anonym.legal

By · Last updated 2026-04-25

Takaisin BlogiinGDPR & Vaatimustenmukaisuus

Token-Kartoitus GDPR-yhteensopivissa Tekoälytyönkuluissa

Kun asiakkaiden nimet anonymisoidaan ennen tekoälykäsittelyä, tekoälyn tuottama vastaus sisältää anonyymejä tokeneita. Lopullisessa vastauksessa on oltava oikeat nimet — ei tokeneita.

April 25, 20268 min lukuaika
token mapping AIGDPR customer service AIauto-decryptsession-based anonymizationAI workflow pseudonymization

Token-Kartoitus GDPR-yhteensopivissa Tekoälytyönkuluissa

Päivitetty vuodelle 2026

Tiimisi käyttää tekoälyä asiakasviestien luonnosteluun. Asiakas kirjoittaa. Hänen nimensä anonymisoidaan ennen kuin tekoäly käsittelee sen. Tekoäly tuottaa luonnoksen, jossa on paikkamerkki. Käsittelijän on korvattava se manuaalisesti. 200 päivittäisen vuorovaikutuksen kanssa tämä kustannus kasvaa nopeasti.

Istuntokohtainen token-kartoitus ratkaisee ongelman. Se palauttaa oikeat nimet automaattisesti.

Ongelma Ilman Token-Kartoitusta

Anonymisointivaihe luo tokenin. "Maria Virtanen" muuttuu `[CUSTOMER_1]`:ksi. Claude luonnostelee: "Hyvä [CUSTOMER_1], pahoittelemme viivästystä."

Reklamaatiokäsittelijän on nyt korvattava `[CUSTOMER_1]` nimellä "Maria Virtanen" ennen lähetystä. Laajassa mittakaavassa tämä vaihe kumoaa tekoälyavusteisen asiakaspalvelun edut. Se on toistuvaa työtä, joka ei katoa itsestään.

Kuinka Istuntotokenit Toimivat

Istunto tallentaa hakutaulukon: `[CUSTOMER_1]` → "Maria Virtanen". Kun Claude palauttaa luonnoksen, automaattinen salauksen purkukerros lukee taulukon ja palauttaa nimen. Käsittelijä näkee "Hyvä Maria Virtanen" — jo oikein. Ei manuaalisia vaiheita. GDPR-suoja tapahtuu läpinäkyvästi.

Miksi Istuntokohtainen Johdonmukaisuus On Tärkeää

Token-taulukon on oltava johdonmukainen koko istunnon ajan. Jos "Maria Virtanen" esiintyy alkuperäisessä reklamaatiossa ja uudelleen myöhemmässä viestissä, molempien esiintymien on viitattava `[CUSTOMER_1]`:een. Ilman tätä johdonmukaisuutta Claude saattaisi käsitellä niitä kahtena eri henkilönä. Vastauksesta tulisi epäjohdonmukainen.

Jokaisella henkilöllä on vain yksi token per istunto. Claude voi siten päätellä oikein koko keskustelussa.

GDPR-vaatimustenmukaisuus Suunnittelun Kautta

GDPR:n 4(5) artikla määrittelee pseudonymisoinnin riskiä vähentävänä tekniikkana. EDPB:n vuoden 2022 ohjeissa on keskeinen vaatimus: avain on säilytettävä erillään pseudonymisoiduista tiedoista.

Istunnon token-taulukot täyttävät tämän säännön. Hakutaulukko pysyy selaimessa. Se ei koskaan pääse Claudelle. Istunnon päättyessä se katoaa. Henkilötiedot eivät päädy ulkoisille palvelimille. GDPR:n 46. artiklan mukainen siirrokysymys ei nouse esille.

Vakuutusreklamaatioiden Käsittely: Konkreettinen Esimerkki

Saksalainen vakuutusyhtiö käsittelee asiakkaiden reklamaatiosähköposteja. Jokainen sähköposti sisältää nimen, vakuutusnumeron ja vahingon summan.

Ennen tekoälykäsittelyä Chrome Extension tai MCP Server anonymisoi kaikki kolme kenttää. Claude vastaanottaa `[CUSTOMER_1]`, `[POLICY_2024-08847]` ja `[AMOUNT_1]`. Se luonnostelee vastauksen näillä tokeneilla.

Automaattinen salauksen purkukerros palauttaa sitten kaikki kolme kenttää. Vahinkokäsittelijä näkee oikean nimen ja vakuutusnumeron luonnoksessa. Hän tarkistaa ja lähettää. Ei paikkamerkkien korvaamista tarvita.

GDPR-tulos: Clauden Yhdysvaltain palvelimille lähetetyt tiedot eivät sisältäneet henkilötietoja. Asiakkaan oikea nimi ja vakuutusnumero pysyivät Saksassa, käsittelijän selaimessa.

Mitä Täydellinen Kierto Vaatii

Kolme komponenttia on toimittava yhdessä saumattoman työnkulun saavuttamiseksi:

1. Johdonmukaiset tokenit. Jokaisella entiteetillä on vain yksi token per istunto. Aina sama.

2. Paikallinen hakutaulukko. Se sijaitsee istunnossa. Sitä ei lähetetä tekoälylle.

3. Automaattinen salauksen purku tulosteessa. Taulukko sovelletaan tekoälyn luonnokseen ennen kuin käsittelijä näkee sen.

Ilman kaikkia kolmea elementtiä käsittelijät korvaavat tokenit manuaalisesti. Kaikkien kolmen kanssa työnkulku on automaattinen ja GDPR-yhteensopiva.

Yhteenveto

Tämä lähestymistapa sulkee kierron tekoälyavusteisessa asiakaspalvelussa. Anonymisointi suojaa tiedot ennen kuin ne saavuttavat tekoälyn. Automaattinen salauksen purku palauttaa oikeat nimet vastaukseen. Käsittelijät näkevät oikeat nimet jokaisessa vaiheessa. GDPR-vaatimustenmukaisuus on taattu koko prosessissa.

Lähteet

Liittyvät Artikkelit

GDPR & Vaatimustenmukaisuus

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR & Vaatimustenmukaisuus

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR & Vaatimustenmukaisuus

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

Valmiina suojaamaan tietojasi?

Aloita PII-anonymisointi yli 285 entiteettityypillä 48 kielellä.

Aloita Ilmainen KokeiluKatso Ominaisuudet

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.