Anonimizacja danych przed AI powinna obejmować inwentaryzację identyfikatorów, ograniczenie zakresu danych, automatyczne wykrywanie, ręczną kontrolę oraz test na wcześniej oznaczonym zbiorze. Samo usunięcie imion, adresów lub telefonów nie wystarcza, ponieważ połączenie quasi-identyfikatorów może nadal umożliwiać ponowną identyfikację. Procedurę trzeba zatwierdzić przed wysłaniem danych do zewnętrznego narzędzia.
1. Zdefiniuj cel i zakres wysyłki do AI
Procedurę rozpocznij od zapisania celu przetwarzania, odbiorcy danych, formatu wejściowego oraz pól rzeczywiście potrzebnych modelowi. Jeżeli AI ma sklasyfikować zgłoszenia klientów, może potrzebować treści problemu i kategorii sprawy, ale niekoniecznie imienia, adresu, numeru telefonu czy numeru klienta. Takie usuwanie danych osobowych przed AI realizuje zasadę minimalizacji.
Decyzję oprzyj na art. 24–25 RODO. Zgodnie z tymi przepisami administrator powinien wdrożyć odpowiednie środki techniczne i organizacyjne oraz uwzględnić ochronę danych już w fazie projektowania i domyślnie. W praktyce oznacza to, że zakres danych ustalasz przed wyborem narzędzia, a nie dopiero po wykryciu problemu.
Opisz także, czy dane trafią do modelu lokalnego, czy do usługi zewnętrznej. Porównanie opcji lokalny model AI czy chmura powinno obejmować nie tylko koszt, lecz także kontrolę nad plikami, logami i retencją. Przy wdrożeniu takim jak AI w małej firmie zakres powinien być szczególnie łatwy do opisania i zatwierdzenia.
2. Zbuduj katalog identyfikatorów
Utwórz katalog pól i fragmentów tekstu, które mogą wskazywać osobę. Podziel je na identyfikatory bezpośrednie, dane szczególnie wrażliwe oraz quasi-identyfikatory. Do pierwszej grupy należą między innymi imiona, nazwiska, adresy, e-maile, telefony i numery dokumentów. Quasi-identyfikatory to na przykład kod pocztowy, data urodzenia, płeć, stanowisko, lokalizacja lub charakterystyczny opis zdarzenia.
Nie oceniaj pól wyłącznie pojedynczo. Kod pocztowy może nie wskazywać jednej osoby, podobnie jak sama data urodzenia, ale ich połączenie z płcią, miejscem pracy i opisem sytuacji może stworzyć rozpoznawalny profil. EROD wskazuje, że quasi-identyfikatory mogą działać jak odcisk palca.
Znaczenie tej kontroli pokazuje badanie przywołane przez Europejską Radę Ochrony Danych: przy użyciu 15 cech demograficznych można było prawidłowo ponownie zidentyfikować 99,98% Amerykanów w określonym zbiorze danych. Wartości 15 i 99,98% nie są wynikiem gwarantowanym dla firmy, ale uzasadniają sprawdzanie kombinacji pól po usunięciu bezpośrednich identyfikatorów.
Przy dokumentach operacyjnych katalog powinien obejmować także dane zawarte w nagłówkach, stopkach, nazwach plików, komentarzach, metadanych i podpisach. W przypadku transkrypcji spotkań AI sprawdź również imiona wypowiadane w treści, nazwy klientów, lokalizacje, numery spraw oraz charakterystyczne szczegóły rozmowy. Dotyczy to także dokumentów używanych w firmowej bazie wiedzy RAG.
