
Zaufania nie należy maksymalizować. Trzeba na nie zapracować, poprzeć je dowodami i stale je kalibrować.
Niemal każda firma technologiczna twierdzi, że buduje zaufanie. Już samo hasło „zaufaj nam” ujawnia jednak sedno problemu: prosi o zaufanie, zanim dostarczy dla niego wystarczających podstaw. Dostawca oprogramowania może twierdzić, że dane klientów są bezpieczne. Klient może w to uwierzyć i postanowić zaufać dostawcy. To, czy dostawca jest rzeczywiście godny zaufania, jest jednak zupełnie innym pytaniem. Racjonalną podstawę takiego zaufania mogą dać wyłącznie dowody dotyczące wdrożonych zabezpieczeń, ich skuteczności, zakresu i ciągłości działania. Właśnie w tym miejscu pojęcia takie jak zaufanie, wiarygodność, zapewnienie (assurance), poleganie (reliance), zgodność (compliance), zaufanie cyfrowe i Zero Trust są często ze sobą mieszane. Opisują one jednak różne aspekty tego samego problemu.
Zrozumienie tych różnic pomaga odpowiedzieć na znacznie szersze pytanie:
Co powinno oznaczać zaufanie w cyfrowym świecie, w którym systemy, organizacje i ryzyka nieustannie się zmieniają?
W badaniach z zakresu nauk o organizacji i psychologii zaufanie wiąże się zwykle z gotowością do zaakceptowania własnej podatności na szkodę. Rousseau i współautorzy opisują zaufanie jako stan psychiczny obejmujący zamiar zaakceptowania podatności na podstawie pozytywnych oczekiwań wobec intencji lub zachowania drugiej strony [1]. Mayer, Davis i Schoorman podobnie definiują zaufanie jako gotowość do uczynienia się podatnym na działania drugiej strony, nawet jeśli tej strony nie da się w pełni monitorować ani kontrolować [2]. (ResearchGate) Zaufanie wymaga zatem co najmniej dwóch warunków: musi istnieć niepewność i musi być coś istotnego do stracenia.
Gdy wynik jest całkowicie pewny, zaufanie jest zbędne. Gdy nie istnieje żadna potencjalna strata ani zależność, to, co wygląda na zaufanie, może być po prostu wygodą. Zaufanie staje się istotne wtedy, gdy zależymy od innej osoby, organizacji lub systemu, a ta zależność czyni nas podatnymi. Oznacza to również, że zaufanie nigdy nie jest po prostu uniwersalną właściwością jakiegoś podmiotu. Precyzyjniejsze sformułowanie brzmiałoby:
A ufa B w odniesieniu do X, w warunkach Y, w określonym momencie.
Firma może ufać dostawcy chmury w zakresie przechowywania publicznych materiałów marketingowych, a mimo to nie ufać automatycznie temu samemu dostawcy w zakresie przetwarzania wysoce wrażliwych danych o zdrowiu. System może być wystarczająco niezawodny w jednym zastosowaniu, a zupełnie nieodpowiedni w innym. Zaufanie jest więc relacyjne, zależne od kontekstu i zależne od ryzyka.
W języku codziennym określenia „darzony zaufaniem” i „godny zaufania” często traktuje się jak synonimy. Pojęciowo opisują one jednak dwie różne rzeczy. Darzony zaufaniem oznacza, że podmiotowi faktycznie się ufa. Godny zaufania oznacza, że podmiot na to zaufanie zasługuje. Przekonujący oszust może cieszyć się zaufaniem, nie będąc go godnym. I odwrotnie: starannie zaprojektowany i dobrze zarządzany system może być godny zaufania, a mimo to nie zdobyć zaufania użytkowników, ponieważ jego możliwości, zabezpieczenia i ograniczenia pozostają niewidoczne. Mayer i współautorzy wskazują trzy powszechnie stosowane wymiary postrzeganej wiarygodności: kompetencję (ability), uczciwość (integrity) i życzliwość (benevolence) [2].
