By · Last updated 2026-06-05

Takaisin BlogiinAI Turvallisuus

GDPR Art. 32: Tekoälytyökalujen PII-seuranta

Yrityksen vaatimustenmukaisuustiimit tarvitsevat määrällistä näyttöä tekoälytyökalujen PII-kontrolleista. Verkkopohjainen DLP ei havaitse selainpohjaisia tekoälyvuorovaikutuksia.

June 5, 20267 min lukuaika
GDPR Article 32AI compliancePII monitoringCISO evidenceenterprise AI governance

GDPR:n artiklan 32 vaatimustenmukaisuuden todistaminen tekoälytyökaluille

Päivitetty vuodelle 2026.

GDPR:n artikla 32 edellyttää "asianmukaisia teknisiä ja organisatorisia toimenpiteitä" henkilötietojen suojelemiseksi. Kun henkilökunta käyttää ulkoisia tekoälytyökaluja — ChatGPT:tä, Claudea, Geminiä — riski on todellinen ja mitattavissa. Myös kontrollien täytyy olla mitattavissa.

Käytäntö, jossa sanotaan "älä jaa henkilötietoja tekoälytyökaluille", on organisatorinen toimenpide. Se ei ole tekninen toimenpide. Se ei riitä, kun tietosuojaviranomaisen tarkastaja kysyy: "Miten tiedätte, että henkilökunta noudattaa tätä?"

Mitä tietosuojaviranomaisten tarkastajat kysyvät tekoälytyökaluista

Samsungin ChatGPT-vuodon jälkeen maaliskuussa 2023 viranomaiset alkoivat tarkastella yrityksen tekoälyohjelmia tarkasti. Tietosuojaviranomaisten tarkastajat esittävät nyt suoria kysymyksiä.

Teknisistä kontrolleista he kysyvät:

  • Mikä estää henkilötietojen pääsyn tekoälyjärjestelmiin?
  • Miten pakotatte peittämisen reaaliajassa?
  • Mitä näyttöä teillä on siitä, että kontrollit toimivat?

Seurannasta he kysyvät:

  • Miten seuratte henkilökunnan tekoälyn käyttöä PII-altistumisen suhteen?
  • Mitä mittareita kerätte? Kuinka usein?
  • Miten tiedätte, ettei kontrolleja ohiteta?

Tapausten havaitsemisesta he kysyvät:

  • Miten havaitsisitte PII-vuodon tekoälytyökaluun?
  • Mikä on vastaamissuunnitelmanne?

Käytäntöasiakirjat eivät vastaa yhteenkään näistä kysymyksistä. Ne kertovat, mitä henkilökunnan pitäisi tehdä. Ne eivät osoita, mitä henkilökunta todella tekee.

Selainpohjaisten tekoälytyökalujen seurannan aukko

Yritysten IT-tiimit kohtaavat keskeisen ongelman: selainpohjaisia tekoälytyökaluja on vaikea seurata.

HTTPS-salaus

ChatGPT, Claude ja Gemini käyttävät kaikki HTTPS:ää ja HSTS:ää. Verkkotarkistus ei pysty lukemaan kehotteen tekstiä ilman TLS-salauksen purkamista.

TLS-tarkistus

SSL-tarkistus vaatii yritysvarmennetta jokaisella laitteella. Se voi rikkoa varmennepinnoituksen joissain sovelluksissa. Se luo uusia tietoturva-aukkoja. Se voi rikkoa tekoälyalustan käyttöehdot. Se herättää henkilökunnan tietosuojahuolia monissa maissa.

Päätelaite-DLP

Pääteastekuuntelijat seuraavat leikepöytää ja näppäinpainalluksia. Niissä on kuitenkin korkea väärien positiivisten tulos. Ne eivät pysty erottamaan "asiakastietojen kirjoittamista sopimukseen" ja "niiden kirjoittamista ChatGPT:hen". Viive voi ohittaa reaaliaikaiset lähetykset.

Tuloksena: useimmilla tekoälytyökaluja käyttävillä yrityksillä on vähän näkyvyyttä siihen, mitä tietoja nämä järjestelmät vastaanottavat.

Vaatimustenmukaisuuskojelauta käytännössä

Finanssisektorin CISO:n täytyy osoittaa tarkastajille, että tekoälytyökalujen PII-altistumista seurataan ja kontrolloidaan. Tarkistusvaatimus: kovaa dataa aktiivisesta seurannasta.

Yritys ottaa käyttöön Chrome-laajennuksen 500 henkilökunnan jäsenelle. Viikon tuotos:

MittariViikkoarvo
Tekoälyistunnot yhteensä8 400
Havaitut PII-kohteet12 000
Peittämisaste94 %
Löydetyt asiakkaiden nimet4 800
Löydetyt tilinumerot3 200
Löydetyt tapahtumatunnisteet2 100
Peittämättömät lähetykset (6 %)720 kohdetta

Huomio: havainnollinen skenaario. Tulokset vaihtelevat yrityksen koon ja tekoälykäytön mukaan.