3. Wykonaj automatyczne wykrywanie
Po zdefiniowaniu katalogu skonfiguruj detektor dla nazw, adresów, e-maili, telefonów, numerów dokumentów, rachunków i danych firmowych. Reguły mogą wykorzystywać wyrażenia regularne, walidację sum kontrolnych, słowniki, modele NER oraz kontekst zdania. Sama reguła dla numeru telefonu nie rozpozna jednak osoby wymienionej w swobodnym opisie, dlatego potrzebne są różne metody. W katalogu testowym uwzględnij kombinacje quasi-identyfikatorów; przywołane badanie dotyczyło 15 cech demograficznych.
Dokumentacja Presidio Analyzer opisuje każde wskazanie jako obiekt zawierający typ encji, wynik ufności typu float oraz pozycję początku i końca wykrytego fragmentu. Te trzy elementy powinny trafić do logu testowego. Dzięki pozycji można sprawdzić, czy narzędzie zamaskowało cały adres, a nie tylko jego część; dzięki typowi wiadomo, czy wykryto e-mail, nazwę osoby czy numer identyfikacyjny.
Próg ufności ustal przed testem i zapisz go w konfiguracji. Nie zmieniaj go po obejrzeniu wyników tylko po to, aby poprawić statystyki. Każdą kategorię oceniaj osobno, bo próg działający dla adresów może generować zbyt wiele fałszywych alarmów przy nazwach firm lub numerach spraw.
4. Usuń albo przekształć dane
Najbezpieczniejszym pierwszym wyborem jest usunięcie pól, które nie są potrzebne do celu. Jeżeli model musi zachować strukturę rekordu, zastąp identyfikator neutralnym opisem, na przykład oznaczeniem roli lub kategorii. Usunięcie całej treści nie zawsze jest konieczne, ale pozostawienie oryginalnego identyfikatora bez uzasadnienia narusza założenie minimalizacji.
Zastąpienie nazwiska tokenem, hashem albo wartością powiązaną z kluczem nie oznacza automatycznie anonimizacji. Jeżeli powiązanie można odtworzyć przy użyciu dodatkowych informacji, dane pozostają danymi osobowymi i nie należy uznawać ich automatycznie za zanonimizowane. EROD wyjaśnia, że pseudonimizacja ogranicza możliwość powiązania danych z osobą, ale nie ma na celu całkowitego zerwania tego powiązania.
Dane pseudonimizowane nadal pozostają danymi osobowymi, ponieważ można je ponownie przypisać osobie przy użyciu dodatkowych informacji, takich jak klucz. Klucz przechowuj oddzielnie, ogranicz dostęp i określ właściciela procesu. Nie przekazuj go razem z tekstem do modelu, jeżeli zadanie AI nie wymaga identyfikowalności. W przywołanym badaniu połączenie 15 cech demograficznych pozwalało ponownie zidentyfikować 99,98% osób, dlatego sam token nie rozwiązuje ryzyka.
Anonimizacja ma doprowadzić do sytuacji, w której danych nie można powiązać z żadną osobą w ocenianym kontekście. Jeżeli połączenie tekstu z inną bazą, publicznym rejestrem albo wewnętrznym systemem nadal pozwala rozpoznać osobę, nie deklaruj pełnej anonimowości.
5. Przetestuj, oceń i zatwierdź proces
Przygotuj kontrolowany zbiór z wcześniej oznaczonymi nazwami, adresami, e-mailami, telefonami, numerami identyfikacyjnymi i quasi-identyfikatorami. Uruchom na nim cały proces, a następnie policz poprawnie wykryte fragmenty, przeoczenia i fałszywe alarmy. Wyniki raportuj osobno dla każdej kategorii, ponieważ jedna liczba łączna może ukryć problem z konkretnym typem danych.