Kompetencja dotyczy tego, czy strona, której się ufa, jest wystarczająco kompetentna, by wykonać dane zadanie. Uczciwość dotyczy tego, czy jej deklaracje, zasady i rzeczywiste zachowanie są spójne. Życzliwość dotyczy tego, czy można oczekiwać, że będzie uwzględniać interesy strony ufającej, a nie wyłącznie dążyć do własnej korzyści. (JSTOR) W przypadku systemów technicznych te wymiary trzeba przełożyć. Kompetencja staje się zdolnością techniczną, niezawodnością, odpornością i bezpieczeństwem. Uczciwość staje się przewidywalnym zachowaniem, spójnymi regułami, identyfikowalnym przetwarzaniem i prawdomówną komunikacją na temat ograniczeń. Życzliwości nie można po prostu przypisać maszynie. Można ją jednak ocenić w odniesieniu do organizacji, która system rozwija i eksploatuje: czy organizacja chroni interesy użytkowników? Czy uczciwie komunikuje ryzyka? Czy zapewnia mechanizmy rozliczalności i dochodzenia roszczeń?
NIST podchodzi do wiarygodności z perspektywy inżynierii systemów. System godny zaufania to nie po prostu taki, któremu ludzie akurat ufają. Jego wiarygodność musi opierać się na dowodach, że jest w stanie spełnić stawiane mu krytyczne wymagania. W zależności od kontekstu mogą to być wymagania dotyczące bezpieczeństwa informacji, bezpieczeństwa funkcjonalnego, niezawodności, odporności, prywatności lub innych właściwości systemu [3]. To rozróżnienie ma fundamentalne znaczenie:
Zaufanie istnieje w umyśle strony ufającej. Wiarygodność tkwi w cechach i zachowaniu podmiotu, któremu się ufa.
Jedno i drugie może się pokrywać, ale nie dzieje się to automatycznie.
Kolejne ważne rozróżnienie dotyczy zaufania i polegania (reliance). Zaufanie jest postawą, oczekiwaniem lub osądem. Poleganie jest obserwowalnym zachowaniem. Ktoś może nie ufać systemowi AI, a mimo to zastosować się do jego rekomendacji, ponieważ nie ma alternatywy, działa pod dużą presją czasu albo wymaga tego proces organizacyjny. I odwrotnie: ktoś może co do zasady ufać systemowi, ale w konkretnym przypadku świadomie zignorować jego rekomendację. To rozróżnienie jest ważne, ponieważ ankiety, w których pyta się użytkowników, czy ufają systemowi, niekoniecznie pozwalają przewidzieć, kiedy ci użytkownicy będą na nim polegać. Najnowsze badania nad interakcją człowieka z AI coraz częściej oddzielają więc postrzegane zaufanie, poleganie behawioralne, wydajność systemu i trafność wynikającej z tego decyzji [8]–[10]. (ACM Digital Library)
Również zgodność (compliance) nie jest równoznaczna z wiarygodnością. Zgodność odpowiada początkowo na węższe pytanie:
Czy określony zestaw wymagań został spełniony w określonym zakresie?
Certyfikat, raport z audytu czy ocena mogą stanowić ważny powód do zaufania. Nie są jednak nieograniczonym i trwałym stwierdzeniem, że organizacja jest bezpieczna. Audyt może potwierdzić, że określony system zarządzania został odpowiednio wdrożony w określonym zakresie i w określonym okresie. Nie dowodzi automatycznie, że każda bieżąca konfiguracja jest prawidłowa, że każdy nowo wprowadzony system jest objęty zakresem ani że nie może dojść do żadnego incydentu bezpieczeństwa. Dlatego NIST przestrzega przed traktowaniem zgodności jako jedynej podstawy dowodowej zapewnienia lub wiarygodności. Zgodność może dostarczać cennych dowodów, ale podejście oparte wyłącznie na zgodności może stworzyć pozór bezpieczeństwa, nie wykazując w wystarczającym stopniu skuteczności systemu, który się za nim kryje [3]. (NIST Publikationen)
Zgodność ma znaczenie. Jest jednak jednym ze źródeł uzasadnionego zaufania, a nie jego pełnym zamiennikiem.
Między subiektywnym zaufaniem danej strony a rzeczywistą wiarygodnością systemu znajduje się jeszcze jedno pojęcie: zapewnienie (assurance). NIST opisuje zapewnienie jako podstawy uzasadnionej pewności, że dane twierdzenie zostało lub zostanie spełnione [3]. Zapewnienie nie jest więc ani odczuciem, ani gwarancją. Jest ustrukturyzowanym uzasadnieniem. Solidna struktura zapewnienia powinna uwidaczniać co najmniej pięć elementów: Twierdzenia: co dokładnie jest deklarowane? Argumenty: dlaczego dostępne informacje mają wspierać to twierdzenie? Dowody: jakie zapisy, obserwacje, testy lub artefakty wykazują wdrożenie i skuteczność?
