By · Last updated 2026-03-13

Späť na blogBezpečnosť AI

Samsung trikrát stratil zdrojový kód cez ChatGPT

Tri samostatné tímy Samsung semiconductor vložili proprietárny kód a dôverné údaje do ChatGPT v apríli 2023. Každý incident odhalil inú zraniteľnosť v podnikovej bezpečnosti AI.

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

Aktualizované pre rok 2026

Tri tímy, tri úniky, jeden mesiac

V apríli 2023 Samsung Semiconductor zverejnil tri samostatné incidenty. Tri rôzne tímy poslali proprietárne údaje do AI chatbota v priebehu jedného mesiaca. Incidenty nesúviseli. Rôzni ľudia, rôzne roly, rôzne dni.

Zdieľali len dve vlastnosti. Každá osoba použila nástroj na reálnu prácu. Každá neúmyselne odoslala údaje, ktoré Samsung nechcel zdieľať mimo spoločnosti.

Incident 1 - Zdrojový kód. Softvérový inžinier ladil kód zariadenia. Vložil proprietárny zdrojový kód polovodičov do chatu. Kód obsahoval výrobné duševné vlastníctvo.

Incident 2 - Zápisnice zo stretnutia. Zamestnanec pripravoval zhrnutie stretnutia. Predložila svoje zápisky AI na kondenzáciu. Tieto zápisky obsahovali dôvernú stratégiu a detaily o pláne vývoja.

Incident 3 - Databázový dotaz. Tretí zamestnanec chcel pomoc s pomalým dotazom. Zdieľal štruktúru databázy a logiku dotazu. Táto logika odkazovala na proprietárne schémy a obchodné pravidlá.

Tri incidenty. Tri odhalenia. Jeden mesiac.

Prečo to zamestnanci urobili

Žiadny z troch nekoná neopatrne. Použili AI nástroj na úlohy, na ktoré sú AI nástroje stvorené. Prehľad kódu. Zhrnutie textu. Optimalizácia dotazov. Každá úloha bola legitímna.

Chýbajúci prvok bol technická zastávka. Žiadny systém nezablokoval odoslanie predtým, ako zasiahlo externý server. Žiadny filter nezachytil proprietárne identifikátory predtým, ako opustili sieť. Medzi skutočnou potrebou zamestnanca a externou službou nestálo nič.

Varovanie o politike existovalo. Ale varovanie nie je bariéra. Riziko náhodnej chyby bolo abstraktné a vzdialené. Výhoda produktivity bola reálna a okamžitá. Racionálni pracovníci si zvolili produktivitu.

Výsledok bol predvídateľný. Tri incidenty za tridsať dní. Tri odhalenia duševného vlastníctva. Podniková kríza, ktorá vyvolala zákazy v celom odvetví.

Reakcia odvetvia

Samsung konal rýchlo. Obmedzil prístup k AI nástrojom na firemných zariadeniach.

Ďalšie organizácie nasledovali. Tí, ktorí oznámili obmedzenia, zahŕňali Bank of America, Citigroup, Goldman Sachs, JPMorgan Chase, Apple a Verizon. Finančný sektor reagoval najrýchlejšie. Veľké banky a technologické firmy dospeli k rovnakému záveru. AI nástroje bez technických kontrol predstavujú neprijateľné riziko súladu.

Každá z nich dospela k rovnakému zisteniu. Zamestnanci nie sú problém. Varovania o politike nestačia. Údaje opustili firemné siete, pretože im nič nezabránilo. Samotná politika nemôže vytvoriť technickú zastávku.

Miera obchádzania 71,6 %

Prístup k zákazom má nameranú mieru zlyhania. Výskum LayerX z roku 2025 zistil, že 71,6 % zamestnancov podliehajúcich podnikovým zákazom AI pokračovalo v používaní AI nástrojov. Používali osobné účty alebo osobné zariadenia.

