影子 AI 審計清單：發現組織中每個未授權的 AI 工具

您無法保護您看不見的東西。在撰寫政策、部署監控工具或推出經授權的 AI 替代方案之前，您需要準確了解組織中當前正在使用哪些 AI 工具、由誰使用，以及使用了什麼資料。

這就是影子 AI 審計。它是一個結構化、可重複的流程，產生未授權 AI 使用的完整清單——工具、用戶、資料類別和風險級別。本文提供了完整流程，包括您可以立即適應您組織的 25 項清單。

員工在 200-1,000 人的組織每月與平均 45 個不同的 AI 網站互動。在更大的組織中，這個數字攀升到 72。審計幾乎肯定會揭示比您預期更多的工具。

---

開始前：設定範圍

在開始之前定義三件事：

時間窗口。 審計過去 90 天。這捕獲了習慣性使用模式，同時不至於追溯到資料已過時的地步。AI 工具採用正在加速——六個月前的使用模式可能無法反映當前行為。

組織範圍。 決定這是公司範圍的審計還是部門優先方法。如果您的資源有限，從處理最敏感資料的部門開始：法律、人力資源、財務、工程和面向客戶的團隊。

預期結果。 審計應產生三個可交付成果：（1）所有正在使用的 AI 工具的清單，（2）根據資料敏感性對每個工具的風險分類，以及（3）按風險排列的即時修復行動列表。

---

第一階段：網絡流量分析

網絡日誌是您最客觀的資料來源。它們顯示實際發生了什麼，而不是員工記得或選擇披露的內容。

要尋找的內容

監控到已知 AI 服務域的出站連接。以下列表涵蓋了截至 2026 年 3 月的主要服務，但每月都有新工具出現——每季度更新此列表。

如何提取此資料

• 防火牆日誌：從您的防火牆或 UTM 設備導出連接日誌。過濾上面的域。大多數企業防火牆（Palo Alto、Fortinet、Sophos）可以導出到 CSV 或 SIEM。
• DNS 查詢日誌：如果您運行內部 DNS，查詢日誌會顯示每個域查找，無論連接是否完成。這可以捕獲員工嘗試訪問的工具，即使防火牆阻止了它們。
• 代理日誌：如果您通過代理路由 Web 流量（Zscaler、Netskope 等），您擁有完整的 URL 級別可見性，包括 HTTPS 檢查的流量。
• SIEM 聚合：如果您有 SIEM（Splunk、Sentinel、Elastic），創建一個按源 IP → 用戶映射分組聚合到上面域的連接的儀表板。

這告訴您什麼

網絡分析提供使用中的工具、使用頻率和用戶（通過 IP 到用戶的映射，來自您的目錄服務）。它不告訴您發送了什麼資料——這需要 DLP 檢查，在第五階段中介紹。

---

第二階段：瀏覽器擴展審計

AI 驅動的瀏覽器擴展是一個重要且經常被忽視的向量。員工安裝讀取頁面內容、捕獲表單資料或攔截剪貼板內容的擴展——並將其發送到外部 AI 服務進行處理。

要審計的內容

• Chrome 擴展清單：使用 Google 管理控制台（對於托管 Chrome）或端點管理工具（Intune、Jamf）提取所有托管設備上安裝的擴展列表。
• Edge 擴展清單：通過 Microsoft Endpoint Manager 執行相同的流程。
• 要標記的擴展類別：任何具有「讀取和更改所有網站上的所有數據」、「讀取您的瀏覽歷史記錄」或「修改您複製和粘貼的數據」權限的擴展。

要搜索的常見 AI 擴展

• ChatGPT 瀏覽器擴展（多個第三方變體）
• Merlin（瀏覽器中的 GPT-4）
• Monica AI
• Sider AI
• MaxAI.me
• UseChatGPT.AI
• Compose AI
• Writesonic
• Grammarly（AI 功能——可能已授權，請核實）
• Otter.ai（會議錄音——通常單獨安裝）

風險評估

具有「讀取所有站點資料」權限的擴展可以從內部 Web 應用程序（您的 CRM、ERP、內部網絡、代碼存儲庫）捕獲資料並將其發送到外部伺服器。這比員工手動將資料粘貼到 ChatGPT 的風險更高，因為它是被動且持續發生的。