Założenia: w jakich warunkach wniosek pozostaje ważny? Zakres: jakie systemy, procesy, dane, lokalizacje i okresy są objęte? NIST posługuje się pojęciem assurance case (uzasadnienia zapewnienia), aby opisać ustrukturyzowaną i podlegającą weryfikacji relację między twierdzeniami, argumentami, założeniami i dowodami na ich poparcie [3]. Rozważmy następujące twierdzenie dotyczące bezpieczeństwa:
Wszystkie dane produkcyjne są szyfrowane w spoczynku.
Firmowa polityka szyfrowania pokazuje, że istnieje taki zamiar i wymóg. Nie dowodzi, że każdy produkcyjny system przechowywania danych rzeczywiście ten wymóg realizuje. Zrzut ekranu konfiguracji jednej bazy danych jest dowodem dotyczącym tej konkretnej bazy w konkretnym momencie. Niekoniecznie wykazuje pełne pokrycie. Mocniejsze uzasadnienie zapewnienia mogłoby łączyć:
Różne formy dowodów służą różnym celom. Polityka wspiera zamierzony projekt. Konfiguracja wspiera wdrożenie techniczne. Test lub ciągła telemetria wspierają rzeczywiste działanie. Przegląd wspiera wniosek, że dowody zostały ocenione i zaakceptowane przez odpowiedzialną osobę. Żaden z tych elementów sam w sobie niekoniecznie wystarcza. Zapewnienie wynika z identyfikowalnego powiązania między pierwotnym twierdzeniem, objętym zakresem, wdrożeniem i dostępnymi dowodami. Dojrzały system zapewnienia musi też umieć formułować wnioski negatywne. Powinien być w stanie stwierdzić, że:
NIST wprost przyznaje, że analiza zapewnienia może przynieść niekorzystne wyniki, jeśli dowody nie wspierają twierdzenia [3]. (NIST Publikationen) System, który potrafi generować wyłącznie zielone ptaszki, może uspokajać. Niekoniecznie jednak tworzy wiarygodne zapewnienie.
Na pierwszy rzut oka Zero Trust wydaje się przeczyć celowi budowania większego zaufania. Tak nie jest. Zero Trust dotyczy innego poziomu problemu. Nie jest przede wszystkim filozofią psychologiczną ani kulturową. Jest architektonicznym podejściem do decyzji o dostępie. W modelu Zero Trust zaufania nie przyznaje się tylko dlatego, że użytkownik lub urządzenie znajduje się w sieci firmowej, należy do organizacji albo zostało wcześniej uwierzytelnione. Dostęp ocenia się w odniesieniu do konkretnego zasobu, tożsamości, urządzenia, kontekstu i żądania. Uprawnienia powinny być ograniczone, stale weryfikowane i przyznawane przy założeniu, że sieć lub system mogą już być skompromitowane [4].
Tradycyjne bezpieczeństwo oparte na perymetrze często sprowadza złożoną decyzję o zaufaniu do jednego szerokiego założenia:
Wewnątrz sieci firmowej znaczy godny zaufania.
Zero Trust rozkłada to założenie na mniejsze decyzje:
Czy ta tożsamość, korzystając z tego urządzenia, w tych warunkach, może teraz uzyskać dostęp do tego zasobu?
Zero Trust nie jest więc końcem zaufania. Jest końcem zaufania domyślnego, szerokiego i trwale dziedziczonego. Precyzyjniejsza interpretacja brzmiałaby:
Zero domyślnego zaufania. Zero niezasłużonych uprawnień.
Organizacja może jednocześnie mieć kulturę wysokiego zaufania i architekturę Zero Trust. Pracownicy nie muszą się nawzajem podejrzewać tylko dlatego, że decyzje o dostępie są technicznie weryfikowane. Dobrze zaprojektowane zabezpieczenia mogą wręcz ułatwiać zaufanie międzyludzkie. Zmniejszają prawdopodobieństwo, że pojedynczy błąd, przejęte konto lub złośliwe żądanie doprowadzą do nieograniczonych szkód. Zero Trust zastępuje jedno duże i mgliste założenie o zaufaniu wieloma mniejszymi, kontekstowymi, tymczasowymi i odwołalnymi decyzjami. Jest to w pełni zgodne z nowoczesnym rozumieniem zaufania.
