Momentum AI

Blog

GDPR og AI: hvad må medarbejderne taste ind?

GDPR og AI mødes, så snart en prompt indeholder personoplysninger. Her er spørgsmålene, I skal kunne svare på, og vanerne, der beskytter jer.

Nærportræt af Adam Hjelmar i blazer og hvid skjorte

Af Adam Hjelmar7 min. læsning

gdprdatasikkerhed

Et glaskort med et dokument, hvor flere linjer er dækket af mørke bjælker, ved siden af en brik med en hængelås på et bølgende ark i lilla og fersken

Må en medarbejder indsætte en mail fra en kunde i ChatGPT eller Copilot for at få hjælp til svaret? Det er det spørgsmål, vi oftest får, når snakken falder på GDPR og AI, og det ærlige svar er: Det afhænger af, hvad mailen indeholder, hvilket værktøj der er tale om, og hvad svaret skal bruges til. Databeskyttelsesreglerne gælder fuldt ud, også når behandlingen sker i en samtale med en sprogmodel. Men de forbyder ikke at bruge AI. De stiller krav til, hvordan det sker.

Denne artikel gennemgår de spørgsmål, organisationen skal kunne svare på, og de vaner, der gør det let for medarbejderne at gøre det rigtige i hverdagen.

Hvornår GDPR og AI mødes

En personoplysning er enhver oplysning om en identificeret eller identificerbar person. Et navn er det åbenlyse eksempel, men det samme gælder en mailadresse, et ordrenummer, et lejemål eller en beskrivelse, der er præcis nok til, at man kan regne ud, hvem det handler om (“vores eneste kvindelige lagerchef i Esbjerg”).

Når en medarbejder indsætter sådan en oplysning i en prompt, er det en behandling af personoplysninger. Det samme gælder, når et dokument uploades, eller når værktøjet selv henter en mail eller et referat frem. Og det gælder den anden vej: Skriver modellen en vurdering af en navngiven medarbejder eller kunde, er svaret også en personoplysning, som organisationen har ansvaret for.

Det er værd at holde to begreber adskilt. “Anonymiserede” oplysninger kan ikke længere føres tilbage til en person, og de er uden for GDPR. “Pseudonymiserede” oplysninger, hvor navnet fx er skiftet ud med “Kunde A”, men nøglen findes et andet sted, er stadig personoplysninger. Pseudonymisering er en god vane, fordi den mindsker risikoen. Den gør bare ikke reglerne ligegyldige.

De spørgsmål, I skal kunne svare på

Det er organisationen, der er dataansvarlig, ikke medarbejderen og ikke leverandøren. Derfor skal svarene herunder ligge fast, før medarbejderne står med opgaven. Ellers bliver de besvaret af den enkelte under tidspres.

Er værktøjet godkendt til personoplysninger?

Et værktøj, som organisationen har indkøbt med en databehandleraftale, og hvor nogen har vurderet sikkerheden, er et helt andet sted end en gratis konto, en medarbejder har oprettet med sin private mail. I det første tilfælde behandler leverandøren oplysningerne på organisationens vegne og efter dens instrukser. I det andet er der ingen aftale, og organisationen har ingen kontrol med, hvad der sker med indholdet.

For mange organisationer er Copilot i Microsoft 365 det naturlige udgangspunkt, fordi værktøjet bygger videre på en aftale og en ramme for databeskyttelse, de allerede har. Vi har beskrevet forskellene nærmere i ChatGPT eller Copilot: hvad betyder data og sikkerhed? Men en godkendt platform besvarer kun det første spørgsmål. Den siger ikke, hvilke oplysninger der må bruges til hvad.

Må oplysningerne bruges til netop denne opgave?

Personoplysninger må kun behandles til de formål, de er indsamlet til, og kun i det omfang, det er nødvendigt. Det kaldes “formålsbegrænsning” og “dataminimering”, og de to principper afgør det meste i praksis.

Har en kunde skrevet en klage, er det som udgangspunkt i tråd med formålet at bruge klagen til at formulere et svar. Det er noget andet at lægge alle kundens henvendelser ind for at få en vurdering af, om kunden er “besværlig”. Teknisk er det den samme handling. Juridisk er det to forskellige behandlinger.

Dataminimering er det princip, medarbejderne kan bruge direkte: Indsæt ikke mere, end opgaven kræver. Et svar på en klage kræver sjældent kundens fulde navn, adresse og kundenummer.

Er der følsomme oplysninger eller CPR-numre?

Oplysninger om helbred, etnisk oprindelse, religion, politisk overbevisning, fagforeningsforhold, seksuelle forhold og genetiske eller biometriske data er “særlige kategorier” og har et skærpet beskyttelsesniveau. CPR-numre og oplysninger om strafbare forhold har også særlige regler i dansk ret.

