By · Last updated 2026-06-05

Povratak na BlogSigurnost AI-a

Osobni podaci na snimkama zaslona: curenje u internim alatima

Slack, Teams, Jira i e-posta redovito primaju snimke zaslona koje sadrze osobne podatke korisnika. Ova povreda kontrole pristupa zaobilazi svaki DLP alat.

June 5, 20266 min čitanja
screenshot PIIinternal toolsGDPR compliancedata leakageJira Slack security

Slijepa tocka DLP-a koju niste revizirali

DLP alati prate mrezni promet, e-postanske datoteke i prijenose datoteka. Hvataju tablicne kalkulacije s kolonama JMBG-a. Oznacavaju e-poste s popisima korisnika. Blokiraju prijenose s medicinskim zapisima.

Ne hvataju snimke zaslona.

Snimka zaslona je slikovna datoteka. Osobni podaci u njoj prikazani su kao pikseli. Nisu pohranjeni kao tekst. DLP motori koji skeniraju uzorke osobnih podataka nista ne pronalaze.

Svaki dan zaposlenici lijepe snimke zaslona u Slack, Jira, Teams i e-postanske lance. Niti jedan DLP uzbunjivac se ne aktivira.

Kako se snimke zaslona sire osobne podatke na poslu

Udaljen i hibridni rad ucinio je dijeljenje snimaka uobicajenim. Interni alati svakodnevno se pune njima.

Clanovi tima dijele snimke radi brzog konteksta:

  • Agenti podrske uzimaju prikaze korisnickih racuna za dijeljenje s voditeljima tima.
  • Programeri dijele zapise gresaka koji sadrze podatke koje su unijeli korisnici.
  • Menadzeri racuna salju CRM zapise radi konteksta financijskim timovima.
  • IT administratori snimaju prikaze sustava kako bi dokumentirali postavke za izvrsitelje.
  • Produktni timovi dijele prikaze nadzorne ploce u azuriranjima za dionike.

Svaki prilog moze nositi osobne podatke. Snimka korisnickog racuna sadrzi ime, e-postu, status i adresu za naplatu. Datoteka zapisa gresaka moze sadrzavati imena, adrese ili brojeve telefona koje su unijeli korisnici. Snimka CRM zapisa sadrzi cijeli profil racuna. Datoteka nadzorne ploce moze prikazivati korisnicke ID-ove u oznakama grafikona.

Problem kontrole pristupa

Dijeljenje snimaka zaslona takoder stvara problem kontrole pristupa.

Vecina organizacija provodi kontrole pristupa temeljene na ulogama (RBAC) na produkcijskim sustavima. Agent podrske vidi samo zapise iz svog reda. Izvrsitelj vidi samo datoteke dodijeljenog projekta.

Kada agent uzme zapis korisnika i zalijepi ga u Slack kanal s izvrsiteljima, kontrola pristupa se zaobilazi. Izvrsitelj dobiva osobne podatke kojima nije mogao pristupiti putem normalnih putova. DPA za ugovoreni posao mozda ne pokriva ovaj prijenos. GDPR prava korisnika mozda se ne primjenjuju na tog izvrsitelja.

Ovo zaobilazenje je pitanje Clanka 5(1)(f) GDPR-a. Pokriva integritet i povjerljivost. Moze takoder stvoriti probleme usklade prema Clanku 28 ako izvrsitelji dobivaju osobne podatke bez odgovarajucih DPA-a. Pogledajte nas vodic za uskladenost s GDPR-om za kontrolni popis obveza prema Clanku 28.

Otkrivanje osobnih podataka na slici kao tehnicka zastita

Tehnicka zastita za izlaganje osobnih podataka putem snimaka je OCR uz NLP otkrivanje. Koraci su jednostavni.

  1. Zaposlenik snima zaslon suceljja korisnika.
  2. Prije dijeljenja: prenosi snimku u alat za otkrivanje.
  3. Alat izvlaci vidljivi tekst putem OCR-a.
  4. NLP pronalazi entitete osobnih podataka u tekstu.
  5. Zaposlenik vidi izvjesce: "Ova snimka sadrzi: [ime korisnika], [e-postanska adresa], [ID racuna]."
  6. Zaposlenik zatim redaktira osobne podatke, suzava opseg dijeljenja ili nastavlja s pisanim razlogom.

