By · Last updated 2026-06-02

Quay lại BlogBảo Mật AI

GDPR và AI hỗ trợ: Định danh tùy chỉnh cũng quan trọng

AI hỗ trợ khách hàng nhận tin nhắn có tên, email VÀ mã đặt hàng. Công cụ PII tiêu chuẩn xóa địa chỉ email nhưng để lại mã đặt hàng nguyên vẹn.

June 2, 20267 phút đọc
customer support AIGDPR AI complianceorder ID detectionIntercom GDPRZendesk privacyAI vendor data

GDPR và AI Hỗ Trợ: Định Danh Tùy Chỉnh Cũng Quan Trọng

Nhóm hỗ trợ của bạn dùng AI để soạn thảo phản hồi và xem xét phiếu. Năng suất tăng. Rồi DPO của bạn kiểm tra thiết lập.

Một tin nhắn khách hàng điển hình chứa tên, địa chỉ email và mã đặt hàng. Tên và email là dữ liệu cá nhân. Mã đặt hàng cũng vậy. Nó liên kết đến khách hàng trong cơ sở dữ liệu đặt hàng của bạn. Một nhà cung cấp AI có thể đối chiếu nó. Nếu dữ liệu huấn luyện bị rò rỉ, ID có thể tái nhận dạng người đó.

Gửi bất kỳ thứ nào trong số này đến nhà cung cấp AI bên ngoài mà không có cơ sở pháp lý là vi phạm GDPR.

Tại Sao Mã Đặt Hàng Là Dữ Liệu Cá Nhân

Điều 4 GDPR định nghĩa dữ liệu cá nhân rộng rãi. Thuật ngữ này bao gồm tất cả thông tin liên quan đến một người được xác định hoặc có thể nhận dạng. Khả năng nhận dạng bao gồm nhận dạng gián tiếp bằng cách tham chiếu đến một định danh.

Một mã đặt hàng như ORD-4521893 là định danh gián tiếp. Một mình, nó không nêu tên người. Kết hợp với cơ sở dữ liệu đặt hàng của bạn, nó có thể.

Điều 4(5) GDPR bao gồm giả danh hóa. Mã đặt hàng là giả danh. Chúng cần nguồn thứ hai để tiết lộ người đứng sau chúng. Khi bạn gửi một mã đến nhà cung cấp AI bên ngoài, bạn đang chia sẻ dữ liệu cá nhân. Cần có cơ sở pháp lý và Thỏa thuận Xử lý Dữ liệu.

Nhà cung cấp có thể không giữ cơ sở dữ liệu của bạn. Điều đó không chấm dứt nghĩa vụ của bạn. Bạn đã chia sẻ dữ liệu cá nhân. GDPR vẫn áp dụng.

Khoảng Trống Ẩn Danh Hóa Tiêu Chuẩn

Các nhóm hỗ trợ thường triển khai phát hiện PII để tuân thủ GDPR. Các công cụ tiêu chuẩn xóa các loại thực thể phổ biến.

Phát hiện tiêu chuẩn bắt tên khách hàng, địa chỉ email, số điện thoại và số thẻ tín dụng. Những thứ này đều đạt.

Phát hiện tiêu chuẩn không bắt mã đặt hàng theo định dạng ORD-XXXXXXX. Nó bỏ sót số tài khoản, tham chiếu phiếu, ID người dùng nội bộ và ID đăng ký. Những thứ này thất bại.

Kết quả trông như thế này: "Xin chào, tôi là [PERSON_1] và đơn hàng ORD-4521893 của tôi chưa đến. Vui lòng email cho tôi tại [EMAIL_1]."

Mã đặt hàng vẫn còn đó. Bất kỳ ai có quyền truy cập CRM đều có thể tìm ra người ngay lập tức. Việc ẩn danh hóa không hoàn chỉnh. Đây là khoảng trống tuân thủ.

Tiện Ích Mở Rộng Chrome: Phát Hiện Tại Trình Duyệt

Các nhân viên hỗ trợ dùng Claude, ChatGPT hoặc Gemini làm việc trong trình duyệt. Tiện ích mở rộng Chrome ngăn các định danh tùy chỉnh rời đi.

Đây là cách hoạt động. Nhân viên dán tin nhắn khách hàng vào công cụ AI. Tiện ích nhận thấy mục tiêu là nền tảng AI. Nó xóa PII tiêu chuẩn. Sau đó nó áp dụng các mẫu tùy chỉnh. Chúng khớp định dạng mã đặt hàng, định dạng số tài khoản và bất kỳ định danh tùy chỉnh nào khác mà nhóm bạn sử dụng. Nhân viên chỉ thấy tin nhắn sạch. Dữ liệu thô không bao giờ đến AI.

