzia są zatwierdzone i gdzie wymagany jest nadzór człowieka. Po trzecie, należy wyznaczyć odpowiedzialność: kto odpowiada za wyniki, gdy AI wpływa na podejmowane decyzje. Zarządzanie powinno bezpiecznie umożliwiać szybkie działanie, a nie spowalniać zespoły. Jeśli zostanie dobrze wdrożone, przekształca nieformalne eksperymenty w powtarzalne i odpowiedzialne działania.

ISACA zaleca dostosowanie ram COBIT — tradycyjnie wykorzystywanych do zarządzania IT — w celu uwzględnienia wyzwań związanych konkretnie z AI. Podejście to działa, ponieważ większość organizacji ma już struktury zarządzania oparte na COBIT, dzięki czemu zarządzanie AI staje się ich rozszerzeniem, a nie całkowitym budowaniem od podstaw.

Przyjrzyjmy się więc poszczególnym krokom:

Dostosowanie strategiczne

Zapewnia bezpośrednie powiązanie inicjatyw związanych z AI z celami biznesowymi, zamiast traktowania ich jako odrębnych projektów technologicznych. Oznacza to zadawanie nie pytania „co AI może zrobić?”, lecz „jakie problemy biznesowe wymagają rozwiązania i czy AI może w tym pomóc?”.

Inwentaryzacja i klasyfikacja ryzyka 

Należy skatalogować używane narzędzia AI — zarówno zatwierdzone, jak i niezatwierdzone — oraz sklasyfikować je według poziomu ryzyka. Chatbot obsługi klienta przetwarzający rutynowe zapytania wiąże się z innymi zagrożeniami niż narzędzie AI analizujące dane dotyczące wydajności pracowników lub prognozy finansowe. Klasyfikacja ta określa odpowiedni poziom zarządzania dla poszczególnych narzędzi i przypadków użycia.

Włączenie zarządzania ryzykiem AI do istniejących procesów organizacyjnych.

Integracja z procesami tworzenia oprogramowania, zarządzania projektami i zarządzania zmianą zapewnia wczesną i regularną ocenę ryzyka. Z perspektywy prywatności i zarządzania danymi właściwe śledzenie zasobów, danych i modeli zapewnia całościowy obraz wykorzystania AI. Procesy zarządzania ryzykiem stron trzecich muszą śledzić, którzy dostawcy korzystają z AI i w jaki sposób ją zabezpieczają.

Ustanowienie granic danych 

Organizacje potrzebują jasnych zasad określających, jakie informacje mogą, a jakie nie mogą być przetwarzane przez systemy AI. Granice te zazwyczaj opierają się na systemie wielopoziomowym: informacje publiczne można wykorzystywać w dowolnym narzędziu AI, informacje wewnętrzne wymagają rozwiązań dla przedsiębiorstw z umowami dotyczącymi ochrony danych, a informacje poufne są ograniczone do określonych, ściśle monitorowanych środowisk AI.

Ramy te podkreślają, że zarządzanie AI musi być kompleksowe i obejmować cały cykl życia AI od początku do końca. Obejmuje to gromadzenie odpowiednich metadanych na każdym etapie, co gwarantuje, że ramy zarządzania uwzględniają wszystkie aspekty rozwoju, wdrażania i monitorowania modeli. 

Zarządzanie AI powinno zapewniać pełną widoczność wszystkich modeli AI w całym ekosystemie przedsiębiorstwa, wspierając przejrzystość i umożliwiając interesariuszom zrozumienie, w jaki sposób modele są tworzone, wykorzystywane i zarządzane.

