WEBVTT 00:00:00.400 --> 00:00:06.880 Siap untuk 10 hari pembahasan Microsoft 365, Copilot, AI, Azure, dan para tokoh yang membentuk masa depan dunia kerja. 00:00:07.740 --> 00:00:11.960 Januari ini, M365 Con kembali hadir dan kami tampil. Lebih besar. 00:00:12.760 --> 00:00:18.460 Bergabunglah bersama kami dalam sesi langsung demo dunia nyata dan pengetahuan praktis dari para MVP serta pakar industri di seluruh dunia. 00:00:18.860 --> 00:00:21.420 Tanpa jargon yang tak ada habisnya, yang tak ada habisnya. 00:00:22.040 --> 00:00:23.380 Kami akan membahas tantangan nyata. 00:00:23.800 --> 00:00:28.600 Copilot Studio, Agen AI, Fabrik, Keamanan, Tata Kelola, dan Otomatisasi. 00:00:28.600 --> 00:00:34.420 Baik Anda seorang profesional TI, pengembang, atau pemimpin bisnis, ada sesi yang dirancang khusus untuk Anda. 00:00:35.480 --> 00:00:40.040 Selama 10 hari penuh, Anda bisa menjelajahi berbagai teknologi dan terhubung dengan komunitas global. 00:00:40.880 --> 00:00:44.240 Saksikan secara langsung dan bawa wasan praktis kembali ke organisasi Anda. 00:00:45.180 --> 00:00:48.840 Januari 2027, 10 hari, satu komunitas Microsoft. 00:00:49.360 --> 00:00:50.500 Pendaftaran sudah dibuka sekarang. 00:00:51.640 --> 00:00:55.480 Kunjungi M365 Con.net dan amankan tempat Anda hari ini. 00:00:55.480 --> 00:00:58.380 Itu adalah M365 Con.net. 00:01:00.280 --> 00:01:04.740 Bergabunglah sekarang di M365 Con.net dan sampai jumpa secara langsung di bulan Januari. 00:01:05.300 --> 00:01:08.560 Jika Anda pikir Copilot hanya menampilkan apa yang sudah diizinkan untuk Anda lihat, pikirkan lagi. 00:01:09.260 --> 00:01:13.820 Satu izing graph yang salah dan tiba-tiba AI Anda bisa menampilkan data yang tidak pernah disetujui tim kepatuhan Anda. 00:01:14.520 --> 00:01:16.640 Bagian yang menakutkan Anda mungkin bahkan tidak sadar hal itu yang terjadi. 00:01:16.640 --> 00:01:20.520 Dalam video ini, saya akan mengurahkan risiko nyata dari akses Copilot yang tidak dikelola. 00:01:20.680 --> 00:01:23.740 Bagaimana file sensitif, spreadsheet keuangan, dan data klien rahasia bisa bocor. 00:01:23.900 --> 00:01:25.120 Dan data klien rahasia bisa bocor. 00:01:25.280 --> 00:01:26.920 Lalu saya akan tunjukkan cara menguncinya. 00:01:27.400 --> 00:01:32.660 Menggunakan izing graph, kebijakan DLP, dan preview tanpa menghambat produktivitas bagi mereka yang memang butuh akses. 00:01:32.860 --> 00:01:33.860 Bagi mereka yang memang butuh akses. 00:01:33.860 --> 00:01:39.640 Saat Copilot tahu terlalu banyak, seorang staff junior meminta Copilot catatan ulasan proyek kuarta lalu. 00:01:40.200 --> 00:01:44.600 Dan yang muncul bukan ringkasan rapi rapat mereka, melainkan risalah mendetail dari sesi dewan direksi pribadi, 00:01:44.960 --> 00:01:50.940 termasuk keputusan strategi, pemotongan anggaran, dan nama-nama yang seharusnya tidak pernah sampai ke kotak masuk orang tersebut. 00:01:51.900 --> 00:01:54.480 Tidak ada peringatan pelanggaran yang berbunyi, tidak ada peringatan DLP, 00:01:54.660 --> 00:01:57.560 hanya AI yang diam-diam memberikan dokumen yang seharusnya tidak pernah disentuhnya. 00:01:58.260 --> 00:02:02.220 Ini terjadi karena Copilot tidak secara ajaib berhenti di kotak surat atau folder OneDrive pengguna. 00:02:02.220 --> 00:02:06.220 Jangkauannya ditentukan oleh izin yang diberikan melalui Microsoft Graph. 00:02:06.580 --> 00:02:06.840 Graph 00:02:06.840 --> 00:02:13.940 Dan Graph bukan sekadar basis data, itu adalah titik akses pusat ke hampir setiap konten di Microsoft 365, 00:02:14.280 --> 00:02:18.820 SharePoint, pesan Teams, acara kalender, OneNote, dan data CRM yang terhubung ke tenan. 00:02:20.400 --> 00:02:22.980 Semuanya mengalir melalui Graph jika pintu yang tepat terbuka. 00:02:23.420 --> 00:02:24.540 Itulah bagian yang sering dilawatkan banyak. 00:02:24.860 --> 00:02:29.360 Ada asumsi umum bahwa jika saya masuk sebagai di saya, Copilot hanya akan melihat apa yang bisa saya lihat. 00:02:30.060 --> 00:02:30.840 Terdengar masuk akal. 00:02:30.840 --> 00:02:35.520 Masalahnya adalah Copilot sendiri sering berjalan dengan rangkaian izin aplikasi yang terpisah. 00:02:36.460 --> 00:02:39.000 Jika izin tersebut lebih luas daripada hak pengguna yang masuk, 00:02:39.200 --> 00:02:44.000 Anda akan mendapatkan asisten AI yang dapat mengakses jauh lebih banyak daripada manusia di depan keyboard. 