Risiko Keamanan Microsoft 365 Copilot: Yang Perlu Anda Ketahui

By Mirko Peters · 2026-03-21 · Updated 2026-03-24

Pelajari Keamanan Microsoft Copilot: Kenali dan atasi risiko terhadap data sensitif di Microsoft 365. Pelajari praktik terbaik AI untuk risiko keamanan Copilot.

Automatically translated with AI from the original post. Read the English original

Microsoft 365 Copilot telah hadir di banyak organisasi dengan janji peningkatan produktivitas yang besar, tetapi mari kita jujur bahwa teknologi ini juga menimbulkan kekhawatiran keamanan yang nyata. Ketika Copilot memadukan AI dengan data cloud Anda, muncul risiko baru yang tidak boleh diabaikan oleh tim TI maupun pimpinan bisnis. Mulai dari data sensitif yang bocor melalui respons AI, regulator yang semakin ketat mengawasi, hingga shadow IT yang tidak terkendali, memahami ancaman-ancaman ini adalah prioritas utama. Dalam panduan ini, Anda akan menemukan wawasan praktis tentang ancaman inti yang dibawa Copilot, pentingnya tata kelola dan kontrol data yang kuat, serta insiden nyata yang memaksa kita meninjau ulang pendekatan keamanan lama. Kami akan membahas strategi untuk kepatuhan, pelatihan pengguna, dan perlindungan khusus industri agar Anda dapat memanfaatkan kekuatan Copilot dengan percaya diri tanpa terjebak risikonya. Mari kita bahas hal-hal yang benar-benar penting untuk menjaga lingkungan Copilot Anda tetap aman dan patuh.

1. Residensi data bisa menjadi kabur: Meskipun Microsoft 365 Copilot menghormati batas data penyewa, pemrosesan dapat melibatkan endpoint layanan AI global, sehingga menimbulkan risiko pemrosesan data lintas batas yang tak terduga untuk data yang diatur regulasi.
2. Prompt dapat membocorkan konteks sensitif: Prompt bahasa alami pengguna dapat memuat frasa rahasia atau data yang kemudian masuk ke dalam konteks model, sehingga meningkatkan kemungkinan pengungkapan tidak sengaja jika prompt disimpan atau dicatat dalam log.
3. Konektor pihak ketiga memperluas permukaan serangan: Copilot terintegrasi dengan banyak aplikasi dan konektor; konektor yang disusupi dapat mengekspos data Microsoft 365 yang teragregasi melampaui batas standar.
4. Halusinasi model dapat menghasilkan output yang tampak otoritatif namun salah: Copilot dapat menghasilkan konten yang terdengar meyakinkan tetapi keliru (halusinasi), seolah-olah berasal dari dokumen internal, sehingga menyesatkan pengguna dan menyebabkan kesalahan kepatuhan atau keamanan.
5. Kontrol akses yang granular tetap rumit: ACL dan label tradisional tidak otomatis berlaku dalam konteks penggunaan AI, sehingga data yang diklasifikasikan sebagai rahasia tetap dapat memengaruhi output Copilot kecuali kebijakan dan penegakannya dikonfigurasi secara khusus.
6. Telemetri dan log dapat mengungkap lebih dari yang dimaksudkan: Data diagnostik, penggunaan, dan telemetri yang dikumpulkan untuk pemecahan masalah Copilot dapat berisi metadata yang membantu penyerang memetakan perilaku pengguna, akun istimewa, atau target bernilai tinggi.
7. Risiko rantai pasok dan pembaruan model: Pembaruan rutin pada model dasar atau komponen pihak ketiga dapat menimbulkan kerentanan baru atau mengubah cara data digunakan; menambal perilaku AI tidak sama dengan menambal perangkat lunak.
8. Risiko orang dalam diperbesar oleh otomatisasi: Copilot dapat mempercepat agregasi dan peringkasan data, artinya orang dalam yang memiliki akses sah dapat menggunakan Copilot untuk dengan cepat menyusun kumpulan data sensitif yang sulit dibuat secara manual.

Memahami Risiko Keamanan dengan Microsoft 365 Copilot

Ketika Anda melihat Microsoft 365 Copilot, yang tampak adalah alat yang mampu menjangkau data organisasi Anda, mulai dari email, dokumen, chat, dan lainnya, lalu menggunakan AI untuk memberikan jawaban, mengotomatiskan proses, bahkan menghasilkan konten baru. Itu sangat kuat, tetapi kekuatan tersebut datang dengan konsekuensi. Fitur-fitur yang membuat Copilot menarik justru menghadirkan risiko keamanan unik yang tidak Anda temui pada alat kolaborasi tradisional.

Tantangannya bukan hanya soal kerentanan teknis, meskipun itu jelas ada. Tantangannya juga terletak pada cara Copilot memproses, mengubah, dan terkadang membagikan informasi yang seharusnya tidak pernah keluar dari batas digital organisasi. Ada risiko data sensitif lolos begitu saja, serangan rekayasa prompt yang membahayakan konteks, atau regulator yang menandai lingkungan yang tiba-tiba tidak patuh. Bahkan perilaku pengguna rutin dan pengaturan izin dapat membuka celah besar jika tidak dikelola dengan sudut pandang yang segar.

Di bagian berikutnya, kita akan membahas secara mendalam apa yang membuat Copilot berisiko: mulai dari ancaman teknis utama seperti kebocoran data dan prompt injection, hingga tantangan kepatuhan dan risiko siber khusus yang muncul ketika asisten berbasis AI diterapkan di perusahaan. Tujuannya? Agar Anda dapat melihat gambaran besarnya dan memahami urgensi untuk membenahi keamanan dan tata kelola Copilot Anda. Mari kita telusuri setiap area ini agar Anda tahu apa yang dipertaruhkan dan di mana harus mulai memperkuat pertahanan Anda.

Ancaman Keamanan Utama: Kebocoran Data, Prompt Injection, dan Model Inversion

1. Kebocoran Data: Copilot dapat secara tidak sengaja membocorkan informasi rahasia saat mengambil data dari email, obrolan, dan file untuk menghasilkan respons. Berbeda dengan aplikasi konvensional, output Copilot yang sadar konteks sering kali mencampuradukkan informasi dari berbagai sumber, sehingga kemungkinan terjadinya kebocoran tidak disengaja meningkat. Terutama dalam skenario ketika turunan konten (seperti output notebook) tidak diberi label sensitivitas yang tepat, Anda bisa berakhir dengan shadow data lake berupa konten yang tidak diatur. Kontrol standar jarang melacak ke mana data yang dihasilkan AI tersebut berpindah selanjutnya, sehingga penahanannya menjadi sulit.
2. Serangan Prompt Injection: Penyerang (atau bahkan pengguna yang ceroboh) dapat menyusun prompt yang dirancang untuk mengubah cara Copilot bernalar atau mengelabuinya agar mengungkapkan informasi yang seharusnya tidak boleh diungkap. Kerentanan "prompt injection" ini sangat sulit dideteksi sejak awal, dan berbeda dengan phishing biasa, serangan ini beroperasi di dalam antarmuka Copilot yang tepercaya. Ketika Copilot berjalan dengan izin yang luas, sering kali dengan tingkat akses yang menyerupai atau melampaui hak pengguna yang sebenarnya, serangan ini dapat melewati DLP dan batasan akses tradisional.
3. Model Inversion: Dengan kueri yang cukup cerdik, penyerang mungkin dapat merekonstruksi data sensitif yang digunakan untuk melatih model dasar Copilot. Artinya, informasi yang Anda kira hanya tersedia di internal, seperti detail pelanggan, rahasia dagang, atau data yang diatur regulasi, berpotensi dapat disusun kembali. Kontrol TI standar maupun aturan DLP jarang mengantisipasi risiko ini, sehingga mudah timbul rasa aman palsu dengan kebijakan lama.

