מה הבינה המלאכותית שלכם לא צריכה לדעת? כך מונעים חשיפת מידע ארגוני לפני שהיא מתרחשת
דוח Microsoft Data Security Index 2026 מצביע על הקשר ההולך ומתחזק בין שימוש בבינה מלאכותית לבין אירועי אבטחת מידע. ככל שארגונים מאמצים כלי AI, מערכות Copilot וסוכנים אוטונומיים, מתעורר אתגר משמעותי: כיצד מונעים ממערכות בינה מלאכותית לגשת למידע שאינו מיועד להן, ומבטיחים שהשימוש בטכנולוגיה לא יוביל לחשיפת מידע רגיש?
דמיינו את התרחיש הבא: מנהל בארגון מבקש מכלי הבינה המלאכותית הארגוני להכין סיכום לקראת ישיבת הנהלה. בתוך שניות מתקבלת תשובה מפורטת הכוללת נתונים פיננסיים, מסמכים מסחריים ומידע על עובדים.
אלא שחלק מהמסמכים שעליהם הסתמכה המערכת כלל לא נועדו להיכלל בסיכום.
לא מדובר בהכרח בפריצה או במתקפת סייבר. ייתכן שהמערכת פשוט השתמשה במידע שהרשאות הגישה הקיימות אפשרו למשתמש לאתר.
זהו אחד האתגרים המרכזיים של אבטחת מידע בעידן הבינה המלאכותית: מידע רגיש שהיה קשה בעבר לאתר, להצליב ולנתח, הופך לנגיש הרבה יותר באמצעות שאילתה פשוטה.
ככל שכלי AI הופכים לחלק משגרת העבודה, ארגונים נדרשים לחשוב מחדש על הדרך שבה הם מנהלים מידע, הרשאות, פרטיות ובקרות אבטחה.
השאלה כבר אינה רק כיצד למנוע פריצה למידע הארגוני, אלא כיצד למנוע מראש מצב שבו מערכת AI מורשית, או כלי חיצוני שהעובד בחר להשתמש בו, מקבלים גישה למידע שלא היה אמור להגיע אליהם.
מה חושף דוח מיקרוסופט על חשיפת מידע באמצעות AI?
בינואר 2026 פרסמה מיקרוסופט את Microsoft Data Security Index 2026, המבוסס על מחקר בקרב יותר מ-1,700 אנשי אבטחת מידע ומקבלי החלטות בתחום.
לפי הדוח, 32% מאירועי אבטחת המידע שדווחו על ידי הארגונים שהשתתפו במחקר היו קשורים לשימוש בכלי Generative AI. עוד עולה כי 47% ממנהלי אבטחת המידע שהשתתפו במחקר מיישמים בקרות אבטחה ייעודיות לשימוש בבינה מלאכותית גנרטיבית.
נתונים אלה אינם מדגם מייצג של כלל הארגונים בישראל, ואינם מלמדים שכל שימוש ב-AI מוביל לדליפת מידע. עם זאת, הם מצביעים על הצורך להתאים את מנגנוני ההגנה הארגוניים לסיכונים הנוצרים כאשר מערכות AI מקבלות גישה למידע ולתהליכים עסקיים.
עד לאחרונה התמקדו ארגונים בעיקר בהגנה על מידע מפני גישה בלתי מורשית, העברה מחוץ לארגון או שימוש זדוני. כעת מתווסף לכך אתגר נוסף: מידע רגיש עשוי להיחשף גם במסגרת שימוש לגיטימי לכאורה במערכות AI.
כפי שהרחבנו במאמר על סיכוני אבטחת מידע בשימוש בבינה מלאכותית בארגונים, הטכנולוגיה אינה בהכרח מקור הבעיה. במקרים רבים, הסיכון נובע מהשילוב בין טעויות אנוש, מדיניות חסרה, הרשאות רחבות ושימוש בכלים שאינם מנוהלים.