00:02:45.300 --> 00:02:49.420 Dan dalam beberapa penyebaran, izin yang ditingkatkan tersebut diberikan tanpa ada yang mempertanyakan alasannya. 00:02:51.040 --> 00:02:53.600 Bayangkan seorang analis keuangan sedang mengerjakan peragiran kuartal. 00:02:53.600 --> 00:02:57.600 Mereka meminta Copilot data pipeline terkini untuk 20 akun teratas. 00:02:58.600 --> 00:03:02.220 Dalam peran regular mereka, mereka seharusnya hanya melihat angka untuk sebagian kecil klien. 00:03:03.180 --> 00:03:12.020 Namun berkat cakupan Graph dalam pendaftaran aplikasi Copilot, AI menarik seluruh laporan pipeline penjualan dari situs tim bersama yang tidak pernah diakses langsung oleh analis tersebut. 00:03:12.020 --> 00:03:15.680 Dari perspektif pengguna akhir, tidak ada yang terlihat mencurigakan. 00:03:16.440 --> 00:03:19.380 Namun dari sudut pandang keamanan kepatuhan itu adalah paparan data sensitif. 00:03:20.460 --> 00:03:23.560 Izin AP Graph secara efektif adalah pintu gerbang menuju data organisasi Anda. 00:03:24.680 --> 00:03:26.860 Microsoft membaginya menjadi izin yang didelegasikan, 00:03:27.240 --> 00:03:32.020 yang bertindak atas nama pengguna yang masuk dan izin aplikasi yang memungkinkan aplikasi beroperasi secara mandiri. 00:03:32.020 --> 00:03:37.760 Eh, skenario Copilot seringkali memerlukan izin yang didelegasikan untuk pengambilan konten, 00:03:37.760 --> 00:03:44.160 tetapi fitur tertentu seperti meringkas rapat teams yang tidak dihadiri pengguna dapat mendorong admin menyetujui izin tingkat aplikasi. 00:03:45.360 --> 00:03:47.180 Dan disitulah bahaya merek masuk. 00:03:47.800 --> 00:03:51.660 Izin aplikasi mengabaikan batasan pengguna individu kecuali Anda sengaja membatasinya. 00:03:53.260 --> 00:03:55.940 Persetujuan ini sering terjadi di awal peluncuran dan admin TI 00:03:55.940 --> 00:04:01.720 yang menguji Copilot di penyewa pengembangan mungkin ngeklik terima pada permintaan izin hanya untuk menyelesaikan pengaturan, 00:04:02.200 --> 00:04:06.100 lalu mereplikasi konfigurasi itu ke produksi tanpa meninjau implikasinya. 00:04:06.100 --> 00:04:11.000 Sudah diterapkan, izin luas tersebut akan tetap ada kecuali seseorang secara aktif mengauditnya. 00:04:12.320 --> 00:04:15.580 Seiring waktu, saat sumber data baru terhubung ke M365, 00:04:15.800 --> 00:04:18.500 jangkauan Copilot meluas tanpa keputusan yang disadari. 00:04:19.600 --> 00:04:22.600 Itu adalah periapan izin yang senyap, tanpa drama, tanpa keluhan pengguna, 00:04:22.900 --> 00:04:24.800 hanya perluasan cakupan AI secara bertahap. 00:04:25.980 --> 00:04:29.220 Tantangannya adalah sebagian besar tim keamanan tidak paham kemampuan Copilot, 00:04:29.640 --> 00:04:31.760 mana yang memerlukan tingkat akses graf yang mana. 00:04:31.760 --> 00:04:37.060 Mereka mungkin melihat izin untuk membaca semua file di SharePoint dan berasumsi itu dibatasi oleh konteks pengguna 00:04:37.060 --> 00:04:40.420 tanpa menyadari bahwa izin tersebut berlaku di seluruh penyewa pada tingkat aplikasi. 00:04:41.660 --> 00:04:44.980 Tanpa memetakan skenario AI tertentu ke izin minimum yang diperlukan, 00:04:45.140 --> 00:04:49.020 Anda akhirnya menggunakan apapun yang disetujui dalam pengaturan awal tersebut. 00:04:50.100 --> 00:04:51.980 Dan semakin luas hak-hak tersebut, 00:04:51.980 --> 00:04:55.960 semakin besar pula potensi kesenjangan antara perilaku yang diharapkan dan perilaku yang sebenarnya. 00:04:55.960 --> 00:05:02.740 Perlu diingat juga bahwa output Copilot tidak dilengkapi dengan sejak izin bawaan yang terlihat oleh pengguna. 00:05:04.120 --> 00:05:08.120 Jika AI mengambil konten dari lokasi yang biasanya diblokir bagi pengguna untuk dijelajahi, 00:05:08.360 --> 00:05:12.020 tidak ada sepandut peringatan yang menyatakan bahwa ini diluar izin Anda. 00:05:12.940 --> 00:05:17.260 Kurangnya transparansi tersebut membuat paparan berisiko lebih mudah membaur ke dalam alur kerja sehari-hari. 00:05:17.760 --> 00:05:23.120 Poin penting di sini adalah bahwa izin grab untuk penyebaran AI bukan sekadar kotak centang lain dalam proses orientasi. 00:05:23.120 --> 00:05:28.080 Itu adalah pilihan desain yang membentuk setiap interaksi yang akan dilakukan Copilot di jaringan Anda. 00:05:28.840 --> 00:05:32.560 Perlakukan hal tersebut layaknya aturan firewall atau cakupan akses VPN harus terencana, 00:05:32.940 --> 00:05:34.780 ditinjau dan divalidasi ulang secara berkala. 