By · Last updated 2026-03-13

Zpět na blogBezpečnost AI

Samsung třikrát ztratil zdrojový kód přes ChatGPT

Tři oddělené inženýrské týmy Samsungu vložily firemní kód a důvěrná data do ChatGPT v dubnu 2023. Každý incident odhalil jiný rozměr rizika podnikového využití AI.

March 13, 20269 min čtení
Samsung ChatGPT leaksource code protectionenterprise AI controlsinsider data leakageMCP Server anonymization

Aktualizováno pro rok 2026

Tři týmy, tři úniky, jeden měsíc

V dubnu 2023 Samsung Semiconductor zveřejnil tři oddělené incidenty. Tři různé týmy odeslaly firemní data AI chatbotu v průběhu jediného měsíce. Incidenty spolu nesouvisely. Různí lidé, různé role, různé dny.

Sdílely jen dvě vlastnosti. Každý z nich použil nástroj k reálné práci. Každý neúmyslně odeslal data, která Samsung nechtěl sdílet mimo firmu.

Incident 1 — Zdrojový kód. Softwarový inženýr ladil kód pro zařízení. Do chatu vložil proprietární zdrojový kód polovodičů. Kód obsahoval výrobní duševní vlastnictví.

Incident 2 — Poznámky z porady. Zaměstnanec připravoval shrnutí porady. Odeslal poznámky, aby je AI zkomprimovalo. Tyto poznámky obsahovaly důvěrné strategické informace a detaily plánů.

Incident 3 — Databázový dotaz. Třetí zaměstnanec chtěl pomoc s pomalým dotazem. Sdílel strukturu databáze a logiku dotazu. Tato logika odkazovala na proprietární schémata a obchodní pravidla.

Tři incidenty. Tři úniky. Jeden měsíc.

Proč to zaměstnanci udělali

Žádný ze tří nejednal neopatrně. Použili AI nástroj pro úkoly, pro které jsou AI nástroje určeny. Revize kódu. Shrnutí textu. Optimalizace dotazů. Každý úkol byl legitimní.

Chyběl technický stop. Žádný systém nezablokoval odeslání dříve, než zasáhlo externí server. Žádný filtr nezachytil proprietární identifikátory před jejich opuštěním sítě. Mezi skutečnou potřebou zaměstnance a externí službou nestálo nic.

Variování od zásad existovalo. Ale varování není bariéra. Riziko náhodného pochybení bylo abstraktní a vzdálené. Přínos pro produktivitu byl reálný a okamžitý. Racionální pracovníci volili produktivitu.

Výsledek byl předvídatelný. Tři incidenty za třicet dní. Tři úniky duševního vlastnictví. Firemní krize, která vyvolala zákazy v celém odvětví.

Reakce odvětví

Samsung jednal rychle. Omezil přístup k AI nástrojům na firemních zařízeních.

Další organizace ho následovaly. Mezi těmi, které oznámily omezení, byly Bank of America, Citigroup, Goldman Sachs, JPMorgan Chase, Apple a Verizon. Finanční sektor reagoval nejrychleji. Velké banky a technologické firmy dospěly ke stejnému závěru. AI nástroje bez technických kontrol představují nepřijatelné riziko z hlediska dodržování předpisů.

Každá z nich dospěla ke stejnému zjištění. Zaměstnanci nejsou problémem. Varování od zásad nestačí. Data opustila firemní sítě, protože jim v tom nic nebránilo. Samotné zásady nemohou vytvořit technický stop.

Míra obcházení zákazů: 71,6 %

Přístup k zákazům má změřenou míru selhání. Výzkum LayerX z roku 2025 zjistil, že 71,6 % zaměstnanců podléhajících firemním zákazům AI nadále AI nástroje používá. Používají osobní účty nebo osobní zařízení.

Důvod je prostý. Nástroj přinášející reálnou hodnotu se používá. Lidé nacházejí náhradní řešení, než se ho vzdají. AI může zkrátit čas na úkol na polovinu. Varování od zásad tuto rovnici nezmění. Pracovníci se přihlásí z osobního telefonu nebo notebooku. Bezpečnostní týmy tento provoz nevidí.

Praktickým výsledkem je nejhorší scénář. Firemní data se stále dostávají k dodavatelům AI. Ale nyní proudí kanály bez jakéhokoli dohledu. Provoz na firemních zařízeních bylo alespoň možné zaznamenávat. Využití osobních účtů je neviditelné.

Tři incidenty Samsungu se odehrály na firemních zařízeních. Zaměstnanci, kteří obcházejí zákaz, dělají totéž. Odesílají pracovní data AI modelům. Ale nyní to proudí kanály bez firemní viditelnosti.

Technické řešení adresující kořenovou příčinu

Incidenty Samsungu nezpůsobili neopatrní lidé. Způsobila je architektura bez interceptační vrstvy. Mezi promptem zaměstnance a serverem dodavatele nestálo nic.

Architektura Model Context Protocol (MCP) tuto mezeru vyplňuje. Umisťuje transparentní proxy do datové cesty. Vývojáři používající Claude Desktop nebo Cursor IDE jsou primárním publikem. To jsou přesně ty nástroje používané pro ladění kódu, které stojí za prvním incidentem Samsungu. MCP Server se nachází v rámci protokolové cesty pro obě aplikace.

Dříve než jakýkoli text dosáhne AI modelu, MCP Server ho prožene anonymizačním krokem. Zdrojový kód je prohledán na proprietární identifikátory. Názvy funkcí, proměnných a API endpointů jsou nahrazeny strukturovanými tokeny. Detaily databázových schémat a konfigurační hodnoty jsou rovněž nahrazeny. Výměna proběhne dříve, než kód opustí vaši síť.

Vývojář ladící proprietární kód odesílá kód přes MCP klienta. Citlivé identifikátory jsou v tu chvíli již tokeny. AI model stále pomáhá s laděním. Skutečné proprietární detaily nikdy nedosáhnou serverů dodavatele.

Incident 1 se stane technicky nemožným. Zdrojový kód opouští síť již anonymizovaný. Inženýr dostane potřebnou pomoc. Duševní vlastnictví zůstane pod kontrolou firmy.

Stejna logika pokrývá Incident 2. Shrnutí poznámek z porad prostřednictvím prohlížečových nástrojů je řešeno Rozšířením pro Chrome a jeho firemními kontrolami. Incident 3 je pokryt anonymizací MCP v jakémkoli AI kódovacím rozhraní.

Zákazy versus technické kontroly

Zakázat nástroje, které 71,6 % zaměstnanců již obchází, riziko nesnižuje. Přesouvá ho do neviditelných kanálů.

Srovnání nástrojů DLP pro prohlížeče pokrývá možnosti zachycení pro využití AI v prohlížeči. Pro organizace porovnávající anonymizaci s jinými produkty DLP, srovnání Nightfall vs. anonym.legal přímo pokrývá kompromis blokování versus anonymizace.

Incidenty Samsungu byly raným signálem. Kořenová příčina spočívala v absenci. Žádná interceptační vrstva. Žádná technická kontrola. Tuto mezeru lze nyní odstranit. Otázka je, zda podniky nasadí řešení, nebo budou nadále spoléhat na zákazy, kolem nichž většina zaměstnanců již nachází obejití.

Zdroje

Připraveni chránit svá data?

Začněte anonymizovat PII s více než 285 typy entit ve 48 jazycích.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.