Retour au blogGDPR & Conformité

Cartographie des jetons pour les flux de travail IA...

Lorsque les noms des clients sont anonymisés avant le traitement par l'IA, la réponse de l'IA contient des jetons anonymisés.

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

Correspondance de tokens pour les flux IA conformes au RGPD

Mis à jour pour 2026

Votre équipe utilise l'IA pour rédiger des réponses clients. Un client écrit. Son nom est anonymisé avant que l'IA ne le voie. L'IA rédige une réponse avec un espace réservé. L'agent doit le remplacer manuellement. À 200 interactions par jour, ce coût s'accumule vite.

La correspondance de tokens par session résout ce problème. Elle restaure les vrais noms automatiquement.

Le problème sans correspondance de tokens

L'étape d'anonymisation crée un token. « Maria Schmidt » devient [CUSTOMER_1]. Claude rédige : « Chère [CUSTOMER_1], nous nous excusons pour le retard. »

L'agent doit maintenant remplacer [CUSTOMER_1] par « Maria Schmidt » avant l'envoi. À grande échelle, cette étape annule le bénéfice de l'assistance IA. C'est une tâche répétitive qui ne disparaît pas.

Comment fonctionnent les tokens de session

La session stocke une table de correspondance : [CUSTOMER_1] → « Maria Schmidt. » Quand Claude renvoie son brouillon, la couche de déchiffrement automatique lit cette table et restaure le nom. L'agent voit « Chère Maria Schmidt » — déjà correct. Aucune étape manuelle. La protection RGPD s'exécute silencieusement.

Pourquoi la cohérence de session est importante

La table de tokens doit être cohérente tout au long de la session. Si « Maria Schmidt » apparaît dans la plainte initiale et dans un message de suivi, les deux doivent être résolus en [CUSTOMER_1]. Sans cela, Claude peut les traiter comme deux personnes différentes. Sa réponse devient incohérente.

Une personne reçoit un token par session. Claude peut alors raisonner correctement sur la conversation.

Conformité RGPD par conception

L'article 4(5) du RGPD définit la pseudonymisation comme une technique de réduction des risques. Les lignes directrices EDPB de 2022 l'exigent clairement : la clé doit être séparée des données pseudonymisées.

Les tables de tokens de session respectent cette règle. La correspondance reste dans le navigateur. Elle n'est jamais envoyée à Claude. À la fin de la session, elle disparaît. Aucune donnée personnelle n'atteint les serveurs externes. La question du transfert au titre de l'article 46 ne se pose pas.

Sinistres d'assurance : un exemple concret

Un assureur allemand traite des e-mails de réclamation clients. Chaque e-mail contient un nom, un numéro de police et un montant de sinistre.

Avant le traitement IA, l'extension Chrome ou le serveur MCP anonymise les trois champs. Claude voit [CUSTOMER_1], [POLICY_2024-08847] et [AMOUNT_1]. Il rédige une réponse avec ces tokens.

La couche de déchiffrement automatique restaure ensuite les trois champs. Le gestionnaire voit le vrai nom et le numéro de police dans le brouillon. Il vérifie et envoie. Aucun remplacement de token requis.

Le résultat RGPD : les données envoyées aux serveurs américains de Claude ne contenaient aucune donnée personnelle. Le vrai nom et le numéro de police du client sont restés en Allemagne, dans le navigateur du gestionnaire.

Ce que le flux complet exige

Trois composants doivent fonctionner ensemble :

1. Des tokens cohérents. Chaque entité reçoit un token par session. Toujours le même.

2. Une table de correspondance locale. Elle réside dans la session. Elle n'est pas envoyée à l'IA.

3. Le déchiffrement automatique en sortie. La table est appliquée au brouillon IA avant que l'agent ne le voie.

Sans les trois, les agents remplacent les tokens manuellement. Avec les trois, le flux est autonome et conforme au RGPD par défaut.

Conclusion

Cette approche ferme la boucle dans le travail client assisté par IA. L'anonymisation protège les données avant qu'elles n'atteignent l'IA. Le déchiffrement automatique restitue les vrais noms dans la réponse. Les agents voient des noms corrects à chaque étape. La conformité RGPD est maintenue tout au long.

Sources

Prêt à protéger vos données ?

Commencez à anonymiser les PII avec plus de 285 types d'entités dans 48 langues.

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.