anonym.legal

By · Last updated 2026-04-04

Povratak na BlogSigurnost AI-a

AI politika bez tehnickih kontrola ne funkcionira

77% zaposlenika dijeli osjetljive radne podatke s AI alatima unatoc politikama koje to zabranjuju. Vladini podugovarac zalijepili su FEMA podatke o korisnicima poplava.

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

Kada politika srece stvarno ponasanje

Vladini podugovarac bio je pod pritiskom. Imao je zaostatok FEMA zahtjeva za pomoc pri poplavama za obraditi. Zalijepilo je imena, adrese i zdravstvene zapise u ChatGPT kako bi ubrzao rad. U svom umu nije prekrsio nikakav zakon. Jednostavno je koristio najbolji dostupni alat.

Rezultat: vladina istraga i javno objelodanjivanje.

Ovo je temeljni neuspjeh AI upravljanja koje se oslanja samo na politiku. Politike govore zaposlenicima sto trebaju raditi. One ne zaustavljaju ponasanje.

77% zaposlenika tvrtki dijeli osjetljive radne podatke s AI alatima barem tjedno - cak i kada politika to zabranjuje (eSecurity Planet/Cyberhaven 2025.). To nisu nemarni radnici. To su ljudi pod vremenskim pritiskom koji biraju najbrzi alat.

Zasto politike zakazuju

AI politike koristenja oslanjaju se na ljudsku prosudbu u trenutku unosa. Taj trenutak je brz. Zaposlenik se mozda ne sjeca politike. Mozda ne vidi sadrzaj kao "osjetljiv". Mozda prihvaca rizik jer se usteda vremena cini velika.

Analiza Cyberhavena za Q4 2025. otkrila je da 34,8% svih ChatGPT unosa sadrzi povjerljive poslovne informacije. Mnogi od tih korisnika znali su za politiku. Svejedno su zalijepili.

Politike pristupa rade jer ih sustavi provode. DLP na e-mail sloju radi jer ga sustavi primjenjuju. AI politike koristenja nemaju provodenje na tocki lijepljenja. Ljudska odluka popunjava tu prazninu. U velikom mjerilu, ljudi grijese.

FEMA podugovarac napravio je jednu od tih gresaka. Nije bio losnamjernik. Alat je pobijedio jer ga je politika trazila da bira sporost umjesto brzine. Pod pritiskom, odabrao je brzinu.

Tehnicke kontrole zaustavljaju ono sto politike ne mogu

Jedini popravak koji funkcionira u velikom mjerilu djeluje na tehnickom sloju, a ne na sloju obuke.

Prosirivanje preglednika moze presresti sadrzaj meduspremnika prije nego sto stigne do bilo kojeg web-temeljenog AI-a. Kada podugovarac kopira imena i adrese podnositelja zahtjeva i zalijepi u ChatGPT, prosirenje detektira PII, anonimizira ga i salje cisti sadrzaj. AI vidi [NAME_1] i [ADDRESS_1] umjesto stvarnih vrijednosti. I dalje dovrsava zadatak. Privatni podaci podnositelja zahtjeva nikada ne stizu na ChatGPT servere.

Ovo je automatsko. Ne trazi od korisnika da se ices cega sjeti.

Za programere koji koriste Cursor ili GitHub Copilot, MCP Server pruzuje isti sloj. Kod zalijepljen u AI kontekst prolazi najprije kroz modul za anonimizaciju. Vjerodajnice i vlasnicki identifikatori postaju tokeni. AI prima cisti unos i svejedno daje korisni izlaz.

Pogledajte kako se ovo usporeduje s blokiranjem: Blokiranje vs. Anonimizacija - Usporedba preglednickog DLP-a.

Sto se mijenja s tehnickim kontrolama

S prosirenjem preglednika na mjestu, scenarij FEMA podugovaraca odvija se drugacije:

  1. Podugovarac kopira zapise podnositelja zahtjeva iz sustava za slucajeve
  2. Prosirenje detektira PII u meduspremniku
  3. Modalni pregled pokazuje sto ce biti zamijenjeno
  4. Anonimizirana verzija ide u ChatGPT
  5. ChatGPT obradjuje zahtjev i vraca rezultate
  6. Podugovarac dobiva potrebnu pomoc - nije pokrenuta istraga

Politika se nije trebala mijenjati. Obuka nije trebala biti odrzana. Sloj za presretanje to je rijeSio.

Obuka politike smanjuje rizik na rubovima. Tehnicke kontrole eliminiraju nacin kvarenja. FEMA incident bio je neuspjeh politike. Bio bi beznacajan dogadaj da je jedno Chrome prosirenje bilo implementirano na uredaju tog podugovaraca.

Vidi takodjer:

Izvori

Povezani Članci

Sigurnost AI-a

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.

Sigurnost AI-a

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.

Sigurnost AI-a

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.

Spremni za zaštitu vaših podataka?

Započnite anonimizaciju PII-a s 285+ vrsta entiteta na 48 jezika.

Započnite Besplatno SuđenjePogledajte Značajke

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.