---
id: CP-308
slug: anonimizacja-pseudonimizacja-ai-reidentyfikacja
lang: pl
title: Anonimizować lub pseudonimizować przed zadaniem pytania AI
description: Zastąpienie nazwiska kodem nie czyni danych anonimowymi. Co mówią CNIL, ANSSI i NCSC, zanim wklei się tekst do narzędzia AI.
canonical_url: https://startbrain.io/cyberpedia/pl/articles/anonimizacja-pseudonimizacja-ai-reidentyfikacja/
markdown_url: https://startbrain.io/cyberpedia/pl/articles/anonimizacja-pseudonimizacja-ai-reidentyfikacja.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, „Anonimizować lub pseudonimizować przed zadaniem pytania AI”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/pl/articles/anonimizacja-pseudonimizacja-ai-reidentyfikacja/ (CC BY 4.0)
wing: 4
theme: protect_data
reflex: air-024
schema: G5
updated: "2026-11-14"
translations:
  pl: https://startbrain.io/cyberpedia/pl/articles/anonimizacja-pseudonimizacja-ai-reidentyfikacja/
  fr: https://startbrain.io/cyberpedia/fr/articles/anonymisation-pseudonymisation-ia-reidentification/
  en: https://startbrain.io/cyberpedia/en/articles/anonymisation-vs-pseudonymisation-ai-reidentification/
  de: https://startbrain.io/cyberpedia/de/articles/anonymisieren-pseudonymisieren-ki-reidentifizierung/
  es: https://startbrain.io/cyberpedia/es/articles/anonimizar-seudonimizar-ia-reidentificacion/
  it: https://startbrain.io/cyberpedia/it/articles/anonimizzazione-pseudonimizzazione-ia-reidentificazione/
  nl: https://startbrain.io/cyberpedia/nl/articles/anonimiseren-pseudonimiseren-ai-heridentificatie/
  pt: https://startbrain.io/cyberpedia/pt/articles/anonimizacao-pseudonimizacao-ia-reidentificacao/
  ja: https://startbrain.io/cyberpedia/ja/articles/tokumeika-kameika-ai-saishikibetsu/
sources:
  - "n": 1
    title: L’anonymisation de données personnelles
    publisher: CNIL
    url: https://www.cnil.fr/fr/technologies/lanonymisation-de-donnees-personnelles
    published: "2020-05-19"
    accessed: "2026-11-14"
  - "n": 2
    title: Le G29 publie un avis sur les techniques d’anonymisation
    publisher: CNIL
    url: https://www.cnil.fr/fr/le-g29-publie-un-avis-sur-les-techniques-danonymisation
    published: "2016-01-25"
    accessed: "2026-11-14"
  - "n": 3
    title: "ChatGPT and large language models: what's the risk?"
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk
    published: "2023-03-14"
    accessed: "2026-11-14"
  - "n": 4
    title: Security recommendations for a generative AI system
    publisher: ANSSI
    url: https://messervices.cyber.gouv.fr/documents-guides/security_recommandations_for_a_generative_ai_system.pdf
    published: "2024-04-29"
    accessed: "2026-11-14"
  - "n": 5
    title: "Développement des systèmes d'IA : Que faut-il vérifier ?"
    publisher: CNIL
    url: https://www.cnil.fr/sites/default/files/2025-07/ia_liste_de_verification.pdf
    accessed: "2026-11-14"
  - "n": 6
    title: Recommendations on shaping technology according to GDPR provisions - An overview on data pseudonymisation
    publisher: ENISA
    url: https://www.enisa.europa.eu/publications/recommendations-on-shaping-technology-according-to-gdpr-provisions
    published: "2019-01-28"
    accessed: "2026-11-14"
  - "n": 7
    title: "Data Pseudonymisation: Advanced Techniques and Use Cases"
    publisher: ENISA
    url: https://www.enisa.europa.eu/publications/data-pseudonymisation-advanced-techniques-and-use-cases
    published: "2021-01-28"
    accessed: "2026-11-14"
---

# Anonimizować lub pseudonimizować przed zadaniem pytania AI

Zastąpienie nazwiska kodem przed wklejeniem tekstu do narzędzia AI daje wrażenie, że osoba jest chroniona. Według CNIL ten zabieg jest pseudonimizacją, a dane spseudonimizowane nadal mają charakter danych osobowych [1].

Słabym punktem jest zestawianie danych. Nawet bez nazwiska dane z innych źródeł lub rzadkie wartości (wiek, adres) mogą wystarczyć, by kogoś odnaleźć [1]. Europejskie organy ochrony danych ustaliły trzy kryteria oceny, czy zbiór danych jest naprawdę anonimowy [1][2].