---

第三階段：SaaS 支出分析

個人 AI 訂閱會出現在費用報告和公司信用卡上。這是一種簡單但有效的檢測方法。

在哪裡查找

• 費用報告：搜索包含「OpenAI」、「ChatGPT」、「Claude」、「Anthropic」、「Jasper」、「Copy.ai」、「Midjourney」、「Runway」或「AI」的報銷請求。
• 公司信用卡對賬單：在過去 90 天的所有公司卡交易中進行相同的關鍵字搜索。
• 採購系統：檢查任何團隊是否在您的標準採購流程之外提交了 AI 工具的採購申請。
• 應用程序商店費用：對於報銷移動應用購買的組織，檢查 AI 應用訂閱（ChatGPT Plus 每月 $20 是最常見的）。

這告訴您什麼

SaaS 支出分析識別那些在 AI 工具上投入足夠多以願意為其付費的員工。這些通常是您最重度的用戶，也是發送最多資料的人。重要的是，他們也是對授權替代方案需要做什麼有最強烈意見的人。

---

第四階段：員工調查

網絡日誌告訴您正在使用哪些工具。員工調查告訴您為什麼使用它們以及使用了什麼資料。兩者都是必要的。

調查設計原則

• 匿名。 如果員工擔心受到懲罰，他們不會披露使用情況。明確聲明調查是匿名的，並將其定位為發現練習，而不是調查。
• 具體。 不要問「您使用 AI 工具嗎？」問「在過去 30 天裡，您是否將以下任何工具用於與工作相關的任務？」並列出具體工具。
• 以資料為重點。 問他們使用 AI 工具處理了哪些類別的資料：源代碼、客戶資料、財務資料、人力資源資料、法律文件、內部通信、會議記錄。

示例問題

1. 您在過去 30 天裡使用哪些 AI 工具進行與工作相關的任務？（選擇所有適用的——列出具體工具）
2. 您多頻繁地使用 AI 工具進行工作？（每日 / 每週幾次 / 每週 / 每月 / 很少）
3. 您使用 AI 工具進行哪些類型的工作任務？（寫作/編輯、代碼開發、資料分析、研究、摘要、翻譯、其他）
4. 您在 AI 工具中輸入了哪些類型的公司資料？（源代碼、客戶信息、財務資料、人力資源/人事資料、法律文件、會議記錄、內部通信、無、其他）
5. 您使用個人帳戶還是公司提供的帳戶使用 AI 工具？
6. 什麼阻止您使用公司批准的 AI 工具？（沒有批准的工具、批准的工具功能太有限、批准的工具太慢、不知道批准的工具存在、其他）
7. 如果公司提供了具有同等能力的內部 AI 助手，您會使用它而不是外部工具嗎？

問題 6 很關鍵。它告訴您授權的替代方案（如果您有）為什麼沒有被採用，或者確認您沒有。

---

第五階段：DLP 政策審查

大多數組織已配置了電子郵件、USB 和雲存儲的資料防洩漏政策。很少有組織將這些政策擴展到涵蓋 AI 工具使用。

審計您當前的 DLP 配置

• 您的 DLP 政策是否監控瀏覽器上傳？ 具體來說，它是否檢查通過表單提交或 API 調用發布到 AI 服務域的內容？
• 您的 DLP 政策是否涵蓋剪貼板操作？ 複製粘貼到基於瀏覽器的 AI 工具是影子 AI 最常見的資料洩露方法。
• AI 服務域是否在您的 DLP 監控範圍內？ 大多數 DLP 解決方案可以配置為標記或阻止上傳到特定域。檢查第一階段中的 AI 域是否包含在內。
• 哪些資料分類類別觸發警報？ 確保您的 DLP 分類（PII、PHI、財務資料、源代碼、法律特權）應用於 AI 工具目的地，而不僅僅是電子郵件和雲存儲。

差距評估

如果您的 DLP 不涵蓋 AI 工具上傳，您就有監控差距。量化它：根據第一階段的網絡資料，每天有多少連接被發送到 AI 服務，基於進行這些連接的用戶角色，其中有多少百分比可能涉及敏感資料？

---

第六階段：API 密鑰審計

開發人員和技術團隊可能以編程方式使用 AI 服務，將 API 密鑰嵌入代碼存儲庫、環境文件、CI/CD 管道或腳本中。這種使用通過網絡監控更難檢測，因為它可能在開發機器、CI 伺服器或雲基礎設施上運行。

