By · Last updated 2026-06-05

Tilbake til BloggAI Sikkerhet

Skjermbilder og personopplysninger: Lekkasjer i interne verktoy

Slack, Teams, Jira og e-post mottar regelmessig skjermbilder med personopplysninger om kunder. Dette omgar alle DLP-verktoy.

June 5, 20266 min lesing
screenshot PIIinternal toolsGDPR compliancedata leakageJira Slack security

Det blinde punktet i DLP som du ikke har revidert

DLP-verktoy overvaker nettverkstrafikk, e-postfiler og filoverforinger. De fanger opp regneark med personnummerkolonner. De flagger e-poster med kundelister. De blokkerer opplastinger med sykejournaler.

De fanger ikke opp skjermbilder.

Et skjermbilde er en bildefil. Personopplysningene i det er tegnet som piksler. De lagres ikke som tekst. DLP-motorer som skanner etter personopplysningsmonstre finner ingenting.

Hver dag limer ansatte inn skjermbilder i Slack, Jira, Teams og e-postkjeder. Ingen DLP-varsler utloses.

Hvordan skjermbilder sprer personopplysninger pa jobben

Fjernarbeid og hybridarbeid har gjort deling av skjermbilder vanlig. Interne verktoy fylles med dem hver dag.

Teammedlemmer deler skjermbilder for rask kontekst:

  • Supportagenter tar opp kundekontovisninger for a dele med teamledere.
  • Utviklere deler feillogger som inneholder brukerregistrerte data.
  • Kundeansvarlige sender CRM-poster for a gi kontekst til okonomiteamet.
  • IT-administratorer tar opp systemvisninger for a dokumentere oppsett for leverandorer.
  • Produktteam deler dashboardvisninger i oppdateringer til interessenter.

Hvert vedlegg kan inneholde personopplysninger. Et skjermbilde av en kundekonto inneholder navn, e-post, status og faktureringsadresse. En feiloggfil kan inneholde navn, adresser eller telefonnumre lagt inn av brukere. Et CRM-postskjermbilde inneholder hele kontoprofilen. En dashboardfil kan vise bruker-ID-er i diagrametiketter.

Tilgangskontrollproblemet

Deling av skjermbilder skaper ogsa et tilgangskontrollproblem.

De fleste organisasjoner handhever rollebaserte tilgangskontroller pa produksjonssystemer. En supportagent ser bare sine koposster. En leverandor ser bare tildelte prosjektfiler.

Nar en agent tar opp en kundepost og limer den inn i en Slack-kanal med leverandorer, omgar tilgangskontroll. Leverandoren far personopplysninger de ikke kunne na gjennom normale veier. DPA-en for leverandorarbeid dekker kanskje ikke denne overforing. Kundens GDPR-rettigheter gjelder kanskje ikke for den leverandoren.

Dette er et GDPR Artikkel 5(1)(f)-sporsmal. Det dekker integritet og konfidensialitet. Det kan ogsa skape Artikkel 28-justeringsproblemer hvis leverandorer far personopplysninger uten riktige DPA-er. Se var GDPR-samsvarsguide for en sjekkliste over Artikkel 28-plikter.

Bilde-personopplysningsdeteksjon som teknisk sikkerhetstiltak

Det tekniske sikkerhetstiltaket for eksponering av personopplysninger via skjermbilder er OCR kombinert med NLP-deteksjon. Trinnene er enkle.

  1. Ansatt tar et skjermbilde av et kundegrensesnitt.
  2. For deling: laster opp skjermbildet til et deteksjonsverktoy.
  3. Verktoy trekker ut synlig tekst via OCR.
  4. NLP finner personopplysningsenheter i teksten.
  5. Den ansatte ser en rapport: "Dette skjermbildet inneholder: [kundenavn], [e-postadresse], [konto-ID]."
  6. Den ansatte redigerer deretter personopplysningene, innsnevrer delingsomfanget eller fortsetter med en skriftlig begrunnelse.

Dette blokkerer ikke all deling. Det viser personopplysningene for de flyttes. Folk kan da ta informerte valg. Se hvordan dette passer inn i din beskyttelsesstack pa sikkerhetssiden.

Brukstilfelle: SaaS helpdesk Jira-skjermbildepolicy

Et SaaS-selskaps helpdesk brukte Jira til a logge kontoproblemer. Filer vedlagt disse billettene inneholdt bruker-PII. Naermere bestemt:

  • Brukeres e-postadresser fra kontobehandlingsskjermer.
  • Abonnementsplandetaljer.
  • Faktureringsbelop og datoer.
  • Delvis betalingsdata i noen tilfeller.

En GDPR-revisjon fant 847 Jira-billetter opprettet over 18 maneder. Alle hadde vedlegg med personopplysninger. Jira var apent for alle 200 ingeniorer. Noen var leverandorer uten DPA-er for kundefaktureringsdata.

Utbedringstiltak:

  1. Retroaktiv revisjon: personopplysningsdeteksjon pa alle eksisterende vedlegg. 312 billetter flagget for DPO-gjennomgang.
  2. Billettopprydding: 89 billetter fikk filer skjult for ny tilknytning.
  3. Prosessendring: ny arbeidsflyt som krever personopplysningstsjekk for Jira-vedlegg.
  4. Opplaering: 15-minutters okten for alt helpdesk-personell.

Resultater etter 90 dager:

  • Personopplysningshendelser i Jira: ned 90 prosent.
  • Gjenvaerende hendelser: tilfeller der personell fortsatte med en skriftlig diagnostisk begrunnelse.
  • DPA-omfang: oppdatert for a redusere unnodig eksponering av personopplysninger for leverandorer.

De 312 historiske billettene var et samvarsfunn. Nedgangen pa 90 prosent fungerte som bevis pa utbedring i revisjonssvaret.

Integrering av skjermbildekontroll i teamarbeidsflyter

For organisasjoner som vil ha personopplyningskontroller uten a bremse operasjoner, finnes det flere alternativer.

Lettvedsalternativ: Et nettleserverktoy ansatte bruker for liming i Slack eller Jira. Dra skjermbildet, fa en personopplysningsrapport pa fem sekunder, og fortsett eller rediger.

Jira eller ServiceNow-tilkobling: Deteksjon som kjoerer for filer nar billetter. Det fungerer som virusskanning for filopplasting.

Slack-bot: En bot som mottar skjermbildeopplastinger i valgte kanaler. Den kjoerer personopplysningsdeteksjon. Den sender et tradsvar med oppdagede enheter. Dette gjor personopplysninger synlige uten a blokkere arbeidsflyten.

Teamnorm pluss stikkprover: En ukentlig automatisert sjekk. Ta stikkprove av 10 prosent av skjermbilder i samarbeidsverktoy. Kjor deteksjon. Rapporter funn til teamleder. Dette skaper ansvar uten a blokkere noen arbeidsflyt.

For GDPR-poster: kontrollen for personopplysninger i skjermbilder teller som et "organisatorisk tiltak" under Artikkel 32. Dokumenter sikkerhetstiltaket - policy pluss teknisk verktoy. Legg til bevis for bruk. Dette oppfyller Artikkel 5(2)-ansvarlighetskravet. Se var samsvarsside og ordbokelementet for Artikkel 32.

Vil du se hvordan anonym.legal hndterer dette for ditt team? Besok planssiden vaar eller les grunnleggerens uttalelse om de-identifisering.

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.