AI og personvern: Verktøy som holder seg offline

Geskjeftsledere er for lengst klar over hvilken effekt AI har; det handler sjelden om begeistring eller avvisning, men om helt konkrete bekymringer. For det første: Data havner ubemerket hos fremmede tjenester, ofte forbi IT-avdelingen. For det andre: Det som først har havnet i en fremmed modell, kan ikke pålitelig hentes tilbake. For det tredje: Hver tilkobling av en språkmodell til eksisterende systemer skaper et angrepsflate som ikke fantes før. I tillegg kommer en fjerde, selvstendig betraktning: Det oppstår løpende kostnader og en avhengighet av en leverandør som når som helst kan endre priser, modeller og betingelser.

Disse bekymringene beskriver situasjonen ganske presist, og de kan underbygges med tall.

Hvor bekymringen kommer fra

Datalekkasjen kan tallfestes. Cyberhaven analyserte tidlig i 2023 ChatGPT-bruken til 1,6 millioner ansatte: 11 % av det ansatte limte inn den gangen, var konfidensielle bedriftsdata – kildekode, kundedata, interne dokumenter. Oppfølgingsrapportene fra samme leverandør viser at denne andelen har fortsatt å øke siden; i 2025 lå den på rundt en tredjedel på tvers av alle AI-verktøy. Dette skjer som regel ikke ondsinnet, men i forbifarten, ofte via private tilganger, forbi IT-avdelingen. Den som bruker AI i virksomheten uten å kjenne datastrømmen, mister kontrollen over noe han aldri bevisst ga fra seg.

Hva som videre skjer med disse dataene, er gjenstand for forskning. En oversiktsartikkel om datasikkerhet i store språkmodeller beskriver spekteret fra passiv informasjonslekkasje til målrettede angrep som kan hente ut trenings- og inndata igjen. Det som først har vært i et fremmed system, kan ikke pålitelig hentes tilbake.

Det som oftest undervurderes, er selve tilkoblingen: Så snart en språkmodell kobles til andre systemer, oppstår et angrepsflate som ikke fantes før. En undersøkelse av 36 reelle, produksjonssatte AI-applikasjoner viste at 31 av dem var sårbare – via injiserte instruksjoner som fikk modellen til å gjøre noe annet enn tiltenkt. En nyere oversiktsartikkel klassifiserer over tretti slike angrepsteknikker i fire kategorier, fra manipulerte inndata til sårbarheter i protokollene som AI-agenter snakker med hverandre gjennom.

Jo dypere AI sitter i den løpende driften, og jo mer den får lov til å gjøre selvstendig der, desto større blir angrepsflaten og avhengigheten. Dette følger av byggemåten og kan ikke fjernes ved valg av leverandør.

Hvor AI-en befinner seg, avgjør

Fordi dette handler om byggemåten, kommer det an på hvor AI-en befinner seg: For oss er den et verktøy i verkstedet, ikke en del av din drift.

Vi bruker AI til å bygge programvare – raskt, rimelig og i en kvalitet som ikke var mulig å få råd til for tre år siden. Det vi leverer, er imidlertid det ferdige verktøyet. Og det kjører uten internett, uten abonnement og uten AI-leverandøren vi bygde det med. Det kan ikke sende noe som helst ut, fordi det ikke finnes noen vei for det.

Denne forskjellen følger av selve byggemåten og trenger derfor verken innstilles eller garanteres kontraktuelt: Der det ikke finnes noen forbindelse, kan heller ingen forbindelse misbrukes. Et verktøy uten nettilgang kan ikke fjernstyres via en injisert instruksjon og medfører ingen løpende kostnader. Det slutter heller ikke å fungere om en leverandør legger ned modellen sin eller dobler prisene.

Hva dette konkret er

Som regel er det uspektakulære ting som utgjør stor forskjell i hverdagen:

• HTML-dashbord og oversikter som kjører som én enkelt fil – i nettleseren, uten server, uten installasjon.
• Små apper og effektiviseringsprogramvare for arbeidsflyter det ikke finnes en passende standardløsning for, eller der en slik løsning ville vært for dyr.
• CAD-verktøy og automatiseringer som tar over gjentakende konstruksjons- og analysearbeid.
• Analyser og generatorer som lager av eksisterende data det noen tidligere satte sammen for hånd.

Denne nettsiden er selv et eksempel: Bildene av prosjektene lages i en CAD-bildgenerator vi har bygget for oss selv. Den kjører lokalt, trenger ikke internett, og ingen andre enn oss ser modellene som legges inn.

„Et verktøy uten nettilkobling kan verken fjernstyres eller legges ned – det kan kun det det er bygget for."

Hva vi ikke påstår

Offline betyr ikke sikkert. Et lokalt verktøy beskytter ikke mot et dårlig passord, en upatchet datamaskin eller en ansatt som bringer data videre. Det fjerner nøyaktig én risikoklasse fra bordet – den ukontrollerte lekkasjen via en fremmed tjeneste – og lar alle andre bestå.

Og det finnes oppgaver der en språkmodell faktisk er nødvendig ved kjøretid. Når det er tilfelle, sier vi det, i stedet for å bygge en løsning som ikke løser problemet. Da snakker vi om lokalt driftede modeller, om klare datagrenser, og om hvilke data som faktisk får forlate huset.

Det vi ikke gjør: Selge deg et abonnement du ikke kan si opp uten at arbeidet stopper opp.

---

Kilder

1. Cyberhaven Labs: 11 % of data employees paste into ChatGPT is confidential – Analyse av faktisk bruk blant 1,6 mill. ansatte: 4,7 % har limt inn konfidensielle data, 11 % av det innlimte materialet er sensitivt.
2. Yan et al. (2024): On Protecting the Data Privacy of Large Language Models – A Survey – Oversikt over passiv informasjonslekkasje og aktive angrep på språkmodeller samt effekten av mottiltak.
3. Liu et al. (2023): Prompt Injection attack against LLM-integrated Applications – 31 av 36 reelt anvendte AI-applikasjoner lot seg kompromittere via injiserte instruksjoner.
4. Ferrag et al. (2025): From Prompt Injections to Protocol Exploits – Systematikk over mer enn tretti angrepsteknikker mot AI-agenter, fra manipulerte inndata til protokollsårbarheter.