AI w TPRM – jak sztuczna inteligencja zmienia zarządzanie ryzykiem dostawców?

Współczesna organizacja jest w dużej mierze zbudowana z usług innych firm. Infrastruktura działa w chmurze, płace obsługuje zewnętrzny podmiot, systemy wsparcia klienta dostarcza kolejny – a każdy z tych dostawców ma własnych poddostawców. To sprawia, że TPRM (third-party risk management) bardzo się komplikuje.

Sztuczna inteligencja (AI) w TPRM, czyli w zarządzaniu ryzykiem stron trzecich, oznacza wykorzystanie uczenia maszynowego i modeli językowych do automatyzacji procesów identyfikacji, oceny i bieżącego monitorowania ryzyka, które wnoszą do organizacji dostawcy i partnerzy biznesowi.

Warto od razu podkreślić, że AI nie zastąpi procesu zarządzania ryzykiem dostawców. Usuwa natomiast wąskie gardło pracy ręcznej – to, które sprawia, że ocena dostawców obejmuje w praktyce tylko niewielką ich część, odbywa się powierzchownie i raz do roku.

Rozrastająca się sieć dostawców: dlaczego ryzyko przerosło zespoły, które mają nim zarządzać?

Na złożoność zarządzania ryzykiem stron trzecich składają się trzy zjawiska.

Pierwszym jest skala. Liczba relacji z dostawcami rosła w ostatnich latach znacznie szybciej niż zespoły odpowiedzialne za ich nadzór. Duże organizacje często nie potrafią nawet precyzyjnie określić, z iloma podmiotami współpracują, ponieważ dział zakupów, marketing i poszczególne jednostki biznesowe zawierają umowy niezależnie od siebie. Skalę zjawiska dobrze pokazują dane EY z 2025 roku: programy TPRM działające krócej niż trzy lata obsługują 275 dostawców (mediana), a te z ponad dziesięcioletnim stażem – 80, ponieważ nauczyły się priorytetyzować według ryzyka, zamiast oceniać wszystkich po kolei. Ciemną stroną tego medalu jest jednak to, że część podwykonawców „wypada” z procesu oceny ryzyka.

Zmienił się przy tym również zasięg wewnętrzny tego procesu: w banku, w którym dawniej ryzykiem stron trzecich zajmowały się jeden lub dwa piony, dziś może ich być ponad dwadzieścia.

Drugim jest ograniczona widoczność. Tradycyjna ocena dostawcy opiera się na corocznej ankiecie – a więc na samoocenie – wypełnianej przez stronę najmniej zainteresowaną ujawnianiem słabości i opisującej stan z jednego dnia w roku. Taki obraz szybko się dezaktualizuje. Dostawca, który w marcu był wypłacalny i dobrze zabezpieczony, w październiku może nie być ani jednym, ani drugim – a organizacja dowie się o tym dopiero przy kolejnym przeglądzie.

Trzecim są regulacje. Dyrektywa NIS2 i rozporządzenie DORA przekształciły nadzór nad dostawcami z dobrej praktyki operacyjnej w udokumentowany obowiązek, z którego trzeba się rozliczyć. Sprawę komplikują dodatkowo dostawcy samych dostawców. Ich problemy stają się problemami organizacji, choć nie łączy jej z nimi żadna umowa.

Od migawki do ciągłego sygnału: co naprawdę zmienia AI w zarządzaniu ryzykiem dostawców?

Zmianę najlepiej opisać na trzech osiach. Ocena okresowa ustępuje miejsca ocenie prowadzonej w sposób ciągły. Analiza próbki dostawców ustępuje analizie całej ich populacji. A dane ze sformalizowanych ankiet zostają uzupełnione o materiał nieustrukturyzowany: umowy, raporty, doniesienia medialne, dane z rejestrów.

Równie istotne jest to, co się nie zmienia. Apetyt na ryzyko, kryteria klasyfikacji dostawców, decyzje o akceptacji ryzyka i odpowiedzialność za nie pozostają w gestii ludzi – analityków, właścicieli relacji i zarządu.

Segmentacja, która się broni: jak AI pomaga ustalić, którzy dostawcy naprawdę się liczą?

