AI-sikkerhed: sådan beskytter du din virksomhed i AI-æraen

De tre lag af AI-risiko i din virksomhed

Den trelagsindplacering er vigtig, fordi sikkerhedsarkitekturer designet til lag ét (shadow AI) ikke automatisk håndterer lag to eller tre. At behandle AI som én udifferentieret kategori producerer kun delvis beskyttelse.

Lag 1: shadow AI. Medarbejdere bruger offentlige AI-værktøjer (ChatGPT, Copilot, Gemini) til det daglige arbejde. Risikoen er dataeksponering: virksomhedsdata forlader virksomhedsgrænsen. Kontrolpunktet ligger ved endpoint og i netværket.

Lag 2: egen AI. Virksomheden bygger applikationer med AI-komponenter: chatbots, anbefalingssystemer, dokumentbehandlere. Risikoen omfatter lækage af træningsdata, prompt injection, modeljailbreaking og overdelegation. Kontrolpunktet ligger ved applikationen og datapipelinen.

Lag 3: agentisk AI. AI-agenter handler autonomt på systemer: planlægning, kommunikation, transaktioner. Risikoen omfatter ude-af-kontrol-handlinger, indirekte prompt injection via dokumenter og uhåndterlige beslutninger. Kontrolpunktet ligger ved agentens runtime og de systemer agenten interagerer med.

Lag 1: shadow AI, medarbejdere og offentlige AI-værktøjer

Det første lag er det mest synlige og det mest aktive. Halvfems procent af medarbejderne bruger dagligt AI-værktøjer, det meste af brugen er ikke godkendt. Vi har behandlet strategien i vores artikel om styring af shadow AI, kortversionen er: synlighed, politik, sikre alternativer, overvågning.

Den tekniske kontrol foregår på netværks- og endpointniveau. SASE-inspektion identificerer AI-trafik, DLP redigerer følsomt indhold før det når offentlige modeller, politikker omdirigerer medarbejdere til virksomhedsalternativer.

For de fleste virksomheder begynder AI-sikkerheden her, fordi eksponeringen er umiddelbar og det tekniske svar modent.

Lag 2: egen AI, interne applikationer og modeller

Virksomheder bygger hurtigt AI ind i deres produkter og interne værktøjer. Kundeservice-chatbots, dokumentopsummerings-pipelines, salgs-anbefalingssystemer. Hver er en ny applikation med nye fejlmønstre.

Eksponering af træningsdata. Følsomme data brugt til at træne eller finjustere interne modeller kan lække gennem modelresponser. Uden isolation bliver træningssættet en skjult eksponeringskanal.

Prompt injection. Brugerinput der manipulerer modellen til at ignorere sikkerhedsinstruktioner eller afsløre systemprompter. Med eksterne input (uploadede dokumenter, webindhold) er injection-vektoren sværere at kontrollere.

Overdelegation. Applikationer der giver AI'en mere autoritet end nødvendigt. En kundeservice-chatbot med skriveadgang til databasen er en risiko, en med læseadgang i kundekontekst er acceptabel.

Tekniske kontroller for lag to omfatter dataklassificering på pipelineniveau, sikkerhedsbeskyttelser i prompt-engineering, output-filtrering og mindst-privilegium-modeladgang. Cato-platformens rolle på dette lag er at sikre netværksstierne mellem AI-komponenterne og datakilderne, hvor DLP håndhæver dataklassificeringspolitik over disse stier.

Lag 3: agentisk AI, autonome arbejdsforløb og agenter

Agentisk AI er det nyeste lag og det mest usikre med hensyn til risiko. Agenter er AI-systemer der udfører handlinger i den virkelige verden: planlægger møder, sender e-mails, foretager API-kald, eksekverer transaktioner. De har autoritet, de træffer beslutninger, de har konsekvenser.

Ude-af-kontrol-handlinger. En agent der sidder fast i en løkke på en opgave eller eskalerer uden tilsyn, kan producere hundredvis af utilsigtede e-mails, transaktioner eller API-kald. Rate limiting og circuit breakers er obligatoriske, men underanvendt.

Indirekte prompt injection. En agent der læser et eksternt dokument, støder på injicerede instruktioner som ændrer dens adfærd. En kundeservice-agent der læser en kunde-e-mail med skjulte instruktioner, kunne afsløre data eller udføre ikke-godkendte handlinger.

Ansvarshul. Når en agent udfører en handling der forårsager skade, hvem er ansvarlig? Brugeren der satte den i drift, udvikleren, virksomheden? Juridiske rammer haler stadig efter, teknisk ansvar kræver audit trails pr. agentbeslutning.

Kontrolpunkterne ligger ved agentens runtime (sandboxing, rate limiting), ved de systemer agenten berører (mindst-privilegium API-adgang) og på netværksniveau (Cato's observerbarhed af agenttrafikmønstre).

Hvordan Cato AI Security dækker alle tre lag

Cato AI Security, lanceret i marts 2026 som det første SASE-native AI-sikkerhedsmodul, adresserer alle tre lag fra én platform.

For lag 1 opdager og håndhæver det politikker for shadow AI-brug via trafikinspektion og DLP. For lag 2 sikrer det netværksstierne i AI-applikationspipelines og håndhæver dataklassificering på flows mellem AI-komponenter. For lag 3 giver det observerbarhed og rate limiting for agenttrafik, hvilket muliggør detektion af anomal agentadfærd før konsekvenserne skalerer.

Fordelen ved platformsintegration: én politikramme dækker alle tre lag, ét audit trail fanger alle AI-hændelser, én detektionsmotor lærer på tværs af lag. Påklistrede AI-sikkerhedsprodukter håndterer ét lag godt, korrelation på tværs af lag kræver platformsintegration.

EU AI Act, NIS2 og GDPR: overholdelsespresset

Tre regulatoriske rammer mødes ved AI-sikkerhed og bliver strammere hvert kvartal.

EU AI Act. Risikobaseret regulering af AI-systemer med strenge forpligtelser for højrisikokategorier. Håndhævelsen sker fasevis frem mod 2026 og 2027. Loven kræver eksplicit risikostyringssystemer og menneskeligt tilsyn for højrisiko-AI.

NIS2. Indirekte via forpligtelserne om adgangskontrol og hændelsesdetektion. AI-værktøjer der behandler data, er en del af cybersikkerhedsperimeteren. Vi pakker det ud i vores artikel om NIS2-overholdelse med én platform.

GDPR. Personoplysninger behandlet af AI-værktøjer (inklusive offentlige via shadow AI) udgør behandling som kræver retsgrundlag, dataansvarlig og databehandleraftaler. Databeskyttelsesmyndighederne håndhæver det.

Momentum EMEA som implementeringspartner for AI-sikkerhed

Trelagsmodellen er teknisk, implementeringen er organisatorisk. Som EMEAs ledende specialiserede Cato-implementeringspartner leverer Momentum EMEA Cato AI Security-platformen sammen med governance-rammen der oversætter politikker til operationel virkelighed: standarder for dataklassificering, kategorisering af AI-værktøjer, agentregistrering og overvågnings-playbooks.