Wiarygodność często koncentruje się na cechach konkretnej organizacji, systemu lub relacji. Zaufanie cyfrowe poszerza tę perspektywę na cały cyfrowy ekosystem. Światowe Forum Ekonomiczne opisuje zaufanie cyfrowe jako oczekiwanie, że technologie i usługi cyfrowe oraz dostarczające je organizacje będą chronić interesy interesariuszy i respektować istotne oczekiwania i wartości społeczne. Jego ramy wiążą zaufanie cyfrowe z takimi wymiarami jak cyberbezpieczeństwo, prywatność, przejrzystość, audytowalność, sprawiedliwość, interoperacyjność, bezpieczeństwo oraz mechanizmy dochodzenia roszczeń [5]. (World Economic Forum) ISACA w podobny sposób ujmuje zaufanie cyfrowe jako pewność co do integralności relacji, interakcji i transakcji w cyfrowym ekosystemie złożonym z ludzi, organizacji, procesów, informacji i technologii [6]. (ISACA)
Ta perspektywa ekosystemowa ma znaczenie, ponieważ wiarygodność produktu cyfrowego rzadko zależy wyłącznie od samego produktu. Dostawca SaaS może polegać na:
Wiarygodność widocznego produktu zależy więc także od zabezpieczeń, założeń i zależności, które dla jego użytkowników pozostają w dużej mierze niewidoczne. Zaufanie cyfrowe można rozumieć jako szerszy efekt gospodarczy i społeczny. Wiarygodność opisuje właściwości, dzięki którym ekosystem zasługuje na zaufanie. Zapewnienie stanowi pomost między tymi właściwościami a decyzją interesariusza o obdarzeniu zaufaniem.
Sztuczna inteligencja szczególnie wyraźnie uwidacznia różnicę między postrzeganym zaufaniem a rzeczywistą wiarygodnością. System AI może komunikować się płynnie, pewnie i przekonująco, nie mając konsekwentnie racji. Interfejs może sygnalizować przejrzystość i kompetencję, nawet jeśli model, który się za nim kryje, nie jest wystarczająco niezawodny do zamierzonego zadania. Wyjaśnienia, wskaźniki pewności czy język przypominający ludzki mogą wpływać na postrzeganie użytkowników. Nie są jednak automatycznie dowodem, że odpowiedź jest prawidłowa. Dlatego NIST nie definiuje godnej zaufania AI przez jedną właściwość. AI Risk Management Framework wskazuje wiele cech, w tym trafność i niezawodność, bezpieczeństwo funkcjonalne, bezpieczeństwo i odporność, rozliczalność i przejrzystość, wyjaśnialność i interpretowalność, prywatność oraz zarządzanie szkodliwymi uprzedzeniami. NIST podkreśla też, że cechy te zależą od kontekstu i mogą wymagać kompromisów [7].
System może być dokładny, ale niesprawiedliwy. Może być przejrzysty, ale niebezpieczny. Może chronić prywatność, a mimo to pozostawać zawodny w swoim zamierzonym celu. Może dobrze działać średnio, a jednocześnie w nieprzewidywalny sposób zawodzić właśnie w tych przypadkach, które są najważniejsze. Etykieta „godna zaufania AI” nie może zacierać tych różnic. Dlatego w badaniach nad interakcją człowieka z AI coraz częściej mówi się o odpowiednim zaufaniu, skalibrowanym zaufaniu i odpowiednim poleganiu. Celem nie jest skłonienie użytkowników do jak największego zaufania systemowi. Celem jest pomóc im wyrobić sobie trafne rozumienie możliwości i ograniczeń systemu oraz polegać na nim tylko wtedy, gdy jest to uzasadnione.
