Shadow AI: spor efter upload af firmadata

Forside › Undersøgelse ved fratræden · Gennemgået oktober 2026 · Af John Nielsen

Når en medarbejder indsætter en kundeliste, kildekode eller et fortroligt notat i en AI-tjeneste uden for virksomhedens kontrol, ligger selve samtalen hos tjenesten på en konto, virksomheden ikke har adgang til. Undersøgelsen må derfor bygge på de spor, der findes i virksomhedens egne systemer: browseren og filsystemet på computeren, netværkets logs, DLP-hændelser og identitetsplatformen. Sporene kan ofte vise, at en tjeneste blev brugt, hvornår og med hvor meget data. Indholdet kan de sjældent vise, medmindre DLP eller en browserintegration har opfanget det.

Ledelsens første skridt er beskrevet på Fortrolige data i ChatGPT eller en anden AI-tjeneste. Denne artikel er til SOC, IT-sikkerhed og DPO’er, der skal finde og vurdere sporene.

Lagene, der kan rumme spor

Browser på computeren · Hvad det kan vise: Besøg på AI-tjenester, sidetitler, downloads, filvalg · Typisk begrænsning: Kun den pågældende browser og profil
Filsystem og Windows-artefakter · Hvad det kan vise: Hvilke filer der blev åbnet eller valgt kort før · Typisk begrænsning: Viser ikke, hvor filen blev sendt hen
Proxy, sikker webgateway og DNS · Hvad det kan vise: Domæner, tidspunkter, datamængder · Typisk begrænsning: Indhold er krypteret, medmindre TLS inspiceres
Cloud-discovery og CASB · Hvad det kan vise: Hvilke AI-apps der bruges, af hvem og hvor meget · Typisk begrænsning: Afhænger af kategorisering og logkilder
DLP og browserintegration · Hvad det kan vise: Indsætning eller upload af følsomme data, ofte med uddrag · Typisk begrænsning: Kun hvis politik og agent var aktive
Identitet og SSO · Hvad det kan vise: Login til AI-tjenester via firmakontoen · Typisk begrænsning: Personlige konti ses ikke

Browseren

Browserhistorikken viser besøg på AI-tjenesternes domæner med tidspunkter og ofte sidetitler, som kan indeholde samtalens automatisk genererede titel. Downloadhistorikken viser filer, tjenesten har genereret. Upload efterlader færre spor, men filvalgsdialogen i Windows registrerer senest valgte filer pr. program, og browserens egne data kan indeholde rester i cache og lokal lagring. Metoden er gennemgået i Browserhistorik som bevis, og sporene ved upload generelt i Upload til privat cloud, som i stor udstrækning gælder tilsvarende for AI-tjenester.

Udklipsholderen er et oplagt spørgsmål, men sjældent en kilde. Windows’ udklipshistorik gemmes kun, hvis funktionen er slået til, og den ryddes ved hver genstart, bortset fra elementer, brugeren har fastgjort. Fastgjorte elementer bevares, så de er værd at sikre. Hvad der i øvrigt kan genfindes efter en genstart, afhænger af Windows-version og indstillinger, og man kan ikke regne med det.

Browserudvidelser med AI-funktioner er et særskilt spor. En udvidelse, der kan læse sideindhold, kan sende data til en tjeneste, uden at brugeren åbner tjenestens hjemmeside. Sikr listen over installerede udvidelser med tilladelser og installationstidspunkt.

Netværket

Proxy- og webfilterlogs viser forbindelser til AI-domæner med bruger, tidspunkt og overførte bytes. Mængden af data sendt op i en session kan skelne mellem et kort spørgsmål og upload af et stort dokument. Feltforståelse og faldgruber er beskrevet i Proxy- og webfilterlogs.

Uden TLS-inspektion ses kun domænet, ikke indholdet. Mange AI-tjenester bruger fælles CDN’er og API-domæner, så et domænenavn alene kan være tvetydigt. DNS-logs kan supplere, hvis proxyen ikke dækker alle enheder.

Cloud-discovery

Værktøjer til cloud-discovery og CASB analyserer firewall- og proxylogs og kategoriserer trafikken pr. app, herunder en kategori for generative AI-tjenester. De giver et overblik over, hvilke tjenester der bruges, hvor mange brugere og hvor meget data. Det er nyttigt til at afgrænse undersøgelsen, men tallene er aggregerede og beregnede. Til bevis bruges de underliggende logs, ikke dashboardet.

DLP og browserintegration

Her kan indholdet komme frem. Endpoint-DLP kan registrere eller blokere indsætning og upload af følsomme oplysninger til AI-tjenester i browseren, og nogle løsninger kan registrere selve promptet i bestemte browsere og for bestemte tjenester. I Microsoft Purview kræver det fx en browserudvidelse, enheder tilmeldt Purview og en indsamlingspolitik, der omfatter indhold, og flere funktioner er begrænset til Edge og en række udvalgte tjenester. På tidspunktet for gennemgangen (oktober 2026) gælder opbevaring og eDiscovery af prompts kun i Edge og kun for ChatGPT, Microsofts forbrugerchat, Google Gemini og DeepSeek, mens blokering af indsætning og upload også kan virke i Chrome og Firefox. Funktionerne kræver desuden en betalingsmodel efter forbrug. Hvordan en DLP-hændelse læses, er beskrevet i DLP-hændelser som bevis.

