anonym.legal

By · Last updated 2026-06-05

Назад на блоготБезбедност на вештачка интелигенција

Лични податоци во скриншоти: Протекување во интерни алатки

Slack, Teams, Jira и е-поштата редовно примаат скриншоти кои содржат лични податоци на клиентите. Ова нарушување на контролата на пристап ги заобиколува сите DLP алатки.

June 5, 20266 мин читање
screenshot PIIinternal toolsGDPR compliancedata leakageJira Slack security

Слепата точка на DLP која не сте ја ревидирале

DLP алатките ги надгледуваат мрежниот сообраќај, датотеките на е-поштата и трансферот на датотеки. Ги фаќаат табелите со колони за ЕМБГ. Ги обележуваат е-поштите со списоци на клиенти. Ги блокираат поставувањата со медицински записи.

Не ги фаќаат снимките на екранот.

Снимката на екранот е сликовна датотека. Личните податоци во неа се нацртани како пиксели. Не се зачувани како текст. DLP-моторите кои скенираат за шаблони на лични податоци не наоѓаат ништо.

Секој ден, вработените ги залепуваат снимките на екранот во Slack, Jira, Teams и ланци на е-пошта. Не се испаќаат DLP-предупредувања.

Како снимките на екранот ги шират личните податоци на работното место

Далечинскиот и хибридниот начин на работа ги направи снимките на екранот вообичаени. Внатрешните алатки се полни со нив секој ден.

Членовите на тимот споделуваат снимки за брз контекст:

  • Агентите за поддршка ги снимаат прегледите на сметките на клиентите за да ги споделат со тим-лидерите.
  • Програмерите споделуваат евиденции за грешки кои вклучуваат податоци внесени од корисникот.
  • Менаџерите на сметки испраќаат CRM записи за да дадат контекст на финансиските тимови.
  • IT-администраторите снимаат системски прегледи за да ги документираат поставките за изведувачите.
  • Производствените тимови споделуваат прегледи на контролната табла во ажурирањата за засегнатите страни.

Секој прилог може да содржи лични информации. Снимката на сметката на клиентот содржи ime, е-пошта, статус и адреса за наплата. Датотека со евиденција за грешки може да вклучи имиња, адреси или телефонски броеви внесени од корисниците. Снимката на CRM запис ја содржи целосната слика на сметката. Датотека на контролна табла може да покаже кориснички ID-броеви во ознаките на графиконите.

Проблемот со контролата на пристап

Сpoделувањето снимки на екранот исто така создава проблем со контролата на пристап.

Повеќето организации спроведуваат контроли на пристап засновани на улоги на производствените системи. Агентот за поддршка гледа само записи од неговата опашка. Изведувачот гледа само доделени проектни датотеки.

Кога агентот ќе снима запис на клиент и ќе го залепи во Slack-канал со изведувачи, контролата на пристап е заобиколена. Изведувачот добива лични податоци до кои не може да стигне преку нормалните патишта. DPA за работата на изведувачот можеби не го опфаќа овој трансфер. Правата на клиентот согласно GDPR можеби не важат за тој изведувач.

Ова заобиколување е прашање согласно член 5(1)(ж) на GDPR. Тој ги опфаќа интегритетот и доверливоста. Може исто така да создаде проблеми со усогласувањето според член 28 ако изведувачите добијат лични податоци без соодветни DPA. Видете го нашиот водич за усогласеност со GDPR за контролна листа на обврски согласно член 28.

Откривање лични податоци во слики како техничка заштитна мерка

Техничката заштитна мерка за изложеност на лични податоци преку снимки е OCR плус NLP откривање. Чекорите се едноставни.

  1. Вработениот снима екран на кориснички интерфејс.
  2. Пред споделување: ја поставува снимката во алатка за откривање.
  3. Алатката извлекува видлив текст преку OCR.
  4. NLP наоѓа ентитети со лични податоци во текстот.
  5. Вработениот гледа извештај: "Оваа снимка содржи: [ime на клиентот], [адреса за е-пошта], [ID на сметката]."
  6. Вработениот потоа ги редактира личните податоци, го стеснува опсегот на споделување или продолжува со пишано образложение.

Ова не ги блокира сите споделувања. Ги покажува личните информации пред да се преместат. Луѓето потоа можат да донесуваат информирани одлуки. Видете како ова се вклопува во вашиот стек за заштита на страницата за заштитни мерки.

Случај на употреба: Политика за снимки во Jira на SaaS-помошниот центар

Помошниот центар на компанија за SaaS користел Jira за евидентирање на проблеми со сметките. Датотеките прикачени на тие тикети содржеле лични податоци на корисниците. Поконкретно:

  • Адреси за е-пошта на корисниците од екраните за управување со сметки.
  • Детали за планот за претплата.
  • Износи и датуми на наплата.
  • Делумни платежни податоци во некои случаи.

Ревизијата за GDPR открила 847 Jira-тикети создадени во текот на 18 месеци. Сите содржеле прилози со лични податоци. Jira бил отворен за сите 200 инженери. Некои биле изведувачи без DPA за записите за наплата на клиентите.

Чекори за санација:

  1. Ретроактивна ревизија: откривање лични податоци на сите постоечки прилози. 312 тикети означени за преглед од DPO.
  2. Чистење на тикетите: 89 тикети имале датотеки затскриени пред повторно прикачување.
  3. Промена на процесот: нов работен тек кој бара проверка на лични податоци пред прикачување во Jira.
  4. Обука: 15-минутна сесија за целиот персонал на помошниот центар.

Резултати по 90 дена:

  • Инциденти со лични податоци во Jira: намалени за 90 проценти.
  • Преостанати инциденти: случаи каде персоналот продолжил со пишано дијагностичко образложение.
  • Опфат на DPA: ажуриран за намалување на непотребното изложување лични податоци за изведувачите.

312-те историски тикети беа наод за усогласеност. Намалувањето за 90 отсто послужи како доказ за санација во одговорот на ревизијата.

Вградување на преглед на снимки во тимските работни текови

За организации кои сакаат контроли на лични податоци без забавување на работењето, постојат неколку опции.

Лесна опција: Алатка за прелистувач што вработените ја користат пред залепување во Slack или Jira. Повлечете ја снимката, добијте извештај за лични податоци за пет секунди, а потоа продолжете или редактирајте.

Кука за Jira или ServiceNow: Откривање кое се извршува пред датотеките да стигнат до тикетите. Работи како скенирање на вируси пред поставување датотека.

Slack-бот: Бот кој прима поставување снимки во одбрани канали. Извршува откривање лични податоци. Поставува одговор во нишка со откриените ентитети. Ова ги прави личните информации видливи без блокирање на работниот тек.

Тимска норма плус земање примерок: Неделна автоматска проверка. Земете примерок од 10 проценти снимки во алатките за соработка. Извршете откривање. Пријавете ги наодите до тим-лидерот. Ова гради одговорност без блокирање на кој било работен тек.

За GDPR-записи: контролата на лични податоци во снимки се смета за "организациска мерка" согласно член 32. Документирајте ја заштитната мерка — политика плус техничка алатка. Додадете доказ за употреба. Ова го задоволува правилото за одговорност согласно член 5(2). Видете ја нашата страница за усогласеност и записот во речникот за член 32.

Сакате да видите како anonym.legal се справува со ова за вашиот тим? Посетете ја нашата страница за планови или прочитајте ја изјавата на основачот за деидентификација.

Извори

Подготвени да ги заштитите вашите податоци?

Започнете со анонимизација на PII со 285+ типови на ентитети на 48 јазици.

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.