| Element testu | Wartość | Jak wykorzystać w procedurze |
|---|---|---|
| Liczba cech quasi-identyfikujących w przywołanym badaniu | 15 | Sprawdzić nie tylko imiona, e-maile i telefony, lecz także kombinacje cech demograficznych i kontekstowych. |
| Odsetek prawidłowo ponownie zidentyfikowanych osób w przywołanym badaniu | 99,98% | Uzasadnić obowiązek testowania ryzyka ponownej identyfikacji po usunięciu bezpośrednich identyfikatorów. |
| Wynik detektora Presidio dla każdego wskazania | liczba zmiennoprzecinkowa | Zapisać próg akceptacji przed testem i porównać go z ręczną oceną. |
| Wynik testu firmy: poprawnie wykryte, przeoczone, fałszywe alarmy | do pomiaru na kontrolowanym zbiorze | Nie wpisywać wartości bez wykonania testu; raportować osobno dla nazw, adresów, e-maili, telefonów, numerów identyfikacyjnych i quasi-identyfikatorów. |
Wartości 99,98% i 15 dotyczą badania przywołanego w materiale EROD, a nie gwarantowanego wyniku dla danych firmy. Wyniki własnego testu należy obliczyć na oznaczonym wcześniej zbiorze kontrolnym; przeoczenie to obecny w tekście identyfikator niewykryty przez narzędzie, a fałszywy alarm to fragment oznaczony jako dane osobowe mimo braku takiej informacji.
Następnie wykonaj test ponownej identyfikacji. Spróbuj połączyć zanonimizowany tekst z dostępnymi firmie źródłami, używając kombinacji quasi-identyfikatorów. Usuń lub uogólnij pola, które pozwalają zawęzić zbiór do jednej osoby. Sam brak imienia, adresu lub telefonu nie jest wystarczającym dowodem anonimizacji.
Na końcu udokumentuj wersję reguł, próg ufności, wynik dla każdej kategorii, właściciela procesu i okres retencji. W razie zmian modelu, zakresu dokumentów albo narzędzia powtórz test.
Anonimizacja i usuwanie danych przed AI nie zastępują oceny podstawy prawnej, umów powierzenia, transferów ani innych obowiązków RODO; przy rzeczywistym procesie z danymi osobowymi należy skonsultować procedurę z IOD, a wynik testu nie jest gwarancją pełnej anonimowości.
Czytaj również: tłumaczenie dokumentów przez AI.
Zobacz też: polityka AI w firmie.
Najczęstsze pytania
Jak usunąć dane osobowe przed wysłaniem do AI?
Najpierw ogranicz zbiór do danych niezbędnych, następnie wykryj identyfikatory regułami i modelem, zamaskuj lub usuń wskazane fragmenty, a potem wykonaj ręczną kontrolę i test ponownej identyfikacji. Nie wysyłaj danych do zewnętrznego narzędzia przed zatwierdzeniem procesu i sprawdzeniem warunków przetwarzania.
Czym różni się anonimizacja od pseudonimizacji?
Pseudonimizacja zastępuje identyfikatory innymi wartościami, ale przy użyciu dodatkowych informacji nadal można powiązać rekord z osobą; takie dane pozostają danymi osobowymi. Anonimizacja ma trwale uniemożliwić identyfikację w ocenianym kontekście.
Czy po anonimizacji można użyć dokumentu w AI?
Można rozważyć takie użycie dopiero po udokumentowaniu, że identyfikacja nie jest możliwa przy użyciu środków rozsądnie prawdopodobnych oraz że nie pozostały kombinacje quasi-identyfikatorów. Samo usunięcie imienia, adresu lub numeru telefonu nie jest wystarczającym dowodem.
Źródła
- Anonymisation / pseudonymisation — Europejska Rada Ochrony Danych, 2026, strona tematyczna EROD
- Fundamentals of Secure AI Systems with Personal Data — Europejska Rada Ochrony Danych, 2025, materiał szkoleniowy EROD, s. 127–129
- Regulation (EU) 2016/679 — EUR-Lex, 2016, art. 24–25 oraz motyw 26
- Presidio Analyzer — Data Privacy Stack, 2026, dokumentacja techniczna
Tekst został utworzony przy pomocy sztucznej inteligencji (modeli językowych).