00:05:36.120 --> 00:05:37.880 Pengaturan bawaan mungkin mempercepat Anda, 00:05:38.040 --> 00:05:41.780 namun juga mengasumsikan Anda nyaman dengan AI yang menjangkau lebih luas daripada manusia di baliknya. 00:05:43.400 --> 00:05:45.480 Kini setelah kita melihat betapa mudahnya cakupan meluas, 00:05:45.580 --> 00:05:49.140 pertanyaan berikutnya adalah bagaimana menemukan celah tersebut sebelum menjadi insiden besar. 00:05:50.440 --> 00:05:51.760 Menemukan kebocoran sebelum data tersebar. 00:05:51.760 --> 00:05:55.180 Jika Copilot sudah menampilkan data yang seharusnya tidak muncul, apakah Anda akan menyadari? 00:05:55.740 --> 00:05:57.980 Bagi sebagian besar organisasi, jawaban jujurnya adalah tidak. 00:05:58.400 --> 00:06:03.260 Bukan berarti informasi tersebut akan diunggah ke situs publik atau dikirim ke daftar email-email. 00:06:04.220 --> 00:06:07.700 Kebocoran bisa muncul secara diam-diam di dalam draft dokumen, ringkasan, 00:06:08.260 --> 00:06:09.740 atau jawaban yang dibuat AI. 00:06:10.580 --> 00:06:14.100 Dan kecuali seseorang melihat sesuatu yang ganjil, hal itu akan lolos tanpa memicu peringatan. 00:06:15.080 --> 00:06:18.220 Masalah visibilitas ini berawal dari bagaimana sebagian besar sistem pemantauan dibangun. 00:06:18.220 --> 00:06:23.580 Sistem tersebut diatur untuk aktivitas tradisional, unduhan file, lokasi login tidak wajar, 00:06:23.720 --> 00:06:28.060 atau pengiriman email besar, bukan cara AI mengambil dan mengompilasi informasi. 00:06:29.400 --> 00:06:31.220 Copilot tidak membuka file dalam pengertian biasa. 00:06:31.780 --> 00:06:33.660 Ia mengweri sumber data melalui Microsoft Graph, 00:06:33.940 --> 00:06:37.200 mengompilasi hasilnya, dan mengajikannya sebagai teks bahasa alami. 00:06:37.200 --> 00:06:40.900 Itu berarti laporan akses file standar bisa terlihat bersih, 00:06:41.020 --> 00:06:44.840 sementara AI tetap mengambil data dari lokasi sensitif di latar belakang. 00:06:46.580 --> 00:06:49.440 Saya pernah melihat situasi di mana perusahaan hanya menyadari ada yang salah 00:06:49.440 --> 00:06:53.060 karena seorang karyawan menyebut nama klien yang bukan ranah departemennya. 00:06:54.360 --> 00:06:57.960 Saat manajer bertanya dari mana mereka tahu, jawabannya adalah copilot menyertakannya di dok saya. 00:06:58.820 --> 00:07:01.420 Tidak ada tiket insiden, tidak ada peringatan otomatis, hanya komentar. 00:07:01.620 --> 00:07:03.620 Acak yang membuat IT melakukan investigasi. 00:07:03.620 --> 00:07:09.800 Saat mereka berhasil mengumpulkannya, tanggapan AI yang sama sudah dibagikan ke beberapa tim. 00:07:10.600 --> 00:07:13.920 Microsoft 365 menyediakan alat untuk menyelidiki skenario semacam ini, 00:07:14.080 --> 00:07:15.560 namun Anda harus tahu tempat mencarinya. 00:07:16.340 --> 00:07:19.780 Fitur Audit Purview dapat merekam akses data copilot secara detail. 00:07:20.820 --> 00:07:23.600 Hanya saja tidak diberi label khusus dengan tanda AI yang mencolok. 00:07:24.460 --> 00:07:25.820 Setelah berada di pencarian log audit, 00:07:25.820 --> 00:07:31.560 Anda bisa memfilter operasi spesifik yang digunakan copilot seperti query pencarian atau file yang diakses. 00:07:31.560 --> 00:07:34.840 Lalu mempersebutnya dengan ID aplikasi terkait. 00:07:35.960 --> 00:07:37.240 Hal itu memperlukan sedikit persiapan. 00:07:37.680 --> 00:07:41.980 Anda perlu mengafirmasi detail registrasi aplikasi di Android agar bisa mengidentifikasi lalu lintasnya. 00:07:42.360 --> 00:07:43.960 Dari sana, langkah selanjutnya adalah mengenali pula. 00:07:44.360 --> 00:07:48.360 Jika Anda melihat query bervolume tinggi dari akun yang biasanya memiliki kebutuhan data rendah, 00:07:48.460 --> 00:07:50.920 seperti akun magang melakukan 10 pencarian kompleks dalam sejam, 00:07:51.040 --> 00:07:52.680 itu perlu diperiksa, itu perlu diperiksa. 00:07:52.740 --> 00:07:57.740 Begitu pula lonjakan, tiba-tiba konten berlabel rahasia yang muncul di departemen yang biasanya tidak mengaksesnya. 00:07:58.900 --> 00:08:00.480 Purview dapat menandai aktivitas label, 00:08:00.480 --> 00:08:07.140 jadi jika query copilot mengambil dokumen berlabel, Anda akan melihatnya di-log meskipun AI tidak menampilkan teks lengkapnya. 