By · Last updated 2026-06-02

Til baka á BloggÖryggi AI

GDPR og þjónustugervigreind: Sérsniðin auðkenni skipta máli

Þjónustugervigreind fær skilaboð viðskiptavina með nöfnum, netföngum OG pantanauðkennum. Staðlað PII-verkfæri strikar netföng en lætur pantanauðkenni óhreyfð.

June 2, 20267 mín lestur
customer support AIGDPR AI complianceorder ID detectionIntercom GDPRZendesk privacyAI vendor data

GDPR og þjónustugervigreind: Sérsniðin auðkenni skipta máli

Þjónustateymið þitt notar gervigreind til að draga saman svör og fara yfir miða. Framleiðni er komin upp. Svo athugar persónuverndarfulltrúinn uppsetninguna.

Dæmilegur viðskiptavinaskilaboður inniheldur nafn, netfang og pantanauðkenni. Nafnið og netfangið eru persónulegar upplýsingar. Sama er um pantanauðkennið. Það tengist Söru Jónsdóttur í pantanagagnagrunni þínum. Gervigreindarbirgir getur krosstengt það. Ef þjálfunargögn leka getur auðkennið endurauðkennt hana.

Að senda einhvern af þessum til ytri gervigreindarbirgis án lagalegs grundvallar er GDPR-brot.

Af hverju pantanauðkenni eru persónulegar upplýsingar

GDPR-grein 4 skilgreinir persónulegar upplýsingar með víðum hætti. Hugtakið þekur allar upplýsingar sem tengjast auðþekktur eða auðþekkjanlegum einstaklingi. Auðþekkjanleiki felur í sér óbeina auðkenningu með tilvísun í auðkenni.

Pantanauðkenni eins og ORD-4521893 er óbeint auðkenni. Eitt og sér nefnir það ekki Söru Jónsdóttur. Parað við pantanagagnagrunninn þinn gerir það það.

GDPR-grein 4(5) þekur dulnefni. Pantanauðkenni eru dulnefni. Þau þurfa aðra uppsprettu til að afhjúpa einstaklinginn á bak við þau. Þegar þú sendir eitt til ytri gervigreindarbirgis deilir þú persónulegum upplýsingum. Lagalegur grundvöllur og gagnvinnslusamningur eru nauðsynlegir.

Birgirinn kann ekki að hafa gagnagrunninn þinn. Þetta lýkur ekki skyldu þinni. Þú deildir persónulegum upplýsingum. GDPR á enn við.

Staðlaða nafnleyndargjá

Þjónustateymi nota oft PII-greiningu til að uppfylla GDPR. Staðlað verkfæri fjarlægir algengar einingsgerðir.

Staðlað greining finnur nöfn viðskiptavina, netföng, símanúmer og kreditkortnúmer. Þetta er allt sem stenst.

Staðlað greining finnur ekki pantanauðkenni á ORD-XXXXXXX sniði. Það missir af reikningsnúmerum, miðatilvísunum, innri notandauðkennum og áskriftarauðkennum. Þetta standast ekki.

Niðurstaðan lítur svona út: "Hæ, ég er [PERSON_1] og pöntun ORD-4521893 mín hefur ekki komist. Vinsamlegast sendið tölvupóst á [EMAIL_1]."

Pantanauðkennið er enn þar. Allir með CRM-aðgang geta fundið Söru Jónsdóttur strax. Nafnlæðin er ófullnægjandi. Þetta er samræmisbilið.

Chrome-viðbótin: Greining í vafranum

Þjónustufulltrúar sem nota Claude, ChatGPT eða Gemini vinna í vafra sínum. Chrome-viðbótin stöðvar sérsniðin auðkenni frá því að fara út.

Svona virkar það. Fulltrúinn límir viðskiptavinaskilaboð inn í gervigreindarverkfærið. Viðbótin sér að markmiðið er gervigreindarvettvangur. Hún fjarlægir staðlaðar PII. Hún beitir svo sérsniðnum mynstrum. Þau passa við pantanauðkennissnið þitt, reikningsnúmersnið þitt og önnur sérsniðin auðkenni sem teymið þitt notar. Fulltrúinn sér aðeins hrein skilaboðin. Hráu gögnin ná aldrei gervigreindinni.

Samræmisteymið stillir sérsniðin mynstur einu sinni. Þau deila forsniðinu með öllum fulltrúum. Fulltrúar þurfa ekki að stjórna þessum. Þeir líma skilaboðin. Viðbótin meðhöndlar restina.