Najczęstszym błędem programów TPRM jest ocenianie dostawcy materiałów biurowych i platformy bankowości centralnej według tej samej logiki. Algorytmy potrafią sklasyfikować całą populację dostawców według krytyczności, wrażliwości przetwarzanych danych, poziomu dostępu do systemów, geografii i zastępowalności. Dzięki temu głębokość oceny koncentruje się tam, gdzie skutki awarii byłyby najpoważniejsze.

Dzień pracy analityka: co da się z niego odzyskać?

Typowy pakiet onboardingowy zawiera wypełnioną ankietę, politykę bezpieczeństwa, plan ciągłości działania, raport z audytu lub certyfikat ISO 27001, sprawozdania finansowe i umowę. Rzetelny przegląd takiego zestawu zajmuje doświadczonemu analitykowi większość dnia pracy.

Odczytywanie i porządkowanie takiej dokumentacji automatyzowano od dawna. Narzędzia potrafiły wydobyć daty, zakres certyfikacji, nazwy podmiotów czy obecność wymaganych klauzul – i na tym się zatrzymywały. Nowe jest co innego: model językowy zestawia dokumenty ze sobą i zauważa na przykład, że deklaracja złożona w ankiecie nie znajduje pokrycia w treści polityki bezpieczeństwa. Na tym polega przejście od wyszukiwania do wnioskowania.

Wynikiem jest uporządkowane podsumowanie z odnośnikami do materiału źródłowego. Decyzję nadal podejmuje analityk – ale podejmuje ją, mając przed sobą gotową listę rozbieżności, a nie stos dokumentów do przeczytania. I podejmuje ją wobec każdego dostawcy, a nie tylko wobec pięćdziesięciu największych.

Sama analiza dokumentów to tylko jeden etap: ocena dostawcy przechodzi zwykle przez wiele rąk – właściciela relacji, zespół bezpieczeństwa, dział prawny – i to przekazywanie sprawy między nimi, a nie lektura dokumentów, bywa najdłuższym odcinkiem całego procesu. Zautomatyzowany obieg kieruje sprawę do właściwej osoby na podstawie klasyfikacji dostawcy, pilnuje terminów i rejestruje każde zatwierdzenie, dzięki czemu ocena nie zatrzymuje się na czyjejś skrzynce odbiorczej.

Monitoring ciągły dostawców: skąd wiadomo, że między przeglądami dzieje się źle?

Profil ryzyka dostawcy można dziś utrzymywać jako obraz aktualizowany na bieżąco, budowany ze źródeł, których żaden zespół nie byłby w stanie śledzić ręcznie. Po stronie cyberbezpieczeństwa są to ujawnione naruszenia, wycieki danych uwierzytelniających i stan zewnętrznej powierzchni ataku, czyli tego, co dostawca wystawia na widok publicznej sieci – otwarte usługi, nieaktualne oprogramowanie, wygasłe certyfikaty, zapomniane środowiska testowe.

Po stronie zgodności – listy sankcyjne, postępowania organów nadzoru, spory sądowe i negatywne doniesienia medialne. Po stronie finansowej – pogorszenie ratingu, opóźnienia w składaniu sprawozdań czy wnioski o upadłość.

Modele językowe rozwiązały przy tym problem, który przez lata czynił taki monitoring niewykonalnym: czytanie ogromnych ilości nieustrukturyzowanego tekstu w wielu językach i rozstrzyganie, czy dana wiadomość dotyczy konkretnego dostawcy, czy jedynie firmy o podobnej nazwie. Gdy sytuacja dostawcy zmienia się w istotny sposób, organizacja dowiaduje się o tym w ciągu dni, a nie przy okazji następnego audytu.

Sam sygnał to jednak dopiero połowa pracy, bo monitoring przynosi wartość tylko wtedy, gdy alerty trafiają do uporządkowanego procesu – z przypisanymi właścicielami, progami eskalacji i śladem audytowym. Właśnie w ten sposób moduł monitorowania dostawców w AdaptiveGRC łączy dane zewnętrzne z wewnętrznym obiegiem pracy w organizacji.

Monitorowanie cyberryzyka dostawców: który alert jest tym pilnym?