00:08:08.660 --> 00:08:11.440 Tinjauan akses berbasis peran adalah cara lain untuk menghubungkan berbagai hak. 00:08:12.080 --> 00:08:14.380 Dengan memetakkan siapa saja yang benar-benar menggunakan copilot 00:08:14.380 --> 00:08:16.620 dan mencocokkannya dengan jenis data yang mereka interasikan, 00:08:16.800 --> 00:08:19.020 Anda dapat melihat potensi ketidaksesuaian sejak dini. 00:08:19.960 --> 00:08:22.480 Mungkin bagian keuangan sering menggunakan copilot untuk laporan, 00:08:22.720 --> 00:08:26.920 itu masuk akal, tetapi mengapa ada beberapa akun pemasaran yang mengakses spreadsheet penggaji melalui query AI? 00:08:26.920 --> 00:08:31.740 Tinjauan tersebut memberi Anda gambaran yang lebih luas di luar satu peristiwa dalam jejak audit. 00:08:32.560 --> 00:08:35.420 Masalahnya adalah dashboard pemantauan umum tidak akan banyak membantu di sini. 00:08:36.600 --> 00:08:40.180 Mereka menggabungkan setiap aktivitas M365 ke dalam kategori luas 00:08:40.180 --> 00:08:43.900 yang dapat menyebabkan perilaku khusus AI menyatu dengan operasi normal. 00:08:43.900 --> 00:08:49.960 Tanpa membuat filter atau laporan khusus yang berfokus pada ID aplikasi dan pola penggunaan copilot Anda, 00:08:50.080 --> 00:08:54.560 Anda pada dasarnya sedang mencari butiran pasir tertentu di tengah tumpukan data yang sangat banyak. 00:08:55.300 --> 00:08:57.800 Anda merlukan visibilitas yang terarah, bukan sekadar lebih banyak visibilitas. 00:08:58.120 --> 00:08:59.620 Ini bukan tentang membangun budaya pengawasan, 00:08:59.740 --> 00:09:02.800 tetapi tentang mengetahui dengan pasti apa yang sebenarnya diambil oleh AI Anda. 00:09:03.500 --> 00:09:06.000 Pendekatan pencatatan log yang tepat menjawab tiga pertanyaan penting. 00:09:06.460 --> 00:09:07.300 Apa yang diambil oleh copilot? 00:09:07.820 --> 00:09:08.380 Apa yang micunya? 00:09:08.380 --> 00:09:12.100 Dan apakah tindakan tersebut selaras dengan kebijakan keamanan dan kepatuhan Anda yang ada? 00:09:12.100 --> 00:09:15.660 Jawab penjabat tersebut memungkinkan Anda mengatasi masalah dengan tepat, 00:09:15.780 --> 00:09:20.480 entah itu berarti menyesuaikan izin, menyempurnakan aturan DLP, atau memperketat penetapan peran. 00:09:21.600 --> 00:09:23.740 Tanpa kejelasan itu, Anda hanya bisa menebak-nebak. 00:09:24.120 --> 00:09:25.860 Dan menebak bukanlah sebuah strategi keamanan. 00:09:26.500 --> 00:09:30.320 Jadi, alih-alih menunggu komentar santai lainnya yang memberi Anda petunjuk. 00:09:30.500 --> 00:09:35.980 Ada baiknya, meluangkan waktu untuk menyusun pemantauan Anda agar jejak copilot terlihat dan dapat dilacak. 00:09:36.700 --> 00:09:41.480 Dengan cara ini, setiap tanda paparan data berlebih menjadi peristiwa yang terkelola, bukan kejutan. 00:09:42.100 --> 00:09:44.620 Mengetahui di mana kebocoran terjadi hanyalah langkah pertama. 00:09:45.220 --> 00:09:49.740 Tujuan sebenarnya adalah memastikan kebocoran tersebut tidak terjadi lagi, dan disinilah perlindungan yang tepat berperan. 00:09:50.580 --> 00:09:51.760 Perlindungan yang benar-benar berfungsi. 00:09:52.440 --> 00:09:55.080 DLP bukan hanya untuk menangkap email yang berisi nomor kartu kredit. 00:09:56.180 --> 00:10:01.300 Dalam konteks copilot, DLP dapat menjadi pemicu yang menghentikan data sensitif agar tidak menyusup 00:10:01.300 --> 00:10:04.700 ke dalam jawaban yang dibuat AI yang kemudian ditempelkan ke obrolan Teams 00:10:04.700 --> 00:10:07.580 atau dieksplor ke dokumen yang keluar dari tenan Anda. 00:10:07.580 --> 00:10:14.940 Ini masih alat dasar yang sama di Microsoft 365, tetapi cara Anda mengonfigurasinya untuk skenario AI 00:10:14.940 --> 00:10:16.440 memerlukan pelapikir yang berbeda. 00:10:16.920 --> 00:10:20.500 Kesenjangannya adalah sebagian besar kebijakan DLP organisasi masih ditulis dengan 00:10:20.500 --> 00:10:24.620 mempertimbangkan pemicu gaya lama, lampiran email, pengunduhan file ke drive USB, 00:10:24.860 --> 00:10:28.900 menyalin data ke aplikasi yang tidak disetujui, menyalin data ke aplikasi yang tidak disetujui. 00:10:29.340 --> 00:10:32.880 Copilot tidak memicu aturan tersebut secara default karena tidak mengirim file. 00:10:33.580 --> 00:10:35.160 Copilot membuat konten secara langsung 1.7. 00:10:35.160 --> 00:10:40.280 Jika Anda meminta daftar lengkap pelanggan yang ditandai terbatas kepada copilot 00:10:40.280 --> 00:10:46.120 dan ia mengambilnya dari dokumen berlabel, hasilnya dapat tersebar tanpa memicu kondisi DLP tradisional. 