Ancaman khusus Copilot seperti ini menuntut pendekatan baru dan kontrol yang lebih ketat, mulai dari pemantauan saat runtime hingga pemberian label default pada output AI dan tata kelola yang benar-benar sadar konteks. Mengabaikan risiko ini membuka celah lebar bagi bentuk shadow IT dan kehilangan data baru yang bahkan tidak akan muncul di jejak audit lama.

Tantangan Kepatuhan dan Risiko Regulasi dengan Copilot

1. Pemrosesan AI atas Data yang Diatur: Copilot dapat memproses atau menghasilkan konten berdasarkan data yang diatur (seperti PHI, PII, dan catatan keuangan) tanpa membedakan informasi rahasia dan publik. Jika label sensitivitas tidak diwariskan atau output AI tidak diatur, Anda bisa dengan cepat melanggar HIPAA, GDPR, atau FISMA. Tata kelola AI yang baik berarti menerapkan kontrol untuk memperluas penerapan label dan kebijakan DLP ke setiap konten AI yang diturunkan, sebagaimana dijelaskan dalam panduan tata kelola ini.
2. Residensi dan Transfer Data: Model AI di balik Copilot mungkin beroperasi lintas batas wilayah, sehingga menimbulkan kekhawatiran terkait residensi atau kedaulatan data. Anda perlu strategi untuk memastikan Copilot hanya berinteraksi dengan data yang disimpan di yurisdiksi yang sesuai, serta memastikan konten yang dihasilkan AI tidak berpindah keluar dari batas tersebut secara tidak sengaja.
3. Auditabilitas dan Pemantauan: Penggabungan sumber data oleh Copilot dapat menyulitkan pemeliharaan catatan yang siap diaudit. Fitur seperti penyimpanan otomatis, co-authoring, dan penyuntingan kolaboratif dapat memadatkan riwayat versi, sehingga menyamarkan jejak data secara utuh dan membatasi efektivitas kebijakan retensi (selengkapnya di sini). Tata kelola harus beralih dari dasbor statis ke pemantauan aktif atas perilaku pengguna dan keberlangsungan konten AI.
4. Pengawasan Regulasi dan Risiko Sektor Keuangan: Di industri dengan pengawasan regulasi yang lebih ketat, kemampuan Copilot untuk mengakses, memproses, bahkan menyarankan tindakan yang melibatkan data keuangan atau kesehatan yang sensitif dapat meningkatkan risiko pelanggaran kepatuhan. Badan regulator mengharapkan catatan yang jelas tentang akses, penggunaan, dan transformasi data. Hal ini bisa menjadi rumit jika pencatatan log dan pelaporan yang tepat belum diterapkan.

Intinya? Copilot tidak hanya mengubah risiko keamanan, tetapi juga cara tim kepatuhan perlu mendekati pelabelan, pemantauan, dan penanganan potensi pelanggaran.

Mengenal Risiko Siber yang Khas pada Asisten Berbasis AI

Berbeda dengan aplikasi Microsoft 365 tradisional, asisten berbasis AI seperti Copilot menghadirkan risiko siber baru hanya karena cara kerjanya. Karena Copilot menyerap dan mensintesis data organisasi dalam jumlah besar, ia menjadi rentan terhadap manipulasi, baik melalui prompt adversarial yang dirancang untuk mengekstrak informasi rahasia, maupun upaya "meracuni" responsnya untuk rekayasa sosial. Kemampuan asisten untuk bekerja lintas kumpulan data menciptakan permukaan serangan baru, yang dapat membuka konteks seluruh organisasi hanya dengan satu kueri.

Copilot juga dapat berperan sebagai jenis baru dari risiko Shadow IT, ketika agen AI otonom dapat mengakses dan bertindak atas data sensitif tanpa penegakan tata kelola yang ada atau visibilitas yang jelas. Kondisi ini membutuhkan pengamanan yang melampaui kontrol aplikasi dasar, termasuk pemantauan konteks secara real-time dan penerapan kebijakan Purview secara ketat untuk mempertahankan kepemilikan dan kepatuhan atas beban kerja berbasis AI.

Strategi Perlindungan Data dan Tata Kelola untuk Keamanan Copilot

Saat Anda menerapkan Copilot, Anda sebenarnya membuka pintu depan berbasis AI ke data yang sama yang menggerakkan seluruh bisnis Anda. Itulah sebabnya strategi perlindungan data dan tata kelola yang kuat bukan pilihan, melainkan lini pertahanan pertama Anda. Cara unik Copilot mengambil, mensintesis, dan menggunakan kembali data berarti Anda perlu memperbarui panduan untuk pelabelan, kontrol akses, dan otomatisasi kebijakan.

Bagian ini menjadi peta jalan Anda untuk menjaga informasi sensitif tetap aman saat Copilot mulai digunakan. Kita akan membahas metode praktis untuk mengklasifikasikan data dengan label sensitivitas, merancang kerangka tata kelola yang secara khusus memperhitungkan alur kerja Copilot, dan menerapkan model izin yang ketat untuk mencegah eksposur berlebih. Sepanjang pembahasan, Anda akan melihat mengapa otomatisasi kontrol-kontrol ini, serta peninjauan rutinnya, sangat penting untuk menghadapi kecepatan dan kompleksitas Copilot.

Dengan meninjau ulang cara Anda memilih, mengonfigurasi, dan mengotomatisasi kontrol Microsoft 365, Anda tidak hanya mengurangi permukaan serangan, tetapi juga utang kepatuhan Anda. Strategi-strategi ini menjadi fondasi bagi penggunaan Copilot yang aman dan dapat diaudit dalam skala besar, sebelum data berisiko keluar dari organisasi Anda dengan cara yang tidak Anda inginkan.

Menggunakan Label Sensitivitas untuk Mencegah Kebocoran Data di Copilot

1. Tentukan Label Sensitivitas yang Sesuai dengan Data Bisnis Anda: Mulailah dengan memetakan kategori data yang ada di lingkungan Microsoft 365 Anda, seperti rahasia, internal saja, dan publik. Buat label sensitivitas yang sesuai dengan setiap tingkatan agar Copilot dapat membedakan informasi istimewa dari yang lainnya.
2. Terapkan Pelabelan pada Konten Bersama dan Konten yang Dihasilkan AI: Wajibkan pelabelan sensitivitas setiap kali dokumen atau email dibuat, diedit, atau dibagikan melalui Copilot. Output AI, terutama yang menghasilkan karya turunan (seperti Notebooks), memerlukan aturan pelabelan default dan peninjauan kepatuhan secara berkala (selengkapnya di sini).
3. Integrasikan Label Sensitivitas dengan Data Loss Prevention (DLP): Sinkronkan sistem pelabelan sensitivitas Anda dengan aturan DLP untuk mencegah data berlabel "rahasia" keluar dari batas yang dikelola. Berikut panduan praktisnya untuk menyelaraskan DLP dan pelabelan demi kontrol Copilot yang lebih baik.
4. Pantau dan Audit Penerapan Label secara Berkelanjutan: Siapkan pemantauan menggunakan Purview atau alat serupa untuk mengaudit siapa yang menerapkan, mengedit, atau melewati label. Otomatiskan laporan agar Anda dapat mendeteksi salah label atau kebijakan yang diabaikan sebelum berkembang menjadi pelanggaran data.
5. Latih Tim tentang Kebijakan Pelabelan dan Risikonya: Menerapkan label saja tidak cukup. Pengguna akhir dan admin perlu pelatihan yang terarah agar mampu mengenali data sensitif dan tidak pernah menghapus, menimpa, atau mengabaikan label, sebanyak apa pun permintaan Copilot tampak "tidak berbahaya". Label yang terlewat membuka celah untuk kebocoran tidak sengaja, shadow IT, dan masalah kepatuhan.