Dôvod je jednoduchý. Nástroj, ktorý prináša reálnu hodnotu, sa používa. Ľudia hľadajú alternatívne riešenia namiesto toho, aby sa ho vzdali. AI môže skrátiť čas na úlohu na polovicu. Varovanie o politike túto kalkuláciu nezmení. Pracovníci sa prihlasujú z osobného telefónu alebo notebooku. Bezpečnostné tímy nemôžu vidieť túto komunikáciu.

Praktický výsledok je najhorší prípad. Firemné údaje sa stále dostávajú k poskytovateľom AI. Ale teraz tečú cez kanály s nulovou kontrolou. Komunikácia firemných zariadení mohla byť aspoň protokolovaná. Používanie osobných účtov je neviditeľné.

Tri incidenty Samsungu sa odohrali na firemných zariadeniach. Zamestnanci, ktorí obchádzajú zákaz, robia to isté. Posielajú pracovné dáta do AI modelov. Ale teraz to prechádza cez kanály bez podnikového prehľadu.

Technické riešenie, ktoré rieši základnú príčinu

Incidenty Samsungu neboli spôsobené neopatrnými ľuďmi. Boli spôsobené architektúrou bez vrstvy zachytávania. Medzi promptom zamestnanca a serverom dodávateľa nestálo nič.

Architektúra Model Context Protocol (MCP) vypĺňa túto medzeru. Umiestňuje transparentný proxy v dátovej ceste. Vývojári používajúci Claude Desktop alebo Cursor IDE sú primárnou cieľovou skupinou. To sú presne tie nástroje, ktoré sa používajú na typ ladenia kódu zodpovedného za prvý incident Samsungu. MCP Server sedí v protokolárnej ceste pre oboch.

Predtým, ako akýkoľvek text dosiahne AI model, MCP Server ho prevedie cez krok anonymizácie. Zdrojový kód je skenovaný na proprietárne identifikátory. Názvy funkcií, názvy premenných a API koncové body sú nahradené štruktúrovanými tokenmi. Detaily schémy databázy a konfiguračné hodnoty sú tiež nahradené. Výmena sa deje predtým, ako kód opustí vašu sieť.

Vývojár ladiaci proprietárny kód posiela kód cez MCP klienta. Citlivé identifikátory sú v tom čase už tokeny. AI model stále pomáha s ladiacou úlohou. Skutočné proprietárne detaily sa nikdy nedostanú na servery dodávateľa.

Incident 1 sa stane technicky nemožným. Zdrojový kód opúšťa sieť už anonymizovaný. Inžinier dostane pomoc, ktorú potreboval. Duševné vlastníctvo zostáva pod kontrolou spoločnosti.

Rovnaká logika pokrýva Incident 2. Zhrnutie zápisníc zo stretnutí cez nástroje založené na prehliadači je riešené rozšírením Chrome a jeho podnikovými kontrolami. Incident 3 je pokrytý anonymizáciou MCP v akomkoľvek AI kódovacom rozhraní.

Zákazy vs. technické kontroly

Zakazovanie nástrojov, ktoré 71,6 % zamestnancov už obchádza, neznižuje riziko. Presúva riziko do neviditeľných kanálov.

Porovnanie DLP nástrojov pre prehliadač pokrýva možnosti zachytávania pri používaní AI v prehliadači. Pre organizácie porovnávajúce anonymizáciu s inými DLP produktmi, porovnanie Nightfall vs. anonym.legal priamo pokrýva kompromis medzi blokovaním a anonymizáciou.

Tri incidenty Samsungu boli raným signálom. Základnou príčinou bola absencia. Žiadna vrstva zachytávania. Žiadna technická kontrola. Táto medzera je teraz opraviteľná. Otázka je, či podniky nasadia opravu, alebo budú naďalej spoliehať na zákazy, okolo ktorých väčšina zamestnancov už obchádza.

Zdroje

Pripravení chrániť vaše údaje?

Začnite anonymizovať PII s 285+ typmi entít v 48 jazykoch.

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.