anonym.legal

By · Last updated 2026-04-25

กลับไปที่บล็อกGDPR & การปฏิบัติตาม

การแมปโทเค็นสำหรับเวิร์กโฟลว์ AI ที่สอดคล้อง GDPR

เมื่อชื่อลูกค้าถูกทำให้ไม่เปิดเผยตัวตนก่อนประมวลผล AI การตอบสนองของ AI จะมีโทเค็นที่ไม่ระบุตัวตน การตอบสนองขั้นสุดท้ายต้องมีชื่อจริง — ไม่ใช่โทเค็น

April 25, 20268 อ่านประมาณ
token mapping AIGDPR customer service AIauto-decryptsession-based anonymizationAI workflow pseudonymization

การแมปโทเค็นสำหรับเวิร์กโฟลว์ AI ที่สอดคล้อง GDPR

อัปเดตสำหรับปี 2026

ทีมของคุณใช้ AI เพื่อร่างการตอบสนองลูกค้า ลูกค้าเขียนมา ชื่อถูกทำให้ไม่เปิดเผยตัวตนก่อนที่ AI จะประมวลผล AI ผลิตร่างพร้อม placeholder เจ้าหน้าที่ต้องแทนที่ด้วยตนเอง ด้วยการโต้ตอบ 200 ครั้งต่อวัน ค่าใช้จ่ายนี้สะสมอย่างรวดเร็ว

การแมปโทเค็นตามเซสชันแก้ปัญหานี้ คืนชื่อจริงโดยอัตโนมัติ

ปัญหาโดยไม่มีการแมปโทเค็น

เวิร์กโฟลว์โดยไม่มีการแมปโทเค็น: ร้องเรียนของลูกค้าที่มี "Maria Schmidt" ถูกทำให้ไม่เปิดเผยตัวตนเป็น `[CUSTOMER_1]` ก่อนประมวลผล AI Claude ประมวลผลร้องเรียนที่ไม่เปิดเผยตัวตนและร่างการตอบสนอง: "เรียน [CUSTOMER_1] เราขอโทษสำหรับความล่าช้า" เจ้าหน้าที่การร้องเรียนต้องแทนที่ `[CUSTOMER_1]` ด้วย "Maria Schmidt" ด้วยตนเองก่อนส่ง ด้วย 200 การโต้ตอบลูกค้าต่อวัน การแทนที่โทเค็นด้วยตนเองใช้เวลาของเจ้าหน้าที่อย่างมีนัยสำคัญ — เพียงพอที่จะลบล้างผลประโยชน์ด้านผลิตภาพของความช่วยเหลือ AI

วิธีการทำงานของโทเค็นเซสชัน

เซสชันเก็บตารางการค้นหา: `[CUSTOMER_1]` → "Maria Schmidt" เมื่อร่างของ Claude แสดงต่อเจ้าหน้าที่การร้องเรียนชั้นถอดรหัสอัตโนมัติใช้ตารางเซสชันนั้นและคืนชื่อ เจ้าหน้าที่เห็น "เรียน Maria Schmidt" — ชื่อจริง คืนค่าแล้ว ไม่มีการแทนที่ด้วยตนเอง การป้องกัน GDPR ทำงานอย่างเงียบๆ และสมบูรณ์

ทำไมความสม่ำเสมอของเซสชันจึงสำคัญ

การแมปโทเค็นต้องสม่ำเสมอภายในเซสชัน หากชื่อลูกค้าเดียวกันถูกทำให้ไม่เปิดเผยตัวตนในสองส่วนต่างกันของการสนทนาเดียวกัน มันต้องแมปกับโทเค็นเดียวกัน "[CUSTOMER_1]" ต้องอ้างถึงบุคคลเดิมตลอดทั้งเซสชัน การใช้เหตุผลของ Claude เกี่ยวกับการสนทนาขึ้นอยู่กับการติดตามตัวตนที่สม่ำเสมอ

โดยไม่มีความสม่ำเสมอระดับเซสชัน การตอบสนองของ Claude อาจสับสนลูกค้าหลายคน ทำให้การตอบสนองไม่สอดคล้องกันที่เจ้าหน้าที่ไม่สามารถใช้ได้

