Zaufanie, wiarygodność i zero zaufania: dlaczego przyszłość zaufania musi być weryfikowalna

Nie należy maksymalizować zaufania. Należy na nią zapracować, udokumentować ją i stale kalibrować.

Prawie każda firma technologiczna twierdzi, że buduje zaufanie. Jednak sformułowanie „zaufaj nam” już ujawnia podstawowy problem: wymaga zaufania, zanim zapewni mu wystarczające podstawy. Dostawca oprogramowania może twierdzić, że dane klienta są bezpieczne. Klient może uwierzyć w to twierdzenie i zdecydować się zaufać dostawcy. Jednak to, czy dostawca jest rzeczywiście godny zaufania, to inna kwestia. Jedynie dowody dotyczące wdrożonych mechanizmów kontroli bezpieczeństwa, ich skuteczności, zakresu i dalszego działania mogą stanowić racjonalną podstawę tego zaufania. W tym miejscu często miesza się ze sobą pojęcia takie jak zaufanie, wiarygodność, pewność, zależność, zgodność, zaufanie cyfrowe i zero zaufania. Jednak opisują różne aspekty tego samego problemu.

Zrozumienie tych rozróżnień pomaga nam odpowiedzieć na znacznie szersze pytanie:

Co powinno oznaczać zaufanie w cyfrowym świecie, w którym systemy, organizacje i ryzyko nieustannie się zmieniają?

Zaufanie zaczyna się tam, gdzie kończy się pewność

W badaniach organizacyjnych i psychologicznych zaufanie jest powszechnie kojarzone z chęcią zaakceptowania wrażliwości. Rousseau i in. opisują zaufanie jako stan psychiczny obejmujący intencję zaakceptowania podatności na zranienie w oparciu o pozytywne oczekiwania co do intencji lub zachowania drugiej strony [1]. Mayer, Davis i Schoorman podobnie definiują zaufanie jako gotowość do poddania się drugiej stronie, nawet jeśli tej strony nie można w pełni monitorować ani kontrolować [2]. (Brama Badań) Zaufanie wymaga zatem co najmniej dwóch warunków: musi istnieć niepewność i w grę wchodzi coś znaczącego.

Kiedy wynik jest całkowicie pewny, zaufanie jest niepotrzebne. Kiedy nie ma potencjalnych strat ani zależności, to, co wydaje się być zaufaniem, może być po prostu wygodą. Zaufanie nabiera znaczenia, gdy jesteśmy zależni od innej osoby, organizacji lub systemu, a zależność ta stwarza podatność na zagrożenia. Oznacza to również, że zaufanie nigdy nie jest jedynie uniwersalną własnością podmiotu. Bardziej precyzyjne sformułowanie brzmiałoby:

A ufa B w odniesieniu do X, na warunkach Y, w określonym momencie.

Firma może zaufać dostawcy usług w chmurze w zakresie przechowywania publicznych materiałów marketingowych, ale nie może automatycznie ufać temu samemu dostawcy w zakresie przetwarzania bardzo wrażliwych informacji zdrowotnych. System może być wystarczająco niezawodny w jednym przypadku użycia, a całkowicie nieodpowiedni w innym. Zaufanie jest zatem relacyjne, zależne od kontekstu i zależne od ryzyka.

Bycie godnym zaufania to nie to samo, co bycie godnym zaufania

W języku potocznym słowa „zaufany” i „godny zaufania” są często traktowane jako synonimy, lecz opisują dwa różne pojęcia. Zaufany oznacza, że podmiot rzeczywiście cieszy się zaufaniem. Godny zaufania oznacza, że na to zaufanie zasługuje. Przekonującemu oszustowi można ufać, choć nie jest godny zaufania. Z kolei starannie zaprojektowany i dobrze zarządzany system może być godny zaufania, a mimo to nie zdobyć zaufania użytkowników, jeśli jego możliwości, mechanizmy kontrolne i ograniczenia pozostają niewidoczne. Mayer i współautorzy wskazali trzy często stosowane wymiary postrzeganej wiarygodności: zdolność, uczciwość i życzliwość [2].

