W skrócie
Asystent RAG albo agent AI pokazuje użytkownikowi to, co dostanie z warstwy wyszukiwania, więc dziedziczy każdy za szeroko udostępniony folder. Zanim zaindeksujecie dane firmy, sprawdzajcie uprawnienia w samym zapytaniu do indeksu, klasyfikujcie dokumenty przed indeksowaniem i zapisujcie, skąd pochodzi każdy fragment.
Najważniejsze wnioski
- OWASP Top 10 for LLM Applications 2026 (opublikowany 3 sierpnia 2026 r.) zaleca autoryzację przed wyszukiwaniem, na poziomie dokumentu i fragmentu, w samym zapytaniu do indeksu.
- Wyszukiwanie po podobieństwie nie zna uprawnień: filtr po odpowiedzi modelu nie cofnie fragmentu, który model już przeczytał.
- Klasyfikacja przed indeksowaniem decyduje, czy dokument trafia do wspólnego indeksu z filtrem, do osobnego indeksu, czy nigdzie.
- Lineage w RAG to pochodzenie każdego fragmentu (źródło, czas indeksowania, wersja potoku) i log tego, co zwróciło każde zapytanie.
- Art. 10 AI Act dotyczy systemów wysokiego ryzyka z załącznika III od 2 grudnia 2027 r. (stan na 17 listopada 2026 r.), a art. 5, 25 i 32 RODO już teraz obejmują każdy RAG z danymi osobowymi.
Jakość danych dla AI zaczyna się od niewygodnego faktu: asystent oparty na RAG (retrieval-augmented generation) albo agent AI widzi to, co poda mu warstwa wyszukiwania, a nie to, co wolno zobaczyć użytkownikowi. Jeśli folder na SharePoincie jest otwarty dla całej firmy od 2019 roku, asystent będzie z niego cytował. OWASP Top 10 for LLM Applications 2026 opisuje tę ścieżkę wycieku wprost. Przygotowanie danych do RAG to zestaw kontroli dostępu, klasyfikacji, pochodzenia danych (lineage) i jakości, które stosujecie, zanim dane firmy trafią do indeksu. Poniżej cztery obszary do sprawdzenia, zanim zaczniecie tworzyć oprogramowanie z RAG.
Dlaczego asystent RAG pokazuje dane, których użytkownik nie powinien widzieć?
Bo wyszukiwanie wektorowe porządkuje tekst według znaczenia, a nie według uprawnień. Opis ryzyka LLM02 (ujawnienie informacji wrażliwych) w edycji 2026 mówi to jednym zdaniem: podobieństwo cosinusowe nie respektuje list ACL. Jeśli tabela płac z kadr leży w tym samym indeksie co regulamin delegacji, pytanie o diety może zwrócić oba dokumenty.
OWASP wymienia też typowe źródła problemu: dyski bez zawężonego dostępu, stare uprawnienia i bazy wiedzy, które zasilają RAG danymi wrażliwymi. Asystent nie tworzy więc nowych wycieków. Sprawia, że stare błędy w uprawnieniach stają się dostępne po zadaniu zwykłego pytania, także dla osób, które nigdy nie weszłyby do tego folderu.
Gotowe narzędzia działają tak samo. Microsoft pisze, że Microsoft 365 Copilot pokazuje tylko dane, do których użytkownik ma co najmniej prawo odczytu, i zaleca porządek w uprawnieniach SharePointa i innych usług. Jeśli te uprawnienia są za szerokie, Copilot pokaże za dużo. To samo ryzyko od strony pracowników opisaliśmy w tekście o shadow AI i bezpieczeństwie danych.
Jak egzekwować uprawnienia w RAG?