00:10:47.700 --> 00:10:51.900 Itulah sebabnya prom dan respons AI harus secara eksplisit dimasukkan ke dalam cakupan DLP Anda. 00:10:52.960 --> 00:10:59.160 Sebagai contoh praktis, katakanlah kebijakan Anda melarang ekspor dokumen kontrak tertentu ke luar lingkungan aman Anda. 00:10:59.160 --> 00:11:04.280 Seorang pengguna dapat meminta copilot untuk mengekstrak pasal-pasal penting dan memasukkannya ke dalam powerpoint. 00:11:04.280 --> 00:11:11.200 Jika aturan DLP Anda tidak memantau konten yang dibuat AI, materi sensitif tersebut kini berada dalam file yang tidak terlindungi. 00:11:12.480 --> 00:11:16.880 Dengan memperluas inspeksi DLP untuk mencakup output copilot, Anda dapat memblokir powerpoint tersebut 00:11:16.880 --> 00:11:21.240 agar tidak disimpan di lokasi yang tidak terkelola atau dibagikan kepada tamu eksternal di Teams. 00:11:21.240 --> 00:11:26.860 Menyiapkan ini di Microsoft 365 tidaklah rumit, namun memerlukan proses yang cermat. 00:11:27.740 --> 00:11:33.120 Pertama, di portal kepatuhan Microsoft Purview, buka bagian pencegahan kehilangan data dan buat kebijakan baru. 00:11:33.660 --> 00:11:39.080 Saat Anda memilih lokasi untuk menerapkannya, sertakan Exchange, SharePoint, OneDrive, dan yang terpenting Teams 00:11:39.080 --> 00:11:42.400 karena copilot dapat menampilkan data ke salah satu lokasi tersebut. 00:11:43.140 --> 00:11:44.420 Kemudian, tentukan kondisinya. 00:11:44.420 --> 00:11:51.780 Anda dapat menargetkan tipe informasi sensitif bawaan seperti nomor rekening keuangan atau tipe kustom yang mendeteksi kode proyek internal Anda. 00:11:53.100 --> 00:11:57.740 Dan jika Anda menggunakan label sensitifitas secara konsisten, Anda juga dapat mengatur kondisi untuk 00:11:57.740 --> 00:12:02.020 memicu saat konten berlabel muncul dalam output akhir file yang disimpan atau dibagikan. 00:12:03.180 --> 00:12:04.860 Terakhir, konfigurasikan tindakannya. 00:12:05.180 --> 00:12:05.920 Blokir pembagian. 00:12:06.380 --> 00:12:07.940 Tampilkan tip kebijakan kepada pengguna. 00:12:08.260 --> 00:12:09.960 Atau minta justifikasi untuk melanjutkan. 00:12:10.560 --> 00:12:13.640 Label sensitifitas itu sendiri adalah bagian penting agar hal ini berfungsi. 00:12:14.420 --> 00:12:20.000 Dalam konteks AI, label adalah metadata yang dapat dibaca copilot seperti layanan M365 lainnya. 00:12:21.680 --> 00:12:25.520 Jika dokumen yang sangat rahasia memiliki label yang membatasi akses dan penggunaan, 00:12:25.580 --> 00:12:28.320 copilot akan mematuhi batasan tersebut saat membuat jawaban 00:12:28.320 --> 00:12:33.120 asalkan pengaturan perlindungan label diterapkan secara konsisten di seluruh aplikasi terkait. 00:12:34.420 --> 00:12:38.260 Jika AI mencoba menggunakan konten dengan label di luar cakupan yang diizinkan, 00:12:38.340 --> 00:12:42.840 kebijakan DLP yang ditautkan ke label tersebut dapat mencegah tindakan atau menandainya untuk ditinjau. 00:12:42.840 --> 00:12:47.420 Tanpa keterkaitan tersebut, label hanyalah hiasan dari sudut pandang kepatuhan. 00:12:48.420 --> 00:12:53.760 Salah satu kesalahan konfigurasi paling umum yang saya temui adalah membiarkan kebijakan DLP sama sekali tidak menyadari skenario AI. 00:12:54.620 --> 00:12:59.120 Aturannya ada, tetapi tidak ada tautan ke output copilot karena admin belum menganggapnya sebagai saluran terpisah. 00:12:59.120 --> 00:13:07.240 Hal itu menciptakan titik buta di mana istilah sensitif dalam jawaban yang dihasilkan tidak diperiksa meskipun teks yang sama dalam email akan diblokir. 00:13:08.380 --> 00:13:15.560 Namun untuk memperbaikinya, Anda harus menganggap alur kerja yang dibantu AI sebagai salah satu lokasi DLP Anda dan memantaunya bersama dengan yang lainnya. 00:13:15.560 --> 00:13:24.580 Saat DLP dan label sensitivitas dikonfigurasi dengan benar dan saling terintegrasi, copilot tetap dapat berguna tanpa menimbulkan masalah kepatuhan. 00:13:25.140 --> 00:13:33.760 Anda bisa membiarkannya menyusun laporan, meringkas dokumen, dan menelusuri kumpulan data sembari tetap menerapkan batasan yang sama seperti pada email atau pesan teams. 00:13:33.760 --> 00:13:39.280 Pemunan mendapatkan manfaat dari bantuan AI dan sistem perlindungan mencegah informasi berisi ketinggi bocor keluar. 00:13:40.000 --> 00:13:42.900 Unggulannya di sini bukan hanya tentang mencegah pembagian data yang tidak disengaja. 00:13:43.240 --> 00:13:46.160 Namun, ini tentang memungkinkan teknologi beroperasi di dalam aturan yang jelas. 