By · Last updated 2026-04-05

Späť na blogBezpečnosť AI

Pouzívanie Cursoru a Claude bez úniku kódu

Cursor predvolene nacítava .env súbory do AI kontextu. Finančná spoločnosť stratila 12 miliónov dolárov po tom, čo proprietary obchodné algoritmy boli odoslane AI asistentovi.

April 5, 20269 min čítania
Cursor AI securitydeveloper credential leakMCP Server protectionClaude Code securitycodebase privacy

Co Cursor načítava do AI kontextu

Cursor predvolene načítava JSON a YAML konfiguračné súbory do AI kontextu. Tieto súbory casto obsahuju cloudové tokeny, heslá databáz a nastavenia nasadenia.

Riziko nie je v neopatrnom pouzívaní. Je v predvolenej konfigurácii. Každá AI kodovacia relácia, ktorá sa dotýka konfiguračnych súborov, môže tieto súbory poslaž na servery Anthropic alebo OpenAI.

Zámer vývojára je v poriadku. Požiadajú AI, aby opravilo dotaz databázy. Dotaz má reťazec pripojenia. AI ho vidí. To je únik. Je to vedľajší efekt bežnej práce. Samotné pravidlá politiky to nedokázu spolahlivo zastaviť.

Právě preto adoptácia nástroja Model Context Protocol vzrástla o 340 % v podnikových prostredí v Q4 2025. Tímy potrebuju technicke riešenie. Nový politický dokument nestačí.

Následok vo výške 12 miliónov dolárov

Finančná spoločnosť stratila kontrolu nad svojimi proprietárnymi obchodnými algoritmami. Algoritmy sa dostali na servery AI asistenta počas relácie revízie kódu.

Odhadované náklady: 12 miliónov dolárov (IBM Cost of Data Breach 2025, organizácie s >10 000 zamestnancami). Firma nemohla un-zverejniť data. Musela auditovať každý prenesený súbor. Najala právnu poradcu kvôli expozícii obchodného tajomstva. Vykonala preskúmanie konkurenčných škód.

Toto je najhorší prípad. Bežný prípad je menší, ale rýchlo sa sčítava. API kľúče sa rotujú po tom, čo sa objavia v záznamoch AI chatu. Heslá databáz sa cyklujú po objavení v záznamoch nástrojov. OAuth tokeny sa rušia po tom, čo ich zachytia záznamy obrazovky. Každý krok si vyzaduje pracovný čas. Náklady su reálne a zriedkakedy sledované.

Ako funguje vrstva anonymizácie

Model Context Protocol (MCP) pridáva vrstvu medzi AI klienta a API AI modelu. Každý prompt prechádza cez anonymizačný engine predtým, ako zasiahne model.

Bez ochrany: Vývojár píše migračný skript. Má reťazec pripojenia: postgres://admin:heslo@host:5432/db. AI model dostane tento reťazec tak, ako je.

S vrstvou anonymizácie: Engine objaví reťazec. Vymení ho za token — [DB_CONN_1]. Model vidí štruktúru a logiku skriptu. Prihlasovacie údaje zostávajú miestne.

Volitba reverzibilného šifrovania ide ďalej. ID zákazníkov a kódy produktov sú zašifrované a nahradené deterministickými tokenmi. AI vráti odpoveď, ktorá tieto tokeny pouzíva. Server dešifruje odpoveď a zamení tokeny späť za skutočné hodnoty. Vývojár číta skutočné identifikátory. AI model ich nikdy nevidel.

Nastavenie a zážitok vývojárov

Pre vývojárske tímy je nastavenie jednorazová úloha. Cursor a Claude Code su nakonfigurované na smerovanie cez lokálny proxy server. Konfigurácia servera definuje, ktore typy entít zachytiť:

  • API kľúče
  • Reťazce pripojenia databázy
  • Auth tokeny
  • Prihlasovacie údaje AWS, Azure a GCP
  • Hlavičky privátnych kľúčov

Tímy môžu pridávať vlastné vzory pre interné názvy služieb alebo proprietárne formáty identifikátorov.

Z pohľadu vývojára sa nič nemení. Automatické dokončovanie, kontrola kódu, pomoc pri ladení a generovanie dokumentácie fungujú rovnako ako predtým. Proxy beží ticho na pozadí.

Analýza Checkpoint Research z roku 2025 označila expozíciu prihlasovacích údajov vývojárov ako riziko s najvyšším dopadom pri nasadení AI kódovacích nástrojov. To je presne ten problém, ktorý táto architektúra rieši. Je to technické riešenie, nie pripomienka politiky.

Dozviete sa viac v našom prehľade bezpečnosti a dokumentácii dodržiavania predpisov. Pozrite si tiež náš sprievodca detekciou entít pre úplný zoznam zachytávaných typov dát.

Zdroje

Pripravení chrániť vaše údaje?

Začnite anonymizovať PII s 285+ typmi entít v 48 jazykoch.

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.