## W 30 sekund

- Gdzie to się zdarza: gdy kopiuje się dokument, czasem bardzo długi, do pola zapytania narzędzia AI, aby uzyskać odpowiedź na temat jego treści [3].
- Co jest stawką: zapytanie jest widoczne dla organizacji dostarczającej narzędzie, jest przechowywane i niemal na pewno zostanie wykorzystane do rozwijania usługi lub modelu [3].
- Odruch: wklejać tylko to, co konieczne, usuwać szczegóły pozwalające na zestawienie danych i nigdy nie wysyłać danych wrażliwych do publicznego narzędzia AI online [1][4].

## Pytania wprost

### Jaka jest różnica między anonimizacją a pseudonimizacją?

Anonimizacja sprawia, że w praktyce niemożliwe jest zidentyfikowanie osoby jakimikolwiek środkami, i to w sposób nieodwracalny [1]. Pseudonimizacja polega na zastąpieniu danych bezpośrednio identyfikujących (nazwisko, imię) danymi identyfikującymi pośrednio, takimi jak pseudonim lub kolejny numer [1].

Ta operacja jest odwracalna. Bardzo często można odtworzyć tożsamość osób dzięki danym z zewnętrznych źródeł, więc dane te nadal są danymi osobowymi [1]. G29, które zrzesza europejskie organy ochrony danych, przypomina, że dane spseudonimizowane nie są danymi anonimowymi [2].

### Jeśli nazwisko zostanie zastąpione numerem, czy tekst jest anonimowy?

Nie. CNIL podaje przykład bazy CV, w której numerem zastąpiono tylko nazwisko i imiona, a numer odpowiada tylko jednej osobie: taka baza pozwala wyodrębnić osobę, jest więc spseudonimizowana, a nie zanonimizowana [1].

### Jakie są trzy kryteria G29?

Służą do sprawdzenia, czy zbiór danych jest anonimowy [1][2]:

- Wyodrębnienie: czy w danych da się wyodrębnić jedną osobę? [1][2]
- Powiązanie: czy da się połączyć ze sobą odrębne zbiory danych dotyczące tej samej osoby? [1][2]
- Wnioskowanie: czy można wywnioskować informacje o osobie? [2] CNIL precyzuje: w sposób niemal pewny [1].

Zbiór danych, który nie pozwala ani wyodrębnić, ani powiązać, ani wywnioskować, jest a priori anonimowy. Jeśli choć jedno z tych kryteriów nie jest spełnione, można go uznać za anonimowy dopiero po szczegółowej analizie ryzyka reidentyfikacji [2].

### Czy wystarczy usunąć kilka pól?

Również nie. CNIL radzi usuwać elementy bezpośredniej identyfikacji, ale także rzadkie wartości, które ułatwiłyby reidentyfikację. Podaje przykład wieku, który pozwala bardzo łatwo odnaleźć osoby stuletnie [1].

### Czy narzędzie AI zachowuje to, co się w nim wpisuje?

Brytyjskie NCSC wskazywało w 2023 r., że model AI nie dodaje automatycznie zapytań użytkowników do swojego modelu, ale że zapytania te pozostają widoczne dla dostawcy i są przechowywane [3]. ANSSI zauważa, że w przypadku większości usług przesłane dane są zbierane i wykorzystywane przez dostawcę do optymalizacji modeli [4].

## Jak to działa

CNIL dzieli techniki anonimizacji na dwie rodziny [1]. Randomizacja zmienia atrybuty tak, by były mniej precyzyjne, przy zachowaniu ogólnego rozkładu; chroni przed wnioskowaniem, a CNIL podaje jako przykład permutację dat urodzenia [1]. Uogólnianie zmienia skalę atrybutów tak, by były wspólne dla grupy osób; zapobiega wyodrębnieniu i ogranicza powiązania, na przykład przez zastąpienie daty urodzenia samym rokiem [1].

Lista kontrolna CNIL dla twórców systemów AI wskazuje ten sam kierunek: zaleca preferowanie formatów mniej inwazyjnych, na przykład przedziału wiekowego zamiast pełnej daty urodzenia [5].

ENISA poświęciła pseudonimizacji dwa raporty: pierwszy, opublikowany w styczniu 2019 r., bada pojęcie i różne techniki [6]; drugi, ze stycznia 2021 r., analizuje zaawansowane rozwiązania dla bardziej złożonych scenariuszy [7].

