Personal Data ในระบบ AI อยู่ตรงไหนบ้าง? สรุปจุดเสี่ยงและวิธีจัดการข้อมูลส่วนบุคคลอย่างถูกต้อง
Personal Data ในระบบ AI ไม่ได้อยู่แค่ใน Prompt
การประเมินความเสี่ยงด้านความเป็นส่วนตัว (Data Privacy) ในการใช้งาน AI ขององค์กร ไม่ควรมองแค่การพิมพ์ข้อความเข้า Prompt หรือการอัปโหลดไฟล์ฐานข้อมูลก้อนใหญ่ เพราะข้อมูลส่วนบุคคล (Personal Data) สามารถแทรกซึมและตกค้างได้ในทุกองค์ประกอบของระบบ AI ตั้งแต่ต้นทางจนถึงปลายทาง
ข้อมูลส่วนบุคคลไม่ได้ถูกใช้งานแค่ตอนป้อนข้อมูลเข้าเท่านั้น แต่ยังปรากฏอยู่ในระบบ Retrieval-Augmented Generation (RAG), ผลลัพธ์ (Output), บันทึกระบบ (Log), สิทธิ์การทำงานของ AI Agent ไปจนถึงกระบวนการจัดเก็บและทำลายข้อมูล การกำกับดูแล AI ที่มีประสิทธิภาพจึงต้องครอบคลุมทั้ง Personal Data Flow ในวงจรชีวิตของ AI (AI Lifecycle) ไม่ใช่ดูเพียงแค่หน้าจอใช้งาน
ข้อมูลส่วนบุคคลเข้าสู่ระบบ AI ได้อย่างไรโดยไม่รู้ตัว
องค์กรส่วนใหญ่มักกังวลเรื่องการอัปโหลดฐานข้อมูลขนาดใหญ่ลงใน AI แต่ในความเป็นจริง การรั่วไหลหรือนำเข้าข้อมูลส่วนบุคคลเกิดขึ้นจากกระบวนการทำงานประจำวันได้ง่ายกว่านั้นมาก เช่น
- พนักงานคัดลอกอีเมลของลูกค้าวางลงใน AI เพื่อให้ช่วยร่างข้อความตอบกลับ
- ฝ่ายบุคคล (HR) คัดลอกเนื้อหาใน CV ของผู้สมัครงานเพื่อให้ AI ช่วยสรุปคุณสมบัติ
- ฝ่ายกฎหมายนำข้อความจากสัญญาที่มีชื่อและข้อมูลของคู่สัญญาใส่ลงใน Prompt
การกระทำเหล่านี้ถือเป็นการนำข้อมูลส่วนบุคคลเข้าสู่กระบวนการประมวลผล (Data Processing) แล้วทั้งสิ้น การทำ Privacy Review จึงไม่สามารถถามแค่ว่า “องค์กรมีการอัปโหลด Database หรือไม่” แต่ต้องตรวจสอบว่าข้อมูลส่วนบุคคลเข้าไปอยู่ตรงจุดไหนของระบบ AI และใครมีสิทธิ์เข้าถึงบ้าง
5 จุดเสี่ยงสำคัญของ Personal Data ในระบบ AI ที่องค์กรมักมองข้าม
เพื่อการกำกับดูแล AI และปฏิบัติตามกฎหมาย PDPA อย่างครบถ้วน องค์กรต้องตรวจสอบข้อมูลส่วนบุคคลใน 5 องค์ประกอบหลัก ดังนี้
1. ระบบ RAG (Retrieval-Augmented Generation) และการกำหนดสิทธิ์
ระบบ RAG ช่วยให้ AI ดึงข้อมูลจากคลังเอกสารภายในองค์กร เช่น Shared Drive, CRM หรือ Knowledge Baseมาตอบคำถามได้แม่นยำขึ้น แต่หากการตั้งค่าสิทธิ์เข้าถึง (Access Control) ของ RAG ไม่สอดคล้องกับสิทธิแของพนักงานผู้ใช้งาน AI อาจเกิดปัญหา Over-retrieval หรือการที่ AI ดึงเอกสารชั้นความลับที่ผู้ใช้งานคนนั้นไม่มีสิทธิ์เห็นมาแสดงผล
2. ผลลัพธ์ของ AI (Output) และข้อมูลจากการอนุมาน (Inferred Data)
ข้อมูลส่วนบุคคลไม่ได้มีแค่สิ่งที่ป้อนเข้าไป (Input) แต่ยังรวมถึงสิ่งที่ AI สร้างขึ้นมาใหม่ (Output) เช่น คะแนนประเมินผู้สมัครงาน (Candidate Score), คะแนนความเสี่ยงการทุจริต (Fraud Risk Score) หรือการจัดกลุ่มลูกค้า (Customer Segment) หากผลลัพธ์เหล่านี้เชื่อมโยงกลับไประบุตัวบุคคลได้ และถูกนำไปใช้ตัดสินใจที่มีผลกระทบต่อคน ข้อมูลส่วนนั้นจะถือเป็น Personal Data ทันที
3. บันทึกระบบ (Log) และข้อมูลเบื้องหลัง (Telemetry)
ระบบ AI มีการบันทึกข้อมูล Log เพื่อการรักษาความปลอดภัย การตรวจสอบข้อผิดพลาด และการปรับปรุงระบบ สิ่งที่ถูกบันทึกอาจมีทั้งข้อความ Prompt, Output, User ID, IP Address และ Metadata ต่างๆ การที่ผู้ใช้กดลบข้อความบนหน้าจอไม่ได้แปลว่า Log ในระบบหลังบ้านจะถูกลบไปด้วย องค์กรจึงต้องกำหนดระยะเวลาการจัดเก็บ (Data Retention) ของ Log ให้ชัดเจน