Praktyczne kroki na początek

Organizacje nie muszą wdrażać kompletnych ram zarządzania z dnia na dzień. Podejście ISACA zakłada wdrażanie etapami:

Etap 1: Zapewnienie widoczności (tygodnie 1–4)

• Przeprowadzenie audytu narzędzi AI we wszystkich działach
• Utworzenie rejestru AI wymagającego od pracowników udokumentowania, z których narzędzi korzystają i w jakich celach
• Klasyfikacja narzędzi według poziomu ryzyka (niski, średni, wysoki, krytyczny)
• Określenie rodzajów danych przetwarzanych przez każde narzędzie

Etap 2: Określenie zasad i granic (tygodnie 5–8)

• Opracowanie jasnych standardów klasyfikacji danych (publiczne, wewnętrzne, poufne, zastrzeżone)
• Utworzenie wielopoziomowych zasad użytkowania dopasowujących poziomy ryzyka narzędzi do wrażliwości danych
• Ustanowienie procesów zatwierdzania wniosków dotyczących nowych narzędzi AI
• Określenie ról i obowiązków (kto zatwierdza poszczególne kwestie, kto monitoruje zgodność)

Etap 3: Wdrożenie mechanizmów kontroli (tygodnie 9–16)

• Wdrożenie kontroli technicznych (zapobieganie utracie danych, zarządzanie dostępem)
• Zapewnienie zatwierdzonych alternatyw dla powszechnie używanych nieautoryzowanych narzędzi AI
• Uruchomienie szkoleń pracowników dotyczących zatwierdzonych narzędzi i zasad postępowania z danymi
• Ustanowienie systemów monitorowania nietypowych wzorców korzystania z AI

Etap 4: Ciągłe doskonalenie (w toku)

• Przeprowadzanie regularnych audytów (zalecane co kwartał) pod kątem nieautoryzowanego korzystania z AI
• Przegląd i aktualizacja zasad wraz z rozwojem możliwości AI
• Pomiar poziomu zgodności i skuteczności zarządzania
• Zbieranie opinii pracowników na temat braków w narzędziach i problemów związanych ze stosowaniem zasad

Kluczowe znaczenie ma traktowanie zarządzania AI jako produktu z wyznaczonym właścicielem, a nie jako dokumentu określającego zasady. Tak jak organizacje mają dyrektorów ds. bezpieczeństwa z zespołami zarządzającymi bezpieczeństwem, skuteczne zarządzanie AI wymaga osoby — niezależnie od tego, czy będzie to dyrektor ds. AI, dyrektor ds. danych czy dedykowany zespół ds. zarządzania AI — odpowiedzialnej za utrzymywanie ram jako żywego systemu.

Piaskownice AI do bezpiecznego eksperymentowania

Być może najważniejszym osiągnięciem w zakresie zarządzania nieautoryzowanym AI jest koncepcja „piaskownic AI”, czyli kontrolowanych środowisk, w których pracownicy mogą eksperymentować z możliwościami AI bez narażania wrażliwych danych. 

Piaskownice uwzględniają fundamentalną prawdę: pracownicy korzystają z nieautoryzowanego AI, ponieważ pomaga im ono pracować wydajniej. Zablokowanie dostępu bez zapewnienia alternatyw nie eliminuje tej potrzeby.

Uniwersytet Harvarda był pionierem tego podejścia, gdy wykładowcy i badacze potrzebowali bezpiecznego dostępu do dużych modeli językowych bez ryzyka wycieku danych do zewnętrznych dostawców. Uniwersytet uruchomił bezpieczną piaskownicę AI obsługującą GPT-3.5, GPT-4, Claude 2 i PaLM 2 Bison. 

Ponad 50 użytkowników pilotażowych wykorzystywało piaskownicę do testowania AI w nauczaniu i badaniach, jednocześnie chroniąc poufne dane. Kontrolowane testy pomogły również Harvardowi w podejmowaniu decyzji dotyczących zakupów przyszłych integracji AI.

Władze stanu Massachusetts stworzyły podobne odizolowane piaskownice z wykorzystaniem infrastruktury AWS dla narzędzi AI, w tym chatbotów i systemów zamówień. Systemy te umożliwiły bezpieczne eksperymentowanie o niskim ryzyku, usprawniając usługi i dostarczając informacji na potrzeby szerszych strategii wdrażania AI. Miasta, w tym New Jersey i Waszyngton, wdrożyły porównywalne rozwiązania z wykorzystaniem platformy Azure.

W sektorze finansowym brytyjski Urząd Nadzoru Finansowego nawiązał współpracę z firmą NVIDIA w celu stworzenia rozwiązania określanego przez nich mianem „superdoładowanej piaskownicy”, zapewniającego firmom dostęp do modeli AI, zbiorów danych i wytycznych regulacyjnych. Piaskownica ułatwiała wprowadzanie innowacji w zakresie wykrywania oszustw, zarządzania ryzykiem i automatyzacji, jednocześnie zapewniając zgodność i nadzór.

