anonym.legal

By · Last updated 2026-04-04

Tilbake til BloggAI Sikkerhet

AI-policy uten tekniske kontroller svikter

77 % av ansatte deler sensitive arbeidsdata med AI-verktoy til tross for forbud i retningslinjene. En statlig kontraktsor limte inn FEMA-soknaddata for flomhjelp.

April 4, 20268 min lesing
AI data governancetechnical controlsChatGPT policy failureChrome Extension DLPenterprise AI security

Nar policy moter virkelig atferd

En statlig kontraktsor var under press. Han hadde en etterslep av FEMA-flomhjelpsokander a behandle. Han limte navn, adresser og helsejournaler inn i ChatGPT for a jobbe raskere. I hans hode brote han ingen lover. Han brukte bare det beste verktoyef tilgjengelig.

Resultatet: en statlig etterforskning og en offentlig avsloringer.

Dette er kjernesvikten ved AI-styring basert kun pa retningslinjer. Retningslinjer forteller ansatte hva de skal gjore. De stanser ikke atferden.

77 % av bedriftsansatte deler sensitive arbeidsdata med AI-verktoy minst ukentlig - selv nar retningslinjene forbyr det (eSecurity Planet/Cyberhaven 2025). Dette er ikke uansvarlige ansatte. Det er folk under tidspress som velger det raskeste verktoyef.

Hvorfor retningslinjer bryter sammen

AI-bruksretningslinjer er avhengige av menneskelig vurdering pa tidspunktet for inntasting. Det oyeblikket er raskt. Den ansatte husker kanskje ikke retningslinjen. De ser kanskje ikke innholdet som "sensitivt". De aksepterer kanskje risikoen fordi tidsbesparelsen foles stor.

Cyberhavens analyse for 4. kvartal 2025 fant at 34,8 % av alle ChatGPT-inndata inneholder konfidensiell forretningsinformasjon. Mange av disse brukerne kjente til retningslinjen. De limte inn likevel.

Tilgangspolicyer fungerer fordi systemer hhaandterer dem. DLP pa e-postlaget fungerer fordi systemer anvender det. AI-bruksretningslinjer har ingen haandheving pa lime-tidspunktet. En menneskelig beslutning fyller dette gapet. I stor skala gjor mennesker feil.

FEMA-kontraktoren gjorde en av disse feilene. Han var ikke en ond aktoer. Verktoyef vant fordi retningslinjene ba ham velge langsomhet fremfor hurtighet. Under press valgte han hurtighet.

Tekniske kontroller stopper det retningslinjer ikke kan

Den eneste losningen som fungerer i stor skala opererer pa det tekniske laget - ikke opplaringslaget.

En nettleserutvidelse kan avskjaere utklippstavleinnhold for det naar noen nettbasert AI. Nar kontraktoren kopierer sokernavn og adresser og limer inn i ChatGPT, oppdager utvidelsen PII-en, anonymiserer den og sender den rene versjonen. AI-en ser [NAME_1] og [ADDRESS_1] i stedet for reelle verdier. Den fullforer fortsatt oppgaven. Sokerens private detaljer naar aldri ChatGPTs servere.

Dette er automatisk. Det ber ikke brukeren huske noe som helst.

For utviklere som bruker Cursor eller GitHub Copilot gir en MCP-server det samme laget. Kode som limes inn i AI-konteksten passerer gjennom anonymiseringsmoteren forst. Legitimasjon og proprietaere identifikatorer blir til tokens. AI-en mottar ren inndata og gir fortsatt nyttige resultater.

Se hvordan dette sammenlignes med blokkering: Blokkering vs. anonymisering - nettleser-DLP sammenlignet.

Hva som endres med tekniske kontroller

Med en nettleserutvidelse pa plass forloeper FEMA-kontraktors-scenariet annerledes:

  1. Kontraktoren kopierer sokerdata fra saksbehandlingssystemet
  2. Utvidelsen oppdager PII i utklippstavlen
  3. En forhindrsvisning viser hva som vil bli erstattet
  4. Anonymisert versjon sendes til ChatGPT
  5. ChatGPT behandler forsporselen og returnerer resultater
  6. Kontraktoren far hjelpen som trengs - ingen etterforskning utlost

Retningslinjen trengte ikke endres. Opplaering trengte ikke gjennomfores. Avskjaerringslaget haandterte det.

Policyopplaering reduserer risiko i margen. Tekniske kontroller eliminerer feilmodus. FEMA-hendelsen var et retningslinjesvikt. Den ville ha vaert en ikke-hendelse med en Chrome-utvidelse installert pa kontraktorsens enhet.

Se ogsa:

Kilder

Relaterte Artikler

AI Sikkerhet

AI Coding Assistants Leak Production PII

Unit test fixtures with real customer records. Log files with production data for debugging. GitHub found 39 million secrets leaked in 2024.

AI Sikkerhet

Internal Wiki PII: Confluence Customer Data

Support teams document processes with screenshots of customer accounts. Over 3 years, that's thousands of GDPR data minimization violations in your.

AI Sikkerhet

Screenshot PII: Leaks in Internal Tools

Slack, Teams, Jira, and email regularly receive screenshots containing customer PII. This access-control violation bypasses every DLP tool.

Klar til å beskytte dataene dine?

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

Start Gratis PrøveperiodeSe Funksjoner

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.