Zdolność odnosi się do tego, czy zaufana strona jest wystarczająco kompetentna, aby wykonać odpowiednie zadanie. Uczciwość odnosi się do tego, czy jej stwierdzenia, zasady i rzeczywiste zachowanie są spójne. Życzliwość odnosi się do tego, czy oczekuje się od niej uwzględnienia interesów strony ufającej, a nie dążenia wyłącznie do własnych korzyści. (JSTOR) W przypadku systemów technicznych wymiary te należy przełożyć. Zdolność staje się możliwościami technicznymi, niezawodnością, odpornością i bezpieczeństwem. Uczciwość staje się przewidywalnym zachowaniem, spójnymi zasadami, identyfikowalnym przetwarzaniem i prawdziwą komunikacją o ograniczeniach. Życzliwości nie można po prostu przypisać maszynie. Można go jednak ocenić w odniesieniu do organizacji, która rozwija i obsługuje system: Czy organizacja chroni interesy użytkowników? Czy uczciwie informuje o ryzyku? Czy zapewnia mechanizmy odpowiedzialności i dochodzenia roszczeń?

NIST podchodzi do wiarygodności z punktu widzenia inżynierii systemów. System godny zaufania to nie tylko taki, któremu ludzie ufają. Jego wiarygodność musi opierać się na dowodach potwierdzających, że jest w stanie spełnić najważniejsze stawiane mu wymagania. W zależności od kontekstu wymagania te mogą obejmować bezpieczeństwo, niezawodność, odporność, prywatność lub inne właściwości systemu [3]. To rozróżnienie jest fundamentalne:

Zaufanie istnieje w umyśle strony ufającej. Wiarygodność wyraża się w cechach i zachowaniu podmiotu zaufanego.

Obydwa mogą się wyrównać, ale nie wyrównują się automatycznie.

Zaufanie, poleganie i przestrzeganie zasad to nie to samo

Istnieje jeszcze jedno ważne rozróżnienie pomiędzy zaufaniem i poleganiem. Zaufanie to postawa, oczekiwanie lub osąd. Poleganie to obserwowalne zachowanie. Osoba może nie ufać systemowi sztucznej inteligencji, a mimo to postępować zgodnie z jego zaleceniami, ponieważ nie jest dostępna żadna alternatywa, ze względu na dużą presję czasu lub dlatego, że wymaga tego proces organizacyjny. I odwrotnie, dana osoba może ogólnie ufać systemowi, ale w konkretnym przypadku celowo zlekceważyć jego zalecenia. To rozróżnienie ma znaczenie, ponieważ ankiety pytające użytkowników, czy ufają systemowi, niekoniecznie pozwalają przewidzieć, kiedy użytkownicy będą na nim polegać. Dlatego też niedawne badania interakcji człowiek–AI w coraz większym stopniu oddzielają postrzegane zaufanie, zależność behawioralną, wydajność systemu i trafność podjętej decyzji [8]–[10]. (Biblioteka cyfrowa ACM)

Zgodność również nie jest równoznaczna z wiarygodnością. Zgodność początkowo odpowiada na węższe pytanie:

Czy zdefiniowany zbiór wymagań został spełniony w określonym zakresie?

Certyfikacja, raport z audytu lub ocena mogą stanowić ważny powód zaufania. Nie jest to jednak nieograniczone i trwałe stwierdzenie, że organizacja jest bezpieczna. Audyt może potwierdzić, że dany system zarządzania został właściwie wdrożony w określonym zakresie iw określonym okresie. Nie oznacza to automatycznie, że każda bieżąca konfiguracja jest poprawna, każdy nowo wprowadzony system jest objęty gwarancją ani że nie może wystąpić żadne zdarzenie związane z bezpieczeństwem. Dlatego NIST ostrzega przed traktowaniem zgodności jako jedynej podstawy dowodowej pewności lub wiarygodności. Zgodność może dostarczyć cennych dowodów, ale podejście oparte wyłącznie na zgodności może stwarzać pozory bezpieczeństwa bez odpowiedniego wykazania skuteczności podstawowego systemu [3]. (Publikacje NIST)

Zgodność ma znaczenie. Jednak zgodność jest jednym ze składników uzasadnionego zaufania, a nie jego całkowitym substytutem.

Pewność łączy zaufanie z wiarygodnością

Pomiędzy subiektywnym zaufaniem strony a rzeczywistą wiarygodnością systemu leży inna koncepcja: zapewnienie. NIST opisuje pewność w kategoriach podstaw uzasadnionej pewności, że roszczenie zostało lub zostanie zaspokojone [3]. Zapewnienie nie jest zatem ani uczuciem, ani gwarancją. Jest to ustrukturyzowane uzasadnienie. Solidna struktura zapewnienia powinna uwidaczniać co najmniej pięć elementów: Twierdzenia: Co dokładnie jest stwierdzane? Argumenty: Dlaczego dostępne informacje powinny potwierdzać twierdzenie? Dowody: które zapisy, obserwacje, testy lub artefakty wykazują wdrożenie i skuteczność?

