---
id: CP-308
slug: anonimizacao-pseudonimizacao-ia-reidentificacao
lang: pt
title: Anonimizar ou pseudonimizar antes de interrogar uma IA
description: Substituir um nome por um código não torna um dado anónimo. O que dizem a CNIL, a ANSSI e o NCSC antes de colar um texto numa IA.
canonical_url: https://startbrain.io/cyberpedia/pt/articles/anonimizacao-pseudonimizacao-ia-reidentificacao/
markdown_url: https://startbrain.io/cyberpedia/pt/articles/anonimizacao-pseudonimizacao-ia-reidentificacao.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, «Anonimizar ou pseudonimizar antes de interrogar uma IA», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/anonimizacao-pseudonimizacao-ia-reidentificacao/ (CC BY 4.0)
wing: 4
theme: protect_data
reflex: air-024
schema: G5
updated: "2026-11-14"
translations:
  pt: https://startbrain.io/cyberpedia/pt/articles/anonimizacao-pseudonimizacao-ia-reidentificacao/
  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/
  pl: https://startbrain.io/cyberpedia/pl/articles/anonimizacja-pseudonimizacja-ai-reidentyfikacja/
  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"
---

# Anonimizar ou pseudonimizar antes de interrogar uma IA

Substituir um nome por um código antes de colar um texto numa ferramenta de IA dá a impressão de proteger a pessoa. Para a CNIL, este gesto é pseudonimização, e os dados pseudonimizados continuam a ser dados pessoais [1].

O ponto fraco é o cruzamento. Mesmo sem nome, dados de terceiros ou valores raros (uma idade, uma morada) podem bastar para encontrar alguém [1]. As autoridades europeias de proteção de dados fixaram três critérios para avaliar se um conjunto de dados é verdadeiramente anónimo [1][2].

## Em 30 segundos

- Onde acontece: quando se copia um documento, por vezes muito longo, para o campo de pedido de uma ferramenta de IA, para obter uma resposta sobre o seu conteúdo [3].
- O que está em jogo: o pedido é visível para a organização que fornece a ferramenta, fica armazenado e será quase de certeza utilizado para desenvolver o serviço ou o modelo [3].
- O reflexo: não colar mais do que o necessário, retirar os pormenores que permitem o cruzamento e nunca enviar dados sensíveis para uma ferramenta de IA pública em linha [1][4].

## Perguntas diretas

### Qual é a diferença entre anonimizar e pseudonimizar?

A anonimização torna impossível, na prática, qualquer identificação da pessoa, por qualquer meio, e de forma irreversível [1]. A pseudonimização consiste em substituir os dados diretamente identificadores (nome, apelido) por dados indiretamente identificadores, como um pseudónimo ou um número sequencial [1].

Esta operação é reversível. Muito frequentemente é possível encontrar a identidade das pessoas graças a dados de terceiros, de modo que os dados em causa continuam a ser pessoais [1]. O G29, que reúne as autoridades europeias de proteção de dados, lembra que os dados pseudonimizados não são dados anónimos [2].

### Se eu substituir um nome por um número, o texto fica anónimo?

Não. A CNIL dá o exemplo de uma base de currículos em que o nome e os apelidos, e mais nada, foram substituídos por um número que corresponde a uma única pessoa: essa base permite individualizar a pessoa, logo está pseudonimizada e não anonimizada [1].

### Quais são os três critérios do G29?

Servem para verificar que um conjunto de dados é anónimo [1][2]:

- A individualização: é possível isolar um indivíduo nos dados? [1][2]
- A correlação: é possível ligar entre si conjuntos de dados distintos relativos a um mesmo indivíduo? [1][2]
- A inferência: é possível deduzir informações sobre um indivíduo? [2] A CNIL precisa: de forma quase certa [1].

Um conjunto de dados que não permite individualizar, correlacionar nem inferir é, à partida, anónimo. Se um único destes critérios não for respeitado, só pode ser considerado anónimo depois de uma análise detalhada dos riscos de reidentificação [2].

### Basta suprimir alguns campos?

Também não. A CNIL aconselha a suprimir os elementos de identificação direta, mas também os valores raros que permitiriam uma reidentificação fácil. Cita a idade, que permite encontrar muito facilmente as pessoas centenárias [1].

### A ferramenta de IA guarda o que lhe escrevo?

O NCSC britânico indicava em 2023 que um modelo de IA não acrescentava automaticamente os pedidos dos utilizadores ao seu modelo, mas que esses pedidos ficavam visíveis para o fornecedor e armazenados [3]. A ANSSI observa que, para a maioria dos serviços, os dados enviados são recolhidos e utilizados pelo fornecedor para otimizar os modelos [4].