כיצד מידע ארגוני נחשף למערכות בינה מלאכותית?
Shadow AI: כשהמידע יוצא מהארגון בלי שמישהו שם לב
אחד מסיכוני המידע המרכזיים נובע משימוש בכלי AI ללא אישור או בקרה ארגונית.
עובד שמעוניין לסכם חוזה, לנתח טבלת לקוחות, לתרגם מסמך או לבדוק קוד יכול לפתוח בתוך שניות כלי AI חיצוני ולהעלות אליו מידע ארגוני.
מבחינת העובד, מדובר בפעולה שנועדה לייעל את עבודתו. מבחינת הארגון, ייתכן שמידע אישי, סודות מסחריים או קניין רוחני הועברו לשירות שלא עבר בדיקות אבטחת מידע ופרטיות.
תופעה זו נקראת Shadow AI, והיא מתייחסת לשימוש בכלי בינה מלאכותית מחוץ למסגרת שאושרה ומנוהלת על ידי הארגון.
הסיכון אינו מוגבל לשירותים חינמיים או לצ'אטבוטים מוכרים. הוא יכול להופיע גם בתוספים לדפדפן, בכלי תמלול, בשירותי SaaS וביכולות AI שנוספו למוצרים קיימים.
במאמר שלנו על Shadow AI הרחבנו על התופעה, על הסיכונים לאבטחת המידע בארגון ועל הדרכים למפות שימושים לא מאושרים ולהפוך אותם לחלק ממסגרת ניהול סיכונים מסודרת.
הפתרון אינו בהכרח חסימה גורפת של כל כלי AI. ארגונים צריכים להבין באילו כלים העובדים משתמשים, איזה מידע מועבר אליהם, מהן הרשאותיהם ואילו חלופות מאושרות ניתן לספק.
הרשאות יתר: כאשר Copilot מוצא יותר מידע ממה שהתכוונתם
גם שימוש בכלי AI ארגוניים ומאושרים אינו מבטל את סיכוני החשיפה.
מערכות כמו Microsoft 365 Copilot יכולות להסתמך על מסמכים ומקורות מידע שלמשתמש קיימות הרשאות גישה אליהם. כאשר הרשאות SharePoint, תיקיות משותפות או מערכות עסקיות רחבות מדי, כלי ה-AI עשוי להפוך מידע רגיש לקל יותר לאיתור.
לדוגמה, עובד עשוי לקבל סיכום של מסמך פיננסי פנימי רק משום שהיה חבר בקבוצת משתמשים שהורשתה לגשת אליו בעבר.
במקרה כזה, הבינה המלאכותית לא בהכרח עקפה את מנגנון ההרשאות. היא חשפה פער בממשל המידע שהיה קיים עוד קודם לכן.
מכאן נובע עיקרון חשוב:
לפני שמחברים מערכות AI למידע הארגוני, נדרש לבצע סקירה של ההרשאות הקיימות ולצמצם גישה שאינה נחוצה.
Prompt Injection: כשהמערכת מקבלת הוראות מתוך מידע שאינה אמורה לסמוך עליו
איום נוסף מתפתח כאשר מערכות AI אינן רק מציגות מידע, אלא גם קוראות מסמכים, הודעות דוא"ל ותכנים חיצוניים ופועלות על פיהם.
במתקפת Prompt Injection, גורם עוין מנסה להחדיר הוראות לתוכן שהמערכת מעבדת, מתוך כוונה לגרום לה לסטות מהמשימה המקורית, לחשוף מידע או לבצע פעולה שאינה מורשית.
לדוגמה, עוזר AI שסורק הודעות דוא"ל עשוי להיתקל בהודעה הכוללת הוראות זדוניות המתחזות לחלק מהתוכן. אם המערכת אינה מפרידה כראוי בין מידע חיצוני לבין הוראות מהימנות, היא עלולה להתייחס להוראות הללו כאילו היו חלק מהמשימה.
