By · Last updated 2026-04-18

Vissza a BlograAI Biztonság

Napi 3,8 személyes adat szivárgás ügyfélszolgálati csapatoknál

Minden ChatGPT-t használó ügyfélszolgálati ügynök átlagosan napi 3,8 érzékeny adatot illeszt be. Egy 100 fős csapatnál ez napi 380 GDPR-expozíciós incidenst jelent.

April 18, 20268 perc olvasás
accidental PII exposuresupport team ChatGPTCyberhaven 3.8 pastesworkflow PII protectionGDPR daily exposure

A napi személyes adat expozíció matematikája

A Cyberhaven kutatása megállapította, hogy a vállalati alkalmazottak átlagosan napi 3,8 érzékeny adatot illesztenek be a ChatGPT-be felhasználónként. Egy 100 fős ügyfélszolgálati csapatnál ez napi 380 olyan eset, amikor az ügyféladatok bejutnak a ChatGPT-be.

Minden egyes eset GDPR-szabvány-adatminimalizálási sérelemnek számíthat az 5. cikk (1) bekezdésének c) pontja alapján. Ez a cikk megköveteli, hogy a személyes adatok „megfelelőek, relevánsak és az adatkezelés szempontjából szükségesre korlátozottak” legyenek.

Ezek nem szabályokat figyelmen kívül hagyó, ámokfutó alkalmazottak. A 3,8-as szám a normális munkát tükrözi. Az ügynökök kimásolják az ügyfél e-mailjeit, hogy válaszokat fogalmazzanak meg. Beillesztik a panasz szövegét, hogy empatikus javaslatokat kapjanak. Belefoglalják a fiókreszleteket, hogy kontextusra épülő válaszokat kapjanak. Minden egyes beillesztés érvényes termelékenységi lépés, amely véletlenül személyes adatokat is visz magával.

A viselkedési képzés nem oldja meg a problémát

Egy 2024-es EU-s audit megállapította, hogy a ChatGPT-felhasználói adatok 63%-a személyazonosításra alkalmas információt tartalmazott. Csak a felhasználók 22%-a tudta, hogy lemondhat erről az eszköz beállításain keresztül. A MI-asszisztensbe beillesztett tartalom többsége személyes adatokat tartalmaz. A legtöbb felhasználó nincs tisztában a kontrollokkal. Az eredmény nagyarányú napi expozíció.

A szabályzati képzés alapvető problémába ütközik. A másolás-beillesztés szokása évtizedekre nyúlik vissza. A felhasználók a számítógépük első napja óta másolnak és illesztenek be szöveget. Ha egy MI-csevegőeszközt beillesztési célpontként kapcsolunk be, az új célállomást ad. Nem változtatja meg a szokást.

Egy „ne illessen be ügyféladatokat a MI-asszisztensbe” szabályzat arra kéri az ügynököket, hogy illesszenek be egy osztályozási lépést – „tartalmaz-e ez a szöveg személyes adatokat?” – egy olyan szokásos műveletbe, amelynek nincs természetes szünete. A képzési hatások elhalványulnak. A napi 380 beillesztési döntés kumulatív eredménye olyan megfelelőségi kockázat, amelyet a szabályzat önmagában nem tud kezelni.

Ahol a technikai kontrollok működnek

A javítás magánál a beillesztési műveletnél lép életbe. Egy böngészőbővítmény elfogja a vágólapra másolt tartalmat abban a pillanatban, amikor az ügynök megnyomja a beillesztés gombot, mielőtt a szöveg elérné a beviteli mezőt. Az ügynök egy előnézeti modális ablakot lát. Ez megmutatja, mit észleltek, és mit fognak anonymizálni, mielőtt a szöveg elküldésre kerül.

Ez nem blokkoló kontroll. Az ügynökök folytathatják, felülbírálhatják, vagy leállíthatják. Ez egy átláthatósági lépés. Egy rövid láthatósági pillanatot ad egy egyébként automatikus művelethez.

Képzeljük el egy német e-kereskedelmi ügyfélszolgálati csoportvezetőt, aki ügyféli panaszokra fogalmaz meg válaszokat. A munkafolyamat ugyanaz marad: másolja a panaszt, illessze be a ChatGPT-be, generáljon választ. A bővítmény egy kétmásodperces ellenőrzést ad hozzá. Az ügynök látja, hogy neveket, címeket és rendelési számokat észleltek. Az ügynök megnyomja a folytatás gombot. Az eszköz az anonymizált verziót kapja. A megfelelőségi sérelem nem következik be.

A GDPR-megfelelőségi útmutatónk ismerteti ezeknek a kontrolloknak a jogi alapját. Lásd még: MI-szabályzat vs. technikai kontrollok összehasonlítása és a böngészőalapú DLP ChatGPT-hez útmutató az implementáció részleteiért.

Források

Készen áll az adatai védelmére?

Kezdje el a PII anonimizálását 285+ entitástípuson 48 nyelven.

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.