Untuk penjelasan lebih lanjut tentang penyetelan DLP dan kontrol lingkungan agar inovasi dan keamanan tetap seimbang, episode strategi DLP ini layak Anda simak.

Praktik Terbaik Tata Kelola Data untuk Penerapan Copilot

• Tetapkan Peran Pengelola Data: Tunjuk pengelola data yang jelas namanya dan bertanggung jawab atas data yang dikelola Copilot. Mereka mengawasi siklus hidup data, kepatuhan terhadap kebijakan, dan peninjauan risiko (selengkapnya di sini).
• Otomatiskan Pengelolaan Siklus Hidup: Kembangkan proses untuk pengarsipan, retensi, dan penghapusan aman, baik untuk data pengguna maupun konten yang dihasilkan AI.
• Terapkan Kebijakan Tata Kelola Khusus Copilot: Perluas kebijakan izin, pelabelan, dan pemantauan agar mencakup alur kerja dan keluaran Copilot (lihat langkah praktisnya).
• Pertahankan Jejak Audit yang Menyeluruh: Pastikan semua akses dan tindakan data Copilot dicatat untuk keperluan kepatuhan dan forensik.

Mencegah Pemberian Izin Berlebih di Lingkungan Copilot

1. Audit Semua Izin Pengguna dan Tamu: Tinjau siapa yang memiliki akses ke Copilot dan sumber data yang mendasarinya, termasuk akun tamu yang sudah tidak aktif (strategi yang terbukti).
2. Terapkan Prinsip Hak Akses Minimum: Berikan akses yang cukup untuk setiap peran, tidak lebih dan tidak kurang. Hal ini sangat penting untuk Copilot, yang dapat memperbesar dampak konfigurasi yang berisiko.
3. Batasi Waktu Izin Khusus: Atur masa berakhir untuk akses sementara atau akses berbasis proyek, dan cabut hak yang tidak diperlukan begitu pekerjaan selesai.
4. Gunakan Akses Bersyarat untuk Penegakan: Terapkan kebijakan Akses Bersyarat yang inklusif, dipantau, dan dengan pengecualian seminimal mungkin, sebagaimana dijelaskan dalam panduan ini.
5. Terus Tinjau dan Hapus Akses yang Tidak Terpakai: Lakukan tinjauan rutin dan otomatis untuk menemukan dan membersihkan izin yang berlebihan atau tidak sesuai sebelum berubah menjadi masalah kepatuhan atau pelanggaran keamanan.

Model Kontrol Akses untuk Meminimalkan Risiko TI Copilot

1. Role-Based Access Control (RBAC): Berikan izin berdasarkan peran, bukan pengguna individual, agar konsisten dan mudah diaudit. RBAC membantu mencegah akumulasi hak akses (privilege creep) saat tim dan tanggung jawab berubah (metode pelatihan).
2. Attribute-Based Access Control (ABAC): Gunakan akses dinamis yang didasarkan pada konteks, berdasarkan atribut pengguna (seperti departemen atau proyek), sehingga kontrol dapat lebih granular seiring Copilot mengotomatiskan alur kerja.
3. Policy-Based Access Control: Lapisi keputusan akses dengan kebijakan eksplisit yang terkait dengan sensitivitas data, profil risiko pengguna, dan kebutuhan operasional. Model ini adaptif dan membantu mencegah eskalasi izin yang tidak terduga (dijelaskan di sini).

Insiden Nyata dan Kerentanan Keamanan pada Copilot

Sekuat apa pun kontrol keamanan Anda di atas kertas, serangan dan kecelakaan nyata cenderung mengungkap celah baru, terutama ketika Anda memperkenalkan sesuatu yang mengubah cara kerja secara signifikan seperti Copilot. Meninjau insiden yang terdokumentasi dan kerentanan yang diketahui sangat penting jika Anda ingin menghindari kesalahan yang sudah dilakukan organisasi lain.

Di bagian ini, kita akan meninjau contoh berbasis bukti yang memperlihatkan bagaimana lingkungan yang diaktifkan Copilot menjadi korban pelanggaran, penyalahgunaan, dan paparan data yang tidak terduga. Anda akan melihat tidak hanya di mana sesuatu salah, tetapi juga pola yang digunakan penyerang dan celah operasional yang membuat ancaman lolos. Baik itu prompt yang terlalu banyak membagikan informasi maupun konfigurasi izin yang keliru, cerita-cerita ini menunjukkan dengan jelas realitas praktis yang dibawa Copilot ke lingkungan Anda.

Dengan belajar langsung dari kegagalan yang sudah terjadi di tempat lain, Anda berada dalam posisi yang lebih baik untuk menutup celah tersebut dan melindungi lingkungan Anda secara proaktif—sebelum Anda menjadi contoh peringatan berikutnya.

Menelaah Insiden Nyata yang Berdampak pada Keamanan Copilot

1. Consent Phishing dan Penyalahgunaan OAuth: Salah satu pelanggaran nyata di Microsoft 365 melibatkan penyerang yang mengirimkan permintaan persetujuan aplikasi berbahaya kepada pengguna. Setelah disetujui, aplikasi-aplikasi ini dapat mengakses—dan dalam konteks Copilot, meneruskan—data sensitif bahkan setelah kata sandi diubah atau MFA diterapkan. Pembahasan ini menjelaskan bagaimana pencurian token dan penyalahgunaan OAuth melewati pertahanan lama.
2. Fragmentasi Tata Kelola yang Menyebabkan Paparan Data: Sebuah lingkungan yang dikelola oleh beberapa tim dengan kebijakan Copilot yang tidak konsisten menjadi titik rawan aktivitas AI bayangan. Tanpa tata kelola yang terpadu, pergeseran identitas dan penyebaran kolaborasi memperbesar risiko kebocoran data serta kegagalan otomasi (wawasan selengkapnya).
3. Konten Hasil AI Tanpa Label yang Menciptakan Celah Audit: Beberapa organisasi belajar dengan cara yang sulit bahwa keluaran Copilot disimpan atau dibagikan tanpa label klasifikasi, sehingga diskusi sensitif dapat dilihat oleh pengguna yang tidak memiliki izin yang sesuai, dan jejak audit pun terputus. Proses pemulihannya memakan waktu dan mengganggu operasional.
4. Hak Akses Berlebih dalam Alur Otomasi: Alur Power Automate yang terhubung dengan Copilot secara tidak sengaja memberikan hak akses berlebih kepada pengguna tertentu, sehingga mereka dapat mengatur perpindahan data yang melanggar kebijakan perusahaan. Pelaku ancaman mengeksploitasi alur ini dengan merangkai tindakan berhak akses rendah, yang berujung pada eksfiltrasi data.

Rangkaian serangan nyata ini menunjukkan bahwa Copilot dapat memperbesar titik lemah di seluruh identitas, otomasi, dan silo kebijakan—sehingga tim keamanan kesulitan merekonstruksi apa yang terjadi setelah kejadian.

Kerentanan Keamanan Umum yang Ditemukan pada Copilot

• Celah Prompt Injection: Penyerang menggunakan prompt yang dimanipulasi untuk memaksa Copilot membocorkan data terbatas atau melakukan tindakan yang tidak diinginkan.
• Paparan Data Berlebihan: Izin default Copilot dapat memberikan akses ke konten sensitif yang seharusnya tidak pernah dilihat oleh pengguna atau agen AI.
• Logging dan Jejak Audit yang Tidak Memadai: Banyak organisasi tidak mencatat tindakan Copilot secara terperinci, sehingga menyisakan celah untuk investigasi insiden.
• Tata Kelola Agen AI yang Lemah: Copilot dan alat serupa dapat bertindak secara otonom, sehingga data mudah mengalir tanpa kendali jika Anda tidak memiliki kontrol berlapis lintas bidang.

