anonym.legal

By · Last updated 2026-04-04

Atpakaļ uz BloguAI Drošība

AI politika bez tehniskās kontroles neizdodas

77% darbinieku kopīgo sensitīvus darba datus ar AI rīkiem, neskatoties uz aizliedzošām politikām. Valdības darbuzņēmējs ielīmēja FEMA plūdu atvieglojuma pieteikuma iesniedzēju datus.

April 4, 20268 min lasīšanai
AI data governancetechnical controlsChatGPT policy failureChrome Extension DLPenterprise AI security

Kad politika saskaras ar reālo uzvedību

Valdības darbuzņēmējs bija zem spiediena. Viņam bija FEMA plūdu atvieglojuma pieteikumu atlikums, kas jāapstrādā. Viņš ielīmēja vārdus, adreses un veselības ierakstus ChatGPT, lai strādātu ātrāk. Viņa prātā viņš nepārkāpa nevienu likumu. Viņš vienkārši izmantoja labāko pieejamo rīku.

Rezultāts: valdības izmeklēšana un publiska atklāšana.

Tā ir galvenā tikai politikas AI pārvaldības kļūme. Politikas stāsta darbiniekiem, ko darīt. Tās neaptur uzvedību.

77% uzņēmumu darbinieku vismaz reizi nedēļā kopīgo sensitīvus darba datus ar AI rīkiem — pat ja politika to aizliedz (eSecurity Planet/Cyberhaven 2025). Tie nav neapdomīgi darbinieki. Tie ir cilvēki zem laika spiediena, kas izvēlas ātrāko rīku.

Kāpēc politikas izgāžas

AI lietošanas politikas paļaujas uz cilvēka spriedumu ievades brīdī. Šis brīdis ir ātr. Darbinieks var neatcerēties politiku. Viņš var neuzskatīt saturu par "sensitīvu". Viņš var pieņemt risku, jo laika ietaupījums šķiet liels.

Cyberhaven Q4 2025 analīze atklāja, ka 34,8% no visiem ChatGPT ievadiem satur konfidenciālu uzņēmuma informāciju. Daudzi no šiem lietotājiem zināja politiku. Viņi ielīmēja tik un tā.

Piekļuves politikas darbojas, jo sistēmas tās ievieš. DLP e-pasta slānī darbojas, jo sistēmas to piemēro. AI lietošanas politikām nav izpildes ielīmēšanas brīdī. Cilvēka lēmums aizpilda šo robu. Lielā apjomā cilvēki pieļauj kļūdas.

FEMA darbuzņēmējs pieļāva vienu no šīm kļūdām. Viņš nebija ļaundaris. Rīks uzvarēja, jo politika lūdza viņu izvēlēties lēnumu ātruma vietā. Zem spiediena viņš izvēlējās ātrumu.

Tehniskā kontrole aptur to, ko politikas nevar

Vienīgais risinājums, kas darbojas lielā apjomā, darbojas tehniskajā slānī — nevis apmācības slānī.

Pārlūkprogrammas paplašinājums var pārtvert starpliktnes saturu pirms tas sasniedz jebkuru tīmekļa AI. Kad darbuzņēmējs kopē pieteikuma iesniedzēju vārdus un adreses un ielīmē ChatGPT, paplašinājums atklāj PII, anonimizē to un nosūta tīro versiju. AI redz [VĀRDS_1] un [ADRESE_1] reālo vērtību vietā. Tas joprojām izpilda uzdevumu. Pieteikuma iesniedzēja privātie dati nekad nesasniedz ChatGPT serverus.

Tas ir automātisks. Tas nelūdz lietotājam atcerēties neko.

Izstrādātājiem, kas izmanto Cursor vai GitHub Copilot, MCP serveris nodrošina to pašu slāni. Kods, kas ielīmēts AI kontekstā, vispirms iziet cauri anonimizācijas dzinējam. Akreditācijas dati un patentētie identifikatori kļūst par marķieriem. AI saņem tīru ievadi un joprojām dod noderīgu izvadi.

Skatiet, kā tas salīdzinās ar bloķēšanu: Bloķēšana vs. anonimizācija — pārlūkprogrammas DLP salīdzinājums.

Kas mainās ar tehnisko kontroli

Ar pārlūkprogrammas paplašinājumu vietā FEMA darbuzņēmēja scenārijs noritētu savādāk:

  1. Darbuzņēmējs kopē pieteikuma ierakstus no lietas sistēmas
  2. Paplašinājums atklāj PII starpliktuvē
  3. Priekšskatījuma logs rāda, kas tiks aizstāts
  4. Anonimizēta versija nonāk ChatGPT
  5. ChatGPT apstrādā pieprasījumu un atgriež rezultātus
  6. Darbuzņēmējs saņem nepieciešamo palīdzību — izmeklēšana netiek uzsākta

Politika nebija jāmaina. Apmācība nebija jāveic. Pārtveršanas slānis to apstrādāja.

Politikas apmācība samazina risku marginālā apjomā. Tehniskā kontrole novērš kļūmes veidu. FEMA incidents bija politikas kļūme. Ar vienu Chrome paplašinājumu, kas izvietots uz darbuzņēmēja ierīces, tas būtu bijis nevents.

Skatiet arī:

Avoti

Saistītie Raksti

AI Drošība

AI Coding Assistants Leak Production PII

Unit test fixtures with real customer records. Log files with production data for debugging. GitHub found 39 million secrets leaked in 2024.

AI Drošība

Internal Wiki PII: Confluence Customer Data

Support teams document processes with screenshots of customer accounts. Over 3 years, that's thousands of GDPR data minimization violations in your.

AI Drošība

Screenshot PII: Leaks in Internal Tools

Slack, Teams, Jira, and email regularly receive screenshots containing customer PII. This access-control violation bypasses every DLP tool.

Vai esat gatavi aizsargāt savus datus?

Sāciet PII anonimizāciju ar 285+ entitāšu veidiem 48 valodās.

Sākt Bezmaksas IzmēģinājumuSkatīt Funkcijas

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.