AI-sikkerhed er nu en udfordring for driftsmodellen

AI-debatten i de fleste organisationer fokuserer stadig på modeller.

Hvilken udbyder. Hvilken benchmark. Hvilken prissætning. Hvilke funktioner.

Det gav mening i 2023 og 2024, hvor det primære spørgsmål var, om AI overhovedet virkede.

Det giver ikke længere mening i 2026.

Det nye spørgsmål er ikke, hvilken model der er bedst.

Det er, om organisationen kan kontrollere det miljø, som modellen kører i.

Ny forskning fra IBM og Dataiku viser, hvorfor dette er vigtigt. IBM's undersøgelse fra 2026 blandt 2.000 teknologiske CxO'er viste, at to tredjedele af CIO'er og CTO'er føler sig ansvarlige for AI-systemer, som de ikke har fuld kontrol over. 59 procent peger på sikkerhed og compliance som de største barrierer for at skalere AI-agenter, mens kun 11 % mener, at de er fuldt forberedte på den forventede udbredelse af agenter.

Dataikus undersøgelse blandt 685 CIO'er nåede til en lignende konklusion: 75 % planlægger at bruge flere eller andre modeller for at forbedre AI-kontinuiteten; 74 % overvejer open-source eller open-weight-modeller som en sikring mod, at modeller bliver utilgængelige; og 80 % har gennemført eller planlægger at gennemføre risikovurderinger af AI-afhængigheder. 

Samlet set peger disse resultater på et tydeligt skift: AI bevæger sig fra at være et teknologispørgsmål til at være et spørgsmål om driftsmodel.

Kontrol er den nye konkurrencefordel

I årevis blev adgang til AI betragtet som en fordel.

Det er ved at ændre sig. Adgang er ved at blive en handelsvare. Modellerne forbedres hurtigt, omkostningerne falder, og mulighederne er bredt tilgængelige.

Fordelen vil i stigende grad komme fra evnen til at implementere AI sikkert i stor skala, på følsomme data, på tværs af kritiske processer og uden at skabe uacceptabel afhængighed.

IBM's forskning viser, at organisationer, der tidligt designede med henblik på tilpasningsevne – ved at holde arbejdsbelastninger flytbare og modeller udskiftelige frem for at skabe hårde afhængigheder – rapporterede 10 % højere afkast på AI-investeringer i 2025. 

Det er en markant forskel.

Det afspejler en simpel virkelighed: Organisationer, der kan skifte model, cloud eller implementeringsmiljø uden at skulle genopbygge hele deres AI-stack, kan forhandle bedre, reagere hurtigere på forandringer og undgå at blive låst fast i suboptimale løsninger.

Det handler ikke om ideologi. Det handler om modstandsdygtighed.

AI-sikkerhed er mere end cybersikkerhed

Når folk hører "AI-sikkerhed", tænker de ofte på prompt injection, angreb på modeller eller datalæk.

De risici betyder noget. Men den større udfordring er mere omfattende.

AI-sikkerhed handler om at kontrollere hele det miljø, som AI opererer i:

• Identitet og adgang.
• Dataklassificering og databevægelse.
• Valg af model og modeladfærd.
• Logning, overvågning og sporbarhed.
• Menneskeligt tilsyn og ansvarlighed.
• Tredjepartsafhængighed.
• Portabilitet og exit-muligheder.
• Implementeringssted og juridisk jurisdiktion.

Med andre ord: AI-sikkerhed er evnen til at bevare kontrollen, efterhånden som AI udbredes.

IBMs undersøgelse viser, hvorfor dette er vigtigt. Organisationer, der indbyggede kontrol direkte i deres AI-systemer, rapporterede 25 % færre hændelser end dem, der stolede på manuel styring. De implementerede også 16 gange flere AI-agenter, opnåede 18 % højere driftsmarginer og brugte fire gange mindre af deres AI-budgetter. 

Kontrol og hastighed er ikke modsætninger.

Kontrol er det, der muliggør hastighed i stor skala.

Spørgsmålet om infrastruktur

Mange organisationer kører nu betydelige dele af deres AI på ekstern infrastruktur: public cloud, administrerede tjenester og tredjepartsmodeller.