הסיכון גדל כאשר AI Agents מחוברים למערכות דוא"ל, CRM, מאגרי מסמכים ושירותים נוספים, ומקבלים גם הרשאות לביצוע פעולות.
לכן חשוב להגדיר גבולות ברורים להרשאות הסוכן, להגביל פעולות רגישות ולחייב אישור אנושי במצבים מתאימים.
איום קשור הוא ASCII Smuggling, שם המשמש לתיאור טכניקות להסתרת תוכן באמצעות תווים שאינם נראים לעין או רצפי תווים שמערכות שונות מפרשות באופן שונה.
במחקר שפרסמה Microsoft בספטמבר 2026 תואר שימוש בתווים מוסתרים כדי להקשות על מערכות אבטחה לזהות הודעות פישינג. שימוש דומה בהסתרת טקסט יכול גם לשמש לניסיונות Prompt Injection נגד עוזרי AI.
המשמעות היא שהעובד עשוי לראות מסמך או הודעה שנראים תקינים, בעוד שמערכת אוטומטית המעבדת את התוכן עלולה להיתקל במידע או בהוראות שאינם גלויים באותה צורה.
במאמר בנושא ASCII Smuggling סקרנו כיצד תוקפים מסתירים תוכן בהודעות דוא"ל ואת הטכניקה ואת הקשר שלה לאיומי פישינג ולניסיונות השפעה על מערכות AI.
האיום הזה מדגיש שהגנה על מידע אינה מסתיימת בהחלטה לאילו מאגרים מותר ל-AI לגשת. יש להגן גם על הדרך שבה המערכת מפרשת מידע ממקורות חיצוניים ועל הפעולות שהיא רשאית לבצע בעקבותיו.
סיכון משלים הוא הרעלת נתונים (Data Poisoning), שבה גורם עוין מנסה להשפיע על המידע שעליו מערכת AI מסתמכת. במאמר על הרעלת נתונים ב-AI והשפעתה על החלטות ארגוניות הסברנו כיצד פגיעה באמינות מקורות המידע יכולה להפוך לסיכון עסקי, גם בלי שמתרחשת דליפת מידע.
האם באמת אפשר להסתיר מידע רגיש ממערכות AI?
התשובה היא כן, אך חשוב להבין מה בדיוק רוצים למנוע.
יש הבדל מהותי בין שלושה סוגי הגנה:
- מניעת גישה למידע: הגבלת ההרשאות כך שמשתמש או AI Agent לא יוכלו לגשת למידע מלכתחילה.
- מניעת גילוי מידע: צמצום האפשרות שמסמך יופיע בתוצאות חיפוש או בתשובות של מערכת AI.
- מניעת עיבוד והעברה: הפעלת בקרות שמונעות ממערכות AI לעבד תוכן מסוים או לשלוח מידע רגיש לערוצים שאינם מאושרים.
למשל, מיקרוסופט מציעה מנגנון בשם Restricted Content Discovery המאפשר להגביל את גילוי התוכן מאתרי SharePoint מסוימים בתרחישי חיפוש ו-Copilot.
אולם לפי התיעוד הרשמי של Microsoft, מנגנון זה אינו משנה את הרשאות הגישה הקיימות. משתמש שכבר מורשה לגשת למסמך עדיין יכול לעשות זאת.
גם בקרות Data Loss Prevention אינן מספקות בהכרח כיסוי מלא לכל תרחיש.
לפי התיעוד של Microsoft Purview DLP עבור Copilot, אפשר להגדיר מנגנונים להגבלת עיבוד של מידע מסווג ולחסימת שימוש בפרטים רגישים בפרומפטים, בהתאם ליכולות הנתמכות.
עם זאת, התיעוד מציין כי בקרת DLP זו אינה סורקת את תוכנם של קבצים המועלים ישירות לפרומפט לצורך זיהוי מידע רגיש.