Sprawdzajcie dostęp przed wyszukiwaniem, a nie po wygenerowaniu odpowiedzi. LLM02:2026 każe egzekwować autoryzację na poziomie dokumentu i fragmentu w samym zapytaniu do indeksu i ostrzega, że filtrowanie po wygenerowaniu odpowiedzi nie cofnie fragmentu, który model już dostał. W praktyce oznacza to cztery zasady:
- Lista dostępu trafia do każdego fragmentu. Każdy fragment w indeksie ma zapisane grupy lub osoby uprawnione do dokumentu źródłowego, a każde zapytanie filtruje po tożsamości pytającego po stronie serwera.
- Oddzielcie to, co nie może się mieszać. LLM09:2026 zaleca fizycznie osobne indeksy dla każdego klienta lub strefy zaufania przy danych wysokiej wrażliwości: osobny indeks usuwa ryzyko błędnej konfiguracji, które zostaje przy tagach we wspólnym indeksie.
- Agent działa jako użytkownik. LLM03:2026 (nadmierna autonomia) wymaga, by działania w imieniu użytkownika szły do systemów docelowych w kontekście tego użytkownika, a nie przez jedno uprzywilejowane konto serwisowe.
- Autoryzacja nie należy do promptu. LLM08:2026 mówi, że kontroli takich jak rozdział uprawnień nie wolno przekazywać modelowi. Zdanie „odpowiadaj tylko o dziale użytkownika” w prompcie systemowym nie jest kontrolą dostępu.
Platformy pomagają, ale z ograniczeniami.
W Azure AI Search filtry bezpieczeństwa po identyfikatorach użytkowników i grup działają w wersji produkcyjnej (GA), a dziedziczenie uprawnień z ADLS Gen2, list ACL SharePointa i etykiet Purview było w listopadzie 2026 r. w wersji zapoznawczej (preview). Zmiana uprawnień obowiązuje dopiero po kolejnej synchronizacji indeksu, więc osoba usunięta z grupy może jeszcze przez chwilę dostawać dokumenty.
Inne platformy zostawiają więcej po Waszej stronie. Dokumentacja wyszukiwania wektorowego Databricks mówi wprost, że uprawnienia na poziomie wierszy i kolumn nie są obsługiwane w indeksach, i odsyła do własnych list ACL w aplikacji przez filter API. Zanim wybierzecie bazę wektorową, zapytajcie, gdzie dokładnie sprawdzana jest tożsamość użytkownika. Same grupy pochodzą z systemu tożsamości: zobaczcie IAM jako fundament bezpieczeństwa.
Co sklasyfikować przed indeksowaniem?
Każde źródło, zanim powstanie pierwszy embedding. Embedding nie jest zanonimizowaną kopią: LLM09:2026 ostrzega, że z zapisanych embeddingów da się odtworzyć tekst źródłowy. Indeks wektorowy dostaje więc klasyfikację najbardziej wrażliwego dokumentu, który w nim jest. Prosta tabela decyzji dla każdego źródła działa lepiej niż polityka, której nikt nie stosuje:
| Klasa | Przykład | Decyzja dla RAG |
|---|---|---|
| Publiczne | karty produktów, opublikowane regulaminy | wspólny indeks, bez filtra dostępu |
| Wewnętrzne | procedury, wiki projektów | wspólny indeks z filtrem po grupach |
| Poufne | umowy, akta osobowe, protokoły zarządu | osobny indeks dla strefy zaufania, filtr po użytkowniku, log wyszukiwań |
| Zastrzeżone lub dane osobowe bez celu | dane o zdrowiu, skany dowodów, stare foldery z CV | nie indeksujemy; dane osobowe usuwane przy ładowaniu, jeśli źródło musi zostać |
LLM02:2026 zaleca usuwanie danych osobowych już przy ładowaniu oraz nadzór nad korpusem: pochodzenie, klasyfikację i usuwanie duplikatów. Gdy dokument dzielicie na fragmenty, etykieta musi trafić do każdego z nich. Dokumentacja Azure AI Search mówi to jasno: bez tego odwzorowania fragmenty w wynikach wyszukiwania nie są filtrowane.
Jak prześledzić odpowiedź AI do źródła (data lineage)?
