By · Last updated 2026-04-18

Tilbake til BloggAI Sikkerhet

3,8 daglige PII-eksponeringer i supportteam

Hver supportmedarbeider som bruker ChatGPT limer i gjennomsnitt inn 3,8 sensitive dataelementer per dag. For et team på 100 personer er det 380 GDPR-eksponeringshendelser daglig.

April 18, 20268 min lesing
accidental PII exposuresupport team ChatGPTCyberhaven 3.8 pastesworkflow PII protectionGDPR daily exposure

Daglig PII-eksponeringsmatematikk

Cyberhavens forskning fant at bedriftsansatte i gjennomsnitt limer inn 3,8 sensitive dataelementer i ChatGPT per bruker per dag. For et supportteam på 100 personer er det 380 tilfeller av kundejournaler som går inn i ChatGPT hver eneste dag.

Hvert tilfelle kan være et GDPR-brudd på dataminimäringsprinsippet under artikkel 5(1)(c). Den artikkelen krever at personopplysninger skal være «hensiktsmæssige, relevante og begrenset til det som er nødvendig.»

Dette er ikke ansatte som ignorerer retningslinjer. De 3,8 tilfellene gjenspeiler normalt arbeid. Medarbeidere kopierer kunde-e-poster for å utarbeide svar. De limer inn klager for å få empatiske forslag. De inkluderer kontodetaljer for å få kontekstbevisste svar. Hvert lim-inn er et gyldig produktivitetssteg som tilfeldigvis bringer personopplysninger med seg.

Atferdstrening løser ikke dette

En EU-revisjon fra 2024 fant at 63 % av ChatGPTs brukerdata inneholdt personidentifiserbar informasjon. Bare 22 % av brukerne visste at de kunne reservere seg via verkøyets innstillinger. Det meste av innhold som limes inn i en AI-assistent inneholder personopplysninger. De fleste brukere er uvitende om kontrollene. Resultatet er daglig eksponering i stor skala.

Retningslinjer og opplæring støter på et grunnleggende problem. Kopier-og-lim-vanen er tivis gammel. Brukere har kopiert og limt inn tekst siden den første dagen på jobb. Å koble inn et AI-chatverktøy som et lim-inn-mål legger til et nytt destinasjonssted. Det endrer ikke vanen.

En policy om «å ikke lime inn kunde-PII i AI-assistenten» ber medarbeidere om å sette inn et klassifiseringstrinn — «inneholder denne teksten PII?» — i en vanehandling som ikke har noen naturlig pause. Effekten av opplæring avtar over tid. Det kumulative resultatet av 380 daglige lim-inn-avgjørelser er en samsvarsrisiko som retningslinjer alene ikke kan holde tilbake.

Der tekniske kontroller virker

Løsningen opererer ved selve lim-inn-handlingen. En nettleserutvidelse fanger opp utklippstavleinnhold i det øyeblikket medarbeideren trykker lim inn, før teksten når inndatafeltet. Medarbeideren ser en forhåndsvisningsmodal. Den viser hva som ble oppdaget og hva som vil bli anonymisert før teksten sendes.

Dette er ikke en blokkerende kontroll. Medarbeidere kan fortsette, overstyre eller stoppe. Det er et transparenssteg. Det legger til ett øyeblikk av synlighet i en ellers automatisk handling.

Tenk på en tysk e-handelssupport-teamleder som utarbeider svar på kundeklager. Arbeidsflyten forblir den samme: kopier klagen, lim inn i ChatGPT, generer et svar. Utvidelsen legger til en to-sekunders sjekk. Medarbeideren ser at navn, adresser og ordrenumre ble oppdaget. Medarbeideren klikker fortsett. Verkøyet mottar den anonymiserte versjonen. Samsvarsbrudet oppstår ikke.

Vår GDPR-samsvarsguide dekker det rettslige grunnlaget for disse kontrollene. Se også vår sammenligning av AI-retningslinjer vs. tekniske kontroller og nettleser-DLP-guide for ChatGPT for implementeringsdetaljer.

Kilder

Klar til å beskytte dataene dine?

Begynn å anonymisere PII med 285+ enhetstyper på 48 språk.

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.