返回專業洞察

什麼是影子 AI（Shadow AI）？企業如何降低生成式 AI 的資料外洩風險

#Shadow AI #AI 治理 #資料外洩 #企業 AI #Private AI #AI 資安
什麼是影子 AI（Shadow AI）？企業如何降低生成式 AI 的資料外洩風險

員工早就在用 AI 了。行政拿 ChatGPT 摘要文件，工程師靠 GitHub Copilot、Cursor 或 Claude Code 寫程式。這件事已經沒什麼好爭論。

該爭論的是另一組問題：員工用了哪些 AI、輸入了什麼資料、AI 又能存取哪些內部系統。 多數企業三題都答不出來。

當員工以個人帳號或未經核准的工具處理公司文件、原始碼與客戶資料， 這些公司看不見也管不到的行為，就是影子 AI（Shadow AI）。

什麼是影子 AI？

Shadow AI 泛指員工在未經企業核准、管理或監督的情況下， 使用生成式 AI、AI Agent、瀏覽器擴充功能或其他 AI 服務處理工作。

常見情境包括：

  • 使用個人的 ChatGPT 或 Claude 帳號分析公司文件
  • 將程式碼貼進 AI 工具除錯
  • 用免費翻譯工具處理尚未公開的合約
  • 上傳客戶資料，請 AI 產生摘要或行銷內容
  • 在瀏覽器或 IDE 安裝未經核准的 AI 擴充功能
  • 讓 AI Coding Agent 存取整個程式碼庫與終端機
  • 將公司資料連接到未經審查的 MCP Server 或 AI Agent
  • 用公司 Email 註冊服務，但帳號、訂閱與資料設定仍由個人管理

最後一種最容易被誤判成安全的。用公司信箱註冊，不代表這個帳號歸公司管。 要確認的是帳號有沒有掛在企業工作區底下、管理員能不能停權與稽核， 以及適用的資料處理條款是哪一種方案。

Akamai 與 LayerX 的 2026 年報告 指出，將近一半的企業 AI 對話透過未受管理的個人身分進行。換句話說， 就算員工用的是公司核准的服務，只要身分沒被管理，一樣算 Shadow AI。

Shadow AI 已經是常態

臺灣企業線路：66% 已出現 AI 使用

中華電信在 CYBERSEC 2026 公開的網路觀測顯示：2026 年第一季約 30 萬家企業線路樣本中， 有 199,400 家出現 AI 工具流量，約占 66%；其中 175,350 家出現 ChatGPT 流量， 另有 62,065 家出現被列為法遵與資安警示的中國 AI 工具流量。 （iThome 報導、 中華電信說明）

流量不等於外洩，也看不出員工到底輸入了什麼。但它至少說明一件事： 對多數企業來說，AI 是先進門的，導入計畫才追在後面。

國外企業也面臨相同問題

Netskope《Cloud and Threat Report: 2026》 觀察到，一年內 SaaS 生成式 AI 使用者增加約 3 倍，送出的提示詞數量增加約 6 倍； 平均受觀測組織每月偵測到 223 起生成式 AI 資料政策違規事件。

報告也顯示，使用個人 AI App 的比例由 78% 降至 47%， 使用企業管理帳號的比例則由 25% 上升至 62%。兩者並非互斥， 因為部分使用者會在個人與企業帳號之間切換。

這不足以證明「發企業帳號就會降低風險」的因果關係。但方向很清楚。 員工手上有事要做的時候，一個好用的公司入口，比一紙禁令更容易被接受。

員工到底把什麼餵給了 AI

員工輸入 AI 的內容，可能包括：

  • 程式原始碼、API Key 與系統設定
  • 未公開的產品規格與研發文件
  • 財務資料、合約與會議紀錄
  • 客戶資料與個人資料
  • 內部 Email、帳號資訊與營運流程

Cyberhaven《2026 AI Adoption & Risk Report》 指出，其觀測的 AI 互動中有 39.7% 涉及敏感資料；前 100 大常用 GenAI SaaS 中， 82% 被分類為中度至重大風險。報告也指出，一般企業近半數開發者使用 AI Coding Assistant， 在 AI 採用積極的企業中則接近 90%。

所以盤點範圍不能只看聊天網站。IDE、瀏覽器擴充、會議助理、既有 SaaS 新長出來的 AI 功能、Agent、資料連接器，全都要算進去。

訓練條款只是其中一題

企業應該同時檢查：

  1. 資料使用：輸入與輸出是否會被用於模型改善或人工檢閱？
  2. 資料保存：服務會保存多久，企業能否設定保留與刪除政策？
  3. 身分與權限：能否使用 SSO、離職停權、角色權限與最小權限？
  4. 連接器與 Agent：AI 能讀哪些資料、能執行哪些動作，是否有人員核准關卡？
  5. 稽核與事件處理：是否保留操作紀錄，事件發生後能否追查資料流向？
  6. 合約與司法管轄：資料處理地區、次處理者、跨境傳輸與法規責任是否符合要求？