Przegląd systematyczny Mehrotry i współautorów wykazał, że w literaturze wciąż brakuje jednej, spójnie stosowanej definicji odpowiedniego zaufania. Badania posługują się różnymi konstruktami i miarami zaufania, intencji, polegania, postrzeganych możliwości i rzeczywistej wydajności systemu [8]. (ACM Digital Library) Visser i współautorzy podobnie rozróżniają zaufanie, nieufność i odpowiednie poleganie. Ich przegląd wskazuje, że empiryczny związek między wyjaśnialną AI, zaufaniem użytkowników i odpowiednim poleganiem pozostaje niejednoznaczny, a w wielu kontekstach nierozstrzygnięty [9]. (ScienceDirect) Preprint Raeesa i Papangelisa z 2026 roku stwierdza jeszcze dobitniej, że subiektywne pomiary zaufania nie wskazują automatycznie, czy ludzie w odpowiedni sposób polegają na rekomendacjach AI. Ponieważ praca ta została opublikowana jako preprint, jej wnioski należy traktować jako bieżący wkład badawczy, a nie ostateczny konsensus [10]. (arXiv)
Nieufność również nie jest koniecznie przeciwieństwem właściwego korzystania z systemu. Pewna doza sceptycyzmu może sprzyjać weryfikacji i wykrywaniu błędów. Bezkrytyczna nieufność może jednak prowadzić do odrzucania trafnych rekomendacji. W badaniu eksperymentalnym z 2026 roku Peters, Biermeier i Scharlau sprawdzali, czy uwaga wzrokowa może pomóc w identyfikowaniu „zdrowej nieufności” w interakcji człowieka z AI. Wyniki nie były rozstrzygające i pokazują, jak trudno wciąż zmierzyć, czy zaufanie i nieufność są odpowiednio skalibrowane [11]. (Frontiers) Pożądaną relację można zilustrować następująco:
| Rzeczywista wiarygodność | Niskie zaufanie użytkownika | Wysokie zaufanie użytkownika |
|---|---|---|
| Niska | Uzasadniony sceptycyzm | Niebezpieczne nadmierne zaufanie |
| Wysoka | Niedostateczne zaufanie lub zbędna rezygnacja | Uzasadnione, skalibrowane zaufanie |
Celem nie jest po prostu przesunięcie każdego użytkownika do prawego dolnego rogu przez zwiększanie zaufania. Celem jest sprawienie, by postrzegane zaufanie i poleganie behawioralne jak najdokładniej odpowiadały rzeczywistej wiarygodności systemu, konsekwencjom jego awarii i kontekstowi użycia. W artykule z lipca 2026 roku Busuioc i Maggetti postulują odejście od maksymalizacji zaufania na rzecz skalibrowanego zaufania. Ostrzegają, że zaufanie może oderwać się od rzeczywistej wiarygodności, gdy organizacje wytwarzają sygnały zaufania, zamiast zajmować się warunkami, które czynią zaufanie uzasadnionym. Ich analiza podkreśla również podatność, rozliczalność i konstruktywną rolę, jaką może odgrywać nieufność [12]. (OUP Academic)
Europejski akt w sprawie sztucznej inteligencji opiera się na pokrewnej logice operacyjnej. W przypadku odpowiednich systemów wysokiego ryzyka wymaga procesów i dokumentacji dotyczących zarządzania ryzykiem, zarządzania danymi, dokumentacji technicznej, rejestrowania zdarzeń, przejrzystości, nadzoru ze strony człowieka, dokładności, solidności i cyberbezpieczeństwa [13]. Wymagania te nie dowodzą, że każdy regulowany system AI będzie godny zaufania. Stanowią jednak próbę przełożenia abstrakcyjnego oczekiwania wiarygodności na konkretne działania w zakresie ładu i weryfikowalne dowody. (EUR-Lex) Godna zaufania AI nie jest więc stylem interfejsu ani etykietą marketingową. Jest stałym wyzwaniem w zakresie ładu i zapewnienia.
W Secani nie rozumiemy zaufania jako uczucia, które należy po prostu wzmacniać. Nie definiujemy go też jako absolutnej pewności. W rzeczywistych systemach cyfrowych absolutne bezpieczeństwo nie istnieje. Nawet mocne dowody nie gwarantują, że nigdy nie dojdzie do awarii lub ataku. Dowody zmniejszają niepewność i wspierają lepsze decyzje, ale nie eliminują ryzyka. Gdyby dało się usunąć całą niepewność, zaufanie przestałoby być potrzebne. Dlatego świadomie mówimy o uzasadnionym przekonaniu, a nie o pewności. Nasza definicja brzmi:
Zaufanie to uzasadnione, zależne od kontekstu przekonanie, że twierdzenie dotyczące bezpieczeństwa jest prawdziwe teraz, ponieważ twierdzenie, jego wdrożenie i aktualne dowody są ze sobą weryfikowalnie zgodne.
