anonym.legal

By · Last updated 2026-03-29

Terug naar BlogAI Beveiliging

39M GitHub Lekken: AI Codeerrisico

67% van ontwikkelaars heeft per ongeluk secrets blootgesteld in code (GitGuardian 2025). 39 miljoen secrets gelekt op GitHub in 2024, een stijging van 25% jaar-op-jaar.

March 29, 20268 min lezen
GitHub secret leaksdeveloper AI securitycredential exposureMCP Server protectionGitGuardian 2025

39 Miljoen Inloggegevens Gelekt in Één Jaar

GitHub's Octoverse 2024 rapport vond 39 miljoen secrets gelekt op GitHub in 2024 — een stijging van 25% jaar-op-jaar ten opzichte van 2023. De secrets omvatten API-sleutels, databasestrings, authenticatietokens en cloudcredentials.

AI-tools Voegen een Tweede Lekkanaal Toe

GitGuardian's 2025-onderzoek vond dat 67% van ontwikkelaars per ongeluk secrets in code heeft blootgesteld. Dezelfde gewoonten die GitHub-lekken creëren, creëren ook AI-tool-lekken.

Een ontwikkelaar plakt code in Claude, ChatGPT of een andere AI-assistent. Die code heeft vaak live credentials erin. De AI ontvangt de secret en stuurt het naar servers van de provider. De ontwikkelaar verliest de controle — zonder waarschuwing.

Drie voorbeelden:

Database debugging. Een ontwikkelaar plakt een stack trace die de verbindingsstring bevat. De AI leest het wachtwoord ook.

Pipeline review. Een developer deelt een data pipeline script met AWS-toegangssleutel en geheime sleutel.

API integratie review. Code bevat een live partner-API-sleutel die het netwerk verlaat.

Hoe MCP-architectuur Lekken Blokkeert

Voor teams die Claude Desktop of Cursor IDE gebruiken, plaatst Model Context Protocol (MCP) server-architectuur een credentials-filter in het pad tussen ontwikkelaar en AI-model.

De MCP-server verwerkt alle tekst die door de sessie beweegt. De engine vindt credentialpatronen — API-sleutelformaten, databasestrings, OAuth-tokens, privésleutelheaders — en vervangt elk overeenkomend item door een token vóór verzending.

Een ontwikkelaar plakt een stack trace met een databaseverbindingsstring. De MCP-server vervangt de string door [DB_VERBINDING_1]. De AI ziet de trace met het token. Het geeft debug-hulp. De werkelijke credential verliet het interne netwerk nooit.

Bekijk het beveiligingsoverzicht.

Bronnen

Gerelateerde Artikelen

AI Beveiliging

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 Beveiliging

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 Beveiliging

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.

Klaar om uw gegevens te beschermen?

Begin met het anonimiseren van PII met 285+ entiteitstypen in 48 talen.

Start Gratis ProefperiodeBekijk Kenmerken

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.