Usuń PESEL, nazwiska i adresy z dokumentów przed wysłaniem ich do modelu AI

Pseudonimizuj umowy, pisma, zgłoszenia klientów i dokumentację kadrową lokalnie na komputerze, zachowując sens relacji między podmiotami.

Automatyczna anonimizacja wspiera ochronę prywatności, jednak przy danych szczególnych kategorii i tajemnicy zawodowej zawsze zweryfikuj wynik ręcznie przed wysłaniem pliku poza organizację.

Cztery pułapki pozornej anonimizacji dokumentów w polszczyźnie

  1. 01

    Uwzględnij polską odmianę imion, nazwisk i nazw miast

    Proste wyszukaj-i-zamień usunie 'Jan Kowalski', ale zostawi 'Jana Kowalskiego' oraz 'Janowi Kowalskiemu' w dalszych paragrafach — użyj modelu NER dla języka polskiego.

  2. 02

    Nie zasłaniaj tekstu czarnym prostokątem w zwykłym edytorze PDF

    Narysowanie czarnego paska na PDF-ie zostawia pod spodem możliwy do skopiowania tekst; używaj wyłącznie funkcji trwałej redakcji (Sanitize / Redact) wypalającej warstwę.

  3. 03

    Wyczyść ukryte metadane autora, komentarze i historię zmian

    Pliki DOCX zawierają w środku nazwiska osób edytujących oraz usunięte wcześniej akapity z trybu śledzenia zmian, które model AI bez trudu odczytuje.

  4. 04

    Zachowaj spójne tokeny zastępcze dla zrozumienia relacji

    Zamiast zamieniać każdą osobę na identyczne słowo '[USUNIĘTO]', stosuj stałe etykiety '[WYNAJMUJĄCY]', '[NAJEMCA]', '[PODWYKONAWCA_A]', aby AI nie pomyliło stron sporu.

Najczęściej zadawane pytania

Dlaczego zamalowanie tekstu na czarno w programie graficznym lub prostym czytniku PDF bywa niebezpieczne?

W wielu edytorach czarny kształt jest tylko nakładką graficzną nad tekstem — po wgraniu takiego pliku do AI parser tekstu nadal czyta ukryty PESEL i nazwisko spod prostokąta.

Czym różni się anonimizacja od odwracalnej pseudonimizacji podczas pracy z czatem AI?

Przy pseudonimizacji lokalny program zapisuje u Ciebie klucz słownikowy (np. OSOBA_A = Anna Nowak), wysyła bezpieczny tekst do AI, a w gotowym szkicu z powrotem podstawia właściwe dane.

Czy skróty regex wystarczą do wykrycia wszystkich danych osobowych w polskim piśmie?

Wyrażenia regularne świetnie łapią PESEL, NIP, IBAN, kody pocztowe i e-maile, ale do imion, adresów opisowych czy stanowisk potrzebny jest lokalny model rozpoznawania encji (NER).

Dowiedz się więcej

Powiązane poradniki i wyjaśnienia do tego zadania