Pelajaran Utama dari Kegagalan Keamanan Copilot

• Utamakan Penegakan Kebijakan secara Real-Time: Kegagalan keamanan sering terjadi karena kontrol hanya ada di atas kertas, bukan di bidang penegakan yang aktif dan dipantau. Anda memerlukan kebijakan yang berjalan secara real-time di setiap titik akses dan otomasi (lihat strategi terperinci).
• Terapkan Siklus Hidup dan Akuntabilitas Kepemilikan: Jangan hanya mengandalkan kontrol statis "atur lalu lupakan"; tetapkan kepemilikan data dan otomasi dengan titik tinjauan bawaan untuk mendeteksi pergeseran dan izin yatim piatu.
• Perkuat Manajemen Identitas dan Otomasi: AI dan otomasi memperbesar inkonsistensi manusia, sehingga izin yang salah konfigurasi menjadi vektor risiko kritis. Perlakukan alur AI seperti proses bersifat istimewa lainnya dengan pemeriksaan rutin (solusi praktis).
• Edukasi Semua Pengguna—Tidak Hanya Tim IT: Pelanggaran keamanan sering berasal dari prompt yang disalahpahami, pembagian data yang tidak disengaja, dan umpan balik Copilot yang membingungkan. Hasil yang baik bergantung pada pelatihan dan pemahaman pengguna secara luas.

Praktik Terbaik untuk Mengamankan Microsoft 365 Copilot

Mengamankan Copilot bukanlah pekerjaan "atur lalu lupakan". Copilot menghadirkan kemampuan AI yang dinamis, yang secara desain memerlukan perhatian berkelanjutan—melalui pemantauan, tata kelola, dan otomasi proses. Keberhasilan berarti memadukan alat, kebijakan, dan alur kerja yang berpusat pada manusia agar risiko tidak luput dari perhatian seiring platform berkembang.

Bagian ini memandu Anda melalui praktik terbaik keamanan Copilot yang paling efektif dan sudah teruji di lapangan. Mulai dari penerapan deteksi ancaman dan pemantauan kepatuhan yang canggih hingga otomatisasi tata kelola dan penetapan manajemen siklus hidup, Anda akan melihat cara menjaga pengawasan terus-menerus atas lingkungan Anda. Copilot berkembang optimal ketika keamanan dan akuntabilitas menjadi bagian dari operasi harian, bukan daftar periksa triwulanan.

Dengan deteksi yang kuat, pengawasan yang jelas, dan tata kelola yang adaptif, organisasi dapat memanfaatkan kekuatan Copilot dengan percaya diri sambil tetap selangkah lebih maju dari ancaman baru dan yang sedang berkembang.

Menerapkan Solusi Pemantauan untuk Deteksi Ancaman Copilot

1. Aktifkan Pencatatan Audit Microsoft Purview: Nyalakan log audit tingkat lanjut Purview untuk pemantauan di seluruh penyewa. Ini memungkinkan Anda melacak setiap akses dan tindakan Copilot dengan detail forensik, serta mengumpulkan jejak interaksi AI selain aktivitas pengguna (panduan audit).
2. Integrasikan Microsoft Defender untuk Pemantauan Real-Time: Terapkan Microsoft Defender for Cloud dan gabungkan dengan kebijakan peringatan yang disesuaikan untuk skenario Copilot. Manfaatkan pemicu otomatis dan tiket insiden untuk segera menemukan prompt atau alur data yang mencurigakan (strategi pemantauan kepatuhan).
3. Pengawasan Berkelanjutan untuk Pergerakan Data: Gunakan pemantauan berkelanjutan untuk mendeteksi permintaan Copilot yang menyimpang dari pola atau lonjakan akses data. Dasbor di Power BI (yang diisi oleh Defender dan Purview) memberi Anda gambaran risiko sekilas serta alur respons.
4. Berkolaborasi Lintas Keamanan, SDM, dan Hukum: Bangun tim pemantauan yang menghubungkan aktivitas pengguna, log Copilot, dan kebijakan kepatuhan. Budaya “lihat sesuatu, laporkan sesuatu” sangat penting untuk peringatan dini, sebagaimana dibahas dalam ikhtisar kepatuhan ini.

Memanfaatkan Microsoft Purview untuk Pemantauan Kepatuhan Tingkat Lanjut

• Terapkan Kebijakan DLP di Batas Lingkungan Konektor: Gunakan DLP khusus Copilot melalui Purview untuk mencegah kebocoran data di antara konektor bisnis dan non-bisnis (konfigurasi utama).
• Beri Tag dan Klasifikasikan Data secara Otomatis: Konfigurasikan Purview untuk melabeli file dan pesan secara otomatis, sehingga Copilot tidak dapat menghapus atau mengabaikan kontrol yang diwajibkan.
• Terapkan Isolasi Penyewa: Cegah kontaminasi silang AI dengan memblokir konektor kustom atau HTTP di lapisan kebijakan.
• Pertahankan ECM yang Siap Audit: Perluas jejak audit dokumen di seluruh SharePoint dan Copilot untuk operasi yang tahan uji kepatuhan (strategi audit).

Otomatisasi Tata Kelola: Mengurangi Celah Kebijakan Copilot Secara Manual

1. Otomatisasi Tinjauan Akses dan Penetapan Izin: Gunakan alat seperti skrip PowerShell atau alur kerja bawaan untuk melakukan audit izin yang rutin dan terjadwal, alih-alih mengandalkan pemeriksaan manual. Pendekatan ini secara signifikan mengurangi risiko hak istimewa berlebih yang tertinggal atau pengecualian akses yang terlupakan (prinsip tata kelola).
2. Atur Penegakan Kebijakan Real-Time: Bangun pemicu otomatis yang merespons aktivitas Copilot berisiko tinggi, seperti pembagian yang tidak tepat atau pola prompt, dengan mengatur ulang izin, memaksakan pembaruan kebijakan, atau memberi peringatan kepada tim keamanan.
3. Integrasikan Manajemen Peran Entra untuk Hak Akses Minimum: Kelola penugasan identitas dan peran terkait Copilot secara otomatis sehingga hanya pihak yang membutuhkan akses lebih tinggi yang mendapatkannya, dan hanya selama diperlukan.
4. Pantau dan Tutup Celah Kepatuhan Secara Langsung: Gunakan dasbor otomatis yang adaptif untuk menampilkan penyimpangan kebijakan atau respons yang lambat di dalam alur kerja Copilot yang kritis. Jadikan kepatuhan kebijakan sebagai proses berkelanjutan, bukan tugas berkala.
5. Dokumentasikan Semuanya untuk Audit dan Pelatihan: Simpan log otomatisasi yang terperinci untuk perubahan kebijakan maupun respons insiden guna mendukung kepatuhan, mendorong akuntabilitas, dan menjadi masukan bagi pelatihan pengguna di masa depan.

Kesimpulannya? Tata kelola yang efektif tidak pernah hanya mengandalkan otomatisasi atau hanya kebijakan. Yang membuat Anda tetap unggul, baik terhadap kesalahan manusia maupun kejutan dari AI, adalah kombinasi keduanya.

Perencanaan Siklus Hidup dan Manajemen Perubahan untuk Keamanan Copilot

1. Petakan Seluruh Siklus Hidup Aset Copilot: Dokumentasikan setiap tahap—penerapan, operasional harian, siklus peningkatan/patch, dan penghentian layanan. Visibilitas ini memastikan pengaturan keamanan tidak tertinggal dari fitur atau kasus penggunaan baru.
2. Otomatiskan Persetujuan dan Pengujian Perubahan: Gunakan peluncuran bertahap untuk perubahan konfigurasi Copilot, dikaitkan dengan langkah validasi otomatis dan pemantauan real-time, untuk meminimalkan risiko dari perubahan yang terburu-buru.
3. Jadwalkan Peninjauan Kebijakan secara Berkala: Secara berkala evaluasi ulang seluruh kebijakan Copilot, izin, dan struktur klasifikasi data. Jadikan ini sebagai agenda kalender, bukan janji "suatu saat nanti".