MCP-þjónninn: Greining á API-laginu

Sumar vettvangar kalla gervigreind í gegnum APIs. Intercom notar gervigreind til að draga saman svör. Zendesk notar gervigreind til að gefa svaruppástungur. MCP-þjónninn bætir nafnleynd við á API-laginu fyrir þessar uppsetningar.

Svona er flæðið. Skilaboð viðskiptavinar berast í þjónustuvettvangin. Þau fara í gegnum MCP-endastöðina áður en þau ná gervigreindinni. Endastöðin fjarlægir staðlaðar og sérsniðnar einingar. Hrein skilaboðin fara til gervigreindarinnar. Gervigreinin skilar svari. Engar persónulegar upplýsingar voru deildar. Fulltrúinn les og breytir svo svarinu í þjónustuvettvangi.

Fulltrúar sjá engar breytingar á hvernig þeir vinna. Ferlið lítur eins út. Sérsniðnar einingar eru stilltar einu sinni í MCP-stillingunum. Öll API-köll nota fulla einingagreiningu frá þeim tímapunkti.

Gátlisti persónuverndarfulltrúa

1. Kortaðu öll gagnaflæði til gervigreindar.

Skrásetttu hvar fulltrúar nota gervigreind. Innifalið eru vafratengjatæki, API-byggð tæki og skrárupplæðingar.

2. Lísið upp allar auðkennisgerðir í skilaboðum viðskiptavina.

Staðlað PII - nöfn, netföng, símar - er þakið sjálfgefið. Sérsniðin auðkenni - pantanauðkenni, miðatilvísanir, reikningsnúmer - þarfnast sérsniðinna mynstra.

3. Bættu við sérsniðnum einingsmynstrum.

Skilgreindu hvert snið. Prófaðu það á dæmisskilaboðum. Vistaðu það í teymisforsniðið.

4. Dreifðu á réttu lagið.

Vafrabyggð gervigreind: notaðu Chrome-viðbótina með deildu forsniðinu. API-samþætt gervigreind: notaðu MCP-þjónninn eða forvinnslu á API-stigi.

5. Uppfærðu ROPA þína.

Skráðu að þjónustugervigreind noti sjálfvirka nafnleynd. Skráðu sérsniðnar auðkennisgerðir sem þaktar eru. Þetta er tæknilegar verndarráðstafanaskjöl þín.

6. Prófaðu uppsetninguna.

Keyra dæmisskilaboð með öllum auðkennisgerðum. Athugaðu að ekkert nái gervigreindinni. Sjá lögfræðilegar samræmisleiðbeiningar til að fá skjalasniðmát.

SaaS-þjónustiteymi: Hagnýtt dæmi

SaaS-þjónustiteymi notar Claude í gegnum innlægan gervigreindarvettvang. Skilaboð viðskiptavina innihalda nöfn, netföng, pantanauðkenni og áskriftarauðkenni. Sumar eiginleikaflaggaheiti bera innri auðkenni líka.

Fyrir GDPR-yfirferð: Allt efni fór til gervigreindarinnar. Pantanar og áskriftarauðkenni voru innifalin.

Eftir sérsniðna einingagreiningu:

ORD-XXXXXXX og SUB-XXXXXXXX voru bætt við sem sérsniðnar einingar. Chrome-viðbótin var dreift með deildu forsniðinu. Persónuverndarfulltrúinn keyrði prófanir og staðfesti að öll auðkenni væru fjarlægð áður en gervigreind vinnur þau.

Breyting á verkflæði fulltrúa: Engin. Fulltrúar vinna á sama hátt. Nafnlæðin keyrir í bakgrunni. Persónuverndarfulltrúinn hefur skjalfesta verndarráðstöfun á skrá.

Niðurstaðan

GDPR-samhæf þjónustugervigreind gerir meira en að strika nöfn og netföng. Pantanauðkenni, reikningsnúmer og miðatilvísanir eru persónulegar upplýsingar. Staðlað verkfæri missir af þeim. Sérsniðin einingsuppsetning lokar bilinu.

Skrefin eru einföld. Skilgreindu auðkennissnið þín. Prófaðu þau gagnvart dæmisskilaboðum. Dreifðu til teymisins. Persónuverndarfulltrúi getur lokið þessu á einum eftirmiðdegi. Eftir það eru öll viðskiptavinagögn fjarlægð áður en þau ná ytri gervigreindinni. Samræmislegur ávinningurinn gildir frá þeim tímapunkti.

Heimildir

Ertu tilbúinn að vernda gögnin þín?

Byrjaðu að anonymiza PII með 285+ gerðum í 48 tungumálum.

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.