Leżący u podstaw łańcuch wygląda tak:
Twierdzenie → Wdrożenie → Dowody → Zapewnienie → Skalibrowane zaufanie
Organizacja formułuje twierdzenie dotyczące swojego bezpieczeństwa. Twierdzenie to przekłada się na konkretne zabezpieczenia, systemy, zakresy odpowiedzialności i oczekiwane rezultaty. Aktualne dowody pokazują, czy i w jaki sposób zabezpieczenia te zostały wdrożone. Proces zapewnienia ocenia, czy dowody rzeczywiście wspierają pierwotne twierdzenie. Dopiero wtedy powstaje racjonalna podstawa zaufania. Ta definicja zawiera pięć celowych ograniczeń.
„Jesteśmy bezpieczni” to twierdzenie zbyt szerokie, by dało się je sensownie zweryfikować. „Wszystkie produkcyjne magazyny danych używają zatwierdzonych konfiguracji szyfrowania” jest węższe i sprawdzalne. Im bardziej ogólne staje się twierdzenie, tym trudniej określić jego zakres, wymagane dowody, założenia i warunki ważności.
Zabezpieczenie może być skuteczne w jednym systemie i nieskuteczne w innym. Model AI może nadawać się do streszczania wewnętrznych dokumentów, a nie nadawać się do samodzielnego zatwierdzania wyjątków od zasad bezpieczeństwa. Zaufania nie można przenosić między kontekstami bez oceny, czy odpowiednie warunki pozostają porównywalne.
Organizacje nieustannie się zmieniają. Pojawiają się nowe zasoby. Konfiguracje są modyfikowane. Pracownicy zmieniają role. Dostawcy aktualizują swoje usługi. Odkrywane są podatności. Zabezpieczenia, które wczoraj działały prawidłowo, dziś mogą już tak nie działać. Dowody tracą więc z czasem na wartości. Wiarygodny wniosek musi komunikować nie tylko, co zostało zweryfikowane, ale też kiedy to nastąpiło i jak długo wniosek powinien pozostać ważny.
Dowody uwidaczniają niepewność i sprawiają, że decyzje dają się obronić. Nie usuwają jednak niepewności całkowicie. Nawet mocne dowody mają ograniczenia. Mogą obejmować tylko część systemu, opierać się na założeniach, zawierać błędy pomiaru lub się zdezaktualizować. Wiarygodne zapewnienie musi komunikować te ograniczenia, zamiast ukrywać je za binarnym statusem.
Decyzja o zaufaniu musi móc się zmienić, gdy zmieniają się warunki, na których się opiera. Gdy nowe dowody przeczą wcześniejszemu twierdzeniu dotyczącemu bezpieczeństwa, wniosek należy zaktualizować. Gdy dowody tracą ważność, przekonanie powinno słabnąć. Gdy zakres się poszerza, potrzebne są dodatkowe dowody. Zaufanie, którego nie można zrewidować, nie jest zaufaniem skalibrowanym. Jest przekonaniem oderwanym od rzeczywistości.