供應商承諾不拿企業資料訓練模型，只回答了第一題的一部分。

真實案例：Samsung 員工將內部資料輸入 ChatGPT

2023 年，Samsung Electronics 半導體事業部開放員工使用 ChatGPT 後， 媒體報導短時間內出現三起敏感資料輸入事件：

  1. 工程師輸入與內部資料庫相關的錯誤程式碼，請 AI 協助除錯。
  2. 工程師輸入設備瑕疵判斷程式碼，請 AI 協助最佳化。
  3. 員工將內部會議錄音轉成文字，再請 AI 製作會議紀錄。

這些事件由 Cybersecurity Dive 引述韓國媒體整理， 並非 Samsung 公開的完整鑑識報告，因此不應延伸解讀為資料已被其他使用者取得。

但它點出 Shadow AI 最難處理的地方。這三個人都不是想害公司，他們只是想早點下班。 一旦生產力需求跑在治理速度前面，員工就會自己去找工具。

只封鎖 ChatGPT 為什麼沒用

Harmonic Security 分析 2025 年的 22,458,240 筆企業提示詞與檔案上傳， 在 665 種 AI 與 AI-enabled 工具中偵測到 579,113 次敏感資料暴露。 前六大應用占 92.6% 的暴露量，但長尾工具仍持續變動。 （研究全文）

封掉一個服務，員工就換下一個：另一個聊天工具、瀏覽器擴充、會議助理， 或某個剛長出 Agent 功能的新平臺。黑名單永遠追不完。 真正該管的是身分、資料、權限與使用流程。

封鎖本身還是有用的。對明確不符法遵、已知高風險或根本沒有業務必要的工具， 擋掉就是合理控制。只是它得跟可見性、DLP、核准工具和教育訓練一起做。

Shadow AI 讓外洩變得更貴

IBM 與 Ponemon Institute《Cost of a Data Breach Report 2025》 研究 600 家已經發生資料外洩的組織，其中：

  • 63% 沒有完整的 AI 治理政策，或政策仍在建立中
  • 五分之一回報 Shadow AI 導致資料外洩
  • 高度使用 Shadow AI 的組織，平均外洩成本比低度或未使用者高 67 萬美元
  • Shadow AI 相關事件中，65% 涉及個人識別資訊，40% 涉及智慧財產

分母要看清楚。這個五分之一的母數，是那 600 家「已經發生外洩」的組織， 不是全球所有企業。

大型企業的共同做法：建立正式 AI 入口

各家做法不同，方向倒是一致：把 AI 從員工的個人工具， 變成公司提供、公司管得到的基礎服務。

企業做法公開採用情況
JPMorganChase以受控的 LLM Suite 提供共用 GenAI 能力，保護客戶與公司資料2024 年提供給全球超過 20 萬名員工
Morgan Stanley建立以內部知識為來源、能連回來源文件的財務顧問助理2024 年公布 98% 財務顧問團隊已採用
PwC Japan在自有安全環境提供 ChatPwC，並配合規範與訓練2025 年抽樣 350 名審計人員，使用率為 80%

資料來源： JPMorganChase 2024 Annual Report、 Morgan Stanley Assistant、 Morgan Stanley Debrief、 PwC Japan Audit Quality Report 2025（PDF）。

這幾家的規模和產業條件都不一樣，直接照抄沒有意義。可以抄的是判斷標準： 公司入口只要比個人帳號好用、離工作流程夠近，員工就沒什麼理由繞過去。

三層 AI 治理架構

企業不必一開始就全面自建模型。可以依資料敏感度與治理成熟度，分三層推進。

第一層：企業管理的 SaaS AI

最直接的起點，是把員工從個人帳號移到企業工作區。評估時至少確認：

  • 集中帳號管理、SSO 與離職停權
  • 管理員控制與角色權限
  • 資料是否用於模型訓練
  • 保存、刪除與資料落地選項
  • 稽核紀錄與合規文件
  • 連接器、外掛與 Agent 的核准方式

以 OpenAI 為例，官方目前說明 ChatGPT Business、Enterprise 與 API 的企業資料 預設不用於模型訓練；Enterprise 提供 SAML SSO、細緻存取控制與資料保留管理。 實際適用範圍仍應依方案、設定與合約確認。 （OpenAI Enterprise Privacy）

第二層：建立 Enterprise AI Gateway

若企業同時需要多家模型，可以建立統一的 AI Portal 與 Gateway。 員工只需要使用「公司的 AI」，企業則在後端管理模型、資料與成本。

flowchart TD
  U[員工] --> P[企業 AI Portal]
  P --> I[SSO 與身分]
  P --> R[角色與資料權限]
  P --> D[DLP 與敏感資料偵測]
  P --> A[稽核與成本管理]
  I --> G[AI Gateway]
  R --> G
  D --> G
  A --> G
  G --> C[企業雲端模型]
  G --> H[混合雲模型]
  G --> L[地端模型]
  classDef portal fill:#0D9488,stroke:#0F766E,color:#FFFFFF
  classDef risk fill:#FEE2E2,stroke:#DC2626,color:#7F1D1D
  class P,G portal
企業 AI Gateway：以同一入口管理身分、資料政策、模型與稽核