Założenia: W jakich warunkach wniosek pozostaje ważny? Zakres: Które systemy, procesy, dane, lokalizacje i okresy są objęte usługą? NIST używa koncepcji przypadku atestacyjnego do opisania ustrukturyzowanego i podlegającego przeglądowi związku pomiędzy twierdzeniami, argumentami, założeniami i dowodami potwierdzającymi [3]. Rozważ następujące oświadczenie dotyczące bezpieczeństwa:

Wszystkie dane produkcyjne są szyfrowane w stanie spoczynku.

Korporacyjna polityka szyfrowania pokazuje, że istnieje intencja i wymóg. Nie dowodzi, że każdy system magazynowania produkcyjnego rzeczywiście realizuje ten wymóg. Zrzut ekranu jednej konfiguracji bazy danych dostarcza dowodów na temat tej konkretnej bazy danych w określonym momencie. Niekoniecznie oznacza to pełne pokrycie. Silniejszy przypadek pewności może łączyć:

• pełną inwentaryzację magazynów danych produkcyjnych,
• dane konfiguracyjne z każdego odpowiedniego systemu,
• wymagania dotyczące zarządzania kluczami,
• automatyczne sprawdzanie konfiguracji,
• wyniki testów,
• monitorowanie danych,
• odpowiedzialni właściciele,
• przeglądać zapisy,
• oraz wyraźny znacznik czasu dla każdego dowodu.

Różne formy dowodów służą różnym celom. Polityka wspiera zamierzony projekt. Konfiguracja obsługuje implementację techniczną. Test lub ciągła telemetria wspiera rzeczywiste działanie. Przegląd potwierdza wniosek, że dowody zostały ocenione i zaakceptowane przez stronę odpowiedzialną. Żaden z tych elementów sam w sobie nie jest wystarczający. Pewność wynika z możliwego do prześledzenia związku pomiędzy pierwotnym roszczeniem, objętym zakresem, wdrożeniem i dostępnymi dowodami. Dojrzały system zapewniania musi także być w stanie generować negatywne wnioski. Powinien móc stwierdzić, że:

• dostępne dowody są niewystarczające,
• dowody są nieaktualne,
• brakuje części odpowiedniego zakresu,
• realizacja jest sprzeczna z twierdzeniem,
• założenie nie może być już poparte,
• lub skuteczność operacyjna nie została jeszcze wykazana.

NIST wyraźnie przyznaje, że analiza pewności może dawać niekorzystne wyniki, jeśli dowody nie potwierdzają twierdzenia [3]. (Publikacje NIST) System, który może generować jedynie zielone znaczniki wyboru, może zapewnić pewność. Niekoniecznie tworzy to wiarygodną pewność.

Zero zaufania nie oznacza zaufania nikomu

Na pierwszy rzut oka Zero Trust wydaje się zaprzeczać celowi, jakim jest budowanie większego zaufania. Tak nie jest. Zero Trust rozwiązuje inny poziom problemu. Nie jest to przede wszystkim filozofia psychologiczna czy kulturowa. Jest to architektoniczne podejście do decyzji dotyczących dostępu. W modelu Zero Trust zaufanie nie jest przyznawane tylko dlatego, że użytkownik lub urządzenie znajduje się w sieci firmowej, należy do organizacji lub zostało wcześniej uwierzytelnione. Dostęp jest oceniany w odniesieniu do konkretnego zasobu, tożsamości, urządzenia, kontekstu i żądania. Uprawnienia powinny być ograniczone, stale poddawane ponownej ocenie i przyznawane przy założeniu, że sieć lub system może już zostać naruszony [4].

Tradycyjne zabezpieczenia oparte na obwodzie często kompresują złożoną decyzję dotyczącą zaufania do jednego szerokiego założenia:

Wewnątrz sieci korporacyjnej oznacza godny zaufania.

Zero Trust rozkłada to założenie na mniejsze decyzje:

Czy ta tożsamość, korzystając z tego urządzenia, na tych warunkach, może teraz uzyskać dostęp do tego zasobu?

Zero Trust nie oznacza zatem końca zaufania. To koniec ukrytego, szerokiego i trwale dziedziczonego zaufania. Bardziej precyzyjna interpretacja brzmiałaby:

Zero ukrytego zaufania. Zero niezasłużonych przywilejów.

