By · Last updated 2026-06-02

Atpakaļ uz BloguAI Drošība

GDPR atbalsta AI: pielāgoti identifikatori ir svarīgi

Klientu atbalsta AI saņem klientu ziņas ar vārdiem, e-pastiem UN pasūtījuma ID. Standarta PII rīki izsvītro e-pasta adreses, bet atstāj pasūtījuma ID neskartu.

June 2, 20267 min lasīšanai
customer support AIGDPR AI complianceorder ID detectionIntercom GDPRZendesk privacyAI vendor data

GDPR un atbalsta AI: pielāgoti identifikatori ir svarīgi

Jūsu atbalsta komanda izmanto AI, lai sagatavotu atbildes un pārskatītu biļetes. Produktivitāte ir augusi. Tad jūsu DPO pārbauda iestatīšanu.

Tipiska klienta ziņa satur vārdu, e-pasta adresi un pasūtījuma ID. Vārds un e-pasts ir personas dati. Tāpat arī pasūtījuma ID. Tas saista ar Sarah Johnson jūsu pasūtījumu datubāzē. AI piegādātājs var to savstarpēji atsaukties. Ja apmācību dati noplūst, ID var to atkārtoti identificēt.

Jebkura no šiem nosūtīšana ārējam AI piegādātājam bez juridiska pamata ir GDPR pārkāpums.

Kāpēc pasūtījumu ID ir personas dati

GDPR 4. pants plaši definē personas datus. Termins aptver visu informāciju, kas attiecas uz identificētu vai identificējamu personu. Identificējamība ietver netiešu identifikāciju ar atsauci uz identifikatoru.

Pasūtījuma ID, piemēram, ORD-4521893, ir netiešs identifikators. Pats par sevi tas nenosauc Sarah Johnson. Kopā ar jūsu pasūtījumu datubāzi — jā.

GDPR 4. panta 5. punkts aptver pseidonimizāciju. Pasūtījumu ID ir pseidonimiski. Tiem vajadzīgs otrs avots, lai atklātu aiz tiem slēpto personu. Kad jūs nosūtat vienu ārējam AI piegādātājam, jūs dalāties ar personas datiem. Ir nepieciešams juridisks pamats un Datu apstrādes nolīgums.

Piegādātājam var nebūt jūsu datubāzes. Tas neizbeidz jūsu pienākumu. Jūs koplietojāt personas datus. GDPR joprojām attiecas.

Standarta anonimizācijas nepilnība

Atbalsta komandas bieži ievieš PII noteikšanu GDPR atbilstībai. Standarta rīki noņem parastos entitātu tipus.

Standarta noteikšana atrod klientu vārdus, e-pasta adreses, tālruņa numurus un kredītkaršu numurus. Tie visi iziet cauri.

Standarta noteikšana neatrod pasūtījumu ID ORD-XXXXXXX formātā. Tā palaida garām kontu numurus, biļešu atsauces, iekšējos lietotāju ID un abonementa ID. Tie neizdod pārbaudi.

Rezultāts izskatās šādi: "Sveiki, es esmu [PERSON_1] un mans pasūtījums ORD-4521893 vēl nav ieradies. Lūdzu, rakstiet man uz [EMAIL_1]."

Pasūtījuma ID joprojām ir tur. Ikviens ar CRM piekļuvi var uzreiz atrast Sarah Johnson. Anonimizācija ir nepilnīga. Tā ir atbilstības nepilnība.

Chrome paplašinājums: noteikšana pārlūkprogrammas līmenī

Atbalsta aģenti, kas izmanto Claude, ChatGPT vai Gemini, strādā savā pārlūkprogrammā. Chrome paplašinājums neļauj pielāgotajiem identifikatoriem iziet.

Lūk, kā tas darbojas. Aģents ieliek klienta ziņu AI rīkā. Paplašinājums redz, ka mērķis ir AI platforma. Tas noņem standarta PII. Tad tas piemēro pielāgotus modeļus. Tie atbilst jūsu pasūtījuma ID formātam, jūsu konta numura formātam un jebkuram citam pielāgotam identifikatoram, ko jūsu komanda izmanto. Aģents redz tikai tīro ziņu. Neapstrādātie dati nekad nesasniedz AI.

Atbilstības komanda vienu reizi iestata pielāgotus modeļus. Viņi kopīgo sākotnējos iestatījumus ar visiem aģentiem. Aģentiem nav jāpārvalda tas. Viņi ieliek ziņu. Paplašinājums paveic pārējo.