Pertimbangan Keamanan Khusus Industri untuk Copilot

Tidak semua bisnis menghadapi risiko keamanan Copilot yang sama. Beberapa industri memiliki taruhan yang jauh lebih besar jika terjadi kesalahan, dan standar regulasinya lebih tinggi. Jika Anda berada di bidang kesehatan, layanan keuangan, atau sektor mana pun dengan pengawasan ketat, setiap fitur Copilot yang Anda aktifkan memunculkan tantangan hukum dan kepatuhan baru yang tidak boleh diabaikan.

Bagian ini akan membahas kebutuhan khusus tersebut. Anda akan menemukan panduan yang ditargetkan untuk menyelaraskan keamanan Copilot dengan HIPAA, HITECH, GLBA, SOX, dan kerangka kerja lainnya, beserta langkah praktis untuk menjaga audit dan regulator tetap terkendali. Tujuannya? Membantu para pemimpin TI di bidang dengan kepatuhan tinggi merancang kontrol yang benar-benar berfungsi ketika AI ikut terlibat, bukan sekadar kontrol yang terlihat mengesankan di atas kertas.

Subbagian berikut memaparkan tips praktis yang disesuaikan untuk sektor kesehatan dan keuangan, agar penerapan Copilot Anda memberikan nilai tanpa melanggar jebakan kepatuhan.

Memenuhi Persyaratan Kepatuhan Kesehatan dengan Copilot

1. Lakukan Penilaian Risiko PHI yang Terperinci: Audit penerapan Copilot Anda untuk melihat bagaimana informasi kesehatan yang dilindungi (protected health information/PHI) diakses, diproses, atau disimpan. Pemetaan permukaan ini harus mencakup seluruh endpoint yang terhubung dengan Copilot.
2. Perluas DLP dan Label Sensitivitas ke Keluaran Copilot: Wajibkan agar seluruh dokumen dan obrolan yang dihasilkan Copilot mengikuti pelabelan yang sesuai dengan HIPAA. Aturan DLP harus mengenali dan memblokir setiap alur keluar yang mengandung PHI (DLP di sektor kesehatan).
3. Isolasi Alur Kerja Copilot dari Data Non-Kesehatan: Pisahkan lingkungan agar Copilot tidak dapat menyerap atau merujuk sumber data yang tidak berkaitan dengan perawatan pasien, untuk menghindari kontaminasi silang yang tidak disengaja.
4. Terapkan Kontrol Akses Berbasis Peran untuk Staf Kesehatan: Batasi kemampuan Copilot berdasarkan peran staf (dokter, perawat, admin) dan batasi interaksi hanya pada sistem yang diperlukan.
5. Pantau, Catat, dan Audit Seluruh Akses Copilot: Setiap akses Copilot—baik saat membuat laporan maupun memberikan saran—harus dicatat, diaudit, dan ditinjau oleh staf kepatuhan.

Konfigurasikan kebijakan sehingga AI tidak pernah mengambil tindakan terhadap PHI tanpa validasi manusia yang eksplisit dalam alur kerja berisiko tinggi. Bagikan materi pelatihan kepada staf medis untuk memperkuat pemahaman tentang apa yang dapat dan tidak dapat diakses atau dihasilkan Copilot.

Memperkuat Keamanan Layanan Keuangan dalam Penerapan Copilot

1. Petakan Alur Data terhadap Aturan GLBA, PCI-DSS, dan SOX: Identifikasi integrasi Copilot mana yang menyentuh catatan keuangan nasabah, log transaksi, atau jejak audit. Dokumentasikan setiap alur data dan petakan masing-masing ke kontrol kepatuhan yang sesuai (panduan Zero Trust).
2. Terapkan Zero Trust dan Evaluasi Akses Berkelanjutan: Adopsi model verifikasi akses berkelanjutan, dengan memanfaatkan MFA adaptif dan penilaian risiko real-time untuk memblokir sesi Copilot yang berisiko.
3. Isolasi Lingkungan Sensitif dengan Segmentasi Penyewa: Jangan menjalankan fitur Copilot untuk perdagangan, manajemen risiko, dan operasional back-office dalam lingkungan yang sama. Pemisahan penyewa atau sesi yang unik membantu mencegah kebocoran data.
4. Perkuat Pencatatan Log, Peringatan, dan Pengumpulan Bukti: Data keuangan harus memiliki tingkat audit setinggi mungkin. Atur Sentinel dan Purview agar memberikan peringatan real-time dan bukti yang tidak dapat diubah untuk setiap tindakan terkait Copilot.
5. Pelatihan Keamanan Staf dengan Penekanan pada Akses Istimewa: Latih staf keuangan untuk mengenali perintah (prompt) Copilot yang melibatkan data pelanggan yang sensitif; terapkan kebijakan “verifikasi sebelum bertindak” untuk semua transaksi bernilai tinggi.

Dengan menerapkan batasan data yang ketat dan memanfaatkan pemeriksaan autentikasi berkelanjutan, organisasi keuangan dapat memaksimalkan nilai Copilot tanpa mengambil risiko denda kepatuhan atau hilangnya kepercayaan pelanggan.

Memperluas Keamanan Copilot melalui Pelatihan dan Kesadaran Pengguna

Meskipun pengamanan teknis sudah sangat ketat, keamanan tetap bisa runtuh karena ulah orang yang menggunakan sistem tersebut setiap hari. Copilot memudahkan staf memanfaatkan AI seperti tidak pernah sebelumnya, tetapi kemudahan itu bisa menjadi masalah jika pengguna tidak menyadari di mana risikonya berada. Pelatihan pengguna akhir dan budaya kesadaran kini menjadi persyaratan inti, bukan sekadar daftar centang SDM.

Bagian ini menyoroti mengapa pelatihan yang tepat bukan pilihan. Keamanan Copilot bergantung pada pemahaman setiap pengguna tentang cara kerja AI, perintah mana yang aman, dan mengapa perilaku ceroboh (seperti menempelkan informasi sensitif ke dalam perintah atau mengabaikan peringatan Copilot) memperbesar risiko paparan data. Kami akan membahas area bermasalah terbesar, lalu menunjukkan bagaimana program edukasi terstruktur dan latihan praktis dapat mengubah perilaku ke arah keamanan sejak desain.

Perimeter keamanan Anda? Itu sama pentingnya dengan pola pikir pengguna seperti halnya firewall dan kebijakan. Mari manfaatkan hal tersebut untuk membangun hasil Copilot yang lebih baik dan lebih aman.

Memahami Perilaku Pengguna yang Meningkatkan Risiko Keamanan Copilot

• Membagikan Data Sensitif Secara Berlebihan dalam Perintah: Pengguna mungkin menempelkan informasi rahasia langsung ke dalam kueri Copilot, sehingga informasi tersebut terpapar ke cakupan pemrosesan AI yang lebih luas.
• Mengabaikan Peringatan Keamanan dan Pemberitahuan Kebijakan: Mengabaikan perintah keamanan Copilot bawaan atau melewati pemberitahuan DLP menciptakan titik buta dan potensi kebocoran.
• Membagikan Keluaran Copilot Tanpa Peninjauan: Meneruskan atau menyimpan konten yang dihasilkan AI tanpa memeriksa data sensitif secara membabi buta akan memperbesar risiko data bayangan.
• Menggunakan Ulang Perintah Tidak Resmi dari Rekan Kerja: Menyalin dan menempel perintah yang diambil dari utas email atau obrolan Teams dapat memicu paparan ganda, terutama di bidang yang diatur ketat (wawasan tata kelola).

