התשובה הקצרה: מידע ציבורי ופנימי אפשר להכניס ל-LLM כמעט תמיד, מידע חסוי רק בסביבה עם התחייבות חוזית לאי-אימון ואי-שמירה, ומידע מוגבל לא נכנס לפרומפט בכלל אלא רק בגרסה מוסווית. הכלל התפעולי הוא חשיפה מינימלית: שולחים למודל רק את המידע ההכרחי לענות על השאלה. הנתונים מ-2026 מסבירים למה זה דחוף: כ-35% מהמידע הארגוני שעובדים מזינים לכלי AI מסווג כרגיש, לעומת 27% שנה קודם ו-11% שנתיים קודם.
הבעיה האמיתית היא לא הטכנולוגיה, היא השימוש שכבר קורה
ברוב הארגונים הדיון על "האם להכניס AI" מתנהל בחדר ישיבות בזמן שהעובדים כבר מכניסים. סקרי 2026 מצביעים על כך שכ-80% מהעובדים משתמשים בכלי AI שמחלקת ה-IT לא אישרה, וכ-63% מהם כבר הדביקו מידע רגיש, קוד מקור, רשומות לקוחות, נתונים פיננסיים או מסמכי אסטרטגיה, לחשבון פרטי בצ׳אטבוט.
הפרט המדאיג הוא הבעלות על החשבון. כשההדבקה נעשית מחשבון פרטי, היא נמצאת מחוץ לכל שליטה ארגונית: אין לוג, אין שליטה בשמירת הנתונים, ואין דרך למחוק בדיעבד. לפי אותם דיווחים, כ-82% מההדבקות לכלי AI מגיעות מחשבונות פרטיים.
המחיר: ארגונים עם רמת שימוש גבוהה ב-AI לא מאושר סופגים בממוצע כ-670 אלף דולר בעלויות אירוע נוספות, ו-97% מהארגונים שדיווחו על אירוע הקשור ל-AI לא היו להם בקרות גישה מתאימות. יחד עם זאת, רק כ-37% מהארגונים מחזיקים בכלל מדיניות לזיהוי או ניהול של שימוש כזה.
המסקנה המעשית: איסור גורף לא עובד, הוא רק דוחף את השימוש למחתרת. מה שכן עובד הוא מדיניות סיווג ברורה בשילוב חלופה מאושרת ונוחה.
ארבע רמות הסיווג ומה מותר בכל אחת
רוב מדיניות הסיווג הארגונית משתמשת בארבע רמות: ציבורי, פנימי, חסוי ומוגבל. הטבלה הבאה מתרגמת אותן להחלטה מעשית מול מודל שפה:
| רמה | דוגמאות | מה מותר מול LLM |
|---|---|---|
| ציבורי | תוכן שיווקי, מפרטי מוצר פומביים, דוחות שפורסמו | מותר בכל כלי, כולל ציבורי |
| פנימי | נהלים, מצגות פנימיות, תיעוד תהליכים | מותר בכלי ארגוני מאושר בלבד |
| חסוי | נתוני לקוחות, מחירונים, קוד מקור, תחזיות | רק בסביבה עם התחייבות חוזית לאי-אימון ואי-שמירה |
| מוגבל | מידע רפואי, נתוני שכר, מזהים אישיים, סודות מסחריים | לא נכנס לפרומפט. רק בגרסה מוסווית או מתומצתת |
ההבחנה החשובה ביותר היא בין חסוי למוגבל, כי שם רוב הארגונים מתבלבלים. חסוי הוא מידע שנזק מדליפתו הוא עסקי, ולכן חוזה טוב מספיק. מוגבל הוא מידע שנזק מדליפתו הוא רגולטורי או אישי, ושם חוזה לא מספיק כי אי אפשר לבטל את החשיפה בדיעבד.
שתי הטכניקות שפותרות את רוב המקרים
אנונימיזציה מסירה או מטשטשת מזהים אישיים בצורה בלתי הפיכה. משתמשים בה כשאין צורך לחבר את התשובה חזרה לאדם ספציפי, למשל בניתוח מגמות בפניות שירות.
פסאודונימיזציה מחליפה מזהים באסימונים הפיכים. שם הלקוח הופך ל-CUST_4471, וכשהתשובה חוזרת המערכת ממירה בחזרה. זו הטכניקה שמאפשרת לעבוד עם נתוני לקוחות אמיתיים בלי לשלוח שמות החוצה.
כלל האצבע שמכסה את שני המקרים: חשיפה מינימלית הכרחית. שולחים למודל רק את מה שדרוש כדי לענות, ומשמיטים לגמרי פריטים מסווגים מפרומפטים חיצוניים. ברוב המקרים מסתבר שהמודל צריך את המבנה ואת ההקשר, לא את השמות.
