影子 AI 审计清单：发现组织中每个未授权 AI 工具
逐步审计流程，发现组织中未授权的 AI 工具。涵盖网络流量分析、浏览器扩展审计、SaaS 支出分析、员工调查、DLP 审查和 API 密钥审计——附带可立即使用的 25 项清单。
你无法保护你看不见的东西。在编写策略、部署监控工具或推出经批准的 AI 替代方案之前，你需要准确了解组织中当前使用了哪些 AI 工具、由谁使用、使用了什么数据。
这就是影子 AI 审计。200-1,000 名员工的组织平均每月与 45 个不同的 AI 网站交互。在更大的组织中，这个数字攀升至 72。
开始前：设定范围
定义三件事：时间窗口（审计过去 90 天）、组织范围（全公司或先从部门开始）、期望成果（AI 工具清单、风险分类、优先补救行动列表）。
第 1 阶段：网络流量分析
监控到已知 AI 服务域的出站连接：OpenAI、Anthropic、Google Gemini、Perplexity、Mistral、GitHub Copilot、Cursor AI 等。
通过防火墙日志、DNS 查询日志、代理日志或 SIEM 聚合提取此数据。
第 2 阶段：浏览器扩展审计
具有"读取和更改所有网站数据"权限的 AI 浏览器扩展可以从内部 Web 应用捕获数据并发送到外部服务器。
第 3 阶段：SaaS 支出分析
在费用报告和公司信用卡账单中搜索 AI 工具订阅。
第 4 阶段：员工调查
匿名调查揭示工具被使用的原因和处理的数据类型。
第 5 阶段：DLP 策略审查
检查你的 DLP 策略是否覆盖浏览器上传到 AI 工具域和剪贴板操作。
第 6 阶段：API 密钥审计
搜索代码仓库、.env 文件、CI/CD 密钥中的 AI 服务 API 密钥。
主清单
| # | 审计项目 | 阶段 | 状态 |
|---|---|---|---|
| 1-5 | 网络流量分析 | 网络 | |
| 6-8 | 浏览器扩展审计 | 扩展 | |
| 9-12 | SaaS 支出分析 | 支出 | |
| 13-16 | 员工调查 | 调查 | |
| 17-20 | DLP 策略审查 | DLP | |
| 21-24 | API 密钥审计 | API 密钥 | |
| 25 | 编制风险排序清单 | 最终 |
审计后：构建补救计划
针对每个高风险使用模式，确定什么经批准的工具或内部部署将替代它。目标不是消除 AI 使用——而是将 AI 使用转移到你控制的基础设施上。
每季度运行完整审计。有关影子 AI 为何是 $19.5M 风险的更广泛背景，请参阅 Shadow AI: The $19.5M Enterprise Risk。
Turn unstructured data into AI-ready datasets — without it leaving the building.
On-premise data preparation with full audit trail. No data egress. No fragmented toolchains. EU AI Act Article 30 compliance built in.