Organizacja może jednocześnie posiadać kulturę wysokiego zaufania i architekturę Zero Trust. Pracownicy nie muszą się wzajemnie podejrzewać tylko dlatego, że decyzje dotyczące dostępu są weryfikowane technicznie. W rzeczywistości dobrze zaprojektowane kontrole mogą ułatwić zaufanie międzyludzkie. Zmniejszają prawdopodobieństwo, że indywidualny błąd, przejęcie konta lub złośliwe żądanie spowodują nieograniczone szkody. Zero Trust zastępuje jedno duże i niejasne założenie dotyczące zaufania wieloma mniejszymi, kontekstowymi, tymczasowymi i odwołalnymi decyzjami. Jest to wysoce zgodne z nowoczesnym rozumieniem zaufania.

Zaufanie cyfrowe poszerza perspektywę

Wiarygodność często koncentruje się na cechach konkretnej organizacji, systemu lub relacji. Zaufanie cyfrowe poszerza perspektywę na cały cyfrowy ekosystem. Światowe Forum Ekonomiczne opisuje zaufanie cyfrowe jako oczekiwanie, że technologie i usługi cyfrowe, a także organizacje je dostarczające, będą chronić interesy zainteresowanych stron oraz przestrzegać odpowiednich oczekiwań i wartości społecznych. Jego ramy łączą zaufanie cyfrowe z takimi wymiarami, jak cyberbezpieczeństwo, prywatność, przejrzystość, możliwość kontroli, uczciwość, interoperacyjność, bezpieczeństwo i mechanizmy dochodzenia roszczeń [5]. (Światowe Forum Ekonomiczne) ISACA podobnie kształtuje zaufanie cyfrowe wokół zaufania do integralności relacji, interakcji i transakcji w całym cyfrowym ekosystemie składającym się z ludzi, organizacji, procesów, informacji i technologii [6]. (ISACA)

Ta perspektywa ekosystemowa ma znaczenie, ponieważ wiarygodność produktu cyfrowego rzadko zależy od samego produktu. Dostawca SaaS może polegać na:

• dostawca infrastruktury chmurowej,
• dostawca tożsamości,
• biblioteki oprogramowania,
• usługi płatnicze,
• platformy monitorujące,
• zewnętrzne źródła danych,
• i ewentualnie modele sztucznej inteligencji innych firm.

Wiarygodność widocznego produktu zależy zatem również od kontroli, założeń i zależności, które pozostają w dużej mierze niewidoczne dla jego użytkowników. Zaufanie cyfrowe można rozumieć jako szerszy wynik gospodarczy i społeczny. Wiarygodność opisuje właściwości, które sprawiają, że ekosystem zasługuje na zaufanie. Zapewnienie stanowi pomost pomiędzy tymi właściwościami a decyzją interesariusza o zaufaniu.

Sztuczna inteligencja pokazuje, dlaczego maksymalizacja zaufania jest złym celem

Sztuczna inteligencja sprawia, że ​​szczególnie widoczna jest różnica pomiędzy zaufaniem postrzeganym a faktyczną wiarygodnością. System sztucznej inteligencji może komunikować się płynnie, pewnie i przekonująco, ale jednocześnie nie musi być zawsze poprawny. Interfejs może sygnalizować przejrzystość i kompetencje, nawet jeśli model leżący u jego podstaw nie jest wystarczająco niezawodny w przypadku zamierzonego zadania. Wyjaśnienia, wskaźniki pewności lub ludzki język mogą wpływać na percepcję użytkowników. Nie są one automatycznie dowodem na to, że odpowiedź jest prawidłowa. Dlatego NIST nie definiuje godnej zaufania sztucznej inteligencji poprzez pojedynczą właściwość. Ramy zarządzania ryzykiem AI identyfikują wiele cech, w tym ważność i niezawodność, bezpieczeństwo, ochronę i odporność, odpowiedzialność i przejrzystość, wyjaśnialność i interpretowalność, prywatność oraz zarządzanie szkodliwymi uprzedzeniami. NIST podkreśla również, że te cechy są kontekstowe i mogą wiązać się z kompromisami [7].

System może być dokładny, ale niesprawiedliwy. Może być przejrzyste, ale niepewne. Może chronić prywatność, ale nie może być niezawodny w odniesieniu do zamierzonego celu. Może średnio działać dobrze, ale w najważniejszych przypadkach może zawieść w nieprzewidywalny sposób. Etykieta „godna zaufania sztuczna inteligencja” nie może przesłaniać tych rozróżnień. Dlatego badania interakcji człowiek – sztuczna inteligencja coraz częściej omawiają odpowiednie zaufanie, skalibrowane zaufanie i odpowiednie poleganie. Celem nie jest sprawienie, aby użytkownicy jak najbardziej zaufali systemowi. Celem jest pomoc użytkownikom w dokładnym zrozumieniu możliwości i ograniczeń systemu oraz poleganie na nim tylko wtedy, gdy jest to uzasadnione.

