وقتی سیاست با رفتار واقعی روبه‌رو می‌شود
یک پیمانکار دولتی زیر فشار بود. انبوهی از درخواست‌های کمک سیل FEMA روی دستش مانده بود. او نام‌ها، آدرس‌ها، و پرونده‌های بهداشتی را برای سرعت بخشیدن به کارش در ChatGPT چسباند. از نظر او قانونی را نشکسته بود. فقط از بهترین ابزار موجود استفاده کرده بود.
نتیجه: تحقیقات دولتی و افشای عمومی.
این شکست اصلی حاکمیت هوش مصنوعی مبتنی بر سیاست است. سیاست‌ها به کارمندان می‌گویند چه کاری انجام دهند. رفتار را متوقف نمی‌کنند.
۷۷ درصد از کارمندان سازمانی حداقل هفته‌ای یک بار داده‌های حساس کاری را با ابزارهای هوش مصنوعی به اشتراک می‌گذارند — حتی زمانی که سیاست آن را ممنوع کرده است (eSecurity Planet/Cyberhaven 2025). اینها کارمندان بی‌احتیاط نیستند. افرادی هستند تحت فشار زمانی که سریع‌ترین ابزار را انتخاب می‌کنند.
چرا سیاست‌ها شکست می‌خورند
سیاست‌های استفاده از هوش مصنوعی به قضاوت انسانی در لحظه ورود داده تکیه می‌کنند. آن لحظه سریع است. ممکن است کارمند سیاست را به خاطر نیاورد. ممکن است محتوا را «حساس» نبیند. ممکن است ریسک را بپذیرد چون صرفه‌جویی زمانی بزرگ به نظر برسد.
تحلیل Q4 2025 شرکت Cyberhaven نشان داد که ۳۴.۸ درصد از تمام ورودی‌های ChatGPT حاوی اطلاعات تجاری محرمانه هستند. بسیاری از آن کاربران سیاست را می‌دانستند. در هر حال چسباندند.
سیاست‌های دسترسی کار می‌کنند چون سیستم‌ها آن‌ها را اجرا می‌کنند. DLP در لایه ایمیل کار می‌کند چون سیستم‌ها آن را اعمال می‌کنند. سیاست‌های استفاده از هوش مصنوعی هیچ اجرایی در نقطه چسباندن ندارند. یک تصمیم انسانی آن شکاف را پر می‌کند. در مقیاس، انسان‌ها اشتباه می‌کنند.
پیمانکار FEMA یکی از این اشتباه‌ها را کرد. بازیگر بدی نبود. ابزار برنده شد چون سیاست از او خواست کندی را بر سرعت ترجیح دهد. زیر فشار، سرعت را انتخاب کرد.
کنترل‌های فنی آنچه سیاست نمی‌تواند را متوقف می‌کنند
تنها راه‌حلی که در مقیاس کار می‌کند در لایه فنی عمل می‌کند — نه لایه آموزش.
یک افزونه مرورگر می‌تواند محتوای کلیپ‌بورد را قبل از رسیدن به هر هوش مصنوعی تحت وب متوقف کند. وقتی پیمانکار نام‌ها و آدرس‌های متقاضیان را کپی می‌کند و در ChatGPT می‌چسباند، افزونه اطلاعات شناسایی شخصی را تشخیص می‌دهد، آن را ناشناس می‌کند، و نسخه تمیز را ارسال می‌کند. هوش مصنوعی [NAME_1] و [ADDRESS_1] به جای مقادیر واقعی می‌بیند. کار را تکمیل می‌کند. جزئیات خصوصی متقاضی هرگز به سرورهای ChatGPT نمی‌رسد.
این خودکار است. از کاربر نمی‌خواهد چیزی به خاطر بسپارد.
برای توسعه‌دهندگانی که از Cursor یا GitHub Copilot استفاده می‌کنند، یک MCP Server همین لایه را فراهم می‌کند. کدی که در زمینه هوش مصنوعی چسبانده می‌شود ابتدا از موتور ناشناس‌سازی عبور می‌کند. اعتبارنامه‌ها و شناسه‌های اختصاصی تبدیل به توکن می‌شوند. هوش مصنوعی ورودی تمیز دریافت می‌کند و همچنان خروجی مفید می‌دهد.
ببینید چگونه این با مسدودسازی مقایسه می‌شود: مسدودسازی در مقابل ناشناس‌سازی — مقایسه DLP مرورگر.
آنچه با کنترل‌های فنی تغییر می‌کند
با یک افزونه مرورگر نصب‌شده، سناریوی پیمانکار FEMA متفاوت پیش می‌رود:
- پیمانکار پرونده‌های متقاضیان را از سیستم کیس کپی می‌کند
- افزونه اطلاعات شناسایی شخصی را در کلیپ‌بورد تشخیص می‌دهد
- یک پنجره پیش‌نمایش نشان می‌دهد چه چیزی جایگزین خواهد شد
- نسخه ناشناس‌شده به ChatGPT ارسال می‌شود
- ChatGPT درخواست را پردازش می‌کند و نتایج را برمی‌گرداند
- پیمانکار کمک لازم را دریافت می‌کند — بدون هیچ تحقیقی
سیاست نیازی به تغییر نداشت. آموزشی نیاز به اجرا نداشت. لایه رهگیری آن را مدیریت کرد.
آموزش سیاست ریسک را در حاشیه کاهش می‌دهد. کنترل‌های فنی حالت شکست را از بین می‌برند. حادثه FEMA یک شکست سیاستی بود. با یک Chrome Extension مستقرشده بر دستگاه آن پیمانکار، یک رویداد غیرقابل توجه می‌بود.
همچنین ببینید:
- حاکمیت هوش مصنوعی سازمانی: Chrome Extension DLP
- Browser DLP برای ChatGPT، Claude، و Gemini
- Chrome Extension: Browser DLP برای ابزارهای هوش مصنوعی