Til mange use cases med lav risiko er det helt rimeligt. De bedste modeller i verden er ofte bygget uden for Europa, og organisationer bør bruge den bedste tilgængelige teknologi, hvor det giver mening.

Men spørgsmålet ændrer sig, når AI håndterer vigtige oplysninger.

Patientjournaler. Borgerdata. Finansielle oplysninger. Industriel IP. Kritisk infrastruktur. Følsomme interne beslutninger.

For disse use cases er beslutningen om infrastruktur en sikkerhedsbeslutning.

Enhver organisation, der kører kritisk AI på infrastruktur, den ikke selv kontrollerer, har allerede truffet en beslutning om governance – også selvom det ikke føles sådan.

Den har accepteret en afhængighed af andres modeller, cloud-miljøer, kommercielle vilkår, opdateringscyklusser og juridiske jurisdiktioner.

De praktiske spørgsmål er ligetil:

• Hvad sker der, hvis udbyderen ændrer sine vilkår?
• Hvad sker der, hvis en modelopdatering ændrer adfærden i en kritisk arbejdsgang?
• Hvad sker der, hvis tjenesten bliver utilgængelig?
• Hvad sker der, hvis en geopolitisk eller juridisk begivenhed begrænser adgangen?
• Hvad sker der, hvis data juridisk set ikke må forlade et kontrolleret miljø?
• Hvad sker der, hvis organisationen hurtigt har brug for at skifte model, cloud eller implementeringsmiljø?

Dette er strategiske spørgsmål. De bør behandles med samme alvor som cyberresiliens, forsyningskædekoncentration og forretningskontinuitet.

En praktisk vej frem

De organisationer, der vil føre an i den næste fase af AI, er ikke nødvendigvis dem med de mest avancerede modeller.

Det er dem, der kan svare "ja" til alt det følgende:

• Ved vi, hvilke AI-værktøjer, modeller og agenter der er i brug på tværs af organisationen?
• Kan vi se, hvor følsomme data flyder hen, og hvilke systemer AI har adgang til?
• Har vi klare retningslinjer for, hvilken AI medarbejderne må bruge, og til hvilke formål?
• Kan vi udskifte en model eller ændre implementeringsmiljøet uden at skulle genopbygge hele stacken?
• Har vi mulighed for at køre AI i miljøer, vi selv kontrollerer, til følsomme eller forretningskritiske opgaver?
• Kan vi over for tilsynsmyndigheder, kunder og partnere dokumentere, at vores AI er underlagt governance, overvågning og ansvarlighed?

Hos 2021.AI er dette princippet bag GRACE AI Security.

• AI Auto Registryidentificerer og vedligeholder en oversigt over AI-systemer, modeller og use cases.
• Gatekeeper Agenthjælper med at opdage skygge-AI og ikke-godkendte værktøjer.
• Chat Guardiankan forhindre, at følsomme data når frem til ikke-godkendte modeller.
• AI Gatewaymuliggør kontrolleret adgang til godkendte AI-tjenester og -modeller.

Målet er ikke at bremse indførelsen af AI. Målet er at gøre ansvarlig AI praktisk anvendelig i stor skala.

Ledelsestesten

Presset på CIO'er er tydeligt. Dataiku har fundet frem til, at 72 % ikke konsekvent kan måle, om alle deres agenter leverer de tilsigtede forretningsresultater. 76 % mener, at deres stilling er i fare, hvis deres virksomhed ikke kan fremvise målbare AI-gevinster inden udgangen af 2027. 

Men dette er ikke kun en udfordring for CIO'en.

Det er en bestyrelsesudfordring. En CEO-udfordring. En udfordring for ledelsen i den offentlige sektor.

Enhver organisation er nødt til at beslutte, om den ønsker, at AI skal sprede sig organisk gennem værktøjer, den ikke kan se, data, den ikke kan kontrollere, og agenter, den ikke kan stoppe – eller om den ønsker at skabe et styret miljø, hvor innovation kan skaleres sikkert.

Muligheden er der nu.

Den forbliver ikke åben for evigt.