Koncepcja środowiska testowego tworzy wyznaczone przestrzenie, w których zespoły mogą testować narzędzia AI pod kątem konkretnych przypadków użycia, korzystając z oczyszczonych danych. Zespół finansowy może eksperymentować z modelami prognozowania opartymi na AI, wykorzystując dane historyczne pozbawione identyfikatorów klientów. Zespół HR może testować narzędzia do selekcji życiorysów, korzystając z syntetycznych profili kandydatów. Dział marketingu może tworzyć prototypy koncepcji kampanii bez udostępniania informacji o nieogłoszonych jeszcze produktach.

Środowiska te pełnią podwójną funkcję. Zaspokajają potrzebę pracowników dostępu do możliwości AI, a jednocześnie zapewniają zespołom IT i ds. zgodności kontrolowane warunki testowe do oceny nowych narzędzi przed ich wdrożeniem w całej organizacji. 

Gdy zespół zidentyfikuje wartościowy przypadek użycia AI w środowisku testowym, organizacja może właściwie zweryfikować narzędzie i wynegocjować odpowiednie umowy dotyczące ochrony danych przed szerszym wdrożeniem.

Rola CHRO w zarządzaniu AI

Choć dyrektorzy ds. informatyki zazwyczaj kierują inicjatywami związanymi z zarządzaniem AI, CHRO odgrywają równie kluczową rolę, która często jest niedoceniana. Ukryta sztuczna inteligencja to nie tylko problem technologiczny, lecz także problem dotyczący ludzi, zakorzeniony w sposobie pracy pracowników, presji na produktywność, której doświadczają, oraz w tym, czy ufają oficjalnym narzędziom i wierzą, że spełnią one ich potrzeby.

CHRO muszą uwzględniać dynamikę kulturową, która napędza korzystanie z ukrytej sztucznej inteligencji. Gdy pracownicy uważają, że prośba o dostęp do nowych narzędzi AI uruchomi sześciomiesięczny proces zakupowy, zaczynają szukać obejść. Gdy postrzegają zasady IT jako przeszkody w produktywności, a nie uzasadnione zarządzanie ryzykiem, dzieje się to samo.

Wymaga to od CHRO opowiadania się za zasadami zarządzania, które równoważą bezpieczeństwo z użytecznością. System wymagający piętnastu etapów zatwierdzania użycia narzędzia AI do pisania zawiedzie niezależnie od tego, jak bezpieczny jest w teorii. Pracownicy po prostu użyją ChatGPT i nigdy o tym nie wspomną. Skuteczne zarządzanie sprawia, że właściwa ścieżka jest najłatwiejszą ścieżką.

CHRO odpowiadają również za zarządzanie zmianą niezbędne do przeorientowania zachowań pracowników z ukrytej sztucznej inteligencji na zatwierdzone rozwiązania. Obejmuje to komunikowanie, dlaczego zarządzanie ma znaczenie, szkolenia dotyczące zatwierdzonych narzędzi oraz tworzenie jasnych kanałów, za pośrednictwem których pracownicy mogą prosić o nowe możliwości, gdy obecne narzędzia nie spełniają ich potrzeb.

Nie można również ignorować aspektu zarządzania wydajnością. Organizacje muszą zdecydować, jak postępować z pracownikami, którzy naruszają zasady korzystania z AI. Coraz większa liczba pracowników ufa narzędziom AI bardziej niż swoim menedżerom lub współpracownikom, co wskazuje na przeniesienie zaufania z relacji międzyludzkich na technologię. Ta dynamika zaufania komplikuje egzekwowanie zasad. Zbyt surowe podejście sprawi, że pracownicy będą staranniej ukrywać korzystanie z AI, a zbyt pobłażliwe podejście sprawi, że zasady stracą znaczenie.