00:13:47.000 --> 00:13:51.680 Dengan begitu, Anda tidak perlu menggunakan pembatasan menyeluruh yang membuat tim frustrasi dan menghambat adopsi. 00:13:52.280 --> 00:14:02.280 Anda dapat menyesuaikan kontrol agar pemasaran bisa bertukar ide dengan copilot, keuangan bisa melakukan analisis, dan SDM bisa membuat panduan orientasi masing-masing dalam zona yang diizinkan. 00:14:02.280 --> 00:14:05.740 Namun, mengendalikan output hanya sebagian dari tantangannya. 00:14:06.620 --> 00:14:12.120 Untuk mengurangi risiko sepenuhnya, Anda juga harus memutuskan siapa saja yang mendapatkan akses ke kemampuan AI tertentu sejak awal. 00:14:13.180 --> 00:14:14.840 Akses satu ukuran tidak cocok untuk semua. 00:14:15.600 --> 00:14:20.240 Apakah seorang pemagang pemasaran dan seorang CFO benar-benar harus memiliki hak akses copilot yang sama? 00:14:20.600 --> 00:14:25.400 Tidak tersebut terdengar konyol saat diucapkan, tetapi di banyak penyewa, tenan, justru itulah pengaturannya. 00:14:26.020 --> 00:14:31.740 Copilot diaktifkan untuk semua orang dengan injen yang sama karena lebih cepat, dan mudah daripada menangani konfigurasi khusus berperan. 00:14:32.900 --> 00:14:37.880 Kekurangannya adalah akses AI disesuaikan dengan skenario yang paling terbuka, bukan kebutuhan masing-masing peran. 00:14:38.860 --> 00:14:41.060 Di sini peran grup akses copilot berbasis peran dibutuhkan. 00:14:41.640 --> 00:14:48.480 Daripada menganggap setiap pengguna dapat dipertukarkan, Anda menyelaraskan kemampuan AI dengan informasi dan alur kerja yang memang dibutuhkan oleh peran tertentu. 00:14:48.480 --> 00:14:55.700 Pemasaran mungkin memerlukan akses ke aset kampanye dan perdoman merek, tetapi bukan model keuangan mentah. 00:14:56.760 --> 00:15:00.880 Tim keuangan membutuhkan model tersebut, tetapi mereka tidak membutuhkan petajalan produk tahap awal. 00:15:01.400 --> 00:15:06.560 Tujuannya bukan untuk membuat copilot kurang berguna, melainkan agar cakupannya tetap relevan dengan pekerjaan masing-masing orang. 00:15:07.340 --> 00:15:10.200 Risiko di pengaktifan universal lebih besar dari yang diperkirakan sebagian besar tim. 00:15:10.960 --> 00:15:14.840 Copilot bekerja dengan memanfaatkan data yang sudah ada di lingkungan Microsoft 365 Anda. 00:15:14.840 --> 00:15:21.840 Jika semua stak memiliki akses AI yang setara, teknologi ini dapat menjembatani silo yang sengaja Anda pertahankan. 00:15:23.020 --> 00:15:33.360 Begitulah, akhirnya asisten SDM tidak sengaja menemukan perincian pendapatan atau pimpinan operasional meminta rencana rilis produk tahun depan kepada copilot dan mendapatkan detail desain yang bahkan belum final. 00:15:34.460 --> 00:15:37.900 Semua yang tidak terasa seperti pelanggaran saat itu terjadi, tetapi paparannya nyata. 00:15:38.800 --> 00:15:44.240 Mendapatkan model akses yang tepat dimulai dengan memetakkan fungsi pekerjaan kekebutuhan data bukan hanya aplikasi yang digunakan orang, 00:15:44.240 --> 00:15:47.320 tetapi kedalaman dan sensitivitas data yang mereka akses sehari-hari. 00:15:48.380 --> 00:15:53.580 Anda mungkin menemukan bahwa 70 persen permintaan tim penjualan Anda ke copilot melibatkan riwayat akun pelanggan, 00:15:53.700 --> 00:15:56.980 sementara kurang dari 5 persen mengakses file kontrak yang sangat sensitif. 00:15:58.020 --> 00:16:02.940 Itu menunjukkan Anda bisa dengan aman menyimpan sebagian besar penggunaan AI mereka di pustaka sharepoint tertentu sambil mengunci sisanya. 00:16:03.980 --> 00:16:06.300 Lakukan latihan itu di setiap deportemen dan pelakon-pelakon akan muncul. 00:16:06.980 --> 00:16:13.180 Setelah Anda tahu apa yang harus dimiliki setiap grup Microsoft Entry ID, yang masih sering disebut Azure ID, menjadi alat menegakkan aturan Anda. 00:16:14.240 --> 00:16:19.720 Anda membuat grup keamanan yang sesuai dengan definisi peran, lalu menetapkan izin copilot di tingkat grup. 00:16:20.820 --> 00:16:25.100 Itu bisa berarti mengaktifkan cakupan graph API tertentu hanya bagi anggota grup copilot keuangan, 00:16:25.320 --> 00:16:28.300 sementara grup copilot pemasaran memiliki rangkaian yang berbeda. 00:16:28.300 --> 00:16:33.560 Akses ke situs sensitif saluran Teams atau folder OneDrive tertentu bisa mengikuti model yang sama. 00:16:34.680 --> 00:16:38.620 Kekuatan pendekatan ini muncul saat dilapisi dengan kontrol yang sudah kita bahas sebelumnya. 00:16:38.620 --> 00:16:43.460 Oh, izin graph menentukan batas terluar dari apa yang secara teknis bisa dijangkau oleh copilot. 