Przez pochodzenie danych na dwóch poziomach: potoku, który zbudował indeks, i wyszukiwania stojącego za każdą odpowiedzią. LLM09:2026 każe zapisywać pochodzenie każdego embeddingu (źródło, czas załadowania, poziom zaufania, wersja potoku) i prowadzić logi wyszukiwań, których nie da się zmienić, z zapytaniem, zwróconymi identyfikatorami i wynikami podobieństwa.
- Lineage potoku: z jakiego systemu, tabeli albo folderu przyszedł dokument i jakie zadanie go przetworzyło. Unity Catalog zapisuje lineage automatycznie dla zapytań uruchamianych w Databricks, aż do poziomu kolumn; OpenLineage to otwarty standard zbierania lineage z innych narzędzi.
- Pochodzenie fragmentu: identyfikator źródła, wersja, czas załadowania i klasyfikacja zapisane jako metadane każdego fragmentu, tak żeby odpowiedź mogła je przytoczyć.
- Log wyszukiwań: kto pytał, które fragmenty wróciły, która wersja modelu odpowiedziała. Bez niego nie wykażecie, czy doszło do wycieku.
Lineage ogranicza też zatruwanie danych. LLM05:2026 zauważa, że jeden spreparowany tekst potrafi przykryć poprawne treści w korpusie, i zaleca ścisłą walidację danych wejściowych oraz lineage zbiorów. Jeśli wiecie, który potok zapisał dany fragment, usuniecie wszystko, co zapisał. Katalog danych opisaliśmy szerzej w tekście o zarządzaniu aktywami i katalogu danych w KSC.
Jakość danych dla AI: które kontrole mają znaczenie?
Te, które zmieniają odpowiedzi. Dashboard przeżyje nieaktualny wiersz, a asystent przeczyta nieaktualną procedurę z pełnym przekonaniem. W RAG sprawdźcie cztery rzeczy dla każdego źródła:
- Tylko aktualna wersja. Stare kopie regulaminów i cenników usuwacie albo oznaczacie jako nieobowiązujące, inaczej model je pomiesza.
- Prawie identyczne kopie. Dziesięć kopii jednego dokumentu zajmuje dziesięć miejsc w wynikach i wypycha ten, który odpowiada na pytanie.
- Właściciel z imienia i nazwiska. Konkretna osoba decyduje, czy źródło jest błędne i czy trzeba je zaindeksować ponownie.
- Harmonogram aktualizacji. Harmonogram ponownego indeksowania dla każdego źródła, dopasowany do tego, jak często się zmienia.
Przy danych osobowych to obowiązek: art. 5 ust. 1 lit. d RODO wymaga, by dane były prawidłowe i w razie potrzeby uaktualniane. Od tych właścicieli i harmonogramów zaczyna się nasza praca w obszarze data governance. Jeśli szukacie punktu odniesienia, seria norm ISO/IEC 5259 opisuje jakość danych dla analityki i uczenia maszynowego w pięciu częściach wydanych w latach 2024 i 2025.
Czego wymagają RODO i AI Act od danych w RAG?
RODO obejmuje już dziś każdy RAG, który indeksuje dane osobowe. Ograniczenie celu i minimalizacja (art. 5 ust. 1 lit. b i c) decydują, co w ogóle wolno zaindeksować. Art. 25 ust. 2 wymaga, by domyślnie dane nie były udostępniane nieokreślonej liczbie osób.
Art. 32 wymaga zabezpieczeń adekwatnych do ryzyka, a art. 35 oceny skutków (DPIA), gdy przetwarzanie, w szczególności z użyciem nowych technologii, może powodować wysokie ryzyko.
