anonym.legal

By · Last updated 2026-04-04

Tagasi BlogisseAI Turvalisus

AI-poliitika ilma tehniliste kontrollideta ebaõnnestub

77% töötajatest jagab tundlikke tööandmeid AI-tööriistadega vaatamata keelatavatele poliitikakele. Valitsuse töövõtja asetas FEMA üleujutusabi taotleja andmed ChatGPT-sse.

April 4, 20268 min lugemist
AI data governancetechnical controlsChatGPT policy failureChrome Extension DLPenterprise AI security

Kui poliitika kohtub tegeliku käitumisega

Valitsuse töövõtja oli surve all. Tal oli kuhjunud FEMA üleujutusabi avaldusi, mida tuli töödelda. Ta asetas nimed, aadressid ja terviseandmed ChatGPT-sse, et kiiremini liikuda. Ta ei rikkunud oma meelest ühtegi seadust. Ta lihtsalt kasutas parimat käepärast olevat tööriista.

Tulemus: valitsuse uurimine ja avalik avalikustamine.

See on ainult poliitikale tugineva AI-juhtimise põhiline ebaõnnestumine. Poliitikad ütlevad töötajatele, mida teha. Nad ei peata käitumist.

77% ettevõtte töötajatest jagab tundlikke tööandmeid AI-tööriistadega vähemalt kord nädalas - isegi kui poliitika seda keelab (eSecurity Planet/Cyberhaven 2025). Need ei ole hooletud töötajad. Need on ajasurvest taibatud inimesed, kes valivad kiireima tööriista.

Miks poliitikad lagunevad

AI kasutuspoliitikad toetuvad inimlikule otsustusvõimele sisestamise hetkel. See hetk on kiire. Töötaja ei pruugi poliitikast meelde tuletada. Ta ei pruugi sisu "tundlikuna" näha. Ta võib riski aktsepteerida, sest ajakokkuhoid tundub suur.

Cyberhaveni Q4 2025 analüüs leidis, et 34,8% kõigist ChatGPT sisenditest sisaldab konfidentsiaalset äriteavet. Paljud neist kasutajatest teadsid poliitikat. Nad asetasid selle ikkagi.

Juurdepääsupoliitikad toimivad, sest süsteemid täidavad neid. Meilikhihi DLP toimib, sest süsteemid rakendavad seda. AI kasutuspoliitikatel pole jõustamist asetamise hetkel. Inimlik otsus täidab selle lünga. Suurel skaalal teevad inimesed vigu.

FEMA töövõtja tegi ühe neist vigadest. Ta ei olnud halb tegutseja. Tööriist võitis, sest poliitika palus tal valida aegluse üle kiiruse. Surve all valis ta kiiruse.

Tehnilised kontrollid peatavad seda, mida poliitikad ei suuda

Ainus lahendus, mis suurel skaalal töötab, toimib tehnikatasandil - mitte koolitustasandil.

Brauseri laiendus suudab lõikepuhvri sisu kinni pidada enne, kui see jõuab mis tahes veebipõhise AI-ni. Kui töövõtja kopeerib taotlejate nimed ja aadressid ning asetab ChatGPT-sse, tuvastab laiendus isikuandmed, muudab need anonüümseks ja saadab puhta versiooni. AI näeb [NAME_1] ja [ADDRESS_1] asemel tõelisi väärtusi. See täidab ülesande ikkagi. Taotleja privaatsed andmed ei jõua kunagi ChatGPT serveritesse.

See on automaatne. See ei palu kasutajal midagi meeles pidada.

Arendajatele, kes kasutavad Cursor'it või GitHub Copilot'i, pakub MCP Server sama kihti. Kood, mis asetatakse AI konteksti, läbib esmalt anonüümimise mootori. Mandaadid ja patenteeritud identifikaatorid muutuvad tokeniteks. AI saab puhta sisendi ja annab ikkagi kasuliku väljundi.

Vaata, kuidas see erineb blokeerimisest: Blokeerimine vs anonüümimine - brauseri DLP võrdlus.

Mis muutub tehniliste kontrollidega

Brauseri laienduse paigaldamisel kulgeb FEMA töövõtja stsenaarium erinevalt:

  1. Töövõtja kopeerib taotlejate andmed juhtumisüsteemist
  2. Laiendus tuvastab lõikepuhvris isikuandmed
  3. Eelvaate modaal näitab, mida asendatakse
  4. Anonümiseeritud versioon läheb ChatGPT-sse
  5. ChatGPT töötleb päringu ja tagastab tulemused
  6. Töövõtja saab vajaliku abi - ühtegi uurimist ei käivitata

Poliitikut ei pidanud muutma. Koolitust ei pidanud läbi viima. Pealtkuulamise kiht käsitles seda.

Poliitika koolitus vähendab riski marginaalselt. Tehnilised kontrollid kõrvaldavad ebaõnnestumise viisi. FEMA intsident oli poliitika ebaõnnestumine. See oleks olnud tavatu sündmus ühe Chrome'i laiendusega, mis juurutati selle töövõtja seadmesse.

Vaata ka:

Allikad

Seotud Artiklid

AI Turvalisus

AI Coding Assistants Leak Production PII

Unit test fixtures with real customer records. Log files with production data for debugging. GitHub found 39 million secrets leaked in 2024.

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.

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.