Dane o stanie zabezpieczeń dostawcy nabierają znaczenia dopiero w zestawieniu z tym, do czego ten dostawca faktycznie ma dostęp. Podmiot o słabych zabezpieczeniach, który nie przetwarza niczego wrażliwego, to szum. Podmiot o przeciętnych zabezpieczeniach, który posiada uprawnienia administracyjne do kluczowego systemu, to incydent, który jeszcze się nie wydarzył. Bez tej korelacji oba świecą na pulpicie tym samym pomarańczowym kolorem. Ma to znaczenie tym większe, że naruszenia u stron trzecich stały się jedną z głównych dróg wejścia atakujących do organizacji.

Skalę problemu pokazuje raport Verizon Data Breach Investigations Report. W edycji z 2026 roku strona trzecia była zaangażowana w 48% wszystkich naruszeń – o 60% więcej niż rok wcześniej. Dwie edycje wstecz było to 15%. Przyczyny rzadko bywają przy tym wyrafinowane: najczęściej jest to brak lub błędna konfiguracja uwierzytelniania wieloskładnikowego po stronie dostawcy oraz nadmiarowe uprawnienia dostępu.

Wiadomości na żywo czy zabytek: co daje dynamiczny scoring ryzyka dostawcy?

Wynik ryzyka nadany przy onboardingu może w ciągu kilku miesięcy stracić związek z rzeczywistością. Natomiast ocena aktualizowana na bieżąco zmienia się wraz z napływem nowych danych i uwzględnia wagę krytyczności dostawcy. Co kluczowe dla ładu organizacyjnego, da się ją rozliczyć: zawsze widać, które sygnały zmieniły wynik.

Analityka predykcyjna idzie o krok dalej: na podstawie wzorców z wcześniejszych problemów dostawców wskazuje relacje zagrożone pogorszeniem. Tu potrzebne jest jednak wyraźne zastrzeżenie, bo dojrzałość tych metod jest bardzo nierówna. Prognozowanie kłopotów finansowych opiera się na dziesięcioleciach danych o upadłościach, opóźnieniach płatniczych i zmianach ratingów – to stosunkowo solidna podstawa. Prognozowanie naruszeń bezpieczeństwa takiego zaplecza nie ma: incydenty u dostawców bywają ujawniane wybiórczo, z opóźnieniem albo wcale, więc zbiory historyczne są fragmentaryczne. Predykcja w TPRM pozostaje zatem narzędziem, które podpowiada, gdzie skierować uwagę – nie wyrokiem.

Zarząd i osoby odpowiedzialne za ryzyko mogą polegać na scoringu tylko wtedy, gdy potrafią wyjaśnić jego wyniki. Dlatego model scoringowy w AdaptiveGRC zachowuje pełną historię zmian i przejrzystość kryteriów – tak, aby zawsze dało się wskazać, skąd wziął się każdy wynik.

Które umowy zawierają prawo do audytu, czyli co daje analiza umów i polityk przez AI w TPRM?

Wiele organizacji nie umie odpowiedzieć na podstawowe pytania o własne umowy. Które przewidują obowiązek powiadomienia o naruszeniu i w jakim terminie? Które pozwalają na podwykonawstwo bez zgody? Które zawierają postanowienia wymagane obecnie przez DORA? Modele językowe potrafią przeanalizować cały zasób umów i udzielić odpowiedzi możliwych do zweryfikowania w tekście źródłowym – zamieniając szafę z segregatorami w przeszukiwalny zbiór danych.

Agenci AI w TPRM: co się dzieje, gdy system nie tylko odpowiada, ale działa?

Agent AI w TPRM różni się od zwykłego modelu tym, że wykonuje wieloetapowe zadania z użyciem różnych narzędzi, a nie tylko odpowiada na pojedyncze pytanie. W praktyce może to wyglądać tak: agent wykrywa niepokojący sygnał dotyczący dostawcy, sięga po jego umowę i historię ocen, ustala, do których systemów wewnętrznych ten dostawca ma dostęp, przygotowuje podsumowanie, tworzy ukierunkowaną ankietę uzupełniającą, otwiera zadanie naprawcze i powiadamia opiekuna relacji. Praca, która dziś zajmuje zespołowi kilka dni, toczy się w sposób ciągły.

