anonym.legal

By · Last updated 2026-04-25

Atpakaļ uz BloguGDPR un Atbilstība

Marķieru kartēšana VDAR AI darbplūsmām

Kad klientu vārdi tiek anonimizēti pirms AI apstrādes, AI atbilde satur anonimizētus marķierus. Galīgajai atbildei jāsatur īstie vārdi — ne.

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

Marķieru kartēšana VDAR AI darbplūsmām

Atjaunināts 2026. gadam

Jūsu komanda izmanto AI, lai sagatavotu klientu atbildes. Klients raksta. Viņa vārds tiek anonimizēts pirms AI to redz. AI sagatavo atbildi ar vietturi. Aģentam tas manuāli jāaizstāj. Pie 200 mijiedarbībām dienā šīs izmaksas strauji pieaug.

Sesijas marķieru kartēšana to novērš. Tā automātiski atjauno īstos vārdus.

Problēma bez marķieru kartēšanas

Anonimizācijas solis izveido marķieri. "Maria Schmidt" kļūst par [CUSTOMER_1]. Claude sagatavo: "Cienījamā [CUSTOMER_1], mēs atvainojamies par kavēšanos."

Prasību apstrādātājam tagad pirms nosūtīšanas jāaizstāj [CUSTOMER_1] ar "Maria Schmidt". Apjomā šis solis iznīcina AI palīdzības mērķi. Tas ir atkārtots darbs, kas nepazūd.

Kā darbojas sesijas marķieri

Sesija saglabā uzmeklēšanas tabulu: [CUSTOMER_1] → "Maria Schmidt". Kad Claude atgriež savu melnrakstu, automātiskās atšifrēšanas slānis nolasa šo tabulu un atjauno vārdu. Aģents redz "Cienījamā Maria Schmidt" — jau pareizi. Neviena manuāla darbība. VDAR aizsardzība darbojas bez trokšņa.

Kāpēc sesijas konsekvence ir svarīga

Marķieru tabula visā sesijā jābūt konsekventa. Ja "Maria Schmidt" parādās sākotnējā sūdzībā un atkal turpmākajā ziņojumā, abiem jāatrisina uz [CUSTOMER_1]. Bez tā Claude var uzskatīt tās par divām dažādām personām. Tās atbilde kļūst nesaprotama.

Viena persona saņem vienu marķieri sesijā. Claude tad var pareizi spriest par sarunu.

VDAR atbilstība pēc dizaina

VDAR 4(5). pants definē pseidonimizāciju kā riska mazināšanas paņēmienu. EDPB 2022. gada vadlīnijas prasa vienu lietu: atslēgai jāglabājas atsevišķi no pseidonimizētajiem datiem.

Sesiju marķieru tabulas atbilst šai prasībai. Uzmeklēšana paliek pārlūkprogrammā. Tā nekad netiek nosūtīta Claude. Pēc sesijas beigām tā pazūd. Ārējos serveros netiek nosūtīti personas dati. 46. panta pārsūtīšanas jautājums nerodas.

Apdrošināšanas prasības: konkrēts piemērs

Vācu apdrošinātājs apstrādā klientu sūdzību e-pastus. Katrs e-pasts satur vārdu, polises numuru un prasības summu.

Pirms AI apstrādes Chrome paplašinājums vai MCP serveris anonimizē visus trīs laukus. Claude redz [CUSTOMER_1], [POLICY_2024-08847] un [AMOUNT_1]. Tas sagatavo atbildi ar šiem marķieriem.

Automātiskais atšifrēšanas slānis tad atjauno visus trīs laukus. Prasību apstrādātājs melnrakstā redz īsto vārdu un polises numuru. Viņš pārskata un nosūta. Neviena viettura aizstāšana nav nepieciešama.

VDAR rezultāts: Claude ASV serveriem nosūtītie dati nesaturēja personas datus. Klienta īstais vārds un polises numurs palika Vācijā, apstrādātāja pārlūkprogrammā.

Ko prasa pilna cilpa

Trīs komponentiem jādarbojas kopā bezšuvju darbplūsmai:

1. Konsekventi marķieri. Katra entitāte saņem vienu marķieri sesijā. Vienmēr to pašu.

2. Lokālā uzmeklēšanas tabula. Tā atrodas sesijā. Tā netiek nosūtīta AI.

3. Automātiskā atšifrēšana izvadē. Tabula tiek piemērota AI melnrakstam pirms aģents to redz.

Bez visiem trim aģenti marķierus aizstāj manuāli. Ar visiem trim darbplūsma darbojas pati un saglabā VDAR atbilstību.

Secinājums

Šī pieeja noslēdz cilpu AI palīdzītā klientu darbā. Anonimizācija aizsargā datus pirms tie sasniedz AI. Automātiskā atšifrēšana atjauno īstos vārdus atbildē. Aģenti katrā solī redz pareizos vārdus. VDAR atbilstība saglabājas visā laikā.

Avoti

Saistītie Raksti

GDPR un Atbilstība

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR un Atbilstība

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR un Atbilstība

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

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.