Przegląd systematyczny przeprowadzony przez Mehrotrę i in. odkryli, że w literaturze nadal nie ma jednej, konsekwentnie stosowanej definicji odpowiedniego zaufania. W badaniach naukowych wykorzystuje się różne konstrukty i miary zaufania, intencji, zaufania, postrzeganych możliwości i rzeczywistej wydajności systemu [8]. (Biblioteka cyfrowa ACM) Visser i in. podobnie rozróżnij zaufanie, nieufność i właściwe poleganie. Ich przegląd wskazuje, że empiryczny związek między wyjaśnialną sztuczną inteligencją, zaufaniem użytkowników i odpowiednim zaufaniem pozostaje mieszany i w wielu kontekstach niejednoznaczny [9]. (ScienceDirectW przeddruku Raeesa i Papangelisa z 2026 r. jeszcze bardziej bezpośrednio argumentuje się, że subiektywne pomiary zaufania nie wskazują automatycznie, czy ludzie w odpowiedni sposób polegają na zaleceniach sztucznej inteligencji. Ponieważ praca ta została opublikowana w formie preprintu, zawarte w niej wnioski należy traktować raczej jako bieżący wkład badawczy niż ostateczny konsensus [10]. (arXiv)

Brak zaufania niekoniecznie jest przeciwieństwem dobrego wykorzystania systemu. Pewien sceptycyzm może zachęcać do weryfikacji i wykrywania błędów. Jednak bezkrytyczny brak zaufania może również prowadzić użytkowników do odrzucenia prawidłowych zaleceń. W badaniu eksperymentalnym przeprowadzonym w 2026 r. przez Petersa, Biermeiera i Scharlau sprawdzano, czy uwaga wzrokowa może pomóc w zidentyfikowaniu „zdrowej nieufności” w interakcji człowiek – sztuczna inteligencja. Wyniki nie były rozstrzygające i ilustrują, jak trudno jest zmierzyć, czy zaufanie i nieufność są odpowiednio skalibrowane [11]. (Granice) Pożądaną zależność można zilustrować w następujący sposób:

Rzeczywista wiarygodność	Niskie zaufanie użytkowników	Wysokie zaufanie użytkowników
Niski	Uzasadniony sceptycyzm	Niebezpieczne nadmierne zaufanie
Wysoki	Brak zaufania lub niepotrzebne nieużywanie	Uzasadnione, skalibrowane zaufanie

Celem nie jest po prostu przeniesienie każdego użytkownika do prawego dolnego rogu poprzez zwiększenie zaufania. Celem jest, aby postrzegane zaufanie i zależność behawioralna odpowiadały jak najbliżej rzeczywistej wiarygodności systemu, konsekwencji awarii i kontekstu użycia. W artykule z lipca 2026 r. Busuioc i Maggetti opowiadają się za przejściem od maksymalizacji zaufania do zaufania skalibrowanego. Ostrzegają, że zaufanie może zostać oderwane od rzeczywistej wiarygodności, gdy organizacje wytwarzają sygnały zaufania, zamiast zająć się podstawowymi warunkami, które uzasadniają zaufanie. Ich analiza podkreśla również wrażliwość, odpowiedzialność i konstruktywną rolę, jaką może odegrać brak zaufania [12]. (Akademik OUP)

Europejski akt dotyczący sztucznej inteligencji opiera się na powiązanej logice operacyjnej. W przypadku odpowiednich systemów wysokiego ryzyka wymaga procesów i dokumentacji dotyczącej zarządzania ryzykiem, zarządzania danymi, dokumentacji technicznej, rejestrowania, przejrzystości, nadzoru ludzkiego, dokładności, solidności i cyberbezpieczeństwa [13]. Wymogi te nie dowodzą, że każdy regulowany system sztucznej inteligencji będzie godny zaufania. Próbują jednak przełożyć abstrakcyjne oczekiwanie dotyczące wiarygodności na konkretne działania związane z zarządzaniem i możliwe do sprawdzenia dowody. (EUR-Lex) Godna zaufania sztuczna inteligencja nie jest zatem stylem interfejsu ani etykietą marketingową. Jest to ciągły problem w zakresie zarządzania i pewności.

