GDPR og databeskyttelse ved AI
Anonymisering vs. pseudonymisering: GDPR-guide
Opdateret
Det er nyttigt at erstatte et navn, men det gør sjældent en prompt anonym. Brug denne guide til at vælge den rette beskyttelse og beskrive den korrekt.
Anonymisering og pseudonymisering reducerer begge privatlivsrisici, men har forskellige juridiske konsekvenser. Det er vigtigt, når medarbejdere indsætter kundemails, HR-sager, kontrakter eller supportsager i generativ AI: Maskering af åbenlyse identifikatorer kan gøre teksten sikrere at bruge uden nødvendigvis at bringe den uden for GDPR.
Det korte svar: Anonyme oplysninger vedrører ikke en identificeret eller identificerbar person og falder uden for GDPR. Pseudonymiserede data kan ikke henføres til en person uden supplerende oplysninger, som opbevares separat og beskyttes, men er som udgangspunkt stadig personoplysninger for den dataansvarlige, der kan genskabe forbindelsen. Pseudonymisering er derfor en sikkerhedsforanstaltning, ikke en måde at undgå GDPR-forpligtelser på.
Begrebsmæssig sammenligning — formål: Anonymisering skal forhindre identifikation hos de relevante parter; pseudonymisering skal forhindre henføring inden for et defineret domæne, medmindre beskyttede supplerende oplysninger anvendes. Reversibilitet: Reel anonymisering skal modstå hjælpemidler, der med rimelighed kan forventes anvendt; pseudonymisering kan bevidst bevare en kontrolleret vej tilbage til personen. Juridisk status: Anonyme oplysninger er uden for GDPR, mens pseudonymiserede personoplysninger fortsat er omfattet af krav om behandlingsgrundlag, gennemsigtighed, dataminimering, opbevaring, sikkerhed og registreredes rettigheder, hvor personen stadig er identificerbar.
Et konkret prompt-eksempel viser forskellen. “Opsummér Maria Jensens klage over hendes sjældne sygdom på byens eneste klinik” er tydeligt en personoplysning. Erstattes navnet med “[KUNDE_01]”, er det pseudonymisering, hvis jeres CRM eller en kollega kan forbinde tokenet med personen. Selv uden en nøgle kan den sjældne sygdom, klinikken og de detaljerede omstændigheder udpege Maria. En sikrere arbejdsversion fjerner unødvendige detaljer, generaliserer sted og sygdom og beder kun om den nødvendige analyse — men om resultatet er anonymt, kræver stadig en kontekstuel vurdering.
Det samme gælder dokumenter. Et HR-regneark, hvor “Anna Jensen” bliver til “MED-4827”, er fortsat pseudonymiseret, hvis HR har koblingen til medarbejdernummeret. En kontrakt med maskerede navne kan stadig identificere en part via adresse, sagsnummer, underskrift, metadata eller et karakteristisk hændelsesforløb. En supportsag kan fortsat være en personoplysning på grund af en email i et bilag eller en kombination af datoer, produktdetaljer og lokationsoplysninger.
EDPB’s retningslinjer 02/2026 foreslår en praktisk test med tre kriterier: No Record Isolation, No Linkage og No Inference. Den 23. august 2026 var retningslinjerne vedtaget til offentlig høring med frist den 30. oktober 2026; de var ikke endelige. De er alligevel en nyttig aktuel ramme, men organisationer bør følge den endelige tekst og relevant retspraksis.
“No Record Isolation” spørger, om en unik kombination af egenskaber kan isolere én persons datasæt — i praksis risikoen for udpegning. “No Linkage” spørger, om oplysninger kan sammenkædes med andre data om den samme person, herunder offentlige eller interne kilder. “No Inference” spørger, om man kan udlede specifikke og meningsfulde oplysninger om en identificerbar person. Opfyldelse af alle tre kriterier understøtter en konklusion om anonymitet; brud på ét kriterium kræver yderligere analyse og er ikke automatisk en endelig konklusion.
Konteksten er afgørende. EDPB’s udkast fra 2026 afspejler nyere EU-praksis ved at vurdere, hvilke hjælpemidler der med rimelighed kan forventes anvendt fra hver relevant enheds perspektiv. Et datasæt kan være anonymt for en uafhængig modtager, som hverken lovligt eller praktisk kan få nøglen, men stadig være personoplysninger for organisationen med kildedata. Behandler en leverandør materialet efter den dataansvarliges instruks, er den dataansvarliges perspektiv fortsat relevant; outsourcing er ikke en genvej uden om GDPR.
Anonymisering har også grænser. Fritekst har mange dimensioner og kan indeholde sjældne fakta, skrivestil, kronologi og skjulte identifikatorer. Hashing af forudsigelige identifikatorer uden en stærk hemmelighed kan brydes ved gæt. Syntetiske eller aggregerede resultater kan afsløre medlemskab eller muliggøre slutninger. Mulighederne for genidentifikation og de tilgængelige eksterne data ændrer sig, så risikovurderinger, test og dokumentation bør genbesøges. Selve anonymiseringen af personoplysninger er en behandling og skal designes lovligt, sikkert og gennemsigtigt.