Ovo ne blokira svo dijeljenje. Pokazuje osobne podatke prije nego sto se premjeste. Ljudi tada mogu donositi informirane odluke. Pogledajte kako se to uklapa u vas stos zastite na stranici o zastiti.

Slucaj upotrebe: SaaS helpdesk politika snimaka u Jira

Helpdesk jedne SaaS tvrtke koristio je Jira za evidentiranje problema s racunima. Datoteke prilocene uz te tikete sadrzavale su osobne podatke korisnika. Konkretno:

  • E-postanske adrese korisnika s ekrana upravljanja racunima.
  • Detalji pretplatnog plana.
  • Iznosi i datumi naplate.
  • Djelomicni podaci o placanju u nekim slucajevima.

GDPR revizija pronasla je 847 Jira tiketa stvorenih tijekom 18 mjeseci. Svi su imali privitke s osobnim podacima. Jira je bila otvorena svim 200 inzenjera. Neki su bili izvrsitelji bez DPA-a za zapise naplate korisnika.

Koraci sanacije:

  1. Retroaktivna revizija: otkrivanje osobnih podataka na svim postojecim privitcima. 312 tiketa oznaceno za pregled DPO-a.
  2. Ciscenje tiketa: 89 tiketa imalo je datoteke prekrivene prije ponovnog prilaganja.
  3. Promjena procesa: novi tijek rada koji zahtijeva provjeru osobnih podataka prije privitka u Jira.
  4. Obuka: 15-minutna sesija za sve osoblje helpdeska.

Rezultati nakon 90 dana:

  • Incidenti s osobnim podacima u Jira: smanjeni za 90 posto.
  • Preostali incidenti: slucajevi u kojima je osoblje nastavilo s pisanim dijagnostickim razlogom.
  • Opseg DPA-a: azuriran radi smanjenja nepotrebnog izlaganja osobnih podataka izvrsiteljima.

312 povijesnih tiketa bilo je nalaz uskladenosti. 90-postotni pad posluzio je kao dokaz sanacije u odgovoru na reviziju.

Ugradnja pregleda snimaka u timske tijekove rada

Za organizacije koje zele kontrole osobnih podataka bez usporavanja operacija, postoji nekoliko mogucnosti.

Lagana mogucnost: Preglednicni alat koji zaposlenici koriste prije lijepljenja u Slack ili Jira. Povucite snimku, dobijte izvjesce o osobnim podacima za pet sekundi, zatim nastavite ili redaktirajte.

Kuka za Jira ili ServiceNow: Otkrivanje koje se odvija prije nego datoteke dospiju u tikete. Radi poput virusnog skeniranja prije prijenosa datoteke.

Slack bot: Bot koji prima prijenose snimaka u odabranim kanalima. Pokrecre otkrivanje osobnih podataka. Objavljuje odgovor u niti s otkrivenim entitetima. Time se osobni podaci postaju vidljivi bez blokiranja tijeka rada.

Timska norma i uzorkovanje: Tjedna automatizirana provjera. Uzorak 10 posto snimaka u alatima za suradnju. Pokrenite otkrivanje. Prijavite nalaze voditelju tima. Ovo gradi odgovornost bez blokiranja ijednog tijeka rada.

Za GDPR zapise: kontrola osobnih podataka snimke broji se kao "organizacijska mjera" prema Clanku 32. Napiste zastitu — politiku i tehnicki alat. Dodajte dokaz korinstenja. To zadovoljava pravilo odgovornosti iz Clanka 5(2). Pogledajte nasu stranicu o uskladenosti i glosarski unos za Clanak 32.

Zelite vidjeti kako anonym.legal to rjesava za vas tim? Posjetite nasu stranicu s planovima ili procitajte izjavu osnivaca o de-identifikaciji.

Izvori

Spremni za zaštitu vaših podataka?

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

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.