anonym.legal

By · Last updated 2026-06-05

Tagasi BlogisseAI Turvalisus

AI-kodeerimisabilised lekkivad tootmise isikuandmeid

Yhiktesti kinnitusandmed tegelike kliendikirjetega. Logifailid koos tootmisandmetega silumiseks. GitHub leidis 2024. aastal 39 miljonit lekkinud saladust.

June 5, 20268 min lugemist
AI coding assistantproduction PIIdeveloper securityMCP ServerGitHub Copilot

Miks AI-kodeerimistoolid lekkivad tegelikke kliendikirjeid

Enamik arendusmeeskondade isikuandmete lekked pole turvaintsidendid. Need on igapaeevase tooe koevaltoimed.

Tootmisandmed sisenevad testikeskkondadesse. Sealt jouavad need AI-kodeerimistoolide -- ja neid kaivitavate mueujateni.

GitHub'i 2025. aasta uurimus kinnitab seda. Arendajad lekkisid 39 miljonit saladust avalikes hoidlates 2024. aastal. API-voetmed ja isikuandmed moelemad ilmusid. Enamik paerisnes testkinnitusandmetest ja silumislogidest. Vaadake meie turvalisuse kaitsemeetmete ulevaadet, et teada saada, kuidas tiimid seda riski kaeitleb.

Uuendatud 2026. aastaks: AI-kodeerimistoolide kasutusele voatmine on kiiresti kasvanud. Samuti on kasvanud kokkupuutepinna.

Kuidas tegelikud kirjed sisenevad arenduskeskkondadesse

Marsruudid on tavalised ja etteaeimatatavad.

Testkinnitusandmefailid: Yhiktestid vajavad realistlikku sisendit. Kiireim tee on tootmisest ridade kopeerimine. Arendaja plaanib neid "hiljem" asendada. Hiljem harva tuleb. Tegelikud e-posti aealdressid ja konto ID-d jaeaevad labi toosinate taeitmiste.

Silumislogid: Viga pole kohapeal reprodutseeritav. Arendaja toob logi elavsuesteemist. See logi sisaldab kliendi e-posti, IP-aealdresseid ja seansi tokeneid. Fail maandub projektikausta juurkausta ja salvestatakse.

Migratsiooniskriptid: Skeemumuudatused sisaldavad testikeskkondade jaoks naeidisridu. DBA koepeerib naeidisena tegelikke ridu. Skript -- ehtsate kliendikirjetega -- siseneb versioonikontrolli.

Dokumendid ja README-failid: Kasutusnaeteid kasutavad "realistlikku" sisendit. Realistlik taehendab sageli tegelikelt kasutajatelt koeeritud. README-is voib olla tegelike tellimuse ID-d ja kontoaealdressid.

Konfiguratsioonifailid: Dev-konfiguratsioonid kannavad esindusvotmeid, mis jouavad tegelikele kliendiandmetele. Need failid salvestatakse koos sisemiste saladuste.

Mida AI-abilised tegelikult saavad

Kui arendajad kasutavad AI-kodeerimistoolid, saadavad mitu kanalit privaatset teavet velja.

Kogu faili kontekst: Tool voib saada teervikfaile. See hulmaab testkinnitusandmeid tegelike kirjetega, logide vljavoliid voi konfiguratsioonifaile elavate votmetega.

Leikepuhver: Arendajad kleepivad koodi labivaatuseks vestlusse. Uembrit kontekst sisaldab sageli kliendiandmeid selles.

IDE-indekseerimine: Cursor ja GitHub Copilot indekseerivad kohalikke faile konteksti jaoks. Iga projekti failis olevad tegelikud read muutuvad selle indeksi osaks.

Veateated: Arendajad kleepivad virnavaerakoode AI-vestlusse silumise ajal. Virnavaerakoodid voivad kanda kliendi ID-sid.

Iga kanal saadab privaatset teavet AI-muejaja API-le. See tekitab GDPR-i ja HIPAA riski. Vaadake meie vastavuse ulevaadet, et teada saada, kuidas need reeglid dev-toolidele rakenduvad.

GDPR ja HIPAA: peamised faktid arendusmeeskondadele

Need reeglid kehtivad AI-kodeerimistoolide kasutusele.

GDPR artikkel 28 -- Tootlija: Isikuandmete saatmine AI-mueujale muudab selle mueuja andmete tootlijaks. Noetud on andmetootlemisleping. Enamik mueujaid pakub andmetootlemislepingud. Arendajad, kes kasutavad AI-toolid vaelisvahel ostmiseta, ei pruugi allkirjastatud lepingut omada.

GDPR artikkel 6 -- Seaduslik alus: Dev-testimine nouab seaduslikku alust isikuandmete tootlemiseks. Kaeibeline huvi voib kehtida -- kuid see vajab tasakaalustamise testi. Tegelike kliendikirjete kasutamine seal, kus kunstlikud toimiksid, laebib selle testi laepimata.

HIPAA -- BAA: Tervishoiu arendajatel peab olema AI-mueujaga aeritootjaga lepingud. OpenAI, Anthropic ja GitHub Copilot pakuvad aeritootja lepinguid ettevotete kasutajatele. Individuaalne kasutamine vaelisvahel ettevotteplaani ei pruugi olla kaetud.

