By · Last updated 2026-03-29

Tillbaka till BloggenAI-säkerhet

39 miljoner GitHub-läckor: AI-kodningsrisk

67 % av utvecklare har av misstag exponerat hemligheter i kod (GitGuardian 2025). 39 miljoner hemligheter läckte på GitHub under 2024, upp 25 % år-över-år.

March 29, 20268 min läsning
GitHub secret leaksdeveloper AI securitycredential exposureMCP Server protectionGitGuardian 2025

39 miljoner autentiseringsuppgifter läckte under ett år

GitHubs Octoverse 2024-rapport fann att 39 miljoner hemligheter läckte på GitHub under 2024. Det är en 25 % ökning jämfört med föregående år sedan 2023. Hemligheterna inkluderar API-nycklar, databasanslutningssträngar, autentiseringstoken och molnautentiseringsuppgifter.

Orsaken är känd. Utvecklare committar kod med hemligheter inbäddade. Hemligheterna kommer från felsökningssessioner. Eller så hårdkodas de i stället för att lagras i miljövariabler. Med 39 miljoner läckor är detta inte ovanligt. Det är rutinmässigt.

AI-verktyg lägger till en andra läckkanal

GitGuardians forskning 2025 fann att 67 % av utvecklare av misstag har exponerat hemligheter i kod. Samma vanor som skapar GitHub-läckor skapar också läckor i AI-verktyg.

En utvecklare klistrar in kod i Claude, ChatGPT eller ett annat AI-assistentverktyg för hjälp. Den koden innehåller ofta aktiva autentiseringsuppgifter. AI-modellen tar emot hemligheten. Den kan lagra den i konversationshistoriken. Den skickar den till leverantörens servrar. Utvecklaren förlorar kontrollen – utan någon varning.

Tre exempel:

Databasfelsökning. En utvecklare klistrar in en stackspårning. Spårningen inkluderar anslutningssträngen. AI:n läser lösenordet också.

Pipeline-granskning. En utvecklare delar ett datapipelineskript. Skriptet har en AWS-åtkomstnyckel och hemlig nyckel. AI:n tar emot båda.

API-integrationsgranskning. En utvecklare ber om feedback på en integration. Koden innehåller en aktiv partner-API-nyckel. Nyckeln lämnar utvecklarens nätverk.

I varje fall är målet legitim hjälp. Autentiseringsuppgiftsläckan är en biverkning av att ge AI:n tillräcklig kontext. Detta är samma mönster som GitHub-läckor – inte illvilligt, bara rutinmässigt.

CI/CD-pipelines möter samma risk

CI/CD pipeline-hemlighetslläckor ökade med 34 % under 2024. Byggskript, driftsättningskonfigurationer och infrastruktur-som-kod-filer genomgår nu alla AI-granskning. Dessa filer innehåller ofta molnautentiseringsuppgifter och tjänstekontotoken.

I takt med att AI-verktyg täcker mer av utvecklingscykeln – granskning, dokumentation, felsökning, optimering – växer exponeringsytan med dem.

Hur MCP-arkitektur blockerar läckor

För team som använder Claude Desktop eller Cursor IDE placerar Model Context Protocol (MCP) serverarkitektur ett filtrer för autentiseringsuppgifter i vägen mellan utvecklare och AI-modell.

MCP-servern hanterar all text som rör sig genom sessionen. Inklistrad kod, stackspårningar, konfigurationsfiler, felsökningskontext – allt passerar ett anonymiseringssteg innan modellen ser det.

Motorn hittar autentiseringsuppgiftsmönster: API-nyckelformat, databasanslutningssträngar, OAuth-token, privata nyckelrubriker och anpassade format som ditt säkerhetsteam definierar. Varje träff ersätts med en token före överföring.

Så här ser det ut i praktiken:

En utvecklare klistrar in en stackspårning med en databasanslutningssträng. MCP-servern ersätter strängen med `[DB_CONNECTION_1]`. AI:n ser spårningen med token på plats. Den ger felsökningshjälp baserat på den anonymiserade versionen. Den faktiska autentiseringsuppgiften lämnade aldrig det interna nätverket.

Detta stoppar samma läckvektor som fyller GitHub med hemligheter. Kanalen är annorlunda – AI-verktyg, inte git-commits – men lösningen fungerar på samma sätt: blockera det innan det sänds.

Se vår säkerhetsöversikt för hur anonym.legal hanterar detta i AI-verktyg och dokumentarbetsflöden, och efterlevnadscentret för revisionskontroller.

Detektering i efterhand är för sent

En del team använder skanning efter commit för att fånga läckta hemligheter. GitGuardian och truffleHog fungerar bra för GitHub-kanalen. De täcker inte AI-verktygssessioner.

När en hemlighet når en AI-leverantörs servrar är exponeringen ett faktum. Skanning hittar det i efterhand. MCP-lagrets anonymisering stoppar det från att nå modellen överhuvudtaget.

De 39 miljoner GitHub-läckorna dokumenterar en kanal. AI-verktygsexponering är samma problem i en kanal med mindre övervakning och ingen revisionslogg. Förebyggande åtgärder före överföring täcker båda.

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.