Merancang Program Pelatihan Keamanan Copilot untuk Pengguna Akhir

1. Segmentasi Pelatihan berdasarkan Peran Pengguna dan Akses Data: Susun modul pelatihan yang disesuaikan untuk staf garis depan, spesialis, dan admin, sehingga panduan selaras dengan fitur Copilot dan profil risiko setiap tim.
2. Sertakan “Kebersihan Perintah” dan Dasar Keamanan AI: Ajarkan pengguna cara menyusun perintah yang aman, memahami cara AI mengingat data, dan kapan harus menghindari penyertaan detail sensitif.
3. Simulasikan Rekayasa Sosial dan Serangan Perintah: Jalankan uji “tim merah” secara rutin, di mana pengguna menerima injeksi perintah atau upaya phishing yang terkait dengan Copilot. Lakukan evaluasi atas pilihan nyata pengguna untuk meningkatkan nilai praktis pelatihan.
4. Lengkapi dengan Panduan Langsung dan Sesi Tanya Jawab: Jangan hanya membagikan video pelatihan. Selenggarakan sesi langsung tempat pengguna melihat skenario dunia nyata dan mengajukan pertanyaan tentang kasus penggunaan Copilot yang rumit.
5. Tanamkan Penguatan dalam Komunikasi Berkelanjutan: Gunakan pengingat rutin, pengingat singkat, dan siaran “tips minggu ini” khusus Copilot untuk menjaga agar gagasan keamanan tetap relevan.
6. Pusatkan Materi dengan Pusat Pembelajaran Copilot yang Terkelola: Hindari dokumen yang terisolasi dan usang. Pastikan semua sumber daya tetap mutakhir dan mudah diakses, sebagaimana diuraikan dalam panduan Pusat Pembelajaran Copilot ini.
7. Nilai Hasil dan Lakukan Penyesuaian: Gunakan kuis, simulasi, dan mekanisme umpan balik untuk mengukur seberapa baik pelatihan melekat dan di mana bantuan tambahan diperlukan.

Mengelola Risiko Integrasi Pihak Ketiga di Copilot

Mudah sekali merasa antusias untuk meningkatkan fungsi Copilot dengan plugin pihak ketiga dan aplikasi terhubung, tetapi setiap integrasi baru adalah pintu baru bagi risiko untuk masuk. Konektor eksternal ini dapat membuka celah tak terduga pada pertahanan data Anda dan membuka jalur serangan yang tidak pernah Anda bayangkan. Niat baik saja tidak cukup untuk menutup celah tersebut.

Bagian ini menyoroti kompleksitas tambahan yang muncul dari izin aplikasi pihak ketiga dan integrasi plugin. Kami akan membantu Anda memahami mengapa meninjau koneksi-koneksi ini sama pentingnya dengan apa yang Anda lakukan "di dalam rumah". Pada subbagian berikutnya, Anda akan menemukan panduan khusus tentang cara mengevaluasi dan membatasi izin aplikasi pihak ketiga, serta panduan untuk memperketat rantai pasokan Anda agar kesalahan atau pelanggaran dari pihak luar tidak merambat ke lingkungan Copilot Anda.

Dengan Copilot, manajemen risiko adalah kerja tim yang melibatkan setiap sistem yang terhubung, terutama yang tidak sepenuhnya Anda miliki.

Mengevaluasi Izin Aplikasi Pihak Ketiga saat Menggunakan Copilot

• Audit Semua Aplikasi dan Plugin yang Terhubung: Catat secara rutin setiap aplikasi pihak ketiga yang terhubung dengan Copilot, dan periksa tingkat akses data serta API yang diberikan (lihat bagaimana penyerang memanfaatkan persetujuan OAuth).
• Batasi Persetujuan Pengguna ke Aplikasi Tepercaya: Perketat Entra ID (Azure AD) agar pengguna tidak dapat memberikan persetujuan kepada aplikasi yang belum diverifikasi atau belum disetujui, sehingga mengurangi risiko Shadow IT (langkah remediasi di sini).
• Pantau Aktivitas Aplikasi dan Aliran Data: Siapkan peringatan untuk volume tidak wajar, lonjakan panggilan API, atau pembagian data lintas aplikasi yang tidak terduga.
• Segera Cabut Izin yang Yatim atau Tidak Aktif: Aplikasi yang tidak digunakan selama 30–90 hari seharusnya kehilangan akses, titik.

Memitigasi Risiko Rantai Pasokan dalam Integrasi Copilot

1. Terapkan Penilaian Ketat untuk Konektor Baru: Sebelum mengintegrasikan konektor pihak ketiga, wajibkan tinjauan keamanan terhadap izin, aliran data, dan rekam jejak vendor.
2. Wajibkan Akuntabilitas Pemilik yang Eksplisit: Tetapkan pemilik internal untuk mengelola dan meninjau secara berkala setiap integrasi pihak ketiga; jangan biarkan alat eksternal menjadi infrastruktur yang tak terlihat (pola untuk penegakan).
3. Kunci Cakupan Transfer Data: Batasi apa yang dapat dilihat atau diubah oleh aplikasi eksternal dengan menggunakan izin hak minimum dan berbasis konteks.
4. Pantau Pergeseran Rantai Pasokan dan Indikator Serangan: Periksa log aktivitas secara terus-menerus untuk mengetahui konektor baru, perubahan izin, atau pemeriksaan kepatuhan yang gagal. Peringatan otomatis sangat penting untuk penahanan yang cepat.
5. Wajibkan Komitmen Keamanan Kontraktual: Untuk integrasi strategis, cantumkan persyaratan keamanan, respons, dan kepatuhan dalam semua kontrak vendor.

Tetap waspada terhadap risiko yang muncul. Terkadang, tata kelola hanya sekuat mitra rantai pasokan Anda yang paling lemah. Kontrol yang ditegakkan dan akuntabilitas, bukan sekadar dokumentasi, yang akan menjaga pintu-pintu baru tetap terkunci rapat.

Respons Insiden dan Forensik Khusus Copilot

Respons insiden adalah sasaran yang terus bergerak setelah Copilot hadir di lingkungan Anda. Pelanggaran dan paparan data berbasis AI sering kali tidak mengikuti playbook tradisional. Ancamannya bisa halus, bergerak cepat, dan tersembunyi di dalam prompt yang tampak tidak berbahaya. Itulah sebabnya Anda memerlukan strategi baru yang memahami Copilot untuk merespons ketika terjadi masalah.

Bagian ini menitikberatkan pada kesiapsiagaan proaktif, yaitu cara mengenali aktivitas Copilot yang tidak sah, membatasi paparan, dan memandu tim Anda melalui respons khusus Copilot. Forensik M365 standar hanya mampu sejauh ini, karena penggabungan konteks AI, keluaran yang dihasilkan, dan izin yang luas pada Copilot menciptakan jejak baru yang harus ditelusuri.

Dengan memberikan fokus khusus Copilot pada respons insiden seperti yang Anda berikan pada kontrol keamanan, Anda membuka jalan menuju penahanan yang lebih cepat, pemulihan yang lebih cerdas, dan umpan balik pembelajaran yang terus memperkuat pertahanan Anda terhadap serangan berbasis AI di masa depan.

