Wat is shadow AI?
Shadow AI is elk AI-gebruik binnen je organisatie dat buiten je beleid, je contracten en je zicht valt. Een medewerker die een klantmail door een gratis account haalt. Een team dat een AI-functie in een SaaS-tool aanzet zonder dat inkoop het weet. Een ontwikkelaar met een eigen API-sleutel op een privécreditcard.
Het onderscheidt zich van gewone schaduw-IT door twee dingen. De data die eruit gaat is doorgaans ongestructureerd en daardoor rijker: hele documenten, hele gesprekken, hele klantdossiers. En de drempel is vrijwel nul, want er is niets te installeren.
Het is bijna nooit kwade wil. Het is iemand die zijn werk af moet krijgen en de snelste route neemt. Dat is belangrijk om vast te houden, want het bepaalt welke reactie werkt.
Waarom blokkeren niet werkt
De reflex is de bekende AI-domeinen op de firewall dichtzetten. Drie dingen gebeuren dan.
Het gebruik verplaatst zich naar apparaten waar jouw firewall niet bij komt. Een telefoon op 4G staat buiten je netwerk, en daarmee ook buiten je logging.
Je verliest het laatste zicht dat je had. Vóór de blokkade zag je in elk geval welke domeinen werden aangesproken. Daarna zie je niets.
En je krijgt geen enkel signaal meer over wat mensen nodig hebben. Dat gebruik was informatie over waar de organisatie klem zit, en die informatie is nu weg.
De uitzondering: domeinen waarvan je weet dat ze onbetrouwbaar zijn, of tools die aantoonbaar trainen op invoer zonder opt-out. Daar is blokkeren wel gerechtvaardigd, mits er tegelijk een goedgekeurd alternatief is.
Bron 1. Netwerk- en firewall-logs
Dit levert het volledigste beeld en is onafhankelijk van welke tool wordt gebruikt. Je ziet welke AI-domeinen worden aangesproken, vanaf welk segment, hoe vaak en in welk volume.
De meeste moderne firewalls en secure web gateways kunnen dit al. Pilex Secure koppelt hierop aan via integraties met onder meer Fortinet, Palo Alto, Cisco, Zscaler en Netskope.
Twee kanttekeningen. Je ziet dát er verkeer is, niet wat erin zat, en dat is voor deze fase precies goed: je wilt patronen zien, geen gesprekken lezen. En apparaten buiten je netwerk vallen erbuiten, wat opnieuw laat zien waarom blokkeren het beeld verslechtert.
Begin met dertig dagen. Dat is genoeg om patroon van incident te onderscheiden.
Bron 2. Verleende toegang in je identiteitsbeheer
Onderschat en vaak veelzeggender dan netwerkverkeer. Wanneer een medewerker met het werkaccount inlogt op een AI-dienst, of die dienst toegang geeft tot mail, agenda of bestanden, staat dat geregistreerd in je identiteitsbeheer.
In Microsoft Entra ID vind je dat bij de bedrijfsapplicaties en de verleende toestemmingen. Zoek naar applicaties die niemand heeft goedgekeurd en naar toestemmingen die verder gaan dan nodig.
Dit is de gevaarlijkste categorie, want hier gaat het niet om losse prompts maar om doorlopende toegang tot je bestanden. Een tool met leestoegang tot een postbus haalt structureel data op zonder dat er nog iemand op enter drukt.
Behandel dit met voorrang boven de rest.
Bron 3. Declaraties en abonnementen
Loop de declaraties en creditcardafschriften van het afgelopen jaar door op bedragen bij AI-aanbieders. Vaste maandbedragen van twintig tot dertig euro zijn het patroon dat je zoekt.
Kijk daarnaast naar de AI-functies in software die je al afneemt. Vrijwel elk CRM, boekhoudpakket en supportsysteem heeft er inmiddels een, vaak standaard aan, vaak met een subverwerker die niet in je verwerkersregister staat.
Dit is de saaiste bron en levert regelmatig de grootste verrassing op, omdat het gaat om gebruik dat formeel is ingekocht maar nooit is beoordeeld.
Bron 4. Gewoon vragen
De snelste bron, mits je de vraag goed stelt. Een uitvraag die begint met "welke tools gebruik je" krijgt eerlijke antwoorden. Een uitvraag die klinkt als een onderzoek krijgt lege formulieren.
Drie vragen volstaan: welke AI-tools gebruik je voor je werk, waarvoor, en wat zou je niet meer willen missen.
De derde vraag is de waardevolste. Die vertelt je welke processen zo knellen dat mensen er zelf een oplossing voor zochten, en dat is precies de lijst waarmee je je automatiseringskansen begint.
Zeg vooraf expliciet dat er geen consequenties aan verbonden zijn, en houd je daaraan. Eén keer sanctioneren en je krijgt nooit meer een eerlijk antwoord.
Wat doe je met wat je vindt?
Sorteer de bevindingen in vier bakken, en handel per bak anders.
| Bevinding | Actie |
|---|---|
| Goedgekeurde tool, correct gebruikt | Vastleggen in het register, klaar |
| Onbekende tool, ongevoelige data | Beoordelen en goedkeuren of vervangen |
| Onbekende tool, gevoelige data | Direct alternatief bieden, daarna afbouwen |
| Doorlopende toegang tot bestanden of mail | Met voorrang intrekken en beoordelen |
De volgorde is belangrijk: eerst een alternatief, dan pas afbouwen. Andersom creëer je precies het gat waarin de volgende schaduwtool ontstaat.
Neem elke tool die je goedkeurt op in je register, met eigenaar, dataklasse en grondslag. Dat register is niet alleen bestuurlijk nuttig, het is ook de inventaris waar de AI-verordening om vraagt.
Hoe voorkom je dat het terugkomt?
Shadow AI is een symptoom. Zolang de oorzaak blijft, komt het terug onder een andere naam.
De oorzaak is bijna altijd dat de goedgekeurde route trager, lelijker of beperkter is dan de omweg. Zolang dat zo is, wint de omweg, hoe streng het beleid ook is.
Drie maatregelen die wel werken. Zorg dat er één omgeving is die prettiger werkt dan de alternatieven, met meerdere modellen en zonder onnodige drempels. Maak de dataregels concreet genoeg om te volgen, met eigen voorbeelden per klasse. En houd de detectie aan als doorlopende meting in plaats van als eenmalig onderzoek, zodat je een nieuwe tool ziet opkomen in plaats van hem na een jaar te ontdekken.
Bij Perium hebben we een vergelijkbaar principe toegepast op kwetsbaarheden: doorlopend scannen, classificeren op ernst, en automatisch rapporteren. Dezelfde logica geldt voor AI-gebruik.
Wat detectie niet oplost
Je ziet welke domeinen worden aangesproken, niet welke gegevens erin gingen. Voor een concrete verdenking heb je andere middelen nodig, en die raken snel aan privacy van medewerkers.
Detectie zegt ook niets over de kwaliteit van de uitkomsten. Een goedgekeurde tool die stelselmatig verkeerde antwoorden geeft, is een groter probleem dan een niet-goedgekeurde tool die goed werkt. Dat vraagt evaluatie, geen monitoring.
En het maakt je niet compliant. Het levert de inventaris waarop compliance rust.