4. สิทธิ์การทำงานของ AI Agent
เมื่อ AI ขยับจากการตอบคำถามไปเป็น AI Agent ที่สามารถอ่านอีเมล ค้นหาปฏิทิน ดึงข้อมูล CRM หรือสั่งการผ่าน API ความเสี่ยงจะเปลี่ยนจากการที่ “AI เห็นอะไร” ไปสู่ “AI มีสิทธิ์ทำอะไรได้บ้าง” ยิ่ง AI Agent มีสิทธิ์กว้างและทำงานได้อัตโนมัติ องค์กรยิ่งต้องใช้หลักการสิทธิ์ขั้นต่ำที่จำเป็น (Least Privilege) และต้องมีระบบให้มนุษย์อนุมัติก่อนเสมอ (Human Approval)
5. ระยะเวลาการเก็บรักษาและการลบทำลาย (Retention & Deletion)
องค์กรต้องตรวจสอบสัญญาและข้อตกลงบริการกับผู้ให้บริการ AI (Vendor) ให้ชัดเจนว่า เมื่อยุติการใช้งานแล้ว ข้อมูล Log, Prompt และ Output ทั้งหมดจะถูกลบออก หรือส่งคืนองค์กรด้วยกระบวนการอย่างไร
จาก AI Inventory สู่การเขียน Personal Data Flow
การจัดทำบัญชีรายชื่อระบบ AI (AI Inventory) ช่วยให้องค์กรทราบว่ามีการใช้ AI เครื่องมือใดบ้าง แต่ยังไม่เพียงพอต่อการบริหารความเสี่ยง เพราะ Inventory มองจากมุมของระบบ แต่ไม่ได้บอกว่าเกิดอะไรขึ้นกับข้อมูล
องค์กรควรเปลี่ยนมาทำ Personal Data Flow Mapping โดยไล่เรียงเส้นทางข้อมูลตามลำดับ ดังนี้:
Data Source ➔ Prompt/Input ➔ RAG/Context ➔ AI Processing ➔ Output/Inference ➔ Decision/Action ➔ Log/Feedback ➔ Retention/Deletion
ในแต่ละขั้นตอน ควรถามคำถามสำคัญเพื่อควบคุมความเสี่ยง:
- เป็นข้อมูลชนิดใด และมาจากใคร
- ใช้ประมวลผลเพื่อวัตถุประสงค์อะไร
- ใครหรือระบบใดบ้างที่มีสิทธิ์เข้าถึง
- มีการส่งต่อให้ผู้ให้บริการภายนอก (Vendor) หรือไม่
- ข้อมูลถูกจัดเก็บบนระบบนานเท่าไร และมีมาตรการลบทำลายอย่างไร
สรุป
ความเสี่ยงด้านความเป็นส่วนตัวของการใช้ AI ไม่ได้เดินตามชื่อเครื่องมือ แต่เดินตาม เส้นทางการไหลของข้อมูล (Data Flow) การกำกับดูแล AI Privacy ที่แท้จริง จึงไม่ใช่แค่การออกนโยบายห้ามใช้เครื่องมือใดเครื่องมือหนึ่ง แต่คือการทำความเข้าใจวงจรชีวิตของข้อมูลทั้งหมด เพื่อสร้างมาตรการควบคุมที่เหมาะสมในทุกจุดประมวลผล
ไม่จริง เพราะการพิมพ์หรือคัดลอกข้อความที่มีข้อมูลส่วนบุคคล เช่น อีเมล ชื่อลูกค้า หรือประวัติพนักงาน ลงในช่อง Prompt ก็ถือเป็นการนำ Personal Data เข้าสู่กระบวนการประมวลผลของ AI แล้ว
จัดว่าเป็นข้อมูลส่วนบุคคล หากผลลัพธ์นั้น เช่น คะแนนความเสี่ยง การจัดกลุ่ม หรือผลประเมิน สามารถเชื่อมโยงกลับไประบุตัวตนของบุคคลนั้นๆ ได้ และนำไปใช้ที่มีผลกระทบต่อบุคคล
ไม่ได้ทั้งหมด เพราะระบบหลังบ้านของ AI มักจะมี Log และ Telemetry ที่บันทึก Prompt, Output, User ID และ IP Address เอาไว้เพื่อการดูแลระบบ การกำหนดระยะเวลาเก็บรักษาและลบ Log จึงต้องจัดการที่ระดับนโยบายและสัญญาผู้ให้บริการ
การบริหารความเสี่ยง Personal Data ในระบบ AI จำเป็นต้องมองให้ครอบคลุมตลอดวงจรชีวิตของข้อมูล ตั้งแต่จุดนำเข้า ข้อมูลอนุมาน สิทธิ์ของ AI Agent ไปจนถึงการลบทำลาย Log การทำ Data Flow Mapping ที่ชัดเจนจะช่วยให้องค์กรควบคุมความเสี่ยงได้อย่างตรงจุด และใช้งานเทคโนโลยี AI ได้อย่างปลอดภัยและสอดคล้องกับกฎหมาย
อยากนำ AI มาใช้ในองค์กร แต่ยังกังวลเรื่องความปลอดภัยและข้อมูลรั่วไหล?
หลักสูตร “Privacy in AI Era” ช่วยควบคุมความเสี่ยง AI สู่การลงมือทำจริงในสายงานของคุณ
เผยแพร่: 11 กันยายน 2569
อัปเดตล่าสุด: 11 กันยายน 2569
ช่องทางติดต่อ:
Facebook: PDPA Thailand
Line OA: @pdpathailand
Email: [email protected]
Website: www.pdpathailand.com