Mendeteksi Akses Data Tidak Sah melalui Aktivitas Copilot

• Analisis Log Penggunaan Copilot untuk Mencari Anomali: Tinjau log penggunaan di Purview atau dasbor keamanan Anda untuk frekuensi prompt Copilot yang tidak biasa, permintaan konten yang janggal, atau aktivitas pada waktu yang tidak lazim (detail audit Purview).
• Lacak Interaksi Data Sensitif: Tandai sesi Copilot yang mengakses tag data bernilai tinggi (PII, PHI, catatan keuangan) di luar pola normal.
• Siapkan Peringatan Anomali Perilaku: Gunakan alat berbasis machine learning untuk mengidentifikasi dan memberi tahu Anda ketika perilaku Copilot menyimpang dari norma organisasi.
• Korelasikan Prompt Copilot dengan Peristiwa Ekspor Data: Waspadai rangkaian kueri Copilot yang diikuti unduhan massal atau pembagian file, yang bisa menjadi tanda kemungkinan eksfiltrasi.

Menyusun Rencana Respons Insiden untuk Peristiwa Keamanan Copilot

1. Tetapkan Playbook Insiden yang Berfokus pada Copilot: Susun playbook khusus untuk menyelidiki dan merespons insiden spesifik Copilot, mencakup data yang dihasilkan AI, penyalahgunaan berbasis peran, atau paparan data akibat prompt (daftar periksa penerapan praktis).
2. Tahan dan Isolasi Komponen yang Terdampak: Segera cabut izin Copilot atau aplikasi terhubung yang relevan bagi pengguna atau alur kerja yang terdampak. Bekukan pembagian dan blokir alur AI selama penilaian berlangsung.
3. Lakukan Triase Terarah dengan Kesadaran Konteks AI: Gunakan log tingkat lanjut untuk merekonstruksi konteks sesi, keluaran yang dihasilkan AI yang telah dilacak, dan alur izin yang mengarah ke insiden.
4. Beri Tahu Pemangku Kepentingan dan Pihak Terdampak Sejak Dini: Ikuti pedoman notifikasi regulasi untuk dugaan atau konfirmasi pelanggaran yang didorong Copilot, terutama jika menyangkut data PII, PHI, atau data keuangan.
5. Manfaatkan Analisis Forensik untuk Pemulihan: Gunakan log, cadangan, dan pelacakan keluaran AI di lingkungan Anda untuk membatalkan perubahan atau paparan yang tidak sah, sekaligus menyediakan bukti yang siap untuk audit.
6. Lakukan Tinjauan Pembelajaran Menyeluruh: Setelah insiden diselesaikan, bahas pola insiden, celah kebijakan, dan perilaku pengguna yang berkontribusi pada paparan tersebut untuk menjadi masukan bagi pembaruan tata kelola ke depan.
7. Perbarui Kebijakan, Pelatihan, dan Otomatisasi Copilot: Gunakan pembelajaran dari insiden untuk memperkuat pelabelan, pemantauan, dan pelatihan pengguna agar lingkungan Anda semakin kokoh setelah setiap pelanggaran.

Hasil respons insiden terbaik adalah penerapan Copilot yang lebih cerdas dan lebih ketat, serta tim yang siap menghadapi serangan berbasis AI berikutnya, dalam bentuk apa pun ia muncul.

Daftar Periksa: Langkah-Langkah untuk Memperkuat Postur Keamanan Copilot

1. Terapkan pemantauan berkelanjutan: gunakan solusi seperti Microsoft Purview untuk deteksi ancaman real-time dan respons otomatis terhadap peristiwa keamanan terkait Copilot.
2. Otomatisasi kontrol tata kelola dan siklus hidup; jadwalkan tinjauan rutin terhadap label sensitivitas, akses data, dan kumpulan izin untuk memastikan hanya hak yang diperlukan yang diberikan.
3. Lakukan pelatihan kesadaran dan keamanan khusus Copilot yang wajib bagi pengguna, dengan fokus pada penggunaan prompt yang aman serta pengenalan perilaku berisiko yang menyebabkan kebocoran data.
4. Seleksi dan pantau integrasi pihak ketiga secara ketat, dengan meninjau izin API dan konektor untuk meminimalkan kerentanan rantai pasokan dan kerentanan yang berpusat pada aplikasi.
5. Susun rencana respons insiden khusus Copilot, termasuk kesiapan forensik, untuk dengan cepat mengidentifikasi, membendung, dan memulihkan diri dari pelanggaran. Untuk strategi yang lebih mendalam, lihat panduan ini tentang penskalaan tata kelola dan kontrol AI. Daftar Periksa: risiko keamanan microsoft 365 copilot

   Gunakan daftar periksa ini untuk menilai, memitigasi, dan memantau risiko yang dibawa oleh Microsoft 365 Copilot di lingkungan Anda.

   1. Tata Kelola dan Kebijakan
      • Kebijakan penggunaan terdokumentasi untuk Microsoft 365 Copilot yang menentukan jenis data dan kasus penggunaan yang diizinkan.
      • Aturan klasifikasi dan penanganan data yang telah disetujui, diterapkan pada konten yang diakses oleh Copilot.
      • Peran dan tanggung jawab yang jelas bagi administrator Copilot, pemilik data, dan peninjau.
   2. Akses Data dan Minimisasi
      • Prinsip hak akses minimum diterapkan untuk akun layanan dan integrasi yang terkait dengan Copilot.
      • Audit sumber data (SharePoint, OneDrive, Exchange, Teams) yang diindeks atau dapat diakses oleh Copilot.
      • Aturan minimisasi data diterapkan sehingga Copilot tidak dapat mengakses kumpulan data berisiko tinggi atau sensitif jika tidak diperlukan.
   3. Privasi Data dan Kepatuhan
      • Pastikan konfigurasi Copilot memenuhi regulasi yang relevan (GDPR, HIPAA, CCPA, dll.).
      • Kebijakan penemuan dan redaksi data pribadi tersedia untuk keluaran yang mungkin mengandung PII.
      • Pengaturan berbagi data pihak ketiga dan telemetri ditinjau serta dibatasi bila diperlukan.
   4. Autentikasi dan Kontrol Akses
      • MFA diterapkan untuk semua akun dengan hak admin atau konfigurasi Copilot.
      • Kebijakan Akses Bersyarat dibuat untuk membatasi akses Copilot berdasarkan lokasi, kepatuhan perangkat, atau tingkat risiko.
      • Prinsipal layanan dan izin aplikasi ditinjau; rahasia dan sertifikat dirotasi secara berkala.
   5. Pemantauan dan Pencatatan Log
      • Pencatatan log diaktifkan untuk aktivitas terkait Copilot, kueri, dan peristiwa akses data.
      • Peringatan dikonfigurasi untuk pola penggunaan Copilot yang tidak biasa (permintaan data dalam jumlah besar, waktu yang tidak wajar, tanda-tanda eksfiltrasi).
      • Jadwal tinjauan rutin untuk log dan peringatan, dengan pemilik yang ditugaskan untuk investigasi.
   6. Keamanan Output dan Pemfilteran Konten
      • Mekanisme untuk meninjau dan membersihkan output Copilot guna mencegah kebocoran data sensitif dalam konten yang dihasilkan.
      • Templat dan pagar pengaman (guardrails) dikonfigurasi untuk mencegah pengungkapan rahasia internal, kredensial, atau kekayaan intelektual milik perusahaan.
      • Pelatihan pengguna tentang cara memverifikasi output Copilot dan menghindari kepercayaan buta terhadap rekomendasi yang dihasilkan.
   7. Keamanan Model dan Prompt
      • Kontrol atas model LLM yang digunakan Copilot serta dokumentasi jaminan penanganan data oleh model.
      • Mitigasi prompt injection dan validasi input untuk mencegah kebocoran konteks sensitif atau eksekusi prompt berbahaya.
      • Pengujian halusinasi dan output yang tidak akurat pada skenario berisiko tinggi; proses korektif didefinisikan.
   8. Integrasi Pihak Ketiga
      • Inventaris aplikasi dan konektor pihak ketiga yang digunakan dengan Copilot serta penilaian postur keamanannya.
      • Kontrak dan klausul DPA ditinjau untuk memastikan ketentuan perlindungan data dan tanggung jawab yang sesuai.
      • Batasi atau isolasi konektor yang mengirimkan data ke layanan eksternal yang tidak disetujui kebijakan.
   9. Keamanan Endpoint dan Perangkat
      • Pastikan endpoint yang menggunakan Copilot memenuhi standar patching, antivirus, dan kepatuhan perangkat.
      • Terapkan data loss prevention (DLP) pada endpoint untuk mencegah penyalinan atau penyimpanan output Copilot yang sensitif.
   10. Respons Insiden dan Pemulihan
       • Sertakan skenario khusus Copilot dalam rencana respons insiden (kebocoran data, penyalahgunaan model, eksfiltrasi).
       • Playbook dan langkah penahanan didefinisikan untuk menonaktifkan akses Copilot, mencabut token, dan mengisolasi sumber data yang terdampak.
       • Prosedur pencadangan dan pemulihan divalidasi untuk sistem yang berisi data yang dapat diakses Copilot.
   11. Pelatihan dan Kesadaran
       • Pelatihan pengguna rutin tentang penggunaan Copilot yang aman, klasifikasi data, dan pelaporan output yang mencurigakan.
       • Pelatihan admin tentang konfigurasi, pemantauan, dan praktik integrasi yang aman untuk Copilot.
   12. Tinjauan Berkelanjutan
       • Penilaian risiko berkala yang berfokus pada risiko keamanan Microsoft 365 Copilot dan mitigasinya.
       • Perbarui kebijakan dan kontrol ketika fitur, model, atau integrasi Copilot berubah.