הדוגמאות הללו ממחישות מדוע אסור להניח שעצם הפעלת מנגנון אבטחה מבטיחה שמידע רגיש לא יגיע ל-AI. נדרשת הבנה של יכולות הבקרה, מגבלותיה והתרחישים שאינם מכוסים.
שש פעולות למניעת חשיפת מידע ארגוני ב-AI
1. מיפוי מידע רגיש וביצוע סקר סיכוני AI
לפני הרחבת השימוש במערכות AI, יש לזהות אילו נכסי מידע קיימים בארגון, היכן הם נשמרים, מי מורשה לגשת אליהם ואילו מערכות מעבדות אותם.
המיפוי צריך לכלול מידע אישי, נתוני לקוחות, מסמכים פיננסיים, קניין רוחני, סודות מסחריים ומידע עסקי שהארגון מחויב להגן עליו.
בהמשך יש לבחון את הסיכון בכל שימוש משמעותי ב-AI: מה מטרת המערכת, איזה מידע היא מקבלת, האם היא מחוברת למערכות נוספות ומה עלול לקרות במקרה של חשיפה.
תקן ISO/IEC 23894:2023 מספק מסגרת לניהול סיכוני AI לאורך מחזור החיים. במאמר כיצד מנהלים סיכוני AI באמצעות ISO 23894 הסברנו כיצד לבצע הערכת סיכונים בהתאם לשימושים העסקיים ולרמות החשיפה.
באמצעות סקרי סיכונים וסקרי פערים באבטחת מידע ניתן לבחון את נכסי המידע, ההרשאות, הבקרות והתהליכים הארגוניים, ולזהות פערים שיש לטפל בהם לפני הרחבת הגישה למערכות AI.
2. סיווג מידע והגדרת גבולות גישה
לא כל מסמך ארגוני דורש אותה רמת הגנה.
יש לקבוע סיווגים ברורים למידע ציבורי, מידע פנימי, מידע סודי ומידע רגיש במיוחד, ולהגדיר לכל רמה את תנאי השימוש המותרים ב-AI.
לדוגמה, ארגון יכול לאפשר שימוש בכלי מאושר לצורך עיבוד תוכן ציבורי, לדרוש אישור עבור מסמכים פנימיים ולאסור העברת מידע אישי רגיש לשירותים חיצוניים שאינם מאושרים.
סיווג מידע צריך להתחבר גם להרשאות ולבקרות אכיפה. סימון מסמך כ"סודי" בלבד אינו מבטיח שמערכת AI לא תוכל לקרוא אותו.
3. גיבוש מדיניות AI ארגונית
מדיניות AI אינה צריכה להיות עוד מסמך שנשמר בתיקייה ואף אחד אינו קורא.
היא צריכה להגדיר כללי שימוש ברורים, הניתנים ליישום ולאכיפה: אילו כלי AI מאושרים, איזה מידע מותר להזין, אילו חיבורים למערכות ארגוניות דורשים אישור ומי אחראי על בדיקת ספקים חדשים.
המדיניות צריכה להתייחס גם לשימוש ב-AI Agents, לתהליכי אישור פעולות רגישות, לאחריות לבדיקת תוצרים ולדיווח על חשיפה אפשרית של מידע.
מדיניות כזו היא חלק ממסגרת רחבה של AI Governance, המחברת בין אחריות ניהולית, אבטחת מידע, פרטיות וניהול סיכונים.
במאמר AI Governance בארגון: רגולציה, פרטיות ואחריות ניהולית הרחבנו על הצורך להפוך את השימוש בבינה מלאכותית מתהליך שאינו מנוהל למסגרת ארגונית מבוקרת.
אינפוגארד מסייעת לארגונים גם בגיבוש מדיניות AI, הגדרת אחריות ותהליכי בקרה כחלק מליווי להקמת מערכת ניהול בינה מלאכותית לפי ISO/IEC 42001.
4. צמצום הרשאות והגבלת יכולות של סוכני AI
עיקרון Least Privilege חשוב במיוחד בסביבת עבודה שבה מערכות AI מחוברות למקורות מידע רבים.
