anonym.legal

By · Last updated 2026-03-29

Povratak na BlogSigurnost AI-a

39 milijuna GitHub curenja: rizik AI kodiranja

67% programera je slucajno izlozilo tajne u kodu (GitGuardian 2025). 39 milijuna tajni procurilo je na GitHubu u 2024., sto je porast od 25% u odnosu na prethodnu godinu.

March 29, 20268 min čitanja
GitHub secret leaksdeveloper AI securitycredential exposureMCP Server protectionGitGuardian 2025

39 milijuna vjerodajnica procurilo u jednoj godini

GitHubov Octoverse izvjestaj za 2024. utvrdio je da je 39 milijuna tajni procurilo na GitHubu u 2024. To je porast od 25% u odnosu na godinu dana ranije u usporedbi s 2023. Tajne ukljucuju API kljuceve, podatkovne nizove baze podataka, autentifikacijske tokene i oblacne vjerodajnice.

Uzrok je poznat. Programeri commite kod s tajnama unutar njega. Tajne dolaze iz sesija debuggiranja. Ili su hardkodirane umjesto da su pohranijene u varijablama okruzenja. Pri 39 milijuna curenja, ovo nije rijetko. To je rutina.

AI alati dodaju drugi kanal curenja

GitGuardianova istrazivanja iz 2025. utvrdila su da je 67% programera slucajno izlozilo tajne u kodu. Iste navike koje stvaraju curenja na GitHubu takodjer stvaraju curenja putem AI alata.

Programer zalijepljava kod u Claude, ChatGPT ili drugi AI asistent za pomoc. Taj kod cesto ima zive vjerodajnice u sebi. AI model prima tajnu. Moze je pohraniti u povijesti razgovora. Salje je na posluzitelje dobavljaca. Programer gubi kontrolu - bez ikakva upozorenja.

Tri primjera:

Debuggiranje baze podataka. Programer zalijepljava stog gresaka. Trag ukljucuje niz veze. AI takodjer cita lozinku.

Pregled cjevovoda. Programer dijeli skriptu podatkovnog cjevovoda. Skripta ima AWS pristupni kljuc i tajni kljuc. AI prima oboje.

Pregled API integracije. Programer trazi povratne informacije o integraciji. Kod ukljucuje zivi API kljuc partnera. Kljuc napusta programerovu mrezu.

U svakom slucaju, cilj je legitimna pomoc. Curenje vjerodajnica je nuzgredni ucinak davanja AI-u dovoljno konteksta. Ovo je isti uzorak kao curenja na GitHubu - nije zlonamjeran, samo rutina.

CI/CD cjevovodi suocavaju se s istim rizikom

Curenja tajni u CI/CD cjevovodima povecala su se za 34% u 2024. Skripte gradnje, konfiguracije postavljanja i datoteke infrastrukture kao koda sada prolaze kroz AI pregled. Te datoteke cesto sadrze oblacne vjerodajnice i tokene servisnih racuna.

Kako AI alati pokrivaju sve vise razvojnog ciklusa - pregled, dokumentacija, debuggiranje, optimizacija - povrsina izlozenosti raste s njima.

Kako MCP arhitektura blokira curenja

Za timove koji koriste Claude Desktop ili Cursor IDE, arhitektura MCP posluzitelja (Model Context Protocol) stavlja filter vjerodajnica na put izmedju programera i AI modela.

MCP posluzitelj obradjuje svaki tekst koji prolazi kroz sesiju. Zalijepljeni kod, tragovi stogate, konfiguracijske datoteke, kontekst debuggiranja - sve to prolazi kroz korak anonimizacije prije nego model to vidi.

Engine pronalazi uzorke vjerodajnica: formate API kljuceva, nizove baza podataka, OAuth tokene, zaglavlja privatnih kljuceva i prilagodjene formate koje vas sigurnosni tim definira. Svaki pronalazak zamjenjuje se tokenom prije prijenosa.

Kako to izgleda u praksi:

Programer zalijepljava trag stogate s nizom veze baze podataka. MCP posluzitelj zamjenjuje niz s [DB_CONNECTION_1]. AI vidi trag s tokenom na svom mjestu. Daje pomoc pri debuggiranju na temelju anonimizirane verzije. Stvarna vjerodajnica nikada nije napustila internu mrezu.

Ovo zaustava isti vektor curenja koji puni GitHub tajnama. Kanal je drugaciji - AI alati, a ne git commiti - ali popravak radi na isti nacin: blokiraj ga prije prijenosa.

Pogledajte nas pregled sigurnosti za informacije o tome kako anonym.legal rjesava ovo kroz AI alate i radne tijekove dokumenata, te centar za uskladjenost za kontrole revizije.

Otkrivanje nakon cinjenice je prekasno

Neki timovi koriste skeniranje nakon commita za hvatanje procurelih tajni. GitGuardian i truffleHog dobro funkcioniraju za GitHub kanal. Ne pokrivaju sesije AI alata.

Kada tajna dodje do posluzitelja AI dobavljaca, izlozenost je gotova. Skeniranje je nalazi nakon toga. Anonimizacija na MCP sloju sprecava da uopce dodje do modela.

39 milijuna GitHub curenja dokumentira jedan kanal. Izlozenost putem AI alata je isti problem u kanalu s manjim nadzorom i bez revizijske staze. Prevencija prije prijenosa pokriva oba.

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.