การปฏิบัติตาม GDPR โดยการออกแบบ

GDPR Article 4(5) ยอมรับการ pseudonymization เป็นเทคนิคการประมวลผลที่ลดความเสี่ยงการปฏิบัติตามกฎระเบียบ แนวทาง pseudonymization ปี 2022 ของ EDPB กำหนดว่ากุญแจ pseudonymization (ในกรณีนี้คือตารางการแมปโทเค็น) ต้องเก็บแยกจากข้อมูลที่ pseudonymize แล้ว

การแมปโทเค็นระดับเซสชันตอบสนองข้อกำหนดนี้: ตารางการแมปอยู่ในเซสชันเบราว์เซอร์ ไม่ถูกส่งพร้อมข้อมูลที่ไม่เปิดเผยตัวตนไปยังเซิร์ฟเวอร์ของ Claude เมื่อสิ้นสุดเซสชัน ตารางหายไป ไม่มีข้อมูลส่วนตัวไปถึงเซิร์ฟเวอร์ภายนอก คำถามการถ่ายโอนตาม Article 46 ไม่เกิดขึ้น

กรณีการใช้งานการร้องเรียนประกันภัย

บริษัทประกันเยอรมันประมวลผลอีเมลร้องเรียนของลูกค้า ชื่อลูกค้า หมายเลขกรมธรรม์ และจำนวนการเรียกร้องถูกทำให้ไม่เปิดเผยตัวตนก่อนที่ Claude จะประมวลผลอีเมล Claude ร่างการตอบสนองโดยใช้โทเค็นที่ไม่เปิดเผยตัวตน ชั้นถอดรหัสอัตโนมัติในChrome ExtensionหรือMCP Serverคืนข้อมูลลูกค้าต้นฉบับในร่างของ Claude ก่อนที่จะแสดงต่อเจ้าหน้าที่การร้องเรียน เจ้าหน้าที่ตรวจสอบร่าง ทำการปรับแก้ที่จำเป็น และส่งการตอบสนองขั้นสุดท้ายพร้อมชื่อลูกค้าจริง

การคำนวณการปฏิบัติตาม GDPR: ข้อมูลที่ส่งไปยังเซิร์ฟเวอร์สหรัฐฯ ของ Claude มี "[CUSTOMER_1]", "[POLICY_2024-08847]" และ "[AMOUNT_1]" — ไม่ใช่ข้อมูลส่วนตัวตามที่ GDPR กำหนด ชื่อจริงของลูกค้าและหมายเลขกรมธรรม์ยังคงอยู่ในเยอรมนี บนเบราว์เซอร์ของเจ้าหน้าที่การร้องเรียน คำถาม GDPR Article 46 เกี่ยวกับการถ่ายโอนข้อมูลส่วนตัวไปยังสหรัฐฯ ไม่เกิดขึ้นเพราะข้อมูลส่วนตัวไม่ได้ถูกถ่ายโอน

สิ่งที่วงจรเต็มรูปแบบต้องการ

องค์ประกอบสามอย่างต้องทำงานร่วมกันสำหรับเวิร์กโฟลว์ที่ราบรื่น:

1. โทเค็นที่สม่ำเสมอ แต่ละเอนทิตีได้รับโทเค็นเดียวต่อเซสชัน เสมอ

2. ตารางการค้นหาในเครื่อง อยู่ในเซสชัน ไม่ถูกส่งไปยัง AI

3. การถอดรหัสอัตโนมัติในเอาต์พุต ตารางถูกใช้กับร่าง AI ก่อนที่เจ้าหน้าที่จะเห็น

โดยไม่มีทั้งสามอย่าง เจ้าหน้าที่แทนที่โทเค็นด้วยตนเอง ด้วยทั้งสามอย่าง เวิร์กโฟลว์เป็นอัตโนมัติและสอดคล้อง GDPR

สรุป

วิธีนี้ปิดวงจรในการบริการลูกค้าที่ช่วยเหลือด้วย AI การทำให้ไม่เปิดเผยตัวตนปกป้องข้อมูลก่อนที่จะไปถึง AI การถอดรหัสอัตโนมัติคืนชื่อจริงในการตอบสนอง เจ้าหน้าที่เห็นชื่อที่ถูกต้องตลอดทุกขั้นตอน การปฏิบัติตาม GDPR ได้รับการรับประกันตลอดกระบวนการ

แหล่งข้อมูล

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

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.