מה חייב להופיע בחוזה מול ספק ה-AI
ההבדל בין "מותר להכניס חסוי" ל"אסור" מוכרע כמעט תמיד בחוזה, לא בטכנולוגיה. אם עובד מדביק מידע חסוי לכלי ציבורי, המידע עלול להיות נשמר בלוג, להישמר לאורך זמן או לשמש לשיפור השירות, אלא אם הספק מחויב חוזית אחרת. שלושה סעיפים שצריך לוודא שקיימים:
| סעיף | מה הוא אומר | למה זה קריטי |
|---|---|---|
| אי-אימון | הקלט שלכם לא משמש לאימון מודלים | בלעדיו המידע עלול לצוץ בתשובה למשתמש אחר |
| אי-שמירה או שמירה מוגבלת | הפרומפטים נמחקים אחרי חלון זמן מוגדר | מצמצם את חלון החשיפה במקרה של אירוע אצל הספק |
| מיקום עיבוד ותת-ספקים | היכן הנתונים מעובדים ומי עוד נוגע בהם | קובע אילו רגולציות חלות ומה מותר להעביר |
איך מיישמים את זה בפועל, בלי פרויקט של חצי שנה
שלב 1: רשימת מלאי חיה. ממפים את סוגי המידע הרגיש לפי מחלקה, מזהים אישיים, מידע רפואי, קניין רוחני ונתונים פיננסיים, ולכל אחד קובעים בעלים, מערכת מקור ומדיניות שמירה. זה לא תרגיל תיאורטי, זו הרשימה שכל החלטה עתידית נשענת עליה.
שלב 2: חלופה מאושרת ונוחה. לפני שאוסרים משהו, נותנים כלי ארגוני שעובד. אם החלופה המאושרת איטית או מסורבלת, העובדים יחזרו לחשבון הפרטי והמדיניות תישאר על הנייר.
שלב 3: אכיפה בשכבת הנתונים. מסננים ומחיקים מזהים אישיים בצורה אוטומטית בדרך לפרומפט, ומחילים את אותה בדיקה גם על הפלט. אכיפה שנשענת רק על הדרכה לעובדים לא שורדת את הרבעון הראשון.
שלב 4: כלל אצבע אחד שכולם זוכרים. "אם לא היית שולח את זה במייל ללקוח אחר, אל תדביק את זה לצ׳אט." זה לא מדויק משפטית, אבל הוא נתפס ומיושם, וזה מה שקובע.
הקשר לבסיס הידע: כשעוברים מהדבקה ידנית למערכת שעונה מתוך מסמכי הארגון, הסיווג הופך לפילטר טכני ולא לכלל התנהגות. הרחבנו על כך במדריך לבניית בסיס ידע ארגוני ל-RAG, ובמיוחד בפרק על אכיפת הרשאות בשלב האחזור.
ואם אתם שוקלים כמה להשקיע בתשתית מול כמה לחסוך בכלי, כדאי לעשות את החשבון דרך מודל היחידה: עלות אירוע אחד מכסה בדרך כלל שנים של סביבה מאושרת. ליווי מלא של התהליך הזה נכנס תחת הטמעת בינה מלאכותית.
שאלות נפוצות
האם מותר להכניס נתוני לקוחות ל-ChatGPT?
לא לחשבון פרטי או לגרסה ציבורית. נתוני לקוחות הם מידע חסוי, ולכן מותר להזין אותם רק בסביבה ארגונית עם התחייבות חוזית לאי-אימון ולאי-שמירה. אם אין חוזה כזה, מזינים רק גרסה מוסווית שבה השמות והמזהים הוחלפו באסימונים.
מה ההבדל בין מידע חסוי למידע מוגבל?
נזק מדליפת מידע חסוי הוא עסקי, ולכן חוזה טוב עם הספק מספיק. נזק מדליפת מידע מוגבל, כמו מידע רפואי, נתוני שכר או מזהים אישיים, הוא רגולטורי ואישי, ואי אפשר לבטלו בדיעבד. לכן מידע מוגבל לא נכנס לפרומפט כלל.
האם איסור גורף על כלי AI הוא פתרון?
לא. סקרי 2026 מראים שכ-80% מהעובדים כבר משתמשים בכלים שלא אושרו, וכ-82% מההדבקות מגיעות מחשבונות פרטיים. איסור בלי חלופה מאושרת ונוחה רק מעביר את השימוש לאזור שאין בו לוג ואין בו שליטה.
מה ההבדל בין אנונימיזציה לפסאודונימיזציה?
אנונימיזציה מסירה מזהים בצורה בלתי הפיכה ומתאימה לניתוח מגמות. פסאודונימיזציה מחליפה מזהים באסימונים הפיכים, כך שאפשר להמיר את התשובה בחזרה למי שהיא מתייחסת אליו. את השנייה משתמשים כשצריך לפעול על לקוח ספציפי.
אילו סעיפים חייבים להופיע בחוזה מול ספק AI?
שלושה: אי-שימוש בקלט לאימון מודלים, מחיקה או שמירה מוגבלת של פרומפטים בחלון זמן מוגדר, והגדרה ברורה של מיקום העיבוד ושל תת-הספקים שנוגעים בנתונים.
