Dane osobowe w systemach AI (PII)

Dane osobowe w systemach AI to informacje o zidentyfikowanej lub możliwej do zidentyfikowania osobie, które system odbiera, wykorzystuje albo zapisuje. W praktyce mogą to być nie tylko imię, e-mail i telefon. Dane mogą ujawniać też identyfikator klienta, adres, nagranie rozmowy, historia zakupów, opis problemu zdrowotnego, treść CV lub połączenie kilku pozornie zwykłych pól. Skrót PII, czyli personally identifiable information, jest popularny w dokumentacji technicznej. W Europie punktem odniesienia jest jednak pojęcie danych osobowych i zasady RODO. Sam fakt, że dane przechodzą przez model językowy, nie usuwa odpowiedzialności za ich przetwarzanie.

W systemie AI dane nie żyją wyłącznie w oknie czatu. Mogą wejść przez formularz, CRM, dysk, transkrypcję spotkania, webhook albo załącznik. Potem trafiają do promptu, wektorowej bazy wiedzy, logów obserwowalności, kolejki błędów, narzędzia wyszukiwania lub zewnętrznego MCP. Dlatego pytanie „czy mogę wkleić to do AI?” jest za wąskie. Lepsze pytania brzmią: jakie dokładnie pola opuszczają mój system, do którego dostawcy, na jak długo oraz kto ma do nich dostęp. Europejska Komisja przypomina o zasadach minimalizacji danych, ograniczenia celu, ograniczenia przechowywania i rozliczalności. To konkretna lista projektowa, nie tylko formalność.

Praktyczny przykład: automatyzacja po formularzu konsultacji ma przygotować streszczenie potrzeb leada. Nie musi dostawać pełnego numeru telefonu, adresu ani całej historii korespondencji. Przekaż tylko pola potrzebne do decyzji, na przykład branżę, cel, budżet zapisany przedziałem i opis problemu. E-mail zastąp w przebiegu technicznym identyfikatorem rekordu CRM, a kontakt pobierz dopiero w zatwierdzonym kroku wysyłki. Jeśli model ma wyprodukować szkic follow-upu, nie przekazuj mu danych, których nie musi cytować. Taka minimalizacja zmniejsza szkody po błędzie integracji i ułatwia wyjaśnienie działania workflow.

Pseudonimizacja i anonimizacja nie są tym samym. Zastąpienie nazwiska etykietą „Klient 17” może ograniczyć ekspozycję w promptach, ale jeśli firma potrafi odwrócić mapowanie lub połączyć dane z innymi informacjami, nadal pracuje na danych osobowych. Anonimizacja wymaga, aby identyfikacja nie była rozsądnie możliwa. Nie zakładaj więc, że usunięcie imienia automatycznie rozwiązuje problem. Sprawdź także treść swobodnego opisu, nazwę firmy jednoosobowej, lokalizację i unikalne zdarzenia. W przypadku danych szczególnie wrażliwych, decyzji o człowieku lub informacji objętych tajemnicą zawodową nie improwizuj. Ustal podstawę i proces z osobą odpowiedzialną za ochronę danych.

Konfiguracja dostawcy ma znaczenie, lecz nie zastępuje projektu procesu. OpenAI opisuje osobno retencję, rezydencję danych i funkcje, które mogą tworzyć stan aplikacji. Anthropic rozróżnia standardowe zasady retencji oraz ustalenia zero data retention, przy czym zakres zależy od organizacji i funkcji. To znaczy, że nie można przenosić deklaracji z jednego produktu, planu lub endpointu na drugi. Przed użyciem narzędzia sprawdź aktualną dokumentację konkretnej usługi, warunki umowy oraz ustawienia konta. Zapisz tę decyzję przy workflowie, aby po zmianie dostawcy lub funkcji nie opierać się na pamięci.

Zacznij od prostego rejestru przepływu: źródło danych, pola, cel biznesowy, odbiorca, miejsce zapisu, retencja i właściciel procesu. Następnie wprowadź bariery. Ogranicz pola w webhooku, maskuj dane w logach, rozdziel klucze dostępu, ustaw minimalne uprawnienia i nie pozwalaj agentowi samodzielnie wysyłać informacji wrażliwych. Dla spraw nietypowych dodaj kolejkę do ręcznego zatwierdzenia. To łączy ochronę danych z niezawodnością: przypadkowy prompt injection lub błędne wywołanie narzędzia ma wtedy mniejszy zasięg. Najpierw zabezpiecz workflow z największą liczbą kontaktów albo najwyższym kosztem pomyłki.

Ten materiał nie jest poradą prawną ani listą certyfikatów dla każdego narzędzia AI. Ocena zależy od kraju, roli firmy, kategorii danych, umów i konkretnego użycia. Nie wystarczy też jednorazowy audyt. Zmiana modelu, dodanie transkrypcji, nowego konektora lub logowania może stworzyć nowy przepływ danych. Dobra praktyka operacyjna to wracanie do mapy danych przy każdej zmianie workflowu. Dzięki temu AI wspiera sprzedaż i obsługę klienta bez traktowania ich informacji jak darmowego paliwa do eksperymentu.