anonym.legal

By · Last updated 2026-04-04

Povratak na blogBezbednost veštačke inteligencije

AI politike bez tehničkih kontrola ne funkcionišu

77% zaposlenih deli osetljive poslovne podatke s AI alatima uprkos politikama koje to zabranjuju. Državni izvođač radova nalepljuje FEMA podatke o aplicijantima za poplavnu pomoć u ChatGPT.

April 4, 20268 min čitanja
AI data governancetechnical controlsChatGPT policy failureChrome Extension DLPenterprise AI security

Kada politika sretne stvarno ponašanje

Državni izvođač radova bio je pod pritiskom. Imao je zaostale FEMA zahteve za poplavnu pomoć koje je trebalo obraditi. Nalepljuje imena, adrese i zdravstvene kartone u ChatGPT da bi radio brže. U svojoj glavi nije prekršio nikakav zakon. Samo je koristio najbolji dostupni alat.

Rezultat: vladina istraga i javno obelodanjivanje.

Ovo je suštinski propust upravljanja AI-jem zasnovanog samo na politikama. Politike govore zaposlenima šta da rade. Ne zaustavljaju ponašanje.

77% poslovnih zaposlenih deli osetljive poslovne podatke s AI alatima najmanje jednom nedeljno — čak i kada politika to zabranjuje (eSecurity Planet/Cyberhaven 2025). To nisu nepažljivi radnici. To su ljudi pod vremenskim pritiskom koji biraju najbrži alat.

Zašto politike propadaju

Politike upotrebe AI-ja oslanjaju se na ljudsku prosudbu u trenutku unosa. Taj trenutak je brz. Zaposleni možda ne pamti politiku. Možda ne vidi sadržaj kao "osetljiv". Možda prihvata rizik jer se ušteda vremena čini velikom.

Cyberhaven-ova analiza za Q4 2025. otkrila je da 34,8% svih ChatGPT unosa sadrži poverljive poslovne informacije. Mnogi od tih korisnika znali su za politiku. Ipak su nalepili podatke.

Politike pristupa funkcionišu jer ih sistemi primenjuju. DLP na sloju e-pošte funkcioniše jer ga sistemi primenjuju. Politike upotrebe AI-ja nemaju primenu u trenutku lepljenja. Tu prazninu popunjava ljudska odluka. U velikom obimu, ljudi greše.

FEMA izvođač napravio je jednu od tih grešaka. Nije bio loš akter. Alat je pobedio jer ga je politika tražila da bira sporost nad brzinom. Pod pritiskom, odabrao je brzinu.

Tehničke kontrole zaustavljaju ono što politike ne mogu

Jedino rešenje koje funkcioniše u velikom obimu deluje na tehničkom sloju — ne na sloju obuke.

Ekstenzija pregledača može presresti sadržaj međuspremnika pre nego što dospe do bilo kog AI-ja na vebu. Kada izvođač kopira imena i adrese aplikanata i nalepi ih u ChatGPT, ekstenzija detektuje PII, anonimizuje ga i šalje čistu verziju. AI vidi [NAME_1] i [ADDRESS_1] umesto pravih vrednosti. Svejedno završava zadatak. Privatni podaci aplikanata nikada ne dospevaju na ChatGPT servere.

Ovo je automatsko. Ne traži od korisnika da pamti ništa.

Za programere koji koriste Cursor ili GitHub Copilot, MCP Server pruža isti sloj. Kod nalepljen u AI kontekst prolazi najpre kroz motor za anonimizaciju. Akreditivni podaci i vlasnički identifikatori postaju tokeni. AI prima čist unos i i dalje daje korisne rezultate.

Pogledajte kako se ovo poredi sa blokiranjem: Blokiranje vs. Anonimizacija — Browserski DLP Uporedjivanje.

Šta se menja s tehničkim kontrolama

S ekstenzijom pregledača na mestu, FEMA scenarij izvođača odvija se drugačije:

  1. Izvođač kopira zapise aplikanata iz sistema za slučajeve
  2. Ekstenzija detektuje PII u medjuspremnik
  3. Modalni prozor za pregled pokazuje šta ce biti zamenjeno
  4. Anonimizovana verzija ide u ChatGPT
  5. ChatGPT obradjuje zahtev i vraća rezultate
  6. Izvođač dobija potrebnu pomoć — nije pokrenuta istraga

Politiku nije trebalo menjati. Obuka nije morala da se sprovede. Sloj presretanja je to rešio.

Obuka o politikama smanjuje rizik na marginama. Tehničke kontrole eliminišu mode neuspeha. FEMA incident je bio propust politike. Bio bi bezznačajan dogadjaj da je jedna Chrome ekstenzija bila primenjena na uredj izvođača.

Pogledajte takodje:

Izvori

Povezani članci

Bezbednost veštačke inteligencije

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.

Bezbednost veštačke inteligencije

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.

Bezbednost veštačke inteligencije

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.

Spremni da zaštitite svoje podatke?

Počnite sa anonimizacijom PII sa 285+ tipova entiteta na 48 jezika.

Započnite besplatnu probuPogledajte funkcije

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.