00:16:44.660 --> 00:16:47.500 Kebijakan DLP memantau output AI untuk konten sensitif. 00:16:48.940 --> 00:16:55.740 Grup berbasis peran berada di antaranya untuk memastikan izin graph tidak terlalu luas bagi peran dengan sensitivitas rendah. 00:16:56.440 --> 00:17:01.100 Dan DLP tidak menangkap hal yang seharusnya bisa dicegah sejak awal dengan membatasi sumber input. 00:17:02.420 --> 00:17:04.480 Namun seperti sistem lainnya, hal ini bisa dilakukan secara berlebih. 00:17:04.480 --> 00:17:07.240 Memang menggoda untuk membuat grup mikro bagi setiap skenario. 00:17:08.000 --> 00:17:12.280 Copilot analis keuangan dengan izin pelaporan atau magang pemasaran tanpa akses Teams. 00:17:12.680 --> 00:17:14.780 Dan akhirnya memiliki puluhan variasi. 00:17:15.680 --> 00:17:20.420 Tingkat granularitas seperti itu mungkin terlihat tepat di atas kertas, namun di lingkungan nyata itu adalah beban pemeliharaan. 00:17:20.940 --> 00:17:23.860 Pengguna berganti peran, proyek berubah, kontraktor datang, dan pergi. 00:17:24.800 --> 00:17:31.200 Jika model grup terlalu rapuh, staff TI Anda akan menghabiskan lebih banyak waktu memperbaiki masalah akses daripada benar-benar meningkatkan keamanan. 00:17:31.400 --> 00:17:32.640 Tujuan sebenarnya Laksima. 00:17:32.640 --> 00:17:38.500 Segelintir grup peran yang jelas dan terdefinisi dengan baik akan mencakup sebagian besar kasus penggunaan tanpa menciptakan hambatan administratif. 00:17:38.900 --> 00:17:43.360 Grup CFO memerlukan kemampuan analisis yang luas, namun dengan kontrol ketat pada berbagi output. 00:17:44.360 --> 00:17:49.340 Grup magang mendapatkan cakupan data terbatas, namun cukup kemampuan untuk berkontribusi pada pekerjaan nyata. 00:17:51.220 --> 00:17:56.620 Pimpinan departemen mendapatkan jalan tengah dan TI tetap memiliki kemampuan untuk menyesuaikan saat proyek khusus memerlukan pengecualian. 00:17:56.620 --> 00:18:00.460 Anda tidak sedang berusaha mengunci segalanya hingga ke titik yang memperfrustrasi. 00:18:00.960 --> 00:18:04.800 Anda menjaga agar setiap pengalaman AI tetap relevan, aman, dan selaras dengan kebijakan. 00:18:05.680 --> 00:18:07.860 Saat Anda melakukannya dengan benar, manfaatnya akan segera terlihat. 00:18:08.680 --> 00:18:13.300 Pengguna tidak lagi terkejut dengan data yang diberikan Copilot karena selalu berada dalam ruang lingkup tanggung jawab mereka. 00:18:14.360 --> 00:18:18.880 Tim kepatuhan memiliki lebih sedikit insiden untuk diselidiki karena paparambal lebih tidak terjadi secara tidak sengaja. 00:18:18.880 --> 00:18:28.240 Dan TI akhirnya bisa maju dengan fitur Copilot baru tanpa khawatir peluncuran global akan secara diam-diam mengikis semua batasan data yang telah mereka bangun. 00:18:29.300 --> 00:18:33.440 Dengan akses dan perlindungan yang bekerja bersama, Anda telah mengurangi profil risiko Anda secara signifikan. 00:18:34.620 --> 00:18:40.740 Namun, model yang dirancang dengan baik hanya berguna jika Anda dapat membuktikan kinerjanya, baik kepada diri sendiri maupun siapapun yang meminta audit. 00:18:41.860 --> 00:18:43.480 Membuktikan kepatuhan tanpa menghambat kecepat. 00:18:44.020 --> 00:18:48.020 Kepatuhan bukan sekadar formalitas keamanan, melainkan bukti yang membuat auditor kuas. 00:18:48.880 --> 00:18:55.360 Kebijakan dan aturan memang bagus, tetapi jika Anda tidak bisa menunjukkan apa yang terjadi pada data yang dibantu AEI, Anda hanya sekadar berasumsi tanpa bukti. 00:18:56.720 --> 00:19:05.400 Lingkungan Copilot yang siap audit berarti setiap interaksi mulai dari kuri pengguna hingga pengambilan data oleh AI dapat dijelaskan dan didukung oleh rekam jejak yang terverifikasi. 00:19:06.580 --> 00:19:10.340 Bagian yang sulit adalah banyak perusahaan merasa aman karena mereka telah lulus tinjauan internal. 00:19:10.340 --> 00:19:19.340 Tinjauan tersebut seringkali hanya memeriksa keberadaan kontrol dan beberapa skenario sampel, namun tidak selalu menuntut tingkat detail yang diharapkan auditor eksternal. 00:19:21.340 --> 00:19:31.340 Ketika penilai luar meminta catatan semua konten sensitif yang diakses Copilot pada kuartal lalu beserta siapai, yang memintanya dan mengapa seringkali muncul celah yang mengejutkan. 00:19:31.340 --> 00:19:38.820 Log tersebut mungkin tidak lengkap atau justru melewatkan peristiwa terkait AEI karena sejak awal tidak pernah diberi label demikian. 