Anvend EDPB-testen fra 2026, før I kalder data anonyme
- Ingen isolering af datasæt / udpegning: Kan en unik stilling, præcis dato, et postnummer eller en kombination af fakta isolere én person, selv uden navn? Source
- Ingen sammenkædning: Kan prompten eller dokumentet matches med CRM-data, offentlige profiler, et andet datasæt, en tokennøgle eller oplysninger hos en tredjepart? Source
- Ingen slutning: Kan en læser eller et AI-system udlede en specifik og meningsfuld oplysning — eksempelvis en diagnose, løn eller klage — om en identificerbar person? Source
Tjekliste før personoplysninger sendes til et AI-værktøj
- Definér minimumsformålet: Bed kun om den omskrivning, opsummering eller analyse, I faktisk har brug for.
- Kortlæg direkte og indirekte identifikatorer i prompt, dokumenttekst, tabeller, filnavne, metadata og bilag.
- Fjern eller maskér navne, emailadresser, telefonnumre, kontonumre og andre direkte identifikatorer før afsendelse.
- Generaliser præcise datoer, detaljerede steder, sjældne roller og usædvanlige hændelser, når præcisionen ikke er nødvendig.
- Afgør, om konsistente tokens som [KUNDE_01] er nødvendige; kan de sammenkædes, skal materialet klassificeres som pseudonymiserede personoplysninger.
- Opbevar nøgle, originaldokument og hemmeligheder separat, begræns adgangen, og beskyt dem med tekniske og organisatoriske foranstaltninger.
- Test isolering, sammenkædning og slutninger mod intern viden, offentlige kilder og realistiske fremtidige modtagere.
- Kontrollér AI-leverandør, abonnement, opbevaring, modeltræning, underdatabehandlere, overførsler og kontraktvilkår; maskering erstatter ikke leverandørkontrol.
- Dokumentér vurdering, ansvarlig, tiltænkte modtagere og dato for genvurdering, og gentag vurderingen, når kontekst, data eller teknologi ændres.
- Behandl ved tvivl indholdet som personoplysninger, og inddrag jeres databeskyttelsesrådgiver eller DPO.
Hvornår er maskeret indhold stadig personoplysninger?
Antag, at det fortsat er personoplysninger, når organisationen beholder originalen eller tokennøglen, når personen kan identificeres ud fra konteksten, når samme token forbinder flere datasæt, eller når en modtager med rimelighed kan få supplerende oplysninger. At fjerne navne er afidentifikation, ikke bevis på anonymitet. Konklusionen afhænger af data, formål, modtagere, tilgængelige hjælpemidler og nutidig teknologi — og bør dokumenteres frem for at blive udledt af navnet på en softwarefunktion.
Brug AIamigo som beskyttelse før afsendelse
AIamigo opdager følsomme oplysninger og lader brugeren maskere dem, før indhold sendes til understøttede AI-værktøjer. Det kan reducere unødig eksponering og understøtte dataminimering i daglige prompts. Det beviser ikke i sig selv, at enhver maskeret prompt eller ethvert AI-svar er anonymt: Resterende kontekst, ensartede erstatningstokens, kildedokumenter og oplysninger andre steder kan stadig gøre en person identificerbar. Behandl resultatet efter jeres dokumenterede vurdering og øvrige GDPR-kontroller.
Related resources
Ofte stillede spørgsmål
Hvad er forskellen på anonymisering og pseudonymisering?
Anonymisering betyder, at personer ikke længere er identificerede eller identificerbare for de relevante parter med hjælpemidler, der med rimelighed kan forventes anvendt. Pseudonymisering forhindrer henføring uden særskilt beskyttede supplerende oplysninger, men efterlader normalt data som personoplysninger hos den dataansvarlige, der kan genskabe forbindelsen.
Er pseudonymiserede data stadig personoplysninger efter GDPR?
Som udgangspunkt ja — især for den dataansvarlige, der har originaldata, nøgle eller andre muligheder for henføring. Modtagerens situation kan kræve en mere nuanceret vurdering, men en kode i stedet for et navn fjerner ikke automatisk GDPR-kravene.
Bliver en AI-prompt anonym, når man fjerner navne?
Ikke nødvendigvis. Datoer, steder, sjældne hændelser, roller, citeret tekst og andre detaljer kan udpege personen, forbinde prompten med en anden kilde eller afsløre meningsfuld information om en identificerbar person.
Hvilke anonymiseringskriterier bruger EDPB i 2026?
Høringsversionen af retningslinjerne 02/2026 anvender No Record Isolation, No Linkage og No Inference. Opfyldelse af alle tre understøtter anonymitet; hvis ét kriterium fejler, kræves yderligere analyse. Den 23. august 2026 var retningslinjerne ikke endelige.
Kan AIamigo garantere anonymisering efter GDPR?
Nej, den juridiske konklusion kan ikke drages ud fra maskering af identifikatorer alene. AIamigo opdager og maskerer følsomt indhold før afsendelse og reducerer eksponeringen, men kontekst eller oplysninger andre steder kan stadig gøre indholdet til personoplysninger.