Nhóm tuân thủ đặt các mẫu tùy chỉnh một lần. Họ chia sẻ một preset với tất cả nhân viên. Nhân viên không cần quản lý điều này. Họ dán tin nhắn. Tiện ích xử lý phần còn lại.

MCP Server: Phát Hiện Tại Lớp API

Một số nền tảng gọi AI qua API. Intercom dùng AI để soạn thảo phản hồi. Zendesk dùng AI để gợi ý câu trả lời. MCP Server thêm ẩn danh hóa tại lớp API cho các thiết lập này.

Đây là luồng. Tin nhắn khách hàng đến trong nền tảng hỗ trợ. Nó đi qua điểm cuối MCP trước khi đến AI. Điểm cuối xóa các thực thể tiêu chuẩn và tùy chỉnh. Tin nhắn sạch đến AI. AI trả về một phản hồi. Không có dữ liệu cá nhân nào được chia sẻ. Nhân viên sau đó đọc và chỉnh sửa phản hồi trong nền tảng hỗ trợ.

Nhân viên không thấy thay đổi trong cách họ làm việc. Quy trình trông giống nhau. Các thực thể tùy chỉnh được đặt một lần trong cấu hình MCP. Tất cả các lần gọi API sử dụng phát hiện thực thể đầy đủ từ đó trở đi.

Danh Sách Kiểm Tra Triển Khai DPO

1. Lập bản đồ tất cả luồng dữ liệu đến AI.

Liệt kê nơi nhân viên sử dụng AI. Bao gồm công cụ trình duyệt, công cụ dựa trên API và tải tệp.

2. Liệt kê tất cả các loại định danh trong tin nhắn khách hàng.

PII tiêu chuẩn — tên, email, điện thoại — được bao phủ theo mặc định. Định danh tùy chỉnh — mã đặt hàng, tham chiếu phiếu, số tài khoản — cần các mẫu tùy chỉnh.

3. Thêm các mẫu thực thể tùy chỉnh.

Xác định từng định dạng. Kiểm tra nó trên tin nhắn mẫu. Lưu vào preset nhóm.

4. Triển khai tại đúng lớp.

AI dựa trên trình duyệt: dùng Tiện ích Chrome với preset chia sẻ. AI tích hợp API: dùng MCP Server hoặc tiền xử lý cấp API.

5. Cập nhật ROPA của bạn.

Ghi lại rằng AI hỗ trợ sử dụng ẩn danh hóa tự động. Liệt kê các loại định danh tùy chỉnh được bao phủ. Đây là tài liệu biện pháp kỹ thuật của bạn.

6. Kiểm tra thiết lập.

Chạy tin nhắn mẫu với tất cả các loại định danh. Kiểm tra rằng không có gì đến AI. Xem hướng dẫn tuân thủ pháp lý để biết mẫu tài liệu.

Nhóm Hỗ Trợ SaaS: Ví Dụ Thực Tế

Một nhóm hỗ trợ SaaS dùng Claude qua nền tảng AI nội bộ. Tin nhắn khách hàng bao gồm tên, email, mã đặt hàng và ID đăng ký. Một số tên cờ tính năng mang định danh nội bộ.

Trước khi xem xét GDPR: Tất cả nội dung đến AI. Bao gồm mã đặt hàng và đăng ký.

Sau khi phát hiện thực thể tùy chỉnh:

ORD-XXXXXXX và SUB-XXXXXXXX được thêm như thực thể tùy chỉnh. Tiện ích Chrome được triển khai với preset chia sẻ. DPO chạy thử nghiệm và xác nhận tất cả định danh được xóa trước khi xử lý AI.

Thay đổi quy trình làm việc của nhân viên: Không có. Nhân viên làm việc theo cách tương tự. Quá trình ẩn danh hóa chạy ngầm. DPO có biện pháp bảo vệ được ghi lại trong hồ sơ.

Kết Luận

AI hỗ trợ tuân thủ GDPR làm nhiều hơn là xóa tên và email. Mã đặt hàng, số tài khoản và tham chiếu phiếu là dữ liệu cá nhân. Các công cụ tiêu chuẩn bỏ sót chúng. Cấu hình thực thể tùy chỉnh đóng khoảng trống.

Các bước rất đơn giản. Xác định các định dạng định danh của bạn. Kiểm tra chúng với tin nhắn mẫu. Triển khai cho nhóm. DPO có thể hoàn thành điều này trong một buổi chiều. Sau đó, tất cả dữ liệu khách hàng được xóa trước khi đến hệ thống AI bên ngoài. Lợi ích tuân thủ duy trì từ thời điểm đó trở đi.

Nguồn Tài Liệu

Sẵn sàng bảo vệ dữ liệu của bạn?

Bắt đầu ẩn danh PII với 285+ loại thực thể trên 48 ngôn ngữ.

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.