AI Act ma węższy zakres. Art. 10 (zarządzanie danymi, pochodzenie danych, badanie stronniczości) dotyczy systemów wysokiego ryzyka. Po zmianach z pakietu Digital Omnibus (rozporządzenie (UE) 2026/1744) systemy z załącznika III muszą go spełniać od 2 grudnia 2027 r. (stan na 17 listopada 2026 r.). Wewnętrzny asystent wiedzy zwykle nie jest systemem wysokiego ryzyka. Art. 4 o kompetencjach w zakresie AI stosuje się od 2 lutego 2025 r.; resztę opisuje nasz przegląd obowiązków z AI Act.
UODO opublikował 6 sierpnia 2026 r. listy pytań kontrolnych o zgodność narzędzi AI z RODO. Nie są wiążącą wykładnią i nie zastępują DPIA, ale pokazują, o co może zapytać kontrolujący.
Lista kontrolna przed podłączeniem danych firmy do LLM
- Spiszcie źródła do zaindeksowania i wskażcie właściciela każdego z nich.
- Przejrzyjcie udostępnienia: linki „dla wszystkich”, stare grupy, konta byłych pracowników.
- Sklasyfikujcie każde źródło według tabeli wyżej: wspólny indeks, osobny indeks albo wcale.
- Upewnijcie się, że lista dostępu trafia do każdego fragmentu, a zapytanie filtruje po tożsamości pytającego.
- Zapisujcie pochodzenie każdego fragmentu i logujcie każde wyszukiwanie.
- Usuńcie stare wersje i duplikaty, ustalcie harmonogram ponownego indeksowania.
- Sprawdźcie RODO: cel, minimalizację, DPIA tam, gdzie trzeba.
- Przetestujcie na prawdziwych kontach: zapytajcie jako stażysta o to, co może czytać tylko dyrektor finansowy.
Krok 8 najczęściej ujawnia problemy. Jeśli stażysta dostaje protokoły zarządu, poprawka jest w uprawnieniach, nie w prompcie.
RAG na Waszej infrastrukturze z kontrolą dostępu do dokumentów budujemy w ramach tworzenia oprogramowania, a porządek w danych w ramach usługi data governance i metadane. Jeśli chcecie przejrzeć Wasze źródła razem z nami, napiszcie do nas.
Najczęściej zadawane pytania
- Co obejmuje jakość danych dla AI w projekcie RAG?
W projekcie RAG jakość danych to aktualne wersje dokumentów, brak duplikatów, właściciel każdego źródła i harmonogram ponownego indeksowania. Działa tylko razem z kontrolą dostępu w warstwie wyszukiwania, klasyfikacją przed indeksowaniem i lineage.
- Czy asystent RAG respektuje uprawnienia z SharePointa albo dysku sieciowego?
Tylko jeśli warstwa wyszukiwania je egzekwuje. Wyszukiwanie po podobieństwie ignoruje uprawnienia, więc lista dostępu musi być zapisana przy każdym fragmencie i sprawdzana w zapytaniu do indeksu. Zmiany uprawnień działają dopiero po kolejnej synchronizacji.
- Czy można odfiltrować wrażliwe treści po odpowiedzi modelu?
Nie da się tego zrobić niezawodnie. OWASP LLM02:2026 zauważa, że filtrowanie po wygenerowaniu odpowiedzi nie cofnie fragmentu, który model już dostał. Filtrujcie przed wyszukiwaniem, a filtry odpowiedzi traktujcie jako drugą warstwę.
- Czy RAG wymaga oceny skutków dla ochrony danych (DPIA)?
Jeśli indeks zawiera dane osobowe, a przetwarzanie może powodować wysokie ryzyko, art. 35 RODO wymaga DPIA. Duże zbiory dokumentacji kadrowej, danych klientów albo dokumentacji medycznej zwykle spełniają ten próg.
- Czy art. 10 AI Act dotyczy wewnętrznego asystenta?
Art. 10 dotyczy systemów wysokiego ryzyka, dla systemów z załącznika III od 2 grudnia 2027 r. (stan na 17 listopada 2026 r.). Większość wewnętrznych asystentów wiedzy nie jest systemem wysokiego ryzyka, ale RODO stosuje się do nich w całości.

