anonym.legal

By · Last updated 2026-04-04

Bloga DönAI Güvenliği

Teknik Kontrol Olmadan YZ Politikası İşe Yaramıyor

Çalışanların yüzde 77'si, yasaklayan politikalara rağmen hassas iş verilerini YZ araçlarıyla paylaşıyor. Bir devlet müteahhidi FEMA sel yardımı başvuru sahiplerinin verilerini yapıştırdı.

April 4, 20268 dk okuma
AI data governancetechnical controlsChatGPT policy failureChrome Extension DLPenterprise AI security

Politika Gerçek Davranışla Buluştuğunda

Bir devlet müteahhidi baskı altındaydı. İşlemesi gereken yığınla FEMA sel yardımı başvurusu vardı. İşi hızlandırmak için isimleri, adresleri ve sağlık kayıtlarını ChatGPT'ye yapıştırdı. Kendi zihninde hiçbir yasa ihlal etmedi. Sadece elindeki en iyi aracı kullandı.

Sonuç: Devlet soruşturması ve kamuoyuna açıklama.

Bu, yalnızca politikaya dayalı YZ yönetişiminin temel başarısızlığı. Politikalar çalışanlara ne yapmaları gerektiğini söylüyor. Davranışı durdurmuyorlar.

Kurumsal çalışanların yüzde 77'si, politika yasaklasa bile hassas iş verilerini haftada en az bir kez YZ araçlarıyla paylaşıyor (eSecurity Planet/Cyberhaven 2025). Bunlar pervasız çalışanlar değil. Zaman baskısı altında en hızlı aracı seçen insanlar.

Politikaların Neden Çöktüğü

YZ kullanım politikaları girdi noktasında insan yargısına dayanıyor. Bu an hızlı geçiyor. Çalışan politikayı hatırlamıyor olabilir. İçeriği "hassas" olarak görmüyor olabilir. Zaman tasarrufu büyük göründüğü için riski göze alıyor olabilir.

Cyberhaven'ın Q4 2025 analizi, tüm ChatGPT girdilerinin %34,8'inin gizli iş bilgisi içerdiğini buldu. O kullanıcıların büyük çoğunluğu politikayı biliyordu. Yine de yapıştırdılar.

Erişim politikaları işe yarıyor çünkü sistemler onları uyguluyor. E-posta katmanındaki DLP işe yarıyor çünkü sistemler onu uyguluyor. YZ kullanım politikalarının yapıştırma noktasında yaptırımı yok. O boşluğu bir insan kararı dolduruyor. Ölçekte insanlar hata yapıyor.

FEMA müteahhidi bu hatalardan birini yaptı. Kötü niyetli biri değildi. Araç kazandı çünkü politika ondan hız yerine yavaşlığı seçmesini istiyordu. Baskı altında hızı seçti.

Teknik Kontroller Politikaların Yapamadığını Yapıyor

Ölçekte işe yarayan tek çözüm eğitim katmanında değil, teknik katmanda çalışıyor.

Bir tarayıcı eklentisi, pano içeriğini herhangi bir web tabanlı yapay zekâya ulaşmadan önce yakalayabiliyor. Müteahhit başvuru sahiplerinin adlarını ve adreslerini kopyalayıp ChatGPT'ye yapıştırdığında, eklenti KBV'yi tespit ediyor, anonimleştiriyor ve temiz sürümü gönderiyor. Yapay zeka gerçek değerler yerine [İSİM_1] ve [ADRES_1] görüyor. Görevi yine de tamamlıyor. Başvuru sahibinin özel bilgileri hiçbir zaman ChatGPT'nin sunucularına ulaşmıyor.

Bu otomatik çalışıyor. Kullanıcıdan herhangi bir şeyi hatırlamasını istemiyor.

Cursor veya GitHub Copilot kullanan geliştiriciler için bir MCP Sunucusu aynı katmanı sağlıyor. Yapay zeka bağlamına yapıştırılan kod önce anonimleştirme motorundan geçiyor. Kimlik bilgileri ve tescilli tanımlayıcılar token'a dönüştürülüyor. Yapay zeka temiz girdi alıyor ve yine de yararlı çıktı üretiyor.

Bunu engellemeyle nasıl karşılaştığını görün: Engelleme ve Anonimleştirme — Tarayıcı DLP Karşılaştırması.

Teknik Kontrollerle Değişen Ne

Bir tarayıcı eklentisi yerinde olsaydı FEMA müteahhidi senaryosu farklı işlerdi:

  1. Müteahhit vaka sisteminden başvuru kayıtlarını kopyalar
  2. Eklenti panoda KBV tespit eder
  3. Önizleme modalı neyin değiştirileceğini gösterir
  4. Anonimleştirilmiş sürüm ChatGPT'ye gider
  5. ChatGPT isteği işler ve sonuçları döndürür
  6. Müteahhit ihtiyaç duyduğu yardımı alır — soruşturma tetiklenmez

Politikanın değişmesine gerek yoktu. Eğitim yapılması gerekmedi. Kesme katmanı işi halletti.

Politika eğitimi marjlarda riski azaltıyor. Teknik kontroller başarısızlık modunu ortadan kaldırıyor. FEMA olayı bir politika başarısızlığıydı. O müteahhidin cihazına dağıtılmış tek bir Chrome Uzantısı ile önemsiz bir gelişme olurdu.

Ayrıca bakın:

Kaynaklar

İlgili Makaleler

AI Güvenliği

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.

AI Güvenliği

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.

AI Güvenliği

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.

Verilerinizi korumaya hazır mısınız?

48 dilde 285+ varlık türü ile PII anonimleştirmeye başlayın.

Ücretsiz Deneme BaşlatÖzellikleri Görüntüle

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.