Tradycyjne zaufanie cyfrowe buduje się często za pomocą okresowych sygnałów: certyfikatów, kwestionariuszy, raportów z audytów, dokumentów z ocen i prezentacji na temat bezpieczeństwa. Mechanizmy te pozostają ważne. W świecie, w którym systemy cyfrowe mogą zmieniać się każdego dnia, same w sobie nie wystarczają. Model przyszłości zmierza w innym kierunku:
| Model tradycyjny | Model przyszłości |
|---|---|
| „Zaufaj nam” | Weryfikacja konkretnego twierdzenia |
| Ogólne obietnice bezpieczeństwa | Zdefiniowane twierdzenia i jednoznaczny zakres |
| Okresowe zbieranie dowodów | Stale odświeżane dowody |
| Statyczne dokumenty | Powiązane, przetwarzalne maszynowo informacje |
| Binarny status zgodności | Kontekst, niepewność i okresy ważności |
| Ukryte założenia | Jawne założenia i zależności |
| Wyłącznie pozytywne dowody | Widoczne luki i sprzeczne dowody |
| Jeden wniosek w roku | Wnioski podlegające ciągłej rewizji |
Ciągłe zapewnienie nie oznacza, że każda czynność w organizacji musi być stale monitorowana. Powinno być oparte na ryzyku i proporcjonalne. Krytyczne twierdzenie dotyczące dostępu uprzywilejowanego, infrastruktury produkcyjnej lub wrażliwych danych klientów wymaga aktualniejszych i mocniejszych dowodów niż twierdzenie administracyjne o niewielkim znaczeniu. Istotna zmiana polega na tym, że zaufanie nie jest już przypisane do jednego dokumentu. Wymagania, wdrożenia, dowody, przeglądy, ustalenia, zakresy odpowiedzialności i zależności powinny zamiast tego tworzyć powiązany model. Struktury przetwarzalne maszynowo mogą odegrać w tej zmianie ważną rolę. Pozwalają wielokrotnie wykorzystywać dowody w różnych ramach i ocenach bez utraty informacji o ich pochodzeniu, pierwotnym zakresie, czasie zebrania, odpowiedzialnym właścicielu czy ograniczeniach.
Przyszłość zaufania jest więc nie tylko ciągła. Jest granularna, identyfikowalna, przenaszalna i odwołalna.
Teraz można połączyć poszczególne pojęcia. Zero Trust określa, jak podejmowane są poszczególne decyzje o dostępie. Wiarygodność opisuje, czy system lub organizacja zasługują na zaufanie. Zapewnienie dostarcza ustrukturyzowanego uzasadnienia tego wniosku. Dowody wspierają twierdzenia o wdrożeniu i skuteczności. Zgodność ocenia spełnienie zdefiniowanych wymagań. Poleganie opisuje, czy ktoś faktycznie zależy od systemu lub stosuje się do niego. Zaufanie cyfrowe to szersze przekonanie, które może powstać w całym ekosystemie. Zero Trust zapobiega zakładaniu zaufania bez wystarczających podstaw. Zapewnienie pokazuje, gdzie zaufanie jest uzasadnione.
Zgodność wnosi ustrukturyzowane wymagania i mechanizmy przeglądu. Dowody łączą deklaracje z obserwowalną rzeczywistością. Pojęcia te nie są więc konkurencyjnymi wizjami. Są różnymi częściami jednego spójnego modelu. Przyszłość to ani uniwersalne „ufaj wszystkim”, ani kulturowe „nie ufaj nikomu”. To weryfikowalne, skalibrowane zaufanie.
„Optymalizacja pod kątem zaufania” nie może oznaczać optymalizowania postrzeganej wiarygodności. Nie powinna oznaczać produkowania jak największej liczby zielonych ptaszków, odznak, certyfikatów czy ogólnych deklaracji bezpieczeństwa. Nie powinna oznaczać zachęcania ludzi, by ufali systemowi bardziej, niż uzasadniają to jego rzeczywiste właściwości. Dla nas oznacza:
Nie optymalizuj pod kątem tego, by ci ufano. Optymalizuj pod kątem tego, by zasługiwać na uzasadnione zaufanie.
Budujemy Secani, aby w sposób ciągły łączyć twierdzenia dotyczące bezpieczeństwa, wymagania, wdrożenia i dowody. Zaufanie nie powinno wynikać wyłącznie z przekonującej prezentacji czy okresowego dokumentu dotyczącego zgodności. Powinno wynikać z aktualnego, podlegającego weryfikacji i identyfikowalnego uzasadnienia. Najzwięźlej można tę ideę ująć tak:
Zaufanie nie jest obietnicą. Jest wnioskiem, który stale znajduje potwierdzenie.
Organizacje nie powinny jedynie sprawiać wrażenia godnych zaufania. Powinny umieć wykazać, dlaczego na zaufanie zasługują. A ludzi nie należy po prostu prosić, by ufali bardziej. Należy umożliwić im, by ufali lepiej.