Minimeerimine: Tegelikud kliendikirjed testkinnitusandmefailides rikuvad minimeerimisreeglit. Vaeljamoeldud read taoidavad sama eesmaeark ilma privaatsuskuluta.

Meie KKK vastab nende reeglite kohta levinud kusimustele.

Praktilised sammud arendusmeeskondadele

Alustage kiire auditiga. Enamik tiime leiab probleeme esimese tunni jooksul.

Kohesed toimingud:

  1. Auditeerige testkinnitusandmefaile -- otsige e-posti, telefoni ja ID mustreid.
  2. Kontrollige tootmislogi faile projektikaustades kliendi ID-de jaoks.
  3. Uuendage .gitignore, et vaelista logifailid ja keskkonnapohised andmefailid.
  4. Asendage tegelikud kirjed sunteetiliste generaatoritega nagu Faker voi Mimesis.

Audit ise toob sageli esile aastaid kogunenud kokkupuute. Uks tiim leidis tegelikke kliendi e-posti kuues erineva arendaja poolt kolme aasta jooksul loodud 14 testifailis. Uhtegi neist arendajatest ei olnud kavatsennud neid sinna jaeaetma.

Enne iga AI-abilise seansi:

  • Kaevitage failidel isikuandmete tuvastus enne nende jagamist.
  • IDE toolidele nagu Cursor: vaelista testimiskaustade indekseerimine.
  • Vestluspohistele toolidele: vaadake kleepitud kood isikuandmete osas yle.

MCP Serveri lisandmoodul:

anonym.legal MCP Server uehendab isikuandmete tuvastuse Claude Desktop'i ja Cursor'isse. Sammud on lihtsad:

  1. Avage fail redaktoris.
  2. Kutsuge MCP Server: tuvastage isikuandmeid failis.
  3. Vaadake lipistatud elemendid yle.
  4. Redigeerige kohapeal.
  5. Jagage puhast faili AI-tooliga.

See lisab faili kohta alla 30 sekundi. See eemdaldab kaesilise "kontrolli isikuandmete jaoks" koormuse. Vaadake meie hinnaplaane, et lisada MCP Serveri lebaedist oma tiimile.

Sunteetilised sisendid -- pueusiv lahendus:

Ara kasuta kunagi tegelikke ridu testkinnitusandmefailides. Sunteetilised teegid toodavad realistlikke sisendeid ilma tegelike kasutajaid paljastamata. Faker (Python/Node.js), Factory Boy (Python) ja Bogus (.NET) loovad kehtivaid sisendeid iga skeema jaoks. Iga teek laseb sul seemendada lokaalidiga ja vaeljastaeda realistlikke nimesid, e-posti ja telefoninumbreid -- koik vaeljamoeldud.

Juhtumiuuring: SaaS-tiim leiab tegelikud kirjed Cursor'ist

Leid tuli GDPR-auditi kaeigus. Cursor'it kasutav SaaS-tiim leidis tegelikke kliendi e-posti yhiktesti kinnitusandmefailides. Arendaja oli 18 kuud tagasi koperinud 50 kliendi rida tootmisest. Need read olid salvestatud versioonikontrolli ja Cursor'i poolt indekseeritud.

18 kuu jooksul kasutas Cursor kinnitusandmefaile ligikaudu 11 000 korda 8 arendaja IDE-seansi ulatuses. Iga seanss voib olla saatnud kinnitusandmete sisu Cursor'i API-le.

Mida tiim tegi:

  1. Asendas koik 50 tegelikku rida Faker-genereeritud vaeljamoeldud sisenditega.
  2. Uuendas .gitignore, et vaelista logifailid.
  3. Lisas MCP Serveri noudluse peale isikuandmete tuvastuse enne koodi jagamist.
  4. Saetas normi: tootmiskirjeid ei ole lubatud uhteski salvestatud failis.

MCP Server oli pohinuutus. Arendajad kaivitavad nueud tuvastuse enne Cursor'i seansse kliendipoolsel koodil. Lisaet vaeva peale MCP-kutsumise.

Lugege lisaks meie juhtumiuuringute jaotisest.

Allikad

GitHub turvalisuse uurimus 2024. VERIFIED-EXTERNAL.

GDPR artikkel 28. VERIFIED-EXTERNAL.

HIPAA BAA juhend. VERIFIED-EXTERNAL.

Seotud Artiklid

AI Turvalisus

Internal Wiki PII: Confluence Customer Data

Support teams document processes with screenshots of customer accounts. Over 3 years, that's thousands of GDPR data minimization violations in your.

AI Turvalisus

Screenshot PII: Leaks in Internal Tools

Slack, Teams, Jira, and email regularly receive screenshots containing customer PII. This access-control violation bypasses every DLP tool.

AI Turvalisus

PII Highlighting vs Compliance Training

62% of employees who use AI tools for customer data work 'sometimes' forget to remove PII first. Here's why automatic highlighting removes the compliance.

Kas olete valmis oma andmeid kaitsma?

Alustage PII anonüümitamist 285+ üksustüübi abil 48 keeles.

Alusta Tasuta KatsetVaata Funktsioone

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.