Nasze stanowisko: zaufanie musi być uzasadnione i skalibrowane

W Secani nie rozumiemy zaufania jako uczucia, które należy po prostu wzmacniać. Nie definiujemy tego również jako absolutnej pewności. Absolutne bezpieczeństwo nie istnieje w prawdziwych systemach cyfrowych. Nawet mocne dowody nie mogą zagwarantować, że nigdy nie nastąpi żadna awaria ani atak. Dowody zmniejszają niepewność i wspierają lepsze decyzje, ale nie eliminują ryzyka. Gdyby można było usunąć wszelką niepewność, zaufanie nie byłoby już potrzebne. Dlatego celowo mówimy o uzasadnionym zaufaniu, a nie pewności. Nasza definicja to:

Zaufanie to uzasadniona, zależna od kontekstu pewność, że żądanie bezpieczeństwa jest obecnie prawdziwe, ponieważ roszczenie, jego realizacja i aktualne dowody są w sposób sprawdzalny zgodne.

Podstawowy łańcuch to:

Twierdzenie → Wdrożenie → Dowód → Zapewnienie → Skalibrowane zaufanie

Organizacja składa oświadczenie dotyczące swojego bezpieczeństwa. Twierdzenie to przekłada się na konkretne kontrole, systemy, obowiązki i oczekiwane wyniki. Aktualne dowody wskazują, czy i w jaki sposób kontrole te zostały wdrożone. Proces pewności ocenia, czy dowody rzeczywiście potwierdzają pierwotne twierdzenie. Dopiero wtedy pojawia się racjonalna podstawa zaufania. Definicja ta zawiera pięć zamierzonych ograniczeń.

Zaufanie zależy od roszczeń

„Jesteśmy bezpieczni” to zbyt ogólne pojęcie, aby można je było w znaczący sposób zweryfikować. „Wszystkie produkcyjne magazyny danych korzystają z zatwierdzonych konfiguracji szyfrowania” jest węższe i można je przetestować. Im bardziej ogólne staje się twierdzenie, tym trudniej jest określić jego zakres, wymagane dowody, założenia i warunki ważności.

Zaufanie zależy od kontekstu

Kontrola może być skuteczna dla jednego systemu i nieskuteczna dla innego. Model sztucznej inteligencji może nadawać się do podsumowywania dokumentów wewnętrznych, ale nie nadaje się do autonomicznego zatwierdzania wyjątków bezpieczeństwa. Zaufania nie można przenosić między kontekstami bez oceny, czy odpowiednie warunki pozostają porównywalne.

Zaufanie jest zależne od czasu

Organizacje nieustannie się zmieniają. Pojawiają się nowe aktywa, konfiguracje są modyfikowane, pracownicy zmieniają role, dostawcy aktualizują usługi, a zespoły wykrywają nowe luki. Mechanizmy kontrolne, które działały wczoraj, dziś mogą już nie działać prawidłowo. Dlatego dowody tracą wartość wraz z upływem czasu. Wiarygodny wniosek musi wskazywać nie tylko, co zweryfikowano, lecz także kiedy to zrobiono i jak długo wniosek powinien pozostać ważny.

Zaufanie opiera się na dowodach, ale nie jest absolutne

Dowody uwidaczniają niepewność, a decyzje dają się obronić. Nie usuwa to całkowicie niepewności. Nawet mocne dowody mają swoje ograniczenia. Może obejmować tylko część systemu, opierać się na założeniach, zawierać błędy pomiarowe lub stać się przestarzały. Wiarygodne zapewnienie musi komunikować te ograniczenia, a nie ukrywać je za statusem binarnym.

Zaufanie musi być odwołalne

Decyzja powiernicza musi mieć możliwość zmiany w przypadku zmiany warunków wspierających. Jeżeli nowe dowody zaprzeczają wcześniejszemu twierdzeniu dotyczącemu bezpieczeństwa, należy zaktualizować wniosek. Kiedy dowody wygasną, zaufanie powinno spaść. W przypadku rozszerzenia zakresu objętego badaniem należy zażądać dodatkowych dowodów. Zaufanie, którego nie można zweryfikować, nie jest zaufaniem skalibrowanym. To wiara oderwana od rzeczywistości.