[1] D. M. Rousseau, S. B. Sitkin, R. S. Burt, and C. Camerer, “Not So Different After All: A Cross-Discipline View of Trust,” Academy of Management Review, vol. 23, no. 3, pp. 393–404, 1998, doi: 10.5465/AMR.1998.926617. (DOI)
[2] R. C. Mayer, J. H. Davis, and F. D. Schoorman, “An Integrative Model of Organizational Trust,” Academy of Management Review, vol. 20, no. 3, pp. 709–734, 1995, doi: 10.5465/amr.1995.9508080335. (DOI)
[3] R. Ross, M. Winstead, and M. McEvilley, Engineering Trustworthy Secure Systems, NIST Special Publication 800-160, vol. 1, rev. 1, National Institute of Standards and Technology, Gaithersburg, MD, USA, Nov. 2022, doi: 10.6028/NIST.SP.800-160v1r1. (NIST Publikationen)
[4] S. Rose, O. Borchert, S. Mitchell, and S. Connelly, Zero Trust Architecture, NIST Special Publication 800-207, National Institute of Standards and Technology, Gaithersburg, MD, USA, Aug. 2020, doi: 10.6028/NIST.SP.800-207. (NIST Computer Security Resource Center)
[5] World Economic Forum, Earning Digital Trust: Decision-Making for Trustworthy Technologies, Geneva, Switzerland, Nov. 2022. (World Economic Forum)
[6] K. B. Kelley, “The Digital Trust Imperative: Defining, Establishing and Measuring Digital Trust,” ISACA Journal, vol. 1, Jan. 2023. (ISACA)
[7] National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1, Jan. 2023, doi: 10.6028/NIST.AI.100-1. (NIST Publikationen)
[8] S. Mehrotra, C. Degachi, O. Vereschak, C. M. Jonker, and M. L. Tielman, “A Systematic Review on Fostering Appropriate Trust in Human-AI Interaction: Trends, Opportunities and Challenges,” ACM Journal on Responsible Computing, vol. 1, no. 4, Art. no. 26, pp. 1–45, 2024, doi: 10.1145/3696449. (ACM Digital Library)
[9] R. Visser, T. M. Peters, I. Scharlau, and B. Hammer, “Trust, distrust, and appropriate reliance in (X)AI: A conceptual clarification of user trust and survey of its empirical evaluation,” Cognitive Systems Research, vol. 91, Art. no. 101357, 2025, doi: 10.1016/j.cogsys.2025.101357. (ScienceDirect)
[10] M. Raees and K. Papangelis, “From Trust to Appropriate Reliance: Measurement Constructs in Human-AI Decision-Making,” arXiv:2604.23896, Apr. 2026, doi: 10.48550/arXiv.2604.23896. Preprint. (arXiv)
[11] T. M. Peters, K. Biermeier, and I. Scharlau, “Assessing healthy distrust in human-AI interaction: Interpreting changes in visual attention,” Frontiers in Psychology, vol. 16, Art. no. 1694367, Jan. 2026, doi: 10.3389/fpsyg.2025.1694367. (Frontiers)
[12] M. Busuioc and M. Maggetti, “Worthy of trust? AI governance and the role of (dis)trust,” Perspectives on Public Management and Governance, Art. no. gvag007, Jul. 2026, doi: 10.1093/ppmgov/gvag007. (OUP Academic)
[13] European Parliament and Council of the European Union, “Regulation (EU) 2024/1689 of 13 June 2024 laying down harmonised rules on artificial intelligence,” Official Journal of the European Union, Jul. 2024. (EUR-Lex)

GRC · 29 października 2026 · 6 Min.
Rynek CRM pokazał drogę: od stanowiska pracy do System of Record. GRC podąża tą samą ścieżką. Interfejs staje się najpierw indywidualny, potem generowany, a na końcu liczy się już tylko rdzeń.

GRC · 22 października 2026 · 8 Min.
Model Rasmussena opisuje GRC do generacji 8.0. My odważamy się na ciąg dalszy: od około 2035 r. ład wnika do samych systemów – a GRC znika jako osobna kategoria. Uzasadniona prognoza wraz z zastrzeżeniami, które przeciw niej przemawiają.

GRC · 22 października 2026 · 8 Min.
Od narzędzia SOX do orkiestrowanej architektury GRC: jak Michael Rasmussen opisuje rozwój od GRC 1.0 do 8.0 i czym GRC 7.0 różni się od zbioru funkcji AI.
Secani łączy w jednej wspólnej przestrzeni roboczej zakresy, dowody, zadania i agentów AI.