## Co robić

- Wklejać tylko to, co konieczne. ANSSI prosi, na zasadzie ostrożności, by nigdy nie umieszczać danych wrażliwych podmiotu w zapytaniach do internetowej usługi generatywnej AI [4]. Zalicza do nich informacje osobowe (dane kontaktowe, informacje prywatne), dane umowne, prawne i finansowe oraz tajemnice informatyczne, takie jak hasła czy klucze API [4].
- Usuwać szczegóły, które pozwalają na zestawienie danych: rzadkie wartości, dokładny wiek, pełną datę urodzenia [1][5]. Nazwisko zastąpione kodem nie wystarcza [1].
- Nie przesyłać do publicznego narzędzia zapytania, które sprawiałoby problem, gdyby stało się publiczne. Tak zaleca NCSC [3].
- W przypadku danych wrażliwych ANSSI odrzuca narzędzia publiczne, takie jak ChatGPT, Gemini, Copilot, DeepL czy Perplexity [4]. NCSC wyjaśnia, że istnieją modele prywatne, oferowane przez dostawcę chmury lub hostowane wewnętrznie, ale że warunki korzystania i politykę prywatności modelu dostarczanego przez chmurę należy zrozumieć [3].

## Pułapki

- Kod zastępujący nazwisko: wyodrębnia osobę zamiast ją chronić [1].
- Zestawianie z innymi danymi. Baza adresów nie może być uznana za anonimową, jeśli inne bazy zawierają te same adresy wraz z danymi identyfikującymi [1]. ANSSI wymienia też reidentyfikację przez krzyżowanie z innymi zbiorami danych wśród ataków na dane zanonimizowane [4].
- Wnioskowanie. W przykładzie CNIL zbiór danych o podatkach pokazuje, że wszyscy mężczyźni w wieku od 20 do 25 lat, którzy odpowiedzieli, nie podlegają opodatkowaniu: skoro wiadomo, że pan X, lat 24, odpowiedział, można wywnioskować, że nie podlega opodatkowaniu [1].
- Wrażliwość wynikająca z osoby, która zadaje pytanie. NCSC podaje przypadek osoby z kierownictwa, która zapytałaby, jak zwolnić pracownika, i przypomina, że informacje sumują się z jednego zapytania na drugie pod tym samym identyfikatorem [3].
- Wycieki. Przechowywane zapytania mogą zostać zhakowane, ujawnione lub przypadkowo upublicznione, a operator narzędzia może zostać przejęty przez organizację, której podejście do prywatności jest inne [3].
- Anonimowość, która się zużywa. Techniki anonimizacji i reidentyfikacji się rozwijają, co wymaga regularnego śledzenia zmian od tego, kto twierdzi, że zanonimizował dane [1][2].

## Źródła

1. CNIL, „L’anonymisation de données personnelles”, 19 maja 2020. https://www.cnil.fr/fr/technologies/lanonymisation-de-donnees-personnelles (dostęp 14 listopada 2026)
2. CNIL, „Le G29 publie un avis sur les techniques d’anonymisation”, 25 stycznia 2016. https://www.cnil.fr/fr/le-g29-publie-un-avis-sur-les-techniques-danonymisation (dostęp 14 listopada 2026)
3. NCSC (Royaume-Uni), „ChatGPT and large language models: what's the risk?”, 14 marca 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (dostęp 14 listopada 2026)
4. ANSSI, „Security recommendations for a generative AI system”, 29 kwietnia 2024. https://messervices.cyber.gouv.fr/documents-guides/security_recommandations_for_a_generative_ai_system.pdf (dostęp 14 listopada 2026)
5. CNIL, „Développement des systèmes d'IA : Que faut-il vérifier ?”. https://www.cnil.fr/sites/default/files/2025-07/ia_liste_de_verification.pdf (dostęp 14 listopada 2026)
6. ENISA, „Recommendations on shaping technology according to GDPR provisions - An overview on data pseudonymisation”, 28 stycznia 2019. https://www.enisa.europa.eu/publications/recommendations-on-shaping-technology-according-to-gdpr-provisions (dostęp 14 listopada 2026)
7. ENISA, „Data Pseudonymisation: Advanced Techniques and Use Cases”, 28 stycznia 2021. https://www.enisa.europa.eu/publications/data-pseudonymisation-advanced-techniques-and-use-cases (dostęp 14 listopada 2026)

---

Źródło oryginalne: Cyberpedia, publiczna encyklopedia cyberbezpieczeństwa i AI wydawana przez Brain. Wersja kanoniczna: https://startbrain.io/cyberpedia/pl/articles/anonimizacja-pseudonimizacja-ai-reidentyfikacja/
Możesz swobodnie wykorzystywać ten tekst na licencji CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), pod warunkiem podania „Brain, Cyberpedia” wraz z odnośnikiem do powyższego adresu.