Od okresowych sygnałów zaufania po ciągłe zapewnianie

Tradycyjne zaufanie cyfrowe buduje się często za pomocą okresowych sygnałów: certyfikatów, kwestionariuszy, raportów z audytu, dokumentów oceniających i prezentacji dotyczących bezpieczeństwa. Mechanizmy te pozostają ważne. Jednak same w sobie nie wystarczą w świecie, w którym systemy cyfrowe zmieniają się każdego dnia. Przyszły model zmierza w innym kierunku:

Tradycyjny model	Przyszły model
„Zaufaj nam”	Zweryfikuj konkretne roszczenie
Szerokie obietnice bezpieczeństwa	Zdefiniowane roszczenia i wyraźny zakres
Okresowe zbieranie materiału dowodowego	Stale odświeżane dowody
Dokumenty statyczne	Połączone informacje do odczytu maszynowego
Stan zgodności binarnej	Kontekst, niepewność i okresy ważności
Ukryte założenia	Jawne założenia i zależności
Tylko pozytywne dowody	Widoczne luki i sprzeczne dowody
Jeden roczny wniosek	Wnioski podlegające ciągłej weryfikacji

Ciągłe zapewnianie nie oznacza, że ​​każde działanie w organizacji musi być stale monitorowane. Powinno być oparte na ryzyku i proporcjonalne. Krytyczne roszczenie dotyczące uprzywilejowanego dostępu, infrastruktury produkcyjnej lub wrażliwych danych klientów wymaga bardziej aktualnych i mocniejszych dowodów niż roszczenie administracyjne o niewielkim wpływie. Ważną zmianą jest to, że zaufanie nie jest już przypisane do jednego dokumentu. Wymagania, implementacje, dowody, przeglądy, ustalenia, obowiązki i zależności powinny zamiast tego tworzyć połączony model. Struktury nadające się do odczytu maszynowego mogą odegrać ważną rolę w tym przejściu. Umożliwiają ponowne wykorzystanie dowodów w różnych ramach i ocenach bez usuwania ich pochodzenia, pierwotnego zakresu, czasu gromadzenia, odpowiedzialnego właściciela lub ograniczeń.

Przyszłość zaufania nie jest zatem jedynie ciągła. Jest granularny, identyfikowalny, zbywalny i odwołalny.

Zero zaufania i wysokie zaufanie nie są przeciwieństwami

Można teraz połączyć różne koncepcje. Zero zaufania reguluje sposób podejmowania indywidualnych decyzji dotyczących dostępu. Wiarygodność opisuje, czy system lub organizacja zasługuje na zaufanie. Zapewnienie zapewnia uporządkowane uzasadnienie tego wniosku. Dowody potwierdzają twierdzenia dotyczące wdrożenia i skuteczności. Zgodność ocenia zgodność z określonymi wymaganiami. Zależność opisuje, czy dana osoba faktycznie zależy od systemu, czy też go przestrzega. Zaufanie cyfrowe to szersze zaufanie, które może pojawić się w całym ekosystemie. Zero Trust zapobiega zakładaniu zaufania bez wystarczających podstaw. Pewność pokazuje, gdzie zaufanie jest uzasadnione.

Zgodność zapewnia ustrukturyzowane wymagania i mechanizmy przeglądu. Dowody łączą stwierdzenia z obserwowalną rzeczywistością. Koncepcje te nie są zatem wizjami konkurencyjnymi. Są to różne części jednego, spójnego modelu. Przyszłość nie polega ani na powszechnym „nie ufaj wszystkim”, ani na kulturowym „nie ufaj nikomu”. Jest to weryfikowalne, skalibrowane zaufanie.

Co oznacza „Optymalizuj pod kątem zaufania” w Secani

„Optymalizuj pod kątem zaufania” nie może oznaczać optymalizacji pod kątem postrzegania wiarygodności. Nie powinno to oznaczać produkowania jak największej liczby zielonych znaczników wyboru, odznak, certyfikatów lub ogólnych oświadczeń bezpieczeństwa. Nie powinno to oznaczać zachęcania ludzi do zaufania systemowi bardziej, niż uzasadniają to jego rzeczywiste właściwości. Dla nas oznacza to:

Nie optymalizuj pod kątem zaufania. Optymalizuj tak, aby była godna uzasadnionego zaufania.

Budujemy Secani, aby w sposób ciągły łączyć oświadczenia, wymagania, wdrożenia i dowody dotyczące bezpieczeństwa. Zaufanie nie powinno wynikać wyłącznie z przekonującej prezentacji lub okresowego dokumentu zgodności. Powinno wynikać z aktualnego, sprawdzalnego i identyfikowalnego uzasadnienia. Najbardziej zwięzłym wyrazem tej idei może być:

Zaufanie nie jest obietnicą. Jest to wniosek stale potwierdzany.