יש לבדוק הרשאות לתיקיות משותפות, מאגרי ענן, SharePoint, מערכות CRM וחשבונות שירות, ולוודא שהגישה ניתנת רק למשתמשים ולמערכות הזקוקים לה.
במקרה של AI Agents, חשוב להפריד בין הרשאה לקריאת מידע לבין הרשאה לשינוי, העברה או מחיקה שלו.
ככל שהמערכת אוטונומית יותר, כך חשוב יותר להגדיר גבולות פעולה, מנגנוני אישור, תיעוד וניטור.
5. הטמעת בקרות DLP, מיזעור מידע ובדיקת אפקטיביות
בקרות Data Loss Prevention יכולות לסייע בזיהוי מידע רגיש ובהגבלת השימוש או ההעברה שלו, בהתאם למוצרים ולערוצים הנתמכים.
כדאי לשלב אותן עם מנגנוני סיווג, הקשחת הרשאות, ניטור פעילות ומדיניות גישה למידע.
במקרים מתאימים ניתן לצמצם את המידע שמעבירים ל-AI באמצעות השחרת פרטים מזהים, פסאודונימיזציה, התממה או שימוש בנתונים מצרפיים.
למשל, לצורך ניתוח מגמות שירות ייתכן שניתן לספק למערכת נתונים ללא שמות לקוחות או פרטים מזהים.
חשוב לזכור שלא כל תהליך השחרה מבטל את האפשרות לזיהוי חוזר, ולכן יש לבחון את רמת הסיכון בהתאם להקשר ולנתונים.
מעבר לכך, יש לבצע בדיקות אפקטיביות תקופתיות כדי לוודא שהבקרות פועלות גם בתרחישים מעשיים: העלאת קבצים, עיבוד פרומפטים, חיפוש במאגרים ארגוניים וחיבורים לסוכני AI.
6. הדרכות מודעות AI לעובדים ולמנהלים
גם כאשר הארגון מפעיל מנגנוני אבטחה מתקדמים, ההחלטה איזה מסמך להעלות, באיזה כלי להשתמש ועל איזה תוצר להסתמך מתקבלת פעמים רבות על ידי העובד.
לכן הדרכות מודעות צריכות לכלול כיום גם שימוש אחראי ובטוח בבינה מלאכותית.
העובדים צריכים להכיר את הסיכונים של Shadow AI, לדעת אילו סוגי מידע אסור להזין לכלי AI, להבין את משמעות השימוש בשירותים חיצוניים ולזהות מצבים שבהם נדרש אישור או דיווח.
ההדרכה צריכה להתייחס גם לסיכונים כמו Prompt Injection, פישינג מבוסס AI, הסתמכות על מידע שגוי ושימוש בסוכני AI בעלי הרשאות נרחבות.
לצד מודעות לסיכונים, חשוב לפתח AI Literacy: היכולת להבין את מגבלות הבינה המלאכותית ולהפעיל אותה בצורה אחראית.
במאמר AI Literacy, הרחבנו על חשיבותה של אוריינות AI ועל שילובה בתהליכי העבודה ואבטחת מידע הארגוניים.
באינפוגארד אנו מציעים הדרכות מודעות עובדים לסיכוני AI ושימוש בטוח בבינה מלאכותית, המותאמות לאופי הארגון, לכלים שבהם נעשה שימוש ולמדיניות האבטחה והפרטיות שלו.
המטרה היא לא רק להזהיר מפני סיכונים, אלא להעניק לעובדים כלים מעשיים לקבלת החלטות נכונות במהלך העבודה.
מניעת חשיפת מידע ב-AI: גם שאלת פרטיות ורגולציה בישראל
עבור ארגונים בישראל, הגבלת הגישה של כלי AI למידע רגיש אינה רק עניין טכנולוגי, אלא גם חלק מניהול חובות אבטחת המידע והגנת הפרטיות.
