By · Last updated 2026-04-18

Tilbage til BlogAI Sikkerhed

3,8 daglige PII-eksponeringer i supportteams

Hver supportmedarbejder, der bruger ChatGPT, foretager i gennemsnit 3,8 indsætninger af følsomme data om dagen. For et team på 100 svarer det til 380 GDPR-eksponeringshændelser dagligt.

April 18, 20268 min læsning
accidental PII exposuresupport team ChatGPTCyberhaven 3.8 pastesworkflow PII protectionGDPR daily exposure

Daglige PII-eksponeringstal

Cyberhavens forskning viste, at virksomhedsmedarbejdere i gennemsnit foretager 3,8 indsætninger af følsomme data i ChatGPT pr. bruger pr. dag. For et supportteam på 100 personer svarer det til 380 tilfælde af kundejournaler, der dagligt ender i ChatGPT.

Hvert tilfælde kan udgøre et brud på GDPR's dataminimeringsprincip i artikel 5, stk. 1, litra c. Den artikel kræver, at personoplysninger er "tilstrækkelige, relevante og begrænset til, hvad der er nødvendigt."

Dette er ikke medarbejdere, der bevidst ignorerer politikker. De 3,8 tilfælde afspejler normalt arbejde. Medarbejdere kopierer kunde-e-mails for at udkaste svar. De indsætter klagetekst for at få empatiske forslag. De medtager kontooplysninger for at få kontekstbevidste svar. Hver indsætning er et gyldigt produktivitetstrin, der tilfældigvis medbringer PII.

Adfærdstræning løser ikke problemet

En EU-revision fra 2024 viste, at 63% af ChatGPT-brugerdata indeholdt personhenførbare oplysninger. Kun 22% af brugerne vidste, at de kunne fravælge dette via værktøjets indstillinger. Det meste indhold, der indsættes i en AI-assistent, indeholder PII. De fleste brugere er uvidende om kontrollerne. Resultatet er daglig eksponering i stor skala.

Politiktræning støder på et grundlæggende problem. Vanen med at kopiere og indsætte er årtier gammel. Brugere har kopieret og indsat tekst siden deres første dag ved en computer. At indsætte et AI-chatværktøj som indsætningsdestination tilføjer en ny destination. Det ændrer ikke vanen.

En politik om "ikke at indsætte kunde-PII i AI-assistenten" beder medarbejdere om at tilføje et klassifikationstrin — "indeholder denne tekst PII?" — til en vanemæssig handling, der ikke har en naturlig pause. Træningseffekter aftager. Det kumulative resultat af 380 daglige indsætningsbeslutninger er en overholdelsesrisiko, som politikker alene ikke kan håndtere.

Hvor tekniske kontroller virker

Løsningen opererer ved selve indsætningshandlingen. En browserudvidelse opsnapper udklipsholderens indhold i det øjeblik, medarbejderen trykker indsæt, inden teksten når inputfeltet. Medarbejderen ser en forhåndsvisningsdialog. Den viser, hvad der er registreret, og hvad der vil blive anonymiseret, inden teksten sendes.

Dette er ikke en blokerende kontrol. Medarbejdere kan fortsætte, tilsidesætte eller stoppe. Det er et gennemsigtighedstrin. Det tilføjer ét øjebliks synlighed til en ellers automatisk handling.

ForeStil dig en teamleder inden for tysk e-handelssupport, der udkaster svar på kundeklager. Arbejdsgangen er den samme: kopier klagen, indsæt i ChatGPT, generer et svar. Udvidelsen tilføjer et to-sekunders tjek. Medarbejderen ser, at navne, adresser og ordrenumre er registreret. Medarbejderen klikker på fortsæt. Værktøjet modtager den anonymiserede version. Overholdelsesbruddet opstår ikke.

Vores GDPR-overholdelsesguide dækker retsgrundlaget for disse kontroller. Se også vores sammenligning af AI-politik versus tekniske kontroller og browser-DLP-guiden til ChatGPT for implementeringsdetaljer.

Kilder

Klar til at beskytte dine data?

Begynd at anonymisere PII med 285+ enhedstyper på tværs af 48 sprog.

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.