Skuteczne systemy monitorowania

Skuteczne monitorowanie AI wymaga równoważenia potrzeb w zakresie bezpieczeństwa z kwestiami prywatności i zaufania pracowników. Najskuteczniejsze podejścia koncentrują się na przepływie danych, a nie na indywidualnych zachowaniach. Systemy monitorują kopiowanie dużych ilości potencjalnie poufnych informacji do schowków lub przesyłanie ich do zewnętrznych witryn — są to wzorce wskazujące na możliwy wyciek danych, a nie na rutynową pracę.

Kontekst ma ogromne znaczenie w monitorowaniu. Inżynier wklejający kod do narzędzia AI może szukać pomocy w debugowaniu albo udostępniać zastrzeżone algorytmy. System monitorowania musi rozumieć tę różnicę, często za pośrednictwem systemów klasyfikacji danych, które oznaczają repozytoria poufnego kodu inaczej niż projekty o otwartym kodzie źródłowym.

Niektóre organizacje wdrażają systemy edukacyjne działające „w samą porę”, które interweniują po wykryciu ryzykownego zachowania. Jeśli pracownik próbuje wkleić do zewnętrznego narzędzia AI coś, co wygląda na dane klientów, system wyświetla ostrzeżenie wyjaśniające zasady ochrony danych i kierujące go do zatwierdzonych alternatyw. Takie rozwiązanie edukuje bez karania i zapewnia możliwość wycofania się, zanim dojdzie do naruszenia zasad.

Kwestia zakupów

Istotnym czynnikiem napędzającym ukrytą sztuczną inteligencję są utrudnienia w procesie zakupowym. Pracownicy mogą w ciągu kilku minut utworzyć konto ChatGPT lub Claude i rozpocząć pracę. Uzyskanie zgody działu IT, zakup i wdrożenie firmowego narzędzia AI może potrwać miesiące. Ta różnica w czasie gwarantuje korzystanie z ukrytej sztucznej inteligencji.

Perspektywiczne organizacje tworzą przyspieszone procesy zakupowe dla narzędzi AI spełniających określone kryteria. Jeśli narzędzie nie wymaga dostępu do poufnych danych, nie integruje się z kluczowymi systemami i jest przeznaczone dla ograniczonej grupy użytkowników, zatwierdzenie może nastąpić w ciągu kilku dni, a nie miesięcy. Zmniejsza to zachętę do korzystania z narzędzi poza kontrolą organizacji, a jednocześnie zapewnia odpowiedni nadzór nad wdrożeniami o wyższym ryzyku.

Niektóre organizacje tworzą „biblioteki narzędzi AI” — wstępnie zatwierdzone katalogi usług AI, do których pracownicy mogą natychmiast uzyskać dostęp w ramach umów firmowych. Zamiast negocjować umowę dla każdego nowego narzędzia AI, dział IT zawiera umowy ramowe z głównymi dostawcami, a pracownicy mogą aktywować dostęp w razie potrzeby. Zapewnia to szybkość ukrytej sztucznej inteligencji przy jednoczesnym zarządzaniu właściwym dla zatwierdzonych narzędzi.

Obszary, w których zarządzanie nie działa wystarczająco dobrze

Obecne zasady zarządzania AI zmagają się z kilkoma nowymi wyzwaniami. Pierwszym z nich są rosnące możliwości narzędzi AI wbudowanych w inne oprogramowanie. Microsoft Copilot integruje się bezpośrednio z pakietem Office 365, funkcje AI firmy Adobe znajdują się w Creative Cloud, a Salesforce Einstein działa w ramach przepływów pracy systemów CRM. Te „niewidoczne” możliwości AI nie są rozpoznawane jako odrębne narzędzia wymagające zarządzania, lecz przetwarzają znaczne ilości danych biznesowych.

Drugie wyzwanie dotyczy urządzeń osobistych. Wiele organizacji stosuje zasady korzystania z własnych urządzeń, które pozwalają pracownikom uzyskiwać dostęp do służbowej poczty e-mail i dokumentów z prywatnych telefonów oraz laptopów. Gdy na tych urządzeniach znajdują się asystenci AI — Siri, Google Assistant lub narzędzia innych firm — zdolni do uzyskiwania dostępu do danych służbowych, tradycyjne monitorowanie oparte na sieci staje się nieskuteczne.