Organizacje nie powinny jedynie sprawiać wrażenia godnych zaufania. Powinni być w stanie wykazać, dlaczego zasługują na zaufanie. Nie należy po prostu wymagać od ludzi, aby bardziej ufali. Powinni mieć możliwość lepszego zaufania.

Referencje

[1] D. M. Rousseau, S. B. Sitkin, R. S. Burta i C. Camerer, „W końcu nie tak różne: międzydyscyplinarne spojrzenie na zaufanie”, Academy of Management Review, tom. 23, nie. 3, s. 393–404, 1998, doi: 10,5465/AMR.1998.926617. (DOI)

[2]R. C. Mayera, J. H. Davisa i F. D. Schoorman, „Integracyjny model zaufania organizacyjnego”, Academy of Management Review, tom. 20, nie. 3, s. 709–734, 1995, doi: 10,5465/amr.1995.9508080335. (DOI)

[3]R. Rossa, M. Winsteada i M. McEvilley, Engineering Trustworthy Secure Systems, publikacja specjalna NIST 800-160, tom. 1, wyd. 1, Narodowy Instytut Standardów i Technologii, Gaithersburg, MD, USA, listopad 2022, doi: 10.6028/NIST.SP.800-160v1r1. (Publikacje NIST)

[4] S. Róża, o. Borchert, S. Mitchella i S. Connelly, Architektura Zero Trust, Publikacja specjalna NIST 800-207, Narodowy Instytut Standardów i Technologii, Gaithersburg, Maryland, USA, sierpień. 2020, doi: 10.6028/NIST.SP.800-207. (Centrum zasobów NIST dotyczące bezpieczeństwa komputerowego)

[5] Światowe Forum Ekonomiczne, Earning Digital Trust: Podejmowanie decyzji w zakresie godnych zaufania technologii, Genewa, Szwajcaria, listopad 2013, str. 2022. (Światowe Forum Ekonomiczne)

[6] K. B. Kelley, „The Digital Trust Imperatyw: Definiowanie, ustanawianie i pomiar zaufania cyfrowego”, ISACA Journal, tom. 1 stycznia 2023. (ISACA)

[7] Narodowy Instytut Standardów i Technologii, Ramy zarządzania ryzykiem sztucznej inteligencji (AI RMF 1.0), NIST AI 100-1, styczeń 2015. 2023, doi: 10.6028/NIST.AI.100-1. (Publikacje NIST)

[8] S. Mehrotra, C. Degachi, O. Wiereszak, C. M. Jonkera i M. L. Tielman, „A Systematic Review on Fostering Appropriate Trust in Human-AI Interaction: Trends, Opportunities and Challenges”, ACM Journal on Responsible Computing, tom. 1, nie. 4, art. NIE. 26, s. 1–45, 2024, doi: 10.1145/3696449. (Biblioteka cyfrowa ACM)

[9]R. Visser, T. M. Peters, I. Scharlau i B. Hammer, „Zaufanie, nieufność i odpowiednie poleganie w (X)AI: koncepcyjne wyjaśnienie zaufania użytkownika i badanie jego empirycznej oceny”, Cognitive Systems Research, tom. 91, art. NIE. 101357, 2025, doi: 10.1016/j.cogsys.2025.101357. (ScienceDirect)

[10] M. Raeesa i K. Papangelis, „Od zaufania do odpowiedniego zaufania: konstrukcje pomiarowe w podejmowaniu decyzji przez ludzką sztuczną inteligencję”, arXiv:2604.23896, kwiecień. 2026, doi: 10,48550/arXiv.2604.23896. Wydruk wstępny. (arXiv)

[11] T. M. Peters, K. Biermeier i I. Scharlau, „Ocena zdrowej nieufności w interakcji człowiek-AI: Interpretacja zmian w uwadze wzrokowej”, Frontiers in Psychology, tom. 16, art. NIE. 1694367, styczeń 2026, doi: 10.3389/fpsyg.2025.1694367. (Granice)

[12] M. Busuioca i M. Maggetti, „Godzien zaufania? Zarządzanie sztuczną inteligencją i rola (nie)ufności”, Perspectives on Public Management and Governance, Art. nr gvag007, lipiec 2013 2026, doi: 10.1093/ppmgov/gvag007. (Akademik OUP)

[13] Parlament Europejski i Rada Unii Europejskiej, „Rozporządzenie (UE) 2024/1689 z dnia 13 czerwca 2024 r. ustanawiającej zharmonizowane zasady dotyczące sztucznej inteligencji”, Dziennik Urzędowy Unii Europejskiej, lipiec 2020 r. 2024. (EUR-Lex)