Gateway 可以統一決定：

  • 哪些員工能使用哪些模型與 Agent
  • 哪些資料不得傳到外部服務
  • 哪些操作需要人工核准或留下稽核紀錄
  • 哪些知識庫可被哪些部門查詢
  • 每個部門的 Token 與費用上限
  • 哪些敏感工作只能路由到企業專屬或地端模型

第三層：Private AI、混合雲與地端 AI

金融、製造、醫療、政府與研發單位的部分工作負載，可能不適合直接交給外部 SaaS。 這時可依資料分級，把不同任務送往不同環境：

資料等級可能的處理環境典型控制
公開／一般資料企業 SaaS 或雲端 API企業帳號、供應商條款、基本稽核
內部資料專屬雲或混合架構私有網路、DLP、細緻權限、保存政策
高度機密資料地端模型與內部 RAG封閉網路、最小權限、完整稽核與人工核准

這套架構的目的不是把雲端全部拿掉，是讓企業自己決定哪些資料可以去哪裡。

搬到地端，資安不會自動變好

把 LLM 放在自己的 GPU 主機，只處理了「推論是否送往外部服務」這個問題。 如果缺少下列控制，地端 AI 一樣可能形成新的風險：

  • 身分驗證、最小權限與離職停權
  • RAG 文件的原始權限繼承
  • 提示注入與惡意文件防護
  • Agent 工具權限與高風險操作核准
  • 稽核紀錄與資料保存政策
  • Secrets Management 與網路分段
  • 模型、套件與容器供應鏈管理
  • 備份、弱點修補與事件應變

Private AI 是私有基礎設施，加上身分治理、資料治理與 AI 治理。 買一臺 GPU 主機只完成了第一項。

90 天治理路線圖

第 1–30 天：先看見

  • 盤點員工使用的 AI 網站、SaaS、IDE 擴充功能、Agent 與 API
  • 找出個人帳號、共用帳號與公司信箱註冊但未受管的帳號
  • 訪談高使用量部門，理解真正的工作需求
  • 先定義禁止輸入的資料，例如客戶個資、未公開財務、憑證與核心原始碼

第 31–60 天：建立可用的正式入口

  • 選定一至數個企業 AI 方案，設定 SSO、停權與管理員政策
  • 依資料分級定義可用模型、可用連接器與保存期限
  • 對常見任務提供核准範本，降低員工自行找工具的誘因
  • 對高風險輸入加入警告、遮罩、阻擋或人工核准

第 61–90 天：把政策變成可驗證的控制

  • 串接 DLP、SIEM 或既有身分系統
  • 啟用稽核紀錄、異常告警與事件處理流程
  • 以真實工作負載測試雲端、混合與地端路由
  • 每季檢討工具清單、供應商條款、權限與實際採用率

從 Shadow AI 走向可治理的 Enterprise AI

「要不要讓員工用 AI」這題已經沒得選了。接下來要回答的是這幾題：

  • 能不能看見 AI 的實際使用？
  • 員工可以把哪些資料交給 AI？
  • 哪些模型可以處理哪些資料？
  • AI 能代表員工執行哪些動作？
  • 發生事件時，能不能還原資料與操作路徑？
  • 哪些高敏感工作需要留在企業指定環境？

成熟的治理順序可以濃縮為：

Visibility → Identity → Policy → Data Governance → AI Gateway → Private AI

也就是先看見 AI，再管理身分與資料，最後才決定模型應該部署在哪裡。

荔枝智慧的 Lychee Grove 可部署在企業指定環境， 並提供部門權限、稽核紀錄， 以及雲端、混合與地端推論架構。 如果你正在盤點 Shadow AI，或需要把既有政策落實成可操作的企業 AI 入口， 可先取得導入評估指南，或與我們討論治理架構。

參考資料

  1. Akamai — Enterprise AI Usage Risk Report 2026
  2. iThome — 電信流量揭臺灣企業 AI 風險
  3. 中華電信 — 影子 AI 與企業資安防禦
  4. Netskope — Cloud and Threat Report: 2026
  5. Cyberhaven — 2026 AI Adoption & Risk Report
  6. Harmonic Security — What 22 Million Enterprise AI Prompts Reveal About Shadow AI in 2025
  7. Cybersecurity Dive — Samsung employees leaked corporate data in ChatGPT
  8. IBM — Cost of a Data Breach Report 2025 摘要
  9. JPMorganChase — 2024 Annual Report, COO Letter
  10. Morgan Stanley — AI Assistant
  11. Morgan Stanley — AI Debrief
  12. PwC Japan — Audit Quality Report 2025（PDF）
  13. OpenAI — Enterprise Privacy