Trzecie wyzwanie polega na rozróżnieniu między korzystaniem z AI a zależnością od AI. Ramy zarządzania mogą kontrolować, z jakich narzędzi korzystają pracownicy, ale trudno im określić, czy pracownicy rozwijają odpowiednie umiejętności krytycznego myślenia, czy też nadmiernie polegają na wynikach generowanych przez AI. Pracownik, który wykorzystuje AI do tworzenia każdego e-maila, może nie naruszać żadnych zasad, a jednocześnie rozwijać umiejętności pisania w tempie stanowiącym ułamek jego tempa sprzed ery AI.

Jak wygląda sukces

Organizacje, które skutecznie zarządzają korzystaniem z AI bez ograniczania produktywności, mają kilka wspólnych cech. 

• Ustanawiają jasne, proste zasady, które pracownicy mogą zrozumieć i stosować bez konieczności ich interpretacji prawnej. 
• Zapewniają zatwierdzone alternatywy, które rzeczywiście odpowiadają na potrzeby pracowników, zamiast gorszych zamienników, skłaniających ludzi do powrotu do niezatwierdzonych narzędzi. 
• Tworzą mechanizmy przekazywania opinii, dzięki którym pracownicy mogą zgłaszać braki w zatwierdzonych narzędziach lub prosić o nowe funkcje.
• Traktują zarządzanie jako ciągły dialog, a nie statyczny zbiór zasad. 

Regularna komunikacja na temat powodów istnienia zasad, zagrożeń, które ograniczają, oraz sposobu ich ewolucji pozwala utrzymać poparcie pracowników. Gdy pracownicy rozumieją, że zarządzanie chroni ich przed odpowiedzialnością prawną, naruszeniami danych, które mogłyby zagrozić również ich własnym informacjom, oraz naruszeniami przepisów, przestrzeganie zasad staje się elementem kultury organizacyjnej, a nie efektem egzekwowania.

Organizacje zmagające się z niezatwierdzonym wykorzystaniem AI często wykazują przeciwne cechy: 

• Złożone zasady wymagające interpretacji prawnej
• Zatwierdzone narzędzia, które pod względem funkcjonalności i łatwości obsługi pozostają w tyle za ofertą konsumencką
• Jednokierunkowa komunikacja, w której dział IT narzuca zasady bez wyjaśniania ich uzasadnienia ani zbierania opinii.

Dalsza droga

Niezatwierdzone wykorzystanie AI nie zniknie. Konsumenckie narzędzia AI będą nadal zwiększać swoje możliwości i dostępność, przez co niezmiennie będą atrakcyjne dla pracowników poszukujących wzrostu produktywności. Wyzwanie związane z zarządzaniem nie polega na wyeliminowaniu niezatwierdzonego wykorzystania AI, lecz na ukierunkowaniu wdrażania AI na zarządzane systemy, które chronią zarówno interesy organizacji, jak i produktywność pracowników.

Wymaga to współpracy między CIO, CHRO i liderami biznesowymi w celu stworzenia ram, które sprawdzają się w praktyce, a nie tylko w dokumentach dotyczących zasad. Wymaga to inwestycji w zatwierdzone narzędzia, które rzeczywiście konkurują z alternatywami konsumenckimi, zamiast pełnić funkcję biurokratycznych zamienników. Wymaga to zaufania, że pracownicy będą podejmować dobre decyzje, gdy otrzymają jasne wytyczne, oraz że kierownictwo zapewni zasoby niezbędne do efektywnej pracy w granicach zarządzania.

Alternatywą jest narastająca rozbieżność między oficjalnymi zasadami a rzeczywistą praktyką, w której wykorzystanie niezatwierdzonego AI nadal się rozszerza w sposób, którego organizacje nie mogą ani dostrzec, ani kontrolować. W 2025 roku dane wskazywały, że około jedna trzecia projektów generatywnej AI w przedsiębiorstwach miała utknąć z powodu niskiej jakości danych, niewystarczających mechanizmów kontroli ryzyka, rosnących kosztów lub niejasnej wartości biznesowej. Badania wskazują, że ogółem kończy się niepowodzeniem ponad 80% projektów AI.