00:19:39.620 --> 00:19:41.880 Di sinilah Microsoft Purview dapat memberikan perbedaan besar. 00:19:42.900 --> 00:19:46.340 Kemampuan kepatuannya bukan sekadar menerapkan label dan kebijakan DLP. 00:19:47.140 --> 00:19:49.900 Sistem ini juga mengumpulkan bukti forensik yang Anda butuhkan. 00:19:50.740 --> 00:19:56.740 Dalam konteks Copilot, Purview dapat mencatat setiap permintaan akses data yang relevan, identitas dibaliknya, dan lokasi sumbernya, dan lokasi sumbernya. 00:19:56.740 --> 00:20:05.860 Sistem ini juga dapat mengorelasikan peristiwa tersebut dengan pola pergerakan data seperti file sensitif yang dirujuk dalam draft ringkasan atau ekspor tanpa mengandalkan laporan mandiri dari AEI. 00:20:07.460 --> 00:20:09.800 Skor kepatuan Purview bukan sekadar metrik untuk kaya-kayaan. 00:20:10.500 --> 00:20:17.100 Skor ini adalah gambaran bagaimana lingkungan Anda memenuhi kontrol yang direkomendasikan Microsoft, termasuk yang secara langsung membatasi risiko terkait AI. 00:20:17.980 --> 00:20:25.280 Kebersihan izin grafik yang lebih kuat, konfigurasi DLP yang lebih ketat, dan grup berbasis peran yang terkelola dengan baik semuanya berkontribusi pada skor tersebut. 00:20:25.280 --> 00:20:32.920 Dan karena skor diperbarui saat Anda melakukan perubahan, Anda dapat melihat secara hampir real-time bagaimana peningkatan tata kelola AI memperkuat posisi kepatuhan Anda. 00:20:33.900 --> 00:20:41.240 Bayangkan sebuah ujian regulasi, di mana Anda harus membenarkan mengapa data pelanggan tertentu muncul dalam laporan yang dihasilkan Copilot, InPilot. 00:20:41.860 --> 00:20:44.480 Tanpa pencatatan yang terstruktur, percakapan itu akan berubah menjadi sekadar tebak. 00:20:44.480 --> 00:20:53.480 Dengan konfigurasi purview yang tepat, Anda dapat menunjukkan permintaan akses dalam log audit, merujuk pada peran dan izin yang mengotorisasinya, serta membuktikan bahwa output tetap berada dalam saluran yang disetujui. 00:20:54.180 --> 00:20:57.840 Itu jauh lebih mudah daripada harus bersusah payah menjelaskan peristiwa yang tidak terdokumentasi. 00:20:58.380 --> 00:21:04.740 Kuncinya adalah menjadikan pelaporan kepatuhan sebagai bagian dari siklus tata kelola TI normal Anda, bukan sekadar proyek khusus sebelum audit. 00:21:04.740 --> 00:21:07.120 Laporan otomatis sangat membantu dalam hal ini. 00:21:07.520 --> 00:21:13.200 Purview dapat membuat laporan berkala mengenai kecocokan kebijakan pelindungan informasi, insiden DLP, dan penggunaan label sensitivitas. 00:21:14.780 --> 00:21:22.660 Saat laporan tersebut dijadwalkan untuk masuk ke ruang kerja tim tata kelola Anda setiap bulan, Anda membangun tolok ukur aktivitas AI yang mudah ditinjau. 00:21:23.680 --> 00:21:25.960 Anomali apapun akan terlihat menonjol dibandingkan dengan polisnya. 00:21:26.500 --> 00:21:27.880 Fitur penghemat waktu ini sangat bermanfaat. 00:21:27.880 --> 00:21:35.340 Sebagai contoh, Purview hadir dengan laporan bawaan yang menyoroti semua insiden yang melibatkan konten berlabel yang dikelompokkan berdasarkan lokasi atau jenis aktivitas. 00:21:36.560 --> 00:21:44.680 Jika sesi co-pilot menarik dokumen rahasia ke dalam output dan DLP Anda bereaksi terhadapnya, insiden itu sudah muncul dalam laporan tanpa perlu membuat query khusus dari awal. 00:21:46.080 --> 00:21:51.400 Anda kemudian dapat menelusuri catatan tersebut untuk detail lebih lanjut, tetapi tugas berat pengumpulan dan kategorisasi sudah diselesaikan. 00:21:51.400 --> 00:21:57.940 Efisiensi lainnya adalah integrasi antara audit Purview dan data akses berbasis peran Microsoft 365. 00:21:59.320 --> 00:22:04.500 Karena Purview memahami grup EntraID, Purview dapat membagi log akses berdasarkan jenis peran. 00:22:05.320 --> 00:22:13.040 Itu berarti Anda dapat menjawab pertanyaan per fokus dengan cepat seperti tunjukkan semua contoh di mana peran pemasaran mengakses data berlabel keuangan melalui co-pilot dalam 90 hari terakhir. 00:22:14.400 --> 00:22:21.180 Kemampuan untuk memfilter berdasarkan peran dan klasifikasi data adalah hal yang dicari oleh peninjau eksternal. 00:22:21.940 --> 00:22:24.360 Jika dipikirkan, kepatuhan pada tingkat ini bukanlah sebuah beban. 00:22:24.720 --> 00:22:27.880 Ini adalah pengaman yang memastikan desain tata keolah Anda bekerja dalam prakteknya. 00:22:28.760 --> 00:22:31.500 Ini juga menghilangkan stres saat audit karena Anda tidak perlu mencari-cari data.