By · Last updated 2026-06-05

Kembali ke BlogKeamanan AI

PII Wiki Internal: Data Pelanggan di Confluence

Tim dukungan mendokumentasikan proses dengan tangkapan layar akun pelanggan. Selama 3 tahun, itu berarti ribuan pelanggaran minimisasi data GDPR di wiki Anda.

June 5, 20266 menit baca
Confluence GDPRinternal wiki PIIcustomer datadocumentation privacydata minimization

Masalah Akumulasi PII Dokumentasi

Basis pengetahuan internal — Confluence, Notion, SharePoint, GitBook — mengakumulasi jenis masalah PII tertentu yang hampir sepenuhnya tidak terlihat oleh alat kepatuhan standar: data pribadi pelanggan yang tertanam dalam tangkapan layar yang digunakan untuk dokumentasi proses.

Skenarionya terjadi di ribuan tim dukungan dan operasi:

Seorang agen dukungan menemukan konfigurasi akun yang tidak biasa. Mereka mengambil tangkapan layar halaman akun pelanggan untuk mendokumentasikan masalah dalam artikel basis pengetahuan yang sedang ditulis. Tangkapan layar berisi nama pelanggan di header UI, alamat email mereka di pengaturan akun, dan detail langganan mereka.

Artikel basis pengetahuan diterbitkan ke wiki internal. 150 agen dukungan kini dapat mengaksesnya. 12 kontraktor yang bekerja dari helpdesk eksternal dapat mengaksesnya. Artikel ini adalah dokumentasi yang berguna tentang cara menangani kasus tepi.

Tiga tahun kemudian, basis pengetahuan memiliki 847 artikel semacam itu. Masing-masing berisi tangkapan layar akun pelanggan. Pelanggan yang data akunnya muncul dalam tangkapan layar tidak menyetujui penggunaan sekunder data mereka ini. Sebagian besar tidak tahu data mereka ada di wiki internal.

Paparan GDPR: Mengapa Ini Bukan Masalah Kecil

Analisis GDPR untuk tangkapan layar dokumentasi internal:

Minimisasi data (Pasal 5(1)(c)): Data pribadi harus "memadai, relevan, dan terbatas pada apa yang diperlukan." Artikel basis pengetahuan tentang kasus tepi konfigurasi akun tidak memerlukan nama dan alamat email pelanggan nyata. Tangkapan layar yang disanitasi (nama pelanggan diburamkan) akan melayani tujuan dokumentasi dengan sama baiknya. Penyertaan data pelanggan nyata tidak diperlukan.

Pembatasan tujuan (Pasal 5(1)(b)): Data pribadi yang dikumpulkan untuk satu tujuan (interaksi layanan pelanggan) tidak dapat digunakan kembali untuk tujuan lain (dokumentasi proses internal) tanpa dasar hukum. Data akun pelanggan dikumpulkan untuk penyediaan layanan, bukan untuk mendokumentasikan kasus tepi internal.

Kontrol akses (Pasal 5(1)(f) dan Pasal 32): Tindakan teknis yang tepat harus melindungi data pribadi. Tangkapan layar akun pelanggan dalam wiki yang dapat diakses oleh semua 150 agen dan kontraktor — termasuk mereka yang mungkin tidak memiliki akses ke sistem akun pelanggan yang mendasarinya — merupakan akses luas yang tidak tepat ke data pribadi.

Hak hapus (Pasal 17): Subjek data yang meminta penghapusan data pribadi mereka berhak untuk dihapus "tanpa penundaan yang tidak semestinya." Jika data mereka muncul dalam 23 artikel basis pengetahuan sebagai tangkapan layar yang tertanam, permintaan hapus memerlukan menemukan dan memproses semua 23 artikel — tugas yang secara operasional sulit tanpa deteksi sistematis.

Pelewatan Kontrol Akses

Masalah kepatuhan paling signifikan dengan tangkapan layar wiki adalah pelewatan kontrol akses yang mereka ciptakan.

Organisasi dukungan biasanya menggunakan RBAC untuk mengontrol siapa yang dapat mengakses sistem akun pelanggan. Agen Tier 1 mengakses informasi akun dasar. Agen Tier 2 mengakses detail penagihan dan teknis. Manajer dan administrator mengakses profil akun lengkap.