En DLP-hændelse viser typisk regel, matchende følsomme oplysningstyper, handling (tilladt, advaret, blokeret, tilsidesat), bruger, enhed og destination. Tilsidesætter brugeren en advarsel med en begrundelse, gemmes begrundelsen ofte også.

Identitet og firmakonti

Har virksomheden selv en erhvervsplan hos en AI-tjeneste med login via Entra ID eller en anden identitetsudbyder, viser loginloggen brugen af firmakontoen, og tjenestens egne logs kan eksporteres; se ChatGPT, Claude og Gemini: historik og workspace-eksport. Brug af en personlig konto på samme tjeneste ses ikke i identitetsplatformen. Det er netop shadow AI.

Proportionalitet

Undersøgelsen skal bygge på logs, virksomheden allerede indsamler efter sin politik, og afgrænses til det, sagen handler om. Den må ikke udvikle sig til løbende overvågning af en bestemt medarbejder uden grundlag. Browserdata fra en firmacomputer kan indeholde private oplysninger, der skal holdes ude af gennemgangen. Personlige telefoner og private netværk er uden for virksomhedens rækkevidde.

Sikring

Sikr proxy-, DNS- og firewalllogs for perioden, før de roterer.
Eksportér DLP-hændelser og eventuelle registrerede prompts med de rå felter.
Sikr computeren eller relevante artefakter: browserprofiler, filvalgsdata, LNK-filer og jump lists.
Eksportér cloud-discovery-rapporter som supplement, og notér, at de er afledte.
Sikr identitetsplatformens loginlogs for firmakonti hos AI-tjenester.

Tidslinjen binder lagene sammen

Det enkelte spor er sjældent stærkt nok i sig selv. Styrken opstår, når lagene stilles op på én tidslinje med samme tidszone: filen åbnes fra et netværksdrev, filvalgsdialogen i browseren registrerer den, proxyen viser en større upload til en AI-tjeneste sekunder efter, og DLP registrerer en advarsel, som brugeren tilsidesætter. Hver kilde har sin egen urkilde og sin egen præcision. Proxyen logger ofte, når forbindelsen lukkes, ikke når data blev sendt, og DLP kan registrere hændelsen med forsinkelse, når agenten synkroniserer. Afvigelser på sekunder til minutter skal forklares, ikke rettes.

Gentagne mønstre er ofte mere sigende end enkelthændelser, fx regelmæssige uploads i ugerne før en fratræden eller brug af flere forskellige tjenester efter, at én blev blokeret.

Dokumentation

Rapporten bør angive hver logkilde med system, version, tidszone og opbevaringsperiode, de filtre der blev brugt ved udtræk, og hashværdier af de eksporterede filer. Cloud-discovery og dashboards angives som afledte kilder. Konklusioner formuleres i forhold til, hvad hvert lag kan vise, så det tydeligt fremgår, hvor indholdet er dokumenteret, og hvor det kun er sandsynliggjort.

Typiske fejlslutninger

Besøg på en AI-tjeneste er ikke det samme som upload af data.
Store datamængder kan skyldes billeder, lyd eller lange svar, ikke nødvendigvis et uploadet dokument.
At en fil blev åbnet kort før besøget, viser tidsmæssig nærhed, ikke at filen blev sendt.
En DLP-hændelse, der blev blokeret, viser forsøget, ikke at data forlod virksomheden.

Hvad sporene kan og ikke kan bevise

Kombineret kan lagene vise, at en bestemt bruger på en bestemt computer besøgte en AI-tjeneste, åbnede bestemte filer og sendte en vis datamængde i samme tidsrum, og i bedste fald hvad der blev indsat. Uden DLP eller browserregistrering af indhold kan de ikke vise præcist, hvilke oplysninger tjenesten modtog. Det kan kun tjenesten eller kontohaveren.

Kilder og versioner

Senest gennemgået: oktober 2026.

Næste skridt

Del af: Undersøgelse ved fratræden

Læs også: IT-leverandørens adgang: RMM-logs og leverandørens egne konti · Insider threat-undersøgelse: tekniske kilder og proportionalitet

→ Undersøgelse ved fratræden · Haster det? Forensisk sikring (hastesager koster ekstra) · For IT-sikkerhed og SOC · Tlf. 70 13 63 23 · Digital bevissikring hos Nielco IT

Skrevet af John Nielsen, IT‑sagkyndig og indehaver af Nielco IT. Selvstændig siden 2009 og mere end 30 års erfaring med IT‑sikkerhed. Har været IT‑sagkyndig i danske retskredse og ved Den Fælles Europæiske Patentdomstol (UPC). Om John Nielsen · LinkedIn · Redaktionel politik