By · Last updated 2026-04-15

Kembali ke BlogKeselamatan AI

Mengapa Dasar Gagal Menghentikan Kebocoran PII ChatGPT

77% pengguna AI perusahaan menyalin dan menampal data ke dalam pertanyaan chatbot. Hampir 40% fail yang dimuat naik mengandungi data PII atau PCI. Kemas kini Peraturan Keselamatan HIPAA dicadangkan.

April 15, 20268 min baca
ChatGPT PII leak preventionChrome extension DLPenterprise AI policytechnical controls browsercopy-paste PII protection

Masalah Salin-Tampal

77% pengguna AI perusahaan menyalin dan menampal data ke dalam pertanyaan chatbot. Ini bukan tingkah laku terpinggir. Ini adalah cara lalai pekerja menggunakan alat AI di tempat kerja.

Coraknya mudah. Seorang pekerja menghadapi tugasan. Dia membuka dokumen, menyalin teks yang berkaitan, dan menampalnya ke dalam ChatGPT. Dia mendapat respons yang berguna.

Tiada apa dalam aliran kerja tersebut menapis data peribadi. Tampalan berlaku sebelum dia bertanya: "adakah ini mengandungi PII?" Menjelang dia membaca respons AI, penghantaran sudah selesai.

Penyelidikan Cyberhaven mendapati bahawa hampir 40% fail yang dimuat naik ke alat AI mengandungi data PII atau PCI. Kebanyakan muat naik tersebut bukan tindakan cuai. Pekerja sedang mengerjakan fail yang ditugaskan kepada mereka. Data pelanggan di dalamnya adalah sampingan.

Mengapa Latihan Tidak Dapat Diskala

Latihan dasar menghadapi had struktur. Ia cuba mengubah tingkah laku biasa melalui pendidikan berkala.

Jurang antara sesi latihan adalah masalahnya. Kebanyakan program perusahaan dijalankan setiap tahun. Seorang pekerja yang dilatih tentang pengendalian data AI pada bulan Januari beroperasi atas kebiasaan pada bulan Oktober. Ingatan merosot. Kebiasaan kekal.

Kemas kini Peraturan Keselamatan HIPAA yang dicadangkan pada Mac 2025 mencerminkan ini. Ia memerlukan audit penyulitan tahunan — bukan sekadar latihan tahunan. Pengawal selia menjangkakan kawalan teknikal sebagai perlindungan utama. Latihan adalah tambahan.

Alat AI memburukkan masalah latihan. Tingkah laku itu baharu. Pekerja tidak membangunkan kebiasaan pengendalian data AI satu dekad lalu seperti yang mereka lakukan dengan e-mel. Dan kebocoran tidak kelihatan. Pekerja melihat respons yang berguna. Tiada mesej ralat. Tiada maklum balas negatif segera.

Tanpa maklum balas, tingkah laku tidak membetulkan diri sendiri.

Cara Sambungan Chrome Memintas Tampalan

Sambungan Chrome beroperasi pada lapisan papan keratan. Ia terletak antara tindakan salin dan medan input alat AI.

Pemintasan berfungsi seperti ini. Pekerja menyalin teks dari aplikasi kerjanya. Dia bertukar ke tab ChatGPT dan menampal. Sambungan mengesan PII dalam kandungan papan keratan pada saat tampalan — sebelum kandungan muncul dalam medan input.

Modal pratonton muncul. Ia menunjukkan tepat apa yang akan berubah:

"Nama pelanggan 'Maria Schmidt' → '[PERSON_1]'; E-mel 'maria.schmidt@company.de' → '[EMAIL_1]'"

Pekerja boleh meneruskan dengan versi yang dianonimkan. Dia juga boleh membatalkan jika penggantian tidak sesuai untuk tugasannya.

Reka bentuk ini melakukan dua perkara. Pertama, ia telus. Pekerja melihat apa yang dilakukan alat tersebut. Itu membina kepercayaan dan mengelakkan rasa bahawa kawalan privasi adalah pengawasan. Kedua, ia menjadikan keputusan pengelasan eksplisit. Manusia mengesahkan setiap langkah anonimisasi. Keputusan tidak diotomatikkan.

Contoh Praktikal

Pertimbangkan pasukan sokongan pelanggan syarikat e-dagang Eropah. Ejen menggunakan ChatGPT untuk menyusun respons. Mereka menampal e-mel pelanggan yang mengandungi nama, nombor pesanan, dan alamat.

Dengan sambungan aktif, setiap tampalan mencetuskan semakan anonimisasi. Ejen menghantar arahan yang dianonimkan. Respons ChatGPT merujuk token yang dianonimkan. Ejen membaca cadangan dan memasukkannya ke dalam balasan sebenar.

Kualiti sokongan kekal tinggi. Peminimuman data Artikel GDPR 5 dipenuhi. Data peribadi pelanggan tidak pernah mencapai pelayan OpenAI.

Latihan dasar tidak dapat menghasilkan hasil ini. Kawalan teknikal pada lapisan papan keratan boleh.

Dasar sebagai Tambahan, Bukan Kawalan Utama

Latihan dasar mempunyai tempatnya. Ia menetapkan jangkaan. Ia membina kesedaran asas. Tetapi ia tidak dapat memintas tampalan dalam masa nyata.

Kemas kini peraturan HIPAA memberi isyarat ke mana pematuhan menuju. Kawalan teknikal yang boleh diaudit, bukan sekadar program latihan yang didokumentasikan. Perusahaan yang bergantung pada latihan sahaja menghadapi jurang audit yang hanya lapisan teknikal boleh menutup.

Lihat juga:

Sumber

Sedia untuk melindungi data anda?

Mulakan pengenalan PII dengan 285+ jenis entiti dalam 48 bahasa.

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.