Neljä asiaa, jotka tämä osoittaa tarkastajille:

  • Tekoälytyökalujen käytön laajuus (8 400 istuntoa viikossa)
  • Riskin alaisen PII:n volyymi (12 000 löydettyä kohdetta)
  • Kontrollien suorituskyky (94 % peittämisaste)
  • Jäljellä oleva riski (720 kohdetta vaatii jatkotoimia)

Kolme asiaa, joita tarkastajat voivat todentaa:

  • Tekninen kontrolli on käytössä (laajennuksen käyttöönottologit)
  • Seuranta on aktiivista (viikkoraportit)
  • Jäljellä olevaa riskiä hallitaan (jatkokoulutus 6 %:lle)

Tämä on ero "meillä on käytäntö" ja "tässä on mitattu kontrollimme tuotos" välillä.

Tuotoksen muuttaminen parannukseksi

Peittämättä lähetetyt 6 % eivät ole epäonnistuminen. Ne ovat seurannan menestys. Yritys tietää nyt:

  1. Mitkä henkilökunnan jäsenet ohittavat peittämiskehotukset tai jättävät ne huomiotta.
  2. Mitkä kohdetyypit lähetetään useimmin peittämättöminä.
  3. Millä tiimeillä on korkeammat ohitusasteet.
  4. Laskeeko ohitusaste henkilökunnan sopeutuessa.

Tämä ohjaa kohdennettuja toimia. Korkean ohitusasteen henkilökunta saa lisäkoulutusta. Korkean ohitusasteen kohdetyypit saattavat tarvita vahvempia kehotuksia. Toistuvien ohitusten tiimit saattavat tarvita työnkulun muutoksen.

Ilman tätä tuotosta koulutus annetaan tasaisesti. Sen avulla koulutus kohdistetaan sinne, missä riski on suurin.

Millainen täydellinen artiklan 32 paketti näyttää

Täydellinen GDPR:n artiklan 32 asiakirjajoukko tekoälytyökalun ohjelmalle:

Tekniset toimenpiteet:

  1. Chrome-laajennus N laitteessa (näyttö: MDM-lokit)
  2. Reaaliaikainen PII-havainnointi tekoälytyökalujen syöttökentissä
  3. Peittämistyönkulku tarkistuspolulla (laajennuslokit)
  4. Vaatimustenmukaisuuskojelauta (havainnointimittarit)

Organisatoriset toimenpiteet:

  1. Tekoälytyökalujen käyttöpolitiikka
  2. Henkilökunnan koulutustietueet
  3. Vaaratilanteiden vastaamissuunnitelma tekoälyn tietovuodoille
  4. Seurantatuotoksen neljännesvuosikatsaus

Seurantatodisteet:

  1. Viikottaiset kojelautan mittarit (juoksevat 12 kuukautta)
  2. Peittämisasteen trendi
  3. Kohdetyypin erittely
  4. Ohitusten jatkotoimien tietueet

Tapausten havainnointi:

  1. Seurantatuotos merkitsee poikkeavan käyttäytymisen (äkillinen asteen lasku, uudet kohdetyypit)
  2. Vaaratilanteiden vastaamissuunnitelma testattu [päivämäärä]

Tämä joukko täyttää artiklan 32 vaatimukset. Se osoittaa tekniset ja organisatoriset toimenpiteet todellisilla todisteilla.

Riskinvähenemän määrällistäminen

Suhteellisuustestiä varten on osoitettava riski, jonka kontrolli poistaa.

Ilman kontrollia:

  • 11 % tekoälykehotteista sisältää PII:tä (Cyberhaven 2025)
  • 8 400 viikottaista istuntoa × 11 % = 924 PII:tä sisältävää istuntoa viikossa
  • Jokainen istunto: mahdollinen GDPR:n artiklan 83 altistus, jos EU-tietoja on mukana

Kontrollin kanssa (94 % peittämisaste):

  • 924 istuntoa, joissa havaittu PII
  • 94 % peitetty: 869 istuntoa suojattu
  • Jäljellä oleva: 55 istuntoa viikossa peittämättömällä sisällöllä

Tulos: 94 % lasku PII-altistumisessa tekoälytyökalujen käytöstä.

Viranomaisille, jotka soveltavat suhteellisuustestiä, 94 % vähennys käyttöön otetusta teknisestä kontrollista on vahva todiste. Katso myös reaaliaikainen PII-esto tekoälytyökaluille ja selain-DLP ChatGPT:lle, Claudelle ja Geminille.

Yhteenveto

GDPR:n artiklan 32 vaatimustenmukaisuus tekoälytyökaluille ei voi perustua pelkästään käytäntöön. Selaimen tekoälyistuntojen seuranta PII-altistumisen suhteen tarvitsee teknisen kontrollin, joka tuottaa todisteita.

Reaaliaikainen peittäminen sisäänrakennetulla seurannalla antaa molemmat: eston (vähemmän altistumista) ja todisteet (mitattu riski ja kontrollituotos). Tämä yhdistelmä täyttää artiklan 32 vaatimukset.

CISO:ille, jotka kohtaavat tietosuojaviranomaisen tarkistuksen: tarkastajat haluavat kovaa dataa. Näytä havainnointiastereet, peittämisastereet ja jäljellä olevan riskin trendit. Käytäntö on alku. Seurantatuotos on todiste.

Katso, miten estäminen vertautuu peittämiseen kontrollina: Selain-DLP: Estäminen vs. anonymisointi.

Lähteet

Valmiina suojaamaan tietojasi?

Aloita PII-anonymisointi yli 285 entiteettityypillä 48 kielellä.

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.