anonym.legal

By · Last updated 2026-04-04

Bumalik sa BlogSeguridad ng AI

Nabibigo ang AI Policy Nang Walang Teknikal na Kontrol

77% ng mga empleyado ang nagbabahagi ng sensitibong data sa trabaho sa mga AI tool kahit ipinagbabawal ito ng mga patakaran. Nag-paste ng FEMA flood-relief applicant data ang isang government contractor.

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

Kapag Nakaharap ang Patakaran sa Tunay na Gawi

Nakalagay sa presyur ang isang government contractor. Mayroon siyang backlog ng mga aplikasyon ng FEMA flood-relief na ipoproseso. Nag-paste siya ng mga pangalan, address, at rekord ng kalusugan sa ChatGPT para mapabilis ang trabaho. Sa kanyang isip, hindi siya lumabag sa batas. Gumamit lang siya ng pinakamahusay na tool na mayroon.

Ang resulta: isang imbestigasyon ng gobyerno at isang pampublikong pagsisiwalat.

Ito ang pangunahing kabiguan ng policy-only AI governance. Sinasabi ng mga patakaran sa mga empleyado kung ano ang gagawin. Hindi nila pinipigilan ang gawi.

77% ng mga empleyado sa enterprise ang nagbabahagi ng sensitibong data sa trabaho sa mga AI tool nang hindi bababa sa isang beses bawat linggo — kahit ipinagbabawal ito ng patakaran (eSecurity Planet/Cyberhaven 2025). Hindi ito mga walang ingat na manggagawa. Ito ay mga taong nasa ilalim ng presyur ng oras na pumipili ng pinakamabilis na tool.

Bakit Nasisira ang mga Patakaran

Umaasa ang mga patakaran sa paggamit ng AI sa pagpapasya ng tao sa punto ng input. Mabilis ang sandaling iyon. Maaaring hindi matandaan ng empleyado ang patakaran. Maaaring hindi nila makita ang nilalaman bilang "sensitibo." Maaari nilang tanggapin ang panganib dahil malaki ang pakiramdam ng pagtitipid ng oras.

Natuklasan ng pagsusuri ng Cyberhaven Q4 2025 na naglalaman ng kumpidensyal na impormasyon ng negosyo ang 34.8% ng lahat ng input sa ChatGPT. Marami sa mga gumagamit na iyon ang nakaalam ng patakaran. Nag-paste pa rin sila.

Gumagana ang mga patakaran sa access dahil ipinapatupad ng mga sistema ang mga ito. Gumagana ang DLP sa layer ng email dahil inaaplayan ito ng mga sistema. Ang mga patakaran sa paggamit ng AI ay walang pagpapatupad sa punto ng pag-paste. Isang desisyon ng tao ang pumupuno ng agwat na iyon. Sa malaking sukat, nagkakamali ang mga tao.

Isang ganitong pagkakamali ang ginawa ng FEMA contractor. Hindi siya isang masamang aktor. Nanalo ang tool dahil hinihingi ng patakaran na piliin niya ang pagkabagal kaysa sa bilis. Sa ilalim ng presyur, pinili niya ang bilis.

Pinipigilan ng Teknikal na Kontrol ang Hindi Kayang Pigilan ng mga Patakaran

Ang tanging solusyon na gumagana sa malaking sukat ay nag-ooperate sa teknikal na layer — hindi sa layer ng pagsasanay.

Maaaring harangin ng browser extension ang nilalaman ng clipboard bago ito makarating sa anumang web-based na AI. Kapag kinokopya ng contractor ang mga pangalan at address ng aplikante at nag-paste sa ChatGPT, dine-detect ng extension ang PII, ini-anonymize ito, at ipinapadala ang malinis na bersyon. Nakikita ng AI ang [NAME_1] at [ADDRESS_1] sa halip ng mga tunay na halaga. Nakumpleto pa rin nito ang gawain. Ang pribadong detalye ng aplikante ay hindi kailanman umaabot sa mga server ng ChatGPT.

Awtomatiko ito. Hindi hihingin sa user na tandaan ang anumang bagay.

Para sa mga developer na gumagamit ng Cursor o GitHub Copilot, ang isang MCP Server ay nagbibigay ng parehong layer. Ang code na ini-paste sa AI context ay dumadaan muna sa anonymization engine. Ang mga credential at proprietary na identifier ay nagiging mga token. Tumatanggap ang AI ng malinis na input at nagbibigay pa rin ng kapaki-pakinabang na output.

Tingnan kung paano ito kumpara sa blocking: Blocking vs. Anonymization — Browser DLP Compared.

Ano ang Nagbabago sa Teknikal na Kontrol

Sa isang browser extension na nakalagay, ang senaryo ng FEMA contractor ay naiiba ang takbo:

  1. Kinokopya ng contractor ang mga rekord ng aplikante mula sa case system
  2. Dine-detect ng extension ang PII sa clipboard
  3. Isang preview modal ang nagpapakita ng papalitan
  4. Ang anonymized na bersyon ay pumupunta sa ChatGPT
  5. Pinoproseso ng ChatGPT ang kahilingan at nagbabalik ng mga resulta
  6. Nakukuha ng contractor ang kinakailangang tulong — walang na-trigger na imbestigasyon

Hindi kailangang baguhin ang patakaran. Hindi kailangang magpatakbo ng pagsasanay. Ang interception layer ang humawak nito.

Pinabababa ng pagsasanay sa patakaran ang panganib sa mga margin. Inaalis ng teknikal na kontrol ang failure mode. Ang insidente ng FEMA ay isang kabiguan ng patakaran. Magiging hindi kapansin-pansing pangyayari ito kung may isang Chrome Extension na naka-deploy sa device ng contractor na iyon.

Tingnan din:

Mga Pinagkukunan

Mga Kaugnay na Artikulo

Seguridad ng AI

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.

Seguridad ng AI

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.

Seguridad ng AI

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.

Handa nang protektahan ang iyong data?

Simulan ang anonymization ng PII gamit ang 285+ uri ng entidad sa 48 wika.

Simulan ang Libreng PagsubokTingnan ang Mga Tampok

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.