By · Last updated 2026-04-25

Voltar ao BlogGDPR & Conformidade

Mapeamento de Tokens para Fluxos de Trabalho de IA...

Quando os nomes dos clientes são anonimizados antes do processamento pela IA, a resposta da IA contém tokens anonimizados.

April 25, 20268 min de leitura
token mapping AIGDPR customer service AIauto-decryptsession-based anonymizationAI workflow pseudonymization

Mapeamento de tokens para fluxos de trabalho de IA conformes com o RGPD

Atualizado para 2026

A sua equipa usa IA para redigir respostas a clientes. Um cliente escreve. O seu nome é anonimizado antes de a IA o ver. A IA redige uma resposta com um marcador de posição. O agente tem de o substituir manualmente. A 200 interações por dia, esse custo acumula-se rapidamente.

O mapeamento de tokens baseado em sessão resolve isso. Restaura os nomes reais de forma automática.

O problema sem mapeamento de tokens

O passo de anonimização cria um token. "Maria Schmidt" torna-se [CUSTOMER_1]. O Claude redige: "Cara [CUSTOMER_1], pedimos desculpa pelo atraso."

O agente tem agora de substituir [CUSTOMER_1] por "Maria Schmidt" antes de enviar. Em escala, este passo anula o benefício da assistência IA. É trabalho repetitivo que não desaparece.

Como funcionam os tokens de sessão

A sessão armazena uma tabela de correspondência: [CUSTOMER_1] → "Maria Schmidt." Quando o Claude devolve o seu rascunho, a camada de desencriptação automática lê essa tabela e restaura o nome. O agente vê "Cara Maria Schmidt" — já correto. Sem passo manual. A proteção do RGPD decorre silenciosamente.

Por que é importante a coerência de sessão

A tabela de tokens deve ser coerente ao longo de toda a sessão. Se "Maria Schmidt" aparecer na reclamação inicial e novamente numa mensagem de seguimento, ambas devem resolver-se como [CUSTOMER_1]. Sem isso, o Claude pode tratá-las como duas pessoas diferentes. A resposta torna-se incoerente.

Uma pessoa recebe um token por sessão. O Claude pode então raciocinar corretamente sobre a conversa.

Conformidade com o RGPD por design

O artigo 4.º, n.º 5, do RGPD define a pseudonimização como uma técnica de redução de riscos. As orientações do EDPB de 2022 exigem uma coisa: a chave deve ser mantida separada dos dados pseudonimizados.

As tabelas de tokens de sessão cumprem esta regra. A correspondência fica no navegador. Nunca é enviada ao Claude. No fim da sessão, desaparece. Nenhum dado pessoal chega a servidores externos. A questão da transferência ao abrigo do artigo 46.º não se coloca.

Sinistros de seguros: um exemplo concreto

Uma seguradora alemã processa e-mails de reclamação de clientes. Cada e-mail contém um nome, um número de apólice e um montante de sinistro.

Antes do processamento IA, a extensão Chrome ou o servidor MCP anonimiza os três campos. O Claude vê [CUSTOMER_1], [POLICY_2024-08847] e [AMOUNT_1]. Redige uma resposta com esses tokens.

A camada de desencriptação automática restaura de seguida os três campos. O gestor vê o nome real e o número de apólice no rascunho. Revê e envia. Não é necessária nenhuma substituição de marcadores.

O resultado do RGPD: os dados enviados para os servidores do Claude nos EUA não continham dados pessoais. O nome real e o número de apólice do cliente ficaram na Alemanha, no navegador do gestor.

O que o fluxo completo requer

Três componentes devem funcionar em conjunto:

1. Tokens coerentes. Cada entidade recebe um token por sessão. Sempre o mesmo.

2. Uma tabela de correspondência local. Reside na sessão. Não é enviada para a IA.

3. Desencriptação automática na saída. A tabela é aplicada ao rascunho da IA antes de o agente o ver.

Sem os três, os agentes substituem tokens manualmente. Com os três, o fluxo funciona sozinho e cumpre o RGPD por padrão.

Conclusão

Esta abordagem fecha o ciclo no trabalho de atendimento ao cliente assistido por IA. A anonimização protege os dados antes de chegarem à IA. A desencriptação automática repõe os nomes reais na resposta. Os agentes veem nomes corretos em cada passo. A conformidade com o RGPD mantém-se em todos os momentos.

Fontes

Pronto para proteger seus dados?

Comece a anonimizar PII com mais de 285 tipos de entidades em 48 idiomas.

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.