By · Last updated 2026-03-13

Itzuli BlogeraAI Segurtasuna

Samsung-ek Iturburu Kodea 3 Aldiz ChatGPT-ra Galdu Zuen

2023ko apirilean, Samsung Semiconductor-eko hiru talde bereiziek datu propietarioak eta informazio konfidentziala ChatGPT-ra bidali zituzten. Gertakari bakoitzak arrisku ezberdin bat agerian uzten zuen.

March 13, 20269 min irakurri
Samsung ChatGPT leaksource code protectionenterprise AI controlsinsider data leakageMCP Server anonymization

2026rako eguneratua

Hiru Talde, Hiru Ihes, Hilabete Bat

2023ko apirilean, Samsung Semiconductor-ek hiru gertakari bereizi jakinarazi zituen. Hiru talde ezberdinak datu propietarioak AI txat-bot batera bidali zizkioten hilabete barruan. Gertakariak ez zeuden erlazionatuta. Pertsona desberdinak, rol desberdinak, egun desberdinak.

Bi ezaugarri bakarrik partekatzen zituzten. Pertsona bakoitzak tresna lan benetakoa egiteko erabili zuen. Bakoitzak ustekabean Samsung-ek konpainiaz kanpo partekatu nahi ez zituen datuak bidali zituen.

1. gertakaria -- Iturburu kodea. Software ingeniari bat ekipoen kodea debugeatzen ari zen. Txatera fabrikazio IP zeukan semiconductor iturburu kode propietarioa itsatsi zuen.

2. gertakaria -- Bileraren oharrak. Langile bat bilera laburpena prestatzen ari zen. Bere oharrak AI-ak laburbiltzeko bidali zituen. Ohar horiek estrategia eta bide-mapa xehetasun konfidentzialak zeukaten.

3. gertakaria -- Datu-base kontsulta. Hirugarren langileak kontsulta motel batekin laguntza nahi zuen. Datu-basearen egitura eta kontsulta logika partekatu zituen. Logika horrek eskema propietarioak eta negozio arauak erreferenziatzen zituen.

Hiru gertakari. Hiru zabalpen. Hilabete bat.

Zergatik Egin Zuten Langileek

Hiruretako bat ez zen axolagabe jokatzen. AI tresnetan eraikitako zereginerako AI tresna bat erabili zuten. Kode berrikuspena. Testu laburpena. Kontsulta optimizazioa. Zeregin bakoitza legitimo zen.

Falta zen pieza teknikoa geldiarazte bat zen. Ez zegoen sistemik kanpoko zerbitzarira bidali aurretik bidalketa blokeatzen zuenik. Ez zen filtrorik identifikatzaile propietarioak sareetik irteten hasi aurretik harrapatzen zituenik. Ez zegoen langilearen benetako behar eta kanpoko zerbitzu artean ezer.

Politika ohartarazpen bat bazegoen. Baina ohartarazpena ez da hesi bat. Istripu baten arriskua abstraktua eta urrutikoa zen. Produktibitate onura erreala eta berehalakoa zen. Langile arrazionalak produktibitatea aukeratu zuten.

Emaitza aurresangarria zen. Hogeita hamar egunetako hiru gertakari. IP-ren hiru zabalpen. Industrian debekuak eragin zituen enpresa-krisia.

Industriaren Erreakzioa

Samsung azkar mugitu zen. Korporatiboko gailuetan AI tresna sarbidea moztu zuen.

Beste erakunde batzuk jarraitu zuten. Murrizketak iragarri zituztenen artean Bank of America, Citigroup, Goldman Sachs, JPMorgan Chase, Apple eta Verizon zeuden. Finantza sektoreak azkarren erreakzionatu zuen. Banku handiek eta teknologia-etxeek ondorio bera atera zuten. Kontrol teknikorik gabeko AI tresnek betetze arrisku onartezina sortzen zuten.

Guztiek aurkikuntza bera egin zuten. Langileek ez dute arazoa. Politika ohartarazpenak ez dira nahikoa. Datuak korporatiboko saretik irten ziren ezer ez zelako geldiarazi. Politikak bakarrik ezin du kontrol teknikorik sortu.

%71,6ko Saihestze Tasa

Debekuak neurtutako hutsegite tasa du. LayerX-en 2025eko ikerketak aurkitu zuen enpresa AI debekuen menpeko langileen %71,6 AI tresnak erabiltzen jarraitu zutela. Kontu pertsonalak edo gailu pertsonalak erabili zituzten.