## Como funciona

A CNIL agrupa as técnicas de anonimização em duas famílias [1]. A aleatorização modifica os atributos para os tornar menos precisos, mantendo a distribuição global; protege contra a inferência, e a CNIL cita a permutação das datas de nascimento [1]. A generalização muda a escala dos atributos para que sejam comuns a um conjunto de pessoas; evita a individualização e limita as correlações, por exemplo substituindo uma data de nascimento pelo ano, e mais nada [1].

A lista de verificação da CNIL para os conceptores de sistemas de IA vai no mesmo sentido: recomenda privilegiar formatos menos intrusivos, por exemplo um escalão etário em vez de uma data de nascimento completa [5].

A ENISA dedicou dois relatórios à pseudonimização: um primeiro, publicado em janeiro de 2019, explora o conceito e diferentes técnicas [6]; um segundo, de janeiro de 2021, estuda soluções avançadas para cenários mais complexos [7].

## O que fazer

- Não cole mais do que o necessário. A ANSSI pede, por precaução, que nunca se incluam dados sensíveis da entidade nos pedidos a um serviço de IA generativa em linha [4]. Inclui nesses dados as informações pessoais (contactos, informações privadas), os dados contratuais, jurídicos e financeiros, e os segredos informáticos como as palavras-passe ou as chaves de API [4].
- Retire os pormenores que se cruzam: valores raros, idade exata, data de nascimento completa [1][5]. Um nome substituído por um código não basta [1].
- Não submeta a uma ferramenta pública um pedido que causaria problemas se se tornasse público. É a recomendação do NCSC [3].
- Para dados sensíveis, a ANSSI afasta as ferramentas públicas como ChatGPT, Gemini, Copilot, DeepL ou Perplexity [4]. O NCSC precisa que existem modelos privados, propostos por um fornecedor de cloud ou alojados internamente, mas que é preciso compreender as condições de utilização e a política de privacidade de um modelo fornecido pela cloud [3].

## As armadilhas

- O código que substitui o nome: individualiza a pessoa em vez de a proteger [1].
- O cruzamento com outros dados. Uma base de moradas não pode ser considerada anónima se outras bases contiverem essas mesmas moradas com dados identificadores [1]. A ANSSI cita também a reidentificação por cruzamento com outros conjuntos de dados entre os ataques contra os dados anonimizados [4].
- A inferência. No exemplo da CNIL, um conjunto de dados sobre impostos mostra que todos os homens de 20 a 25 anos que responderam não são tributáveis: se se sabe que o Sr. X, de 24 anos, respondeu, deduz-se que não é tributável [1].
- A sensibilidade que vem de quem pergunta. O NCSC cita o caso de um dirigente que perguntasse como despedir um colaborador, e lembra que as informações se agregam de um pedido para outro sob um mesmo identificador [3].
- As fugas. Os pedidos armazenados podem ser pirateados, divulgados ou tornados públicos por acidente, e o operador da ferramenta pode ser adquirido por uma organização com uma abordagem diferente da privacidade [3].
- O anonimato que se desgasta. As técnicas de anonimização e de reidentificação evoluem, o que obriga a uma vigilância regular por parte de quem alega ter anonimizado [1][2].

## Fontes

1. CNIL, «L’anonymisation de données personnelles», 19 de maio de 2020. https://www.cnil.fr/fr/technologies/lanonymisation-de-donnees-personnelles (consultado em 14 de novembro de 2026)
2. CNIL, «Le G29 publie un avis sur les techniques d’anonymisation», 25 de janeiro de 2016. https://www.cnil.fr/fr/le-g29-publie-un-avis-sur-les-techniques-danonymisation (consultado em 14 de novembro de 2026)
3. NCSC (Royaume-Uni), «ChatGPT and large language models: what's the risk?», 14 de março de 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (consultado em 14 de novembro de 2026)
4. ANSSI, «Security recommendations for a generative AI system», 29 de abril de 2024. https://messervices.cyber.gouv.fr/documents-guides/security_recommandations_for_a_generative_ai_system.pdf (consultado em 14 de novembro de 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 (consultado em 14 de novembro de 2026)
6. ENISA, «Recommendations on shaping technology according to GDPR provisions - An overview on data pseudonymisation», 28 de janeiro de 2019. https://www.enisa.europa.eu/publications/recommendations-on-shaping-technology-according-to-gdpr-provisions (consultado em 14 de novembro de 2026)
7. ENISA, «Data Pseudonymisation: Advanced Techniques and Use Cases», 28 de janeiro de 2021. https://www.enisa.europa.eu/publications/data-pseudonymisation-advanced-techniques-and-use-cases (consultado em 14 de novembro de 2026)

---

Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/anonimizacao-pseudonimizacao-ia-reidentificacao/
Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.