השימוש במערכות AI לעיבוד מידע אישי מחייב לבחון את הוראות חוק הגנת הפרטיות והתקנות החלות על הארגון, לרבות הדרישות הרלוונטיות לאחר כניסתו לתוקף של תיקון 13 באוגוסט 2025.
כבר בדצמבר 2025 פרסמה הרשות להגנת הפרטיות מדריך ליישום טכנולוגיות מגבירות פרטיות במערכות AI, המדגיש את האפשרות לצמצם חשיפה של מידע אישי באמצעות טכנולוגיות ותהליכים מתאימים.
עבור ארגונים המעבדים נתוני עובדים, לקוחות, מידע רפואי או פיננסי, חשוב לבחון האם השימוש ב-AI תואם את מטרות עיבוד המידע, את ההרשאות הקיימות ואת ההתחייבויות כלפי נושאי המידע.
גם כאשר ספק AI מצהיר על רמת אבטחה גבוהה, האחריות הארגונית לבחון את התאמת השימוש במידע ואת אמצעי ההגנה הנדרשים אינה נעלמת.
6 טיפים פשוטים למניעת חשיפת מידע אישי למערכות AI
מניעת חשיפת מידע למערכות בינה מלאכותית אינה תלויה רק בפתרונות אבטחה ארגוניים. גם הרגלי שימוש נכונים יכולים לצמצם משמעותית את הסיכון לדליפת מידע אישי ורגיש. הנה שש פעולות פשוטות שכל משתמש יכול לאמץ:
- הסירו פרטים מזהים לפני הזנת מידע
לפני שמדביקים טקסט או מעלים מסמך, מומלץ להסיר שמות, מספרי זהות, כתובות, מספרי טלפון ופרטים אישיים שאינם הכרחיים למשימה. חשוב להסיר גם פרטים עקיפים שעלולים לאפשר זיהוי של אדם. - השתמשו בדוגמאות פיקטיביות במקום במידע אמיתי
רוצים לנסח מכתב ללקוח או לנתח מקרה? תארו את הסיטואציה באמצעות שמות ונתונים בדויים, במקום לחשוף מידע אמיתי על עובדים, לקוחות או גורמים אחרים. - אל תעלו מסמכים שלמים שלא לצורך
במקום להעלות חוזה, תלוש שכר או קובץ לקוחות מלא, העבירו רק את הקטע הדרוש למשימה, לאחר הסרת מידע רגיש. בדקו גם אם הקובץ מכיל הערות, גיליונות מוסתרים או נתוני זיהוי נוספים. - בדקו את הגדרות הפרטיות של כלי ה-AI
בשירותים כמו ChatGPT ו-Gemini ניתן לנהל הגדרות הנוגעות לשמירת שיחות ולשימוש בהן לשיפור מודלים. מומלץ לבדוק אותן ולהשתמש בשיחות זמניות כשמתאים, אך לזכור שהגדרות אלה אינן מבטיחות שהמידע לא יעובד או יישמר כלל. - הגבילו חיבורים לדוא"ל, לאחסון בענן ולמערכות נוספות
לפני שמחברים כלי AI ל-Gmail, ל-Google Drive או לשירותים אחרים, בדקו לאיזה מידע הוא מבקש גישה. הימנעו מהענקת הרשאות שאינן נחוצות והסירו חיבורים שאינכם משתמשים בהם. - השתמשו רק בכלי AI מאושרים לצורכי עבודה
אל תעבירו מסמכים ארגוניים לכלי AI פרטיים ללא אישור. שימוש לא מבוקר, המכונה Shadow AI, עלול לחשוף מידע עסקי ואישי גם כאשר העובד פועל בתום לב. במקרה של ספק, בדקו את מדיניות הארגון לפני העברת המידע.
רוצים להגן טוב יותר על הפרטיות שלכם?