Arrazoia sinplea da. Balio erreala ematen duen tresna erabiltzen da. Jendeak saihesbideak aurkitzen ditu eta ez du uzten. AI-k zereginen denbora erdi murriz dezake. Politika ohartarazpen batek ez du kalkulazio hori aldatuko. Langileek telefono edo ordenagailu pertsonal batetik sartzen dira. Segurtasun taldeek ezin dute trafiko hori ikusi.

Emaitza praktikoa kasu txarrena da. Korporatiboko datuak AI hornitzaileengana iristen jarraitzen dute. Baina orain zero ikusgarritasuneko bideen bidez joaten dira. Korporatiboko gailuen trafikoa behintzat erregistra zitekeen. Kontu pertsonalen erabilera ikusezina da.

Samsung-en hiru gertakariak korporatiboko gailuetan gertatu ziren. Debekua saihestzen duten langileek gauza bera egiten dute. Lan datuak AI ereduetara bidaltzen dituzte. Baina orain enpresa ikusgarritasunik ez duten bideen bidez joaten da.

Oinarrizko Kausa Aztertzen Duen Konponbide Teknikoa

Samsung-en gertakariak ez zituzten pertsona arduragabeek eragin. Atxikitze geruza barik arkitektura batek eragin zituen. Ez zegoen ezer langilearen galdeketa eta saltzailearen zerbitzari artean.

Model Context Protocol (MCP) arkitekturak hutsune hori betetzen du. Proxy garden bat jartzen du datu bidean. Claude Desktop edo Cursor IDE erabiltzen duten garatzaileak dira lehen ikusleak. Horiek dira Samsung-en lehen gertakariren atzean dagoen kode debugearen moduko lanetarako erabiltzen diren tresnetan. MCP Zerbitzariak biek protokolo bidean kokatua dago.

Edozein testu AI eredura iritsi aurretik, MCP Zerbitzariak anonimizazio urrats batean exekutatzen du. Iturburu kodea identifikatzaile propietarioengatik eskaneatzen da. Funtzio izenak, aldagaien izenak eta API amaierako puntuen datu-base eskema xehetasunen eta konfigurazio balioen ordez token egituratuekin ordezkatu. Trukea kodea saretik irten aurretik gertatzen da.

Iturburu kode propietarioa debugeatzen duen garatzaileak MCP bezeroaren bidez kodea bidaltzen du. Identifikatzaile sentikorrak dagoeneko tokenak dira ordurako. AI ereduak oraindik debug zereginarekin laguntzen du. Benetako xehetasun propietarioak ez dira saltzailearen zerbitzarietan iristen.

  1. gertakaria teknikoki ezinezkoa bihurtzen da. Iturburu kodea sarea dagoeneko anonimizatuta uzten du. Ingeniariak behar zuen laguntza jasotzen du. IP konpainiaren kontrolpean geratzen da.

Logika berak estaltzen du 2. gertakaria. Nabigatzaile oinarritutako tresnen bidezko bilera-ohar laburpena Chrome Luzapenak eta bere enpresa kontrolek heltzen diote. 3. gertakaria MCP anonimizazioak edozein AI kodeketa interfazetan estaltzen du.

Debekuak vs. Kontrol Teknikoak

Langileen %71,6k dagoeneko saihesten dituzten tresnak debekatzeak ez du arriskua murrizten. Arriskua kanal ikusezinetan mugitzen du.

Nabigatzaile DLP tresna konparazioak nabigatzaile oinarritutako AI erabilerako atxikitze aukerak estaltzen ditu. Anonimizazioa beste DLP produktuekin alderatzen ari diren erakundeentzat, Nightfall vs. anonym.legal konparaketak blokeo-vs-anonimizazio konpromisoa zuzenean estaltzen du.

Samsung-en gertakariak goiz seinale bat ziren. Oinarrizko kausa absentzia bat zen. Atxikitze geruzarik eza. Kontrol teknikorik eza. Hutsune hori orain konpondu daiteke. Galdera da ea enpresek konponbidea zabaltzen duten, ala langile gehienek dagoeneko inguratzen dituzten debekuetan oinarritzen jarraitzen duten.

Iturriak

Prest zure datuak babesteko?

Hasi PII anonimizatzen 285+ entitate mota 48 hizkuntzatan.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.