在哪裡搜索

• 代碼存儲庫：在所有內部 Git 存儲庫（GitHub、GitLab、Bitbucket）中搜索如 sk-、sk-proj-、OPENAI_API_KEY、ANTHROPIC_API_KEY、GOOGLE_API_KEY 等字符串。
• 環境文件：搜索包含 AI 服務 API 密鑰的 .env、.env.local、.env.production 文件。
• CI/CD 機密：在 GitHub Actions、GitLab CI、Jenkins 或您的 CI/CD 平台中查看存儲的 AI 服務憑據的機密。
• 機密掃描工具：如果您使用機密掃描器（GitGuardian、TruffleHog、gitleaks），檢查 AI API 密鑰模式是否包含在掃描規則中。
• 雲基礎設施：檢查 AWS Secrets Manager、Azure Key Vault 或 GCP Secret Manager 中可能在標準採購之外配置的 AI 服務憑據。

風險評估

API 密鑰使用通常涉及自動化或半自動化的資料處理，這意味著更大量的資料被發送到外部 AI 服務。運行腳本通過 OpenAI API 處理 10,000 個客戶記錄的開發人員，比同一個開發人員手動將幾條記錄粘貼到 ChatGPT 的風險更高。

---

主清單

使用此清單追蹤審計完成情況。每個項目應標記為完成，並記錄調查結果。

---

解讀結果

完成所有六個階段後，您將有三類調查結果：

類別一：有政策差距的已知授權工具

這些是組織已批准的工具（例如 GitHub Copilot、Grammarly），但使用情況超出了批准的範圍。例如，Copilot 被批准用於代碼建議，但開發人員也將客戶資料粘貼到 ChatGPT 中進行調試。工具是授權的；使用模式不是。

行動：更新政策以澄清授權工具的批准使用與未批准使用。更新 DLP 規則以強制執行資料類別限制。

類別二：資料敏感性低的未授權工具

這些是用於不涉及敏感資料的任務的消費者 AI 工具——改寫電子郵件、生成會議議程模板、頭腦風暴。這些工具未被批准，但資料風險低。

行動：決定是否批准這些工具（如果成本極小且風險低）或將這種使用重定向到內部替代方案。不要對低風險使用反應過度——將良性的生產力使用視為安全事件會損害信任並推動行為進入地下。

類別三：資料敏感性高的未授權工具

這是關鍵調查結果。敏感資料——源代碼、客戶 PII、財務資料、法律文件——通過沒有組織控制的個人帳戶流入消費者 AI 工具。

行動：這需要立即修復。優先順序為：

1. 為識別的特定用例部署授權的本地替代方案。 如果開發人員將代碼粘貼到 ChatGPT 中，他們需要一個內部 AI 編碼助手。如果法律團隊在摘要合同，他們需要一個內部 AI 文件分析工具。

2. 更新 DLP 政策以阻止或警告對未授權 AI 域的敏感資料上傳。

3. 與受影響的團隊溝通——不是懲罰性的，而是解釋風險並介紹授權的替代方案。

4. 建立持續監控以在達到您剛剛發現的規模之前檢測新的影子 AI 工具採用。

---

審計後：構建修復計劃

審計不是終點——它是修復計劃的輸入。該計劃應解決四個領域：

授權替代方案。 對於識別的每個高風險使用模式，確定哪個授權工具或內部部署將替換它。目標不是消除 AI 使用——而是將 AI 使用移到您控制的基礎設施上。

政策。 起草或更新您的 AI 使用政策以反映審計揭示的內容。沒有涉及員工實際使用的工具和用例的政策，將是被忽視的政策。

監控。 對上面審計的六個類別實施持續監控。審計是時間點快照；監控提供持續的可見性。設定每季度重複完整審計的節奏。

培訓。 使用審計調查結果（匿名）構建培訓材料。向員工展示整個組織中有超過 45 個 AI 工具正在被使用，以及具體的資料類型面臨風險，比抽象的安全培訓更有說服力。

---

審計節奏

影子 AI 不是一次性問題。新的 AI 工具每週推出，員工採用模式轉變，隨著團隊實驗，授權和未授權之間的界限變得模糊。

每季度進行完整審計。在完整審計之間，通過網絡日誌和 DLP 警報維持持續監控。每月更新 AI 服務域列表。

有關為什麼影子 AI 是 $1,950 萬的風險以及超越審計的結構性修復的更廣泛背景，請參閱影子 AI：您的安全團隊看不見的 $1,950 萬企業風險。