Trzeba jednak jasno określić, gdzie kończy się rola agenta. Ciąg jego działań zamyka się rekomendacją dla człowieka albo utworzeniem zadania do realizacji – nigdy samodzielną egzekucją. Zawieszenie współpracy, akceptacja ryzyka szczątkowego czy wypowiedzenie umowy to decyzje o skutkach prawnych i finansowych, a odpowiedzialność za nie spoczywa na konkretnych osobach w organizacji i nie daje się przenieść na agenta AI. Wynika to nie tyle z wyraźnego zakazu w przepisach, ile z dwóch rzeczy naraz: z wymogu skutecznego nadzoru ludzkiego nad systemami wysokiego ryzyka oraz z tego, że zarówno NIS2, jak i DORA przypisują odpowiedzialność za nadzór nad dostawcami kadrze zarządzającej. Autonomia systemu bez jasno przypisanej odpowiedzialności jest ryzykiem, a nie oszczędnością. Z tego powodu przepływy agentowe w AdaptiveGRC są projektowane z punktami zatwierdzenia przez człowieka.

Poddostawcy i ryzyko koncentracji: kto jeszcze jest w łańcuchu dostaw?

Obraz nie byłby pełny bez szerszego ujęcia. Ryzyko nie kończy się na bezpośrednim dostawcy – sięga jego poddostawców i ich poddostawców. Osobnym zjawiskiem jest ryzyko koncentracji: dziesiątki pozornie niezależnych dostawców mogą opierać się na tych samych kilku regionach chmurowych.

Mapowanie zależności na taką głębokość zawsze było możliwe – dla pojedynczych, kluczowych relacji, metodą wywiadów i odpowiednich zapisów umownych. Niewykonalne było przeprowadzenie go dla całej populacji dostawców i utrzymywanie go w aktualności. AI nie usuwa przy tym bariery podstawowej: jeśli poddostawca nie ujawnia swoich zależności – a często nie ujawnia, powołując się na tajemnicę handlową – żaden model nie wypełni tej luki. Realna zmiana polega na czymś innym: szybciej daje się wskazać te relacje, które w ogóle zasługują na pogłębiony wywiad.

NIS2, DORA, ISO 27001: czy AI wygeneruje dowody, o które zapyta regulator?

NIS2 wymaga uwzględnienia bezpieczeństwa łańcucha dostaw wśród środków zarządzania ryzykiem i przewiduje osobistą odpowiedzialność kadry zarządzającej. DORA idzie dalej: nakłada na podmioty finansowe obowiązek prowadzenia rejestru informacji o wszystkich umowach z dostawcami usług ICT, oceny ryzyka koncentracji oraz wykazania realnego nadzoru nad dostawcami krytycznymi. Wymaga także testowania odporności operacyjnej – a to zadanie, którego żadna automatyzacja nie wykona za organizację. AI testu nie przeprowadzi, ale może gromadzić dowody z przebiegu takiego testu, zapisywać kolejne ich wersje i przypisywać je do profilu dostawcy. ISO 27001 wymaga kontrolowania i monitorowania relacji z dostawcami, a RODO – oceny i nadzoru nad podmiotami przetwarzającymi.

Wspólnym mianownikiem wszystkich tych wymagań są dowody. A dowody to naturalny produkt uboczny procesu zautomatyzowanego i rejestrowanego na bieżąco – powstają w trakcie pracy, zamiast być rekonstruowane w pośpiechu przed audytem. AdaptiveGRC pełni w tym układzie rolę rejestru i warstwy dowodowej: od wymaganego przez DORA rejestru umów po historię ocen, alertów i decyzji.

Korzyści i uzasadnienie biznesowe do korzystania z AI w TPRM

Cykl oceny dostawcy skraca się, bo znika oczekiwanie na ręczny przegląd dokumentacji. Zasięg oceny rośnie, bo koszt jednostkowy przestaje ograniczać ją do wąskiej czołówki dostawców. Pogorszenie sytuacji dostawcy wychodzi na jaw wcześniej, bo między przeglądami dostawca jest obserwowany na bieżąco, a nie dopiero przy kolejnym audycie. Nakład pracy ręcznej z dokumentami spada, bo analityk dostaje do weryfikacji gotowe zestawienie rozbieżności. A dowody zgodności powstają w sposób ciągły, bo każdy krok procesu jest rejestrowany.

