anonym.legal

By · Last updated 2026-04-05

Nazaj na blogVarnost umetne inteligence

Cursor in Claude: kako pisati kodo brez uhajanja podatkov

Cursor privzeto nalozi datoteke .env v kontekst AI. Podjetje za financne storitve je izgubilo 12 milijonov dolarjev, ko so bili lastniski algoritmi za trgovanje poslani pomocniku AI.

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

Kaj Cursor nalozi v kontekst AI

Cursor privzeto nalozi konfiguracijske datoteke JSON in YAML v kontekst AI. Te datoteke pogosto vsebujejo oblacne znake, gesla baz podatkov in nastavitve za uvajanje.

Tveganje ni nepremisljena uporaba. Gre za privzeto konfiguracijo. Vsaka seja programiranja z AI, ki se dotakne konfiguracijskih datotek, lahko te datoteke poslje Anthropicovim ali OpenAIjevim streznikov.

Namera razvijalca je dobra. Prosi AI, naj popravi poizvedbo baze podatkov. Poizvedba ima niz za vzpostavitev povezave. AI ga vidi. To je uhajanje. Je stranski ucinek normalnega dela. Pravila politike tega sama po sebi ne morejo zanesljivo ustaviti.

Zato je sprejetje orodij Model Context Protocol v podnjetniskih okoljih v 4. cetrtletju 2025 poraslo za 340%. Ekipe potrebujejo tehnicno resitev. Nov dokument o politiki ne zadosca.

Posledica v vrednosti 12 milijonov dolarjev

Podjetje za financne storitve je izgubilo nadzor nad svojimi lastniskimi algoritmi za trgovanje. Algoritmi so med sejo pregleda kode prisel do streznikov pomocnika AI.

Ocenjeni strosek: 12 milijonov dolarjev (IBM Cost of Data Breach 2025, organizacije z vec kot 10.000 zaposlenimi). Podjetje ni moglo preklicati razkritja podatkov. Moralo je revidirati vsako preneseno datoteko. Najelo je pravne svetnike za izpostavljenost poslovnih skrivnosti. Izvedlo je pregled konkurencne skode.

To je najhujsi primer. Pogoste primere so manjsi, a se hitro sesevajo. API-kljuci se zamenjajo, ko se pojavijo v dnevnikih klepetov AI. Gesla baz podatkov se zamenjajo, ko se pojavijo v zapisih orodij. Znaki OAuth se preklicejo, ko jih posnamejo zaslonske snemalnike. Vsak korak vzame cas osobja. Strosek je resnicen in se redko sledi.

Kako deluje plast anonimizacije

Model Context Protocol (MCP) doda plast med odjemalcem AI in API modelov AI. Vsak poziv gre skozi pogon za anonimizacijo, preden dosezemodel.

Brez zascite: Razvijalec napise skripto za migracijo. Vsebuje niz za vzpostavitev povezave: postgres://admin:geslo@gostitelj:5432/db. Model AI prejme ta niz kot je.

S plastjo anonimizacije: Pogon zazna niz. Ga zamenja z znakom -- [DB_CONN_1]. Model vidi strukturo in logiko skripte. Poverilnica ostane lokalna.

Moznost reverzibilnega sifriranja gre se dalje. ID-ji strank in kode izdelkov so sifrirani in zamenjani z determinisnicnimi znaki. AI vrne odgovor, ki uporablja te znake. Streznik desifrira odgovor in zamenja znake nazaj z resnicnimi vrednostmi. Razvijalec prebere dejanske identifikatorje. Model AI jih ni nikoli videl.

Nastavitev in izkusnja razvijalca

Za razvojne ekipe je nastavitev enkratna naloga. Cursor in Claude Code sta konfigurirana za usmerjanje prek lokalnega posrednistvenega streznika. Konfiguracija streznika definira, katere vrste entitet je treba prestreciti:

  • API-kljuci
  • Nizi za vzpostavitev povezave z bazo podatkov
  • Znaki za preverjanje pristnosti
  • Poverilnice AWS, Azure in GCP
  • Glave zasebnih kljucev

Ekipe lahko dodajo lastne vzorce za notranja imena storitev ali lastniске formate identifikatorjev.

Z vidika razvijalca se nic ne spremeni. Samodejno dopolnjevanje, pregled kode, pomoc pri odpravljanju napak in generiranje dokumentacije delujejo kot prej. Posrednik tece tiho v ozadju.

Analiza Checkpoint Research iz leta 2025 je oznacila izpostavljenost poverilnic razvijalcev kot tveganje z najvecjim vplivom pri uvajanjih orodij za programiranje z AI. To je tocno tezava, ki jo ta arhitektura resuje. Je tehnicna resitev, ne opomnik o politiki.

Izvedite vec v nasem pregledu varnosti in dokumentaciji za skladnost. Oglejte si tudi nas vodnik za zaznavanje entitet za celoten seznam prestreženih vrst podatkov.

Viri

Ste pripravljeni zaščititi svoje podatke?

Začnite z anonimizacijo PII z več kot 285 tipi entitet v 48 jezikih.

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.