במאמר המורחב שלנו, כיצד למנוע חשיפת מידע אישי ל-AI? 9 טיפים פשוטים להגנה על הפרטיות, תמצאו המלצות נוספות לשימוש בטוח ב-ChatGPT, ב-Gemini ובכלי בינה מלאכותית אחרים, לצד הסברים על הגדרות פרטיות, צמצום מידע ומה לעשות אם כבר שיתפתם מידע רגיש.
לפני שמטמיעים AI, צריך לוודא שהמידע הארגוני מוכן לכך
הבינה המלאכותית אינה יוצרת בהכרח את כל חולשות אבטחת המידע בארגון. לעיתים היא פשוט הופכת חולשות קיימות למשמעותיות הרבה יותר.
הרשאות שניתנו בעבר ולא נבדקו, מסמכים שלא סווגו, מידע אישי שנשמר ללא צורך ושימוש בכלים חיצוניים ללא בקרה — כל אלה עלולים להגדיל את הסיכון לחשיפה בעידן ה-AI.
לכן מניעת דליפת מידע באמצעות בינה מלאכותית צריכה להתחיל עוד לפני הטמעת הכלים: במיפוי מידע, הערכת סיכונים, קביעת מדיניות, צמצום הרשאות והדרכת עובדים.
באינפוגארד אנו מסייעים לארגונים לחבר בין אבטחת מידע, פרטיות, רגולציה וניהול סיכונים, כדי ליצור סביבת עבודה שבה ניתן ליהנות מיתרונות הבינה המלאכותית בלי לוותר על שליטה במידע הארגוני.
באמצעות סקרי סיכונים, גיבוש מדיניות AI, בחינת בקרות והרשאות והדרכות מודעות עובדים, ניתן לזהות פערים, לקבוע סדרי עדיפויות ולהקים מנגנוני הגנה מותאמים לסביבת העבודה הארגונית.
השאלה החשובה עבור CIO, CISO, DPO והנהלות ארגונים כבר אינה רק באילו כלי AI כדאי להשתמש.
השאלה החשובה היא איזה מידע אותם כלים באמת צריכים לראות, ומה הארגון עושה כדי להבטיח ששאר המידע יישאר מוגן.
כי הדרך היעילה ביותר לצמצם חשיפת מידע בעידן הבינה המלאכותית היא לא להמתין לדליפה, אלא למנוע מראש גישה ועיבוד בלתי נחוצים של מידע רגיש.
רוצים לדעת אם המידע הארגוני שלכם מוגן גם בעידן ה-AI?
מקורות מקצועיים מרכזיים:
- Microsoft Data Security Index 2026 – Microsoft Security, ינואר 2026
- Microsoft Digital Defense Report 2026 – אוקטובר 2026
- Microsoft Learn – הגנה על אינטראקציות Copilot באמצעות Purview DLP
- Microsoft Learn – הגבלת גילוי מידע ב-SharePoint
- הרשות להגנת הפרטיות – מדריך ליישום טכנולוגיות מגבירות פרטיות במערכות AI
- הרשות להגנת הפרטיות – מדריך מקצועי לתיקון 13
- NCSC -הנחיות לפיתוח מערכות AI מאובטחות
המידע המוצג במאמר זה נועד למטרות מידע והעשרה בלבד ואינו מהווה ייעוץ מקצועי, רגולטורי, משפטי או טכנולוגי.
באינפוגארד מאמינים כי כל ארגון נדרש לבחון את צרכיו, הסיכונים והדרישות החלות עליו באמצעות אנשי מקצוע מתאימים על מנת להכין תוכנית הרלוונטית בדיוק לארגון ולחברה.
ואנחנו נשמח לעזור.
המאמר נכתב בשיתוף מומחי אבטחת המידע והסייבר של Infoguard מקבוצת IDOR, ונערך על ידי ROY KISCH, חובב פרטיות, אבטחת מידע, סייבר ומנהל שיווק בקבוצת חברות עידור (Messagenet, Infoguard, Idornext).