Warto przy tym zachować proporcje. Większość organizacji zaczyna z procesem, który sam w sobie generuje zbędną pracę: według badania EY 43% firm stosuje osobne ankiety dla różnych obszarów ryzyka i wysyła średnio 55 kwestionariuszy, z których 45% liczy od 101 do 200 pytań. Jednocześnie rozwiązania AI wspierające pogłębioną analizę dostawców i monitorowanie umów są najczęściej wskazywanym kierunkiem przyszłych inwestycji w TPRM (31% odpowiedzi), a najwyższy poziom dojrzałości w ich wykorzystaniu osiągnęło dopiero 13% organizacji. O efekcie decyduje więc nie narzędzie, lecz jakość procesu, do którego się je wprowadza.

Pewność siebie bez pokrycia: gdzie AI w ocenie dostawców zawodzi?

Po pierwsze, jakość danych. Niekompletny lub zdublowany rejestr dostawców sprawi, że system będzie produkował tak samo błędne wnioski (podawane z pełnym przekonaniem), tylko szybciej niż dotąd. Po drugie, wyjaśnialność: ocena ryzyka, której nie da się uzasadnić przed regulatorem ani zarządem, jest bezużyteczna – nawet jeśli jest trafna, nikt nie oprze na niej decyzji. Po trzecie, fałszywe alarmy – system generujący więcej alertów, niż zespół zdoła obsłużyć, szybko zacznie być ignorowany. Po czwarte, skłonność do bezkrytycznego ufania automatyce: analitycy przestają kwestionować wyniki podawane autorytatywnym tonem.

Jest w tym wreszcie pewna ironia: dostawca narzędzi AI do zarządzania ryzykiem stron trzecich sam jest stroną trzecią, którą trzeba ocenić. Dochodzi do tego unijny akt w sprawie sztucznej inteligencji (AI Act), który obejmuje również organizacje wdrażające takie narzędzia. Kto automatyzuje nadzór nad dostawcami, ignorując nadzór nad własną automatyzacją, nie rozwiązał problemu – tylko go przeniósł. Temu zagadnieniu będzie poświęcony osobny artykuł.

Od czego zacząć: jak wdrożyć AI w TPRM, nie tworząc nowego ryzyka?

Zanim cokolwiek zostanie zautomatyzowane, trzeba uporządkować rejestr dostawców i ich klasyfikację. Następnie warto wybrać jeden obszar o dużym nakładzie pracy ręcznej – najczęściej monitoring ciągły albo analizę dokumentów – i na tym jednym obszarze zmierzyć realny efekt. Wdrażanie wszystkiego naraz można odłożyć na później. Każdą decyzję niosącą konsekwencje zatwierdza człowiek. Wszystko podlega rejestracji, bo ślad audytowy to jeden z głównych celów całego przedsięwzięcia. Progi eskalacji muszą być jawne i uzgodnione z góry. Własne narzędzia AI należy ocenić według tych samych ram, które organizacja stosuje wobec pozostałych dostawców. I trzeba mierzyć właściwą rzecz: czas wykrycia istotnej zmiany w ryzyku dostawcy, a nie liczbę przetworzonych ankiet.

Dokąd zmierza zarządzanie ryzykiem stron trzecich?

Kierunek jest czytelny: od okresowo przeglądanych list dostawców ku ekosystemom ocenianym w sposób ciągły. Drugi kierunek to wymieniane między organizacjami poświadczenia w formacie nadającym się do przetwarzania maszynowego, które ograniczą wieczne powielanie ankiet. Trzeci to systemy agentowe przejmujące rutynę, tak aby ekspercka uwaga skupiała się na ocenie sytuacji, negocjacjach i ryzykach rzeczywiście nowych.

Najważniejsze wnioski

• W środowisku, w którym profil ryzyka dostawcy może zmienić się z dnia na dzień, o wyniku przesądzają skala, szybkość i zasięg.
• Sztuczna inteligencja nie zastępuje procesu TPRM – nadaje mu skalę. Zyskiem jest zasięg i szybkość, a nie nowy osąd.
• Monitoring ciągły domyka lukę między przeglądami, w której dochodzi do większości problemów z dostawcami.
• Ocena ryzyka jest przydatna dopiero wtedy, gdy jest aktualna i da się ją wyjaśnić.
• Zarówno NIS2, jak i DORA oczekują dowodów na to, że nadzór nad dostawcami rzeczywiście działa. W procesie zautomatyzowanym i rejestrowanym dowody te powstają samoczynnie, zamiast być kompletowane przed audytem.
• Odpowiedzialność za decyzje dotyczące dostawców nie przechodzi na model AI.