MCP serveris: noteikšana API slānī

Dažas platformas sauc AI caur API. Intercom izmanto AI, lai sagatavotu atbildes. Zendesk izmanto AI atbildes ieteikumiem. MCP serveris pievieno anonimizāciju API slānī šiem iestatījumiem.

Lūk, plūsma. Klienta ziņa ierodas atbalsta platformā. Tā iet caur MCP galapunktu pirms AI sasniegšanas. Galapunkts noņem standarta un pielāgotos entitātus. Tīrā ziņa nonāk pie AI. AI atgriež atbildi. Nekādi personas dati netika koplietoti. Pēc tam aģents lasa un rediģē atbildi atbalsta platformā.

Aģenti neredz nekādas izmaiņas savā darba veidā. Process izskatās vienādi. Pielāgotie entitāti tiek iestatīti vienu reizi MCP konfigurācijā. Visi API izsaukumi izmanto pilnu entitātu noteikšanu no tā brīža.

DPO ieviešanas kontrolsaraksts

1. Kartē visas datu plūsmas uz AI.

Uzskaitiet, kur aģenti izmanto AI. Iekļaujiet pārlūkprogrammas rīkus, uz API balstītus rīkus un failu augšupielādes.

2. Uzskaitiet visus identifikatoru tipus klientu ziņās.

Standarta PII — vārdi, e-pasti, tālruņi — ir aptverti pēc noklusējuma. Pielāgotie identifikatori — pasūtījumu ID, biļešu atsauces, kontu numuri — prasa pielāgotus modeļus.

3. Pievienojiet pielāgotus entitātu modeļus.

Definējiet katru formātu. Pārbaudiet to uz parauga ziņām. Saglabājiet to komandas sākotnējos iestatījumos.

4. Izvietojiet pareizajā slānī.

Pārlūkprogrammā balstīts AI: izmantojiet Chrome paplašinājumu ar koplietotu sākotnējos iestatījumu. API integrēts AI: izmantojiet MCP serveri vai API līmeņa priekšapstrādi.

5. Atjauniniet savu ROPA.

Ierakstiet, ka atbalsta AI izmanto automatizētu anonimizāciju. Uzskaitiet aptveramos pielāgoto identifikatoru tipus. Tā ir jūsu tehnisko aizsardzības pasākumu dokumentācija.

6. Pārbaudiet iestatīšanu.

Palaidiet parauga ziņas ar visiem identifikatoru tipiem. Pārbaudiet, ka nekas nesasniedz AI. Skatiet juridiskās atbilstības rokasgrāmatu dokumentu veidnēm.

SaaS atbalsta komanda: praktisks piemērs

SaaS atbalsta komanda izmanto Claude caur iekšējo AI platformu. Klientu ziņas ietver vārdus, e-pastus, pasūtījumu ID un abonementa ID. Dažas funkciju karoga nosaukumi satur iekšējos identifikatorus arī.

Pirms GDPR pārskatīšanas: Viss saturs nonāca pie AI. Pasūtījumu un abonementa ID bija iekļauti.

Pēc pielāgotu entitātu noteikšanas:

ORD-XXXXXXX un SUB-XXXXXXXX tika pievienoti kā pielāgoti entitāti. Chrome paplašinājums tika izvietots ar koplietotu sākotnējos iestatījumu. DPO veica pārbaudes un apstiprināja, ka visi identifikatori tika noņemti pirms AI apstrādes.

Aģenta darba plūsmas izmaiņas: Nevienas. Aģenti strādā vienādi. Anonimizācija darbojas fonā. DPO ir dokumentēts aizsardzības pasākums reģistrā.

Secinājums

GDPR atbilstošs atbalsta AI dara vairāk nekā izsvītro vārdus un e-pastus. Pasūtījumu ID, kontu numuri un biļešu atsauces ir personas dati. Standarta rīki tos palaida garām. Pielāgotu entitātu konfigurācija novērš nepilnību.

Soļi ir vienkārši. Definējiet savus identifikatoru formātus. Pārbaudiet tos pret parauga ziņām. Izvietojiet komandā. DPO to var paveikt pēcpusdienā. Pēc tam visi klientu dati tiek noņemti pirms ārējo AI sistēmu sasniegšanas. Atbilstības ieguvums ir spēkā no tā brīža.

Avoti

Vai esat gatavi aizsargāt savus datus?

Sāciet PII anonimizāciju ar 285+ entitāšu veidiem 48 valodās.

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.