Ketika agen Tier 2 membuat artikel basis pengetahuan dengan tangkapan layar profil akun pelanggan lengkap, tangkapan layar tersebut menjadi dapat diakses oleh semua pengguna wiki — termasuk agen Tier 1 yang seharusnya tidak memiliki akses ke detail penagihan, kontraktor yang tidak memiliki akses sistem sama sekali, dan karyawan baru selama orientasi.

Tangkapan layar melewati kontrol RBAC pada sistem akun pelanggan. Data pribadi yang dirancang untuk dilindungi oleh RBAC kini dapat diakses oleh semua orang dengan akses wiki.

Remediasi Praktis: Retroaktif dan Prospektif

Untuk organisasi yang menemukan masalah ini selama audit GDPR:

Remediasi retroaktif:

  1. Identifikasi semua halaman wiki internal yang menyertakan lampiran gambar
  2. Jalankan deteksi PII gambar pada semua lampiran gambar
  3. Triase hasil: gambar dengan deteksi PII kepercayaan tinggi ditandai untuk tinjauan
  4. Untuk gambar yang ditandai: ganti dengan versi yang disanitasi atau tambahkan kontrol akses yang tepat ke halaman wiki
  5. Dokumentasikan tindakan remediasi untuk catatan akuntabilitas GDPR

Skala remediasi retroaktif tergantung pada ukuran basis pengetahuan. Untuk basis pengetahuan berusia 3 tahun di tim dukungan 50 orang, jumlah gambar mungkin mencapai ribuan. Pemrosesan gambar batch membuat ini memungkinkan; hambatan utama adalah tinjauan manusia dari gambar yang ditandai.

Kontrol prospektif:

  1. Dokumentasi proses: semua anggota tim dukungan dilatih untuk menyanitasi tangkapan layar sebelum digunakan di wiki
  2. Bantuan teknis: alat anotasi tangkapan layar (memburamkan nama pelanggan sebelum ditempelkan)
  3. Langkah tinjauan: peninjau yang ditunjuk menyetujui artikel wiki sebelum publikasi, khusus memeriksa PII pelanggan dalam gambar
  4. Audit periodik: pemindaian PII gambar batch triwulanan dari semua lampiran wiki

Kontrol minimum yang layak (untuk tim dengan sumber daya terbatas): Daftar periksa publikasi wiki yang mencakup "Hapus atau buramkan semua nama pelanggan, email, dan ID akun dari tangkapan layar sebelum menerbitkan." Berteknologi rendah, tidak otomatis, tetapi menciptakan dokumentasi kontrol.

Mengapa Masalah Memburuk Seiring Waktu

Tanpa kontrol sistematis, masalah PII wiki internal bertambah seiring waktu:

Volume: Setiap artikel basis pengetahuan baru dengan tangkapan layar pelanggan menambah total paparan PII. Seiring tim dukungan berkembang dan basis pengetahuan meluas, PII yang terkumpul bertumbuh secara proporsional.

Artikel yang terlupakan: Artikel yang mendokumentasikan kasus tepi lama yang tidak lagi terjadi mungkin terlupakan di wiki tetapi masih dapat diakses — berisi PII dari pelanggan yang sejak itu mengajukan permintaan hapus.

Penyebaran lintas tim: Basis pengetahuan sering menjadi lintas fungsi. Artikel dukungan dengan tangkapan layar pelanggan mungkin dibagikan dengan tim produk, tim rekayasa, atau kontraktor eksternal sebagai konteks untuk permintaan fitur atau laporan bug.

Backlog hak hapus: Seiring lebih banyak data pelanggan terkumpul di wiki, merespons permintaan hapus menjadi lebih kompleks. Tanpa deteksi sistematis, tidak ada cara yang andal untuk mengkonfirmasi bahwa semua contoh informasi subjek data telah diidentifikasi dan dihapus.

Untuk kepatuhan GDPR, temuan yang konsisten adalah bahwa PII basis pengetahuan lebih mudah dicegah daripada diremediasi. Kontrol prospektif — diterapkan sekarang — menghindari masalah remediasi yang tumbuh secara eksponensial.

Sumber:

Siap untuk melindungi data Anda?

Mulai anonimisasi PII dengan 285+ jenis entitas dalam 48 bahasa.

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.