Di balik layar kantor yang sibuk, ada satu hal yang sering luput dari perhatian tim IT: lalu lintas data dari karyawan ke platform AI publik seperti ChatGPT atau Claude. Ini bukan konspirasi—ini adalah realitas “Shadow AI” yang terjadi di hampir setiap perusahaan. Dan kabar baiknya, meskipun sulit dideteksi, bukan berarti tidak mungkin. Ada banyak cara cerdas untuk memantau lalu lintas jaringan dan mengungkap penggunaan AI yang tidak resmi.
Mengapa Mendeteksi Shadow AI Itu Sulit?
Shadow AI disebut “bayangan” karena ia pandai bersembunyi. Berbeda dengan aplikasi ilegal yang terinstal jelas di komputer, lalu lintas ke ChatGPT dan platform AI lainnya seringkali terlihat seperti lalu lintas HTTPS biasa. Data rahasia yang disalin-paste ke kolom prompt atau file yang diunggah bergerak di dalam saluran yang terenkripsi.
Alat keamanan tradisional, seperti Data Loss Prevention (DLP), sering gagal mendeteksi kebocoran ini . Mereka tidak bisa “melihat” isi percakapan di dalam browser—yang mereka lihat hanyalah aliran data yang keluar dari sebuah proses browser, tanpa tahu itu adalah kode sumber rahasia atau data pelanggan .
Maka dari itu, pendekatan deteksi tidak bisa hanya mengandalkan satu alat. Dibutuhkan strategi berlapis.
4 Teknik Deteksi dari Sisi Jaringan
1. Analisis DNS dan Metadata Koneksi
Cara paling dasar dan cepat untuk memulai adalah dengan melihat “alamat tujuan” dari lalu lintas jaringan. Alat seperti Secure Web Gateway (SWG) dan firewall dapat memantau DNS serta metadata koneksi untuk melihat apakah ada karyawan yang mengakses domain milik penyedia AI populer, seperti chat.openai.com, claude.ai, atau api.anthropic.com .
Ini adalah langkah pertama yang baik. Beberapa solusi, seperti Microsoft Entra Global Secure Access, memiliki fitur khusus “Shadow AI Discovery” yang mengkategorikan lalu lintas ke berbagai aplikasi AI dan menampilkan laporan penggunaan, beserta skor risiko . Begitu pula Skyhigh Secure Web Gateway yang menyediakan kategori URL khusus untuk AI, sehingga tim IT bisa langsung memblokir atau memantau kategori tersebut .
Kelebihan: Ini langsung memberitahu siapa yang menggunakan alat AI publik.
Kekurangan: Ini tidak memberitahu data apa yang mereka kirimkan.
2. Analisis Volume Data dan Pola Lalu Lintas
Tidak hanya “ke mana” data pergi, tetapi juga “berapa banyak” data yang keluar. Pemantauan volume lalu lintas dapat mendeteksi anomali. Misalnya, akun seorang karyawan tiba-tiba mengirimkan data dalam jumlah besar ke domain AI di luar jam kerja. Ini bisa jadi indikasi adanya unggahan file besar atau percobaan ekfiltrasi data .
Kunci deteksi di sini adalah anomali. Jika biasanya seorang karyawan hanya mengirimkan beberapa kilobyte ke AI, lalu tiba-tiba mengirimkan megabyte, itu adalah sinyal bahaya.
3. Inspeksi SSL/TLS untuk Konten
Untuk benar-benar melihat isi dari percakapan dengan AI, tim IT perlu melakukan decryption SSL/TLS (Inspeksi HTTPS). Ini adalah langkah yang lebih lanjut dan harus dilakukan dengan kebijakan yang jelas serta persetujuan pengguna, karena menyangkut privasi.
Dengan melakukan decrypt, perusahaan dapat menggunakan solusi seperti Microsoft Global Secure Access untuk melakukan Deep Packet Inspection (DPI) dan benar-benar membaca prompt yang diketik karyawan, file yang diunggah, serta operasi yang dilakukan .
4. Deteksi Agen AI Otonom dan Ekstensi Browser
Ancaman tidak hanya datang dari situs web AI. Ekstensi browser yang “membantu menulis” atau AI Assistant bisa diam-diam mengirimkan semua konten yang Anda lihat di browser ke pihak ketiga . Begitu pula Agen AI Otonom yang bertindak sendiri di berbagai sistem.
Karena ekstensi ini beroperasi di dalam browser, sulit dideteksi oleh alat keamanan endpoint biasa. Di sinilah monitoring jaringan menjadi penting: ekstensi ini tetap harus “berkomunikasi” dengan servernya melalui jaringan, sehingga koneksi mencurigakan ke server AI tetap bisa terdeteksi oleh SWG atau firewall .
Studi Kasus: Pendekatan Open Source
Jika Anda ingin mencoba tanpa alat berbayar, komunitas open source menawarkan solusi kreatif. Seorang peneliti membagikan sebuah “Wazuh Lab” yang menggunakan pemantauan DNS, egress watcher, dan daftar ekstensi browser untuk mendeteksi Shadow AI . Repositori ini berisi aturan khusus yang bisa diimplementasikan ke Wazuh (alat SIEM open source) untuk:
-
Mendeteksi query DNS ke domain penyedia LLM.
-
Melihat koneksi keluar langsung ke server AI.
-
Mendeteksi pemasangan ekstensi browser mencurigakan yang memiliki izin untuk berkomunikasi dengan AI.
Ini menunjukkan bahwa deteksi Shadow AI bukanlah hak eksklusif perusahaan besar dengan anggaran besar.
Kesimpulan
Deteksi Shadow AI adalah perlombaan senjata antara tim keamanan dan kebutuhan karyawan akan produktivitas. Kuncinya adalah mengkombinasikan beberapa lapis pemantauan:
-
Layer DNS/URL (Dasar): Gunakan SWG untuk memantau dan mengkategorikan domain AI. Ini adalah fondasi dasar .
-
Layer Anomali (Lanjutan): Pantau volume data dan waktu akses untuk mendeteksi aktivitas mencurigakan .
-
Layer Konten (Inspeksi Mendalam): Gunakan dekripsi TLS untuk inspeksi prompt jika kebijakan privasi memungkinkan .
-
Layer Ekstensi (Jangan Lupakan): Deteksi ekstensi browser yang memiliki akses membaca dan mengubah data di halaman web .
Dengan strategi berlapis ini, tim IT dapat menemukan “bayangan” dan membawanya ke dalam cahaya, memungkinkan mereka untuk membuat kebijakan yang aman dan efektif.