Risiko keamanan Microsoft 365 Copilot dan keamanan data

Apa saja risiko keamanan Microsoft Copilot utama yang perlu diketahui organisasi?

Risiko keamanan Microsoft Copilot utama mencakup akses tidak disengaja ke data internal, potensi paparan data rahasia melalui prompt, kesalahan konfigurasi izin penyewa Microsoft 365, dan kontrol yang tidak memadai atas data Copilot. Sebagai alat AI yang terintegrasi dengan layanan Microsoft 365 dan Microsoft Teams, Copilot dapat menampilkan informasi sensitif jika pengaturan keamanan dan kepatuhan, kontrol Microsoft Entra ID, dan kebijakan klasifikasi data tidak diterapkan.

Bagaimana Copilot untuk Microsoft 365 mengakses data, dan kontrol apa yang membatasi akses ke data sensitif?

Copilot mengakses data organisasi melalui Microsoft Graph dan API layanan di dalam aplikasi Microsoft 365. Akses data diatur oleh izin tingkat penyewa, autentikasi Microsoft Entra, dan kontrol akses berbasis peran. Langkah keamanan seperti Microsoft Purview Information Protection, klasifikasi data, dan kebijakan Akses Bersyarat dapat membatasi akses Copilot ke data sensitif atau rahasia serta mengurangi risiko paparan data sensitif.

Dapatkah Microsoft 365 Copilot mengekspos data sensitif atau rahasia ketika pengguna memberi prompt ke alat AI?

Ya, kebocoran data Copilot dapat terjadi jika pengguna menempelkan data rahasia ke dalam prompt atau meminta ringkasan yang mengungkap data internal. Penggunaan Microsoft Purview, pemberian tag data sensitif, dan kebijakan penggunaan Copilot yang ketat membantu mencegah pengguna secara tidak sengaja mengekspos data sensitif. Pemimpin keamanan sebaiknya melatih staf tentang praktik prompt yang aman dan menerapkan pemantauan untuk mendeteksi perilaku prompt yang berisiko.

Langkah apa yang dapat diambil tim keamanan untuk mengamankan Microsoft Copilot dan mengurangi paparan data?

Tim keamanan sebaiknya menerapkan klasifikasi data, menerapkan Microsoft Purview Information Protection, menegakkan Conditional Access di Microsoft Entra ID, dan mengonfigurasi izin tingkat penyewa untuk Copilot. Memantau log akses, menerapkan prinsip hak akses minimum, mengaktifkan kebijakan Data Loss Prevention di seluruh layanan Microsoft 365, serta mengintegrasikan kontrol keamanan data Copilot membantu meminimalkan akses ke data sensitif dan menyelaraskan tujuan privasi dan keamanan.

Bagaimana EU Data Boundary atau residensi data memengaruhi penggunaan Microsoft Copilot di Eropa?

Pengaturan EU Data Boundary dan residensi data menentukan di mana data Copilot dan konten yang diproses disimpan dan diproses. Organisasi yang menggunakan Microsoft 365 di Eropa sebaiknya memastikan pemrosesan Copilot memenuhi persyaratan residensi regional, dan menerapkan konfigurasi residensi data di penyewa Microsoft 365 Anda. Menggabungkan pengaturan ini dengan Microsoft Purview dan alat kepatuhan lokal dapat mengurangi risiko regulasi dan mendukung kewajiban privasi serta keamanan.

Apa peran Microsoft Entra ID dan manajemen akses dalam keamanan data Copilot?

Microsoft Entra ID mengontrol autentikasi dan otorisasi untuk Copilot dan layanan Microsoft 365 lainnya. Kebijakan Entra yang dikonfigurasi dengan benar, Conditional Access, autentikasi multifaktor, dan Privileged Identity Management membatasi siapa yang dapat mengakses fitur Copilot serta data yang ditampilkannya. Kontrol akses ini penting untuk mencegah akses tidak sah ke data internal dan untuk menegakkan penggunaan Microsoft Copilot yang aman di seluruh organisasi.

Bagaimana organisasi sebaiknya menangani prompt pengguna dan pelatihan agar tidak membocorkan data pelanggan atau data internal?

Organisasi sebaiknya menetapkan kebijakan yang jelas untuk penggunaan Microsoft Copilot, membatasi jenis data yang boleh dimasukkan pengguna ke dalam prompt, dan menyediakan pelatihan tentang praktik terbaik privasi dan keamanan. Gunakan alat Microsoft Purview untuk mengklasifikasikan data pelanggan dan data internal, terapkan aturan DLP untuk memblokir atau memberi peringatan pada prompt yang berisiko, dan edukasi pengguna tentang risiko menempelkan data rahasia ke alat AI.

Apakah Copilot menyimpan data pengguna, dan bagaimana perusahaan dapat mengelola retensi dan privasi data Copilot?

Copilot dapat memproses prompt dan menghasilkan output yang dicatat untuk kualitas layanan dan kepatuhan; kebijakan retensi bergantung pada pengaturan penyewa, perjanjian layanan, dan konfigurasi Microsoft 365. Perusahaan sebaiknya meninjau pengaturan penyewa Microsoft 365, menerapkan aturan retensi dan penghapusan data, menggunakan Microsoft Purview untuk tata kelola, serta merujuk pada dokumentasi layanan Microsoft untuk menetapkan kontrol retensi dan privasi data Copilot yang sesuai.

Bagaimana tim keamanan dan kepatuhan memantau serta mengaudit akses dan tindakan Copilot di Microsoft 365?

Tim keamanan dan kepatuhan dapat memantau aktivitas Copilot menggunakan log audit Microsoft 365, solusi audit Microsoft Purview, dan integrasi pemantauan yang merekam akses ke sumber daya sensitif melalui Microsoft Graph. Menerapkan ingestion SIEM, memberikan peringatan atas akses tidak wajar ke data rahasia, dan melakukan tinjauan kepatuhan secara berkala membantu mendeteksi penyalahgunaan, menegakkan kebijakan keamanan dan privasi, serta menunjukkan tata kelola atas penggunaan Copilot di lingkungan Microsoft 365.