Hvad Cursor indlæser i AI-konteksten
Cursor indlæser JSON- og YAML-konfigurationsfiler i AI-konteksten som standard. Disse filer indeholder ofte cloud-tokens, databaseadgangskoder og deploymentindstillinger.
Risikoen er ikke uagtsom brug. Det er standardopsætningen. Enhver AI-kodningssession, der berører konfigurationsfiler, kan sende disse filer til Anthropics eller OpenAIs servere.
Udviklerens hensigt er fin. De beder AI-modellen om at rette en databaseforespørgsel. Forespørgslen indeholder en forbindelsesstreng. AI-modellen ser den. Det er lækket. Det er en bivirkning af normalt arbejde. Politikregler alene kan ikke forhindre det pålideligt.
Derfor steg adoptionen af Model Context Protocol-værktøjer 340 % i virksomhedsmiljøer i Q4 2025. Teams har brug for en teknisk løsning. Et nyt politikdokument er ikke nok.
Konsekvensen på 12 mio. dollars
En finansiel virksomhed mistede kontrollen over sine proprietære handelsalgoritmer. Algoritmerne havnede på en AI-assistents servere under en kodegennemgangssession.
Den estimerede omkostning: 12 mio. dollars (IBM Cost of Data Breach 2025, organisationer med >10.000 medarbejdere). Virksomheden kunne ikke fortryde afsløringen. Den måtte revidere alle transmitterede filer. Den hyrede juridisk rådgivning vedrørende eksponering af forretningshemmeligheder. Den gennemførte en konkurrencemæssig skadesgennemgang.
Det er worst case. Det typiske tilfælde er mindre, men det lægger hurtigt op. API-nøgler roteres, efter de dukker op i AI-chatlogfiler. Databaseadgangskoder skiftes ud, efter de vises i værktøjsoptegnelser. OAuth-tokens tilbagekaldes, efter skærmoptagelser fanger dem. Hvert trin kræver medarbejdertid. Omkostningen er reel og sjældent registreret.
Sådan fungerer anonymiseringslaget
Model Context Protocol (MCP) tilføjer et lag mellem AI-klienten og model-API'et. Hver prompt gennemgår en anonymiseringsmotor, inden den når modellen.
Uden beskyttelse: En udvikler skriver et migrationsscript. Det indeholder en forbindelsesstreng: postgres://admin:password@host:5432/db. AI-modellen modtager den streng uændret.
Med anonymiseringslaget: Motoren opdager strengen. Den erstatter den med et token — [DB_CONN_1]. Modellen ser scriptets struktur og logik. Legitimationsoplysningerne forbliver lokalt.
Den reversible krypteringsmulighed går videre. Kunde-ID'er og produktkoder krypteres og erstattes med deterministiske tokens. AI-modellen returnerer et svar, der bruger disse tokens. Serveren dekrypterer svaret og erstatter tokens med reelle værdier. Udvikleren læser faktiske identifikatorer. AI-modellen så dem aldrig.
Opsætning og udvikleroplevelse
For udviklingsteams er opsætningen en engangsopgave. Cursor og Claude Code konfigureres til at route igennem en lokal proxyserver. Serverkonfigurationen definerer, hvilke entitetstyper der skal opsnappes:
- API-nøgler
- Databaseforbindelsesstrenge
- Auth-tokens
- AWS-, Azure- og GCP-legitimationsoplysninger
- Private nøgleheadere
Teams kan tilføje tilpassede mønstre for interne servicenavne eller proprietære identifikatorformater.
Fra udviklerens side ændres intet. Autofuldførelse, kodegennemgang, fejlfindingshjælp og dokumentationsgenerering fungerer som tidligere. Proxyen kører lydløst i baggrunden.
Checkpoint Researchs 2025-analyse pegede på eksponering af udviklerlegi timationsoplysninger som den højeste-impact-risiko i AI-kodningsværktøjsdeployments. Det er præcis det problem, denne arkitektur løser. Det er en teknisk løsning, ikke en politikpåmindelse.
Læs mere i vores sikkerhedsoversigt og compliancedokumentation. Se også vores entitetsdetektionsguide for den fulde liste over opsnaggede datatyper.