By · Last updated 2026-04-25

Til baka á BloggGDPR & Samræmi

Táknavörpun fyrir GDPR-samræmdar gervigreindarvinnslur

Þegar nöfn viðskiptavina eru dulbúin áður en gervigreind vinnur þau, inniheldur svar gervigreindinar dulbúin tákn. Endanlegt svar verður að innihalda raunveruleg nöfn — ekki.

April 25, 20268 mín lestur
token mapping AIGDPR customer service AIauto-decryptsession-based anonymizationAI workflow pseudonymization

Táknavörpun fyrir GDPR-samræmdar gervigreindarvinnslur

Uppfært fyrir 2026

Teymið þitt notar gervigreind til að semja svör við viðskiptavinum. Viðskiptavinur skrifar inn. Nafn hans er dulbúið áður en gervigreindin sér það. Gervigreindin semur svar með staðgengill. Fulltrúinn verður að skipta honum handvirkt til baka. Við 200 samskipti á dag liggur sá kostnaður á sig.

Fundarskipulagð táknavörpun leysir þetta. Hún endurheimtir raunveruleg nöfn sjálfvirkt.

Vandinn án táknavörpunar

Dulbúningsskrefið skapar tákn. "Maria Schmidt" verður [CUSTOMER_1]. Claude semur: "Kæri [CUSTOMER_1], við biðjumst afsökunar á töfinni."

Kröfumeðhöndlandi verður nú að skipta [CUSTOMER_1] út fyrir "Maria Schmidt" áður en sent er. Í stórum mælikvarða sigar þetta skrefið tilgang gervigreindaaðstoðarinnar. Það er endurtekið verk sem hverfur ekki.

Hvernig lotatákn virka

Lotan geymir uppflettitöflu: [CUSTOMER_1] → "Maria Schmidt." Þegar Claude skilar drögum sínum les sjálfvirka dulkóðunarlagið þessa töflu og endurheimtir nafnið. Fulltrúinn sér "Kæra Maria Schmidt" — þegar rétt. Ekkert handvirkt skref. GDPR-verndin keyrir án hljóðs.

Hvers vegna samkvæmni lotu skiptir máli

Táknataflan verður að vera samkvæm yfir alla lotuna. Ef "Maria Schmidt" kemur fram í upphaflegu kvörtuninni og aftur í eftirfylgni verða báðar að leysa sig í [CUSTOMER_1]. Án þess gæti Claude meðhöndlað þær sem tvær mismunandi manneskjur. Svar hennar verður óskiljanlegt.

Ein manneskja fær eitt tákn á hverja lotu. Claude getur þá rökhugsað um samtalið á réttan hátt.

GDPR-samræmi að hönnun

GDPR Article 4(5) skilgreinir dulgerving sem tækni til að draga úr áhættu. EDPB-leiðbeiningarnar 2022 krefjast einnar hlutar: lykillinn verður að vera geymdur aðskilinn frá dulgervðu gögnunum.

Lotatáknatöflur uppfylla þessa reglu. Uppflettingin er í vafranum. Hún fer aldrei til Claude. Eftir að lotu lýkur er hún horfin. Engar persónuupplýsingar ná til ytri þjóna. Article 46-flutningsspurningin kemur ekki upp.

Tryggingarkröfur: Raunverulegt dæmi

Þýskt tryggingafélag vinnur kvörtunarnet frá viðskiptavinum. Hvert tölvubréf inniheldur nafn, pólísuútnúmer og kröfuupphæð.

Áður en gervigreind vinnur, dulbúa Chrome-viðbótin eða MCP-þjónninn alla þrjá reitina. Claude sér [CUSTOMER_1], [POLICY_2024-08847] og [AMOUNT_1]. Hún semur svar með þeim táknum.

Sjálfvirka dulkóðunarlagið endurheimtir síðan alla þrjá reitina. Kröfumeðhöndlandinn sér raunverulegt nafn og pólísuútnúmer í drögunum. Hann fer yfir og sendir. Enginn staðgengilsskipti krafist.

GDPR-niðurstaðan: gögn send til þjóna Claude í Bandaríkjunum innihéldu engar persónuupplýsingar. Raunverulegt nafn viðskiptavinarins og pólísuútnúmer dvaldi á Þýskalandi í vafra meðhöndlandarins.

Hvað heillupan þarfnast

Þrír hlutir verða að virka saman fyrir hnökralausa verkflæði:

1. Samkvæm tákn. Hvert eining fær eitt tákn á hverja lotu. Alltaf það sama.

2. Staðbundin uppflettitafla. Hún lifir í lotunni. Hún er ekki send til gervigreindinar.

3. Sjálfvirk dulkóðun við úttak. Töflunni er beitt á drög gervigreindinar áður en fulltrúinn sér þau.

Án allra þriggja skipta fulltrúar táknum handvirkt. Með öllum þremur keyrir verkflæðið sjálfkrafa og heldur GDPR-samræmi.

Niðurstaðan

Þessi nálgun lokar lykkjunni í gervigreindaðstoðaðri þjónustu við viðskiptavini. Dulbúningur verndar gögn áður en þau ná til gervigreindinar. Sjálfvirk dulkóðun setur raunveruleg nöfn aftur í svarið. Fulltrúar sjá rétt nöfn á hverju skrefi. GDPR-samræmi heldur í gegnum allt.

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.