Vores anbefaling er enkel: Hold de oplysninger ude af prompten, medmindre netop den anvendelse er vurderet og godkendt. Det er her, fejlene er dyrest, og det er sjældent her, en sprogmodel gør den store forskel.

Hvad sker der med svaret?

Sprogmodeller hallucinerer, altså finder på information, der lyder rigtig, men ikke stemmer overens med virkeligheden. Det er en kendt og forventelig fejltype. Vi har forklaret mekanikken i vores introduktion til generativ AI. Når svaret handler om en person, bliver fejlen et databeskyttelsesproblem, for oplysninger om personer skal være korrekte.

Et referat fra en personalesamtale eller en opsummering af en borgers sag skal derfor kontrolleres af en, der kender sagen, før det gemmes eller sendes. Og I skal vide, hvor prompten og svaret ender bagefter.

Modellen har brug for situationen, ikke for personen

Beskyttelse og kvalitet kan se ud til at trække i hver sin retning, for jo mindre kontekst du giver, jo mere skal modellen gætte. Men kontekst og personoplysninger er ikke det samme.

Modellen har brug for at “aflæse” situationen: hvem der skriver til hvem, hvad sagen handler om, hvad der er aftalt, og hvilken tone svaret skal have. Den har ikke brug for at vide, at kunden hedder Birthe og bor på Vestergade 12. Når navnet skiftes ud med en rolle, mister svaret ingenting, for modellen beregner det mest sandsynlige svar ud fra mønstre i teksten, ikke ud fra en “viden” om den konkrete person.

Et eksempel: svar på en klage over varmeregnskabet

En medarbejder i en ejendomsadministration har fået en vred mail fra en lejer, der har fået en efterbetaling på varmeregnskabet. Lejeren skriver sit navn, sin adresse og sit lejemålsnummer og nævner, at vedkommende har været sygemeldt i flere måneder og derfor har været meget hjemme.

Den hurtige løsning er at indsætte hele mailen og skrive “svar på denne”. Den bedre løsning beskriver situationen og lader personen blive i postsystemet:

Du er kundeservicemedarbejder i en ejendomsadministration. Skriv et udkast til et svar til en lejer, der har klaget over en efterbetaling på årets varmeregnskab. Lejeren mener, at beløbet er for højt, og forklarer, at vedkommende har været mere hjemme end normalt. Efterbetalingen skyldes primært en højere varmepris end året før, og lejerens forbrug ligger på niveau med sammenlignelige lejemål i ejendommen. Svaret skal anerkende henvendelsen, forklare de to forhold i almindeligt sprog og tilbyde en afdragsordning. Hold det under 150 ord, og brug [Navn] som pladsholder for lejerens navn.

Prompten følger bogens tre komponenter: Målet er udkastet til svaret, konteksten er situationen og fakta i sagen, og forventningerne er indhold, længde og tone. Helbredsoplysningen er skrevet om til “mere hjemme end normalt”, for det er det, der er relevant for svaret. Navn, adresse og lejemålsnummer sættes ind bagefter, i det system, hvor de hører hjemme.

Vi har undervist flere organisationer i apoteksbranchen og i fagforeninger, hvor medarbejderne hver dag arbejder med oplysninger om helbred, medicin og medlemskab af en fagforening. De hører alle til de særlige kategorier, og derfor øver deltagerne sig ikke med rigtige henvendelser. De øver sig i at beskrive situationen i stedet. En henvendelse om receptmedicin, der ikke var klar til afhentning, bliver til “en kunde, der har forgæves været forbi for at hente sin medicin”. En medlemssag bliver til “et medlem, der er uenig i arbejdsgiverens opgørelse af overarbejde”. Vores erfaring er, at svarene bliver lige så brugbare, fordi det er situationen, modellen skal bruge, og ikke personen.

Vanerne, der beskytter jer i hverdagen

Regler i en politik virker først, når de er blevet til vaner. Disse fire er dem, vi anbefaler at øve, til de sidder:

  1. Brug kun de godkendte værktøjer til arbejdsopgaver, og aldrig private konti til materiale fra arbejdet.
  2. Skift navne ud med roller (“kunden”, “medarbejder A”, “leverandøren”), og fjern adresser, kundenumre og andre identifikatorer, før teksten indsættes.
  3. Beskriv det følsomme i stedet for at citere det. Skriv den del af sagen, der er relevant for opgaven, og lad helbredsoplysninger og CPR-numre blive i fagsystemet.
  4. Læs svaret igennem som en sagsbehandler, før det gemmes eller sendes. Oplysninger om personer skal være korrekte, også når en model har formuleret dem.

Vanerne skal stå i jeres AI-politik, men de skal også øves. En medarbejder, der én gang har prøvet at omskrive en rigtig mail til en anonymiseret prompt, gør det næste gang uden at tænke over det. En medarbejder, der kun har læst en regel, gør det