By · Last updated 2026-04-18

Tillbaka till BloggenAI-säkerhet

3,8 oavsiktliga PII-exponeringar per dag i supportteam

Varje supporthandläggare som använder ChatGPT klistrar i genomsnitt in känslig data 3,8 gånger per dag. För ett team på 100 personer innebär det 380 GDPR-exponeringsincidenter dagligen.

April 18, 20268 min läsning
accidental PII exposuresupport team ChatGPTCyberhaven 3.8 pastesworkflow PII protectionGDPR daily exposure

Beräkningen av daglig PII-exponering

Cyberhavens forskning visade att företagsanställda i genomsnitt klistrar in 3,8 gånger känslig data i ChatGPT per användare och dag. För ett supportteam på 100 personer innebär det 380 instanser av kundposter som hamnar i ChatGPT varje dag.

Varje instans kan utgöra en överträdelse av principen om dataminimering enligt artikel 5(1)(c) i GDPR. Den artikeln kräver att personuppgifter är "adekvata, relevanta och begränsade till vad som är nödvändigt".

Detta handlar inte om anställda som avsiktligt ignorerar policyer. De 3,8 instanserna speglar normalt arbete. Handläggare kopierar kundmejl för att utforma svar. De klistrar in klagotext för att få empatiska förslag. De inkluderar kontodetaljer för kontextualiserade svar. Varje inklistring är ett legitimt produktivitetssteg som oavsiktligt tar med sig PII.

Beteendemässig utbildning löser inte problemet

En EU-revision 2024 visade att 63 % av ChatGPT-användardata innehöll personligt identifierbar information. Bara 22 % av användarna visste att de kunde stänga av detta via verktygets inställningar. Det mesta innehållet som klistras in i en AI-assistent innehåller PII. De flesta användare är inte medvetna om de tillgängliga kontrollerna. Resultatet är daglig exponering i stor skala.

Policyutbildning stöter på ett grundläggande problem. Kopiera-och-klistra-in-vanan har decennier av historia. Användare kopierar och klistrar in text från sin första arbetsdag vid datorn. Att lägga till ett AI-verktyg som inklistringsdestination tillför ett nytt mål men förändrar inte vanan.

En policy som säger "klistra inte in kund-PII i AI-assistenten" kräver att handläggare infogar ett klassificeringssteg — "innehåller den här texten PII?" — i en vanehandling som inte har några naturliga pausmoment. Utbildningseffekter avtar med tiden. Det kumulativa resultatet av 380 dagliga inklistringsbeslut är en efterlevnadsrisk som policyer ensamma inte kan hantera.

Där tekniska kontroller fungerar

Lösningen ingriper i inklistringshandlingen själv. Ett webbläsartillägg fångar upp urklippsinnehållet när handläggaren trycker på klistra in, innan texten når inmatningsfältet. Handläggaren ser ett förhandsgranskningsfönster som visar vad som hittades och vad som kommer att anonymiseras innan sändning.

Detta är inte en blockerande kontroll. Handläggare kan fortsätta, redigera eller avbryta. Det är ett transparenssteg. Det lägger till ett synlighetsmoment till en handling som annars är automatisk.

Tänk dig en supportchef i ett tyskt e-handelsföretag som utformar svar på kundklagomål. Arbetsflödet förblir oförändrat: kopiera klagomål, klistra in i ChatGPT, generera svar. Tillägget lägger till en tvåsekunderskontroll. Handläggaren ser att namn, adresser och ordernummer identifierats. Handläggaren klickar på "fortsätt". Verktyget tar emot den anonymiserade versionen. Efterlevnadsöverträdelsen inträffar inte.

Vår GDPR-efterlevnadsguide beskriver den rättsliga grunden för dessa kontroller. Se även jämförelsen mellan AI-policyer och tekniska kontroller och guiden om webbläsar-DLP för ChatGPT för implementeringsdetaljer.

Källor

Redo att skydda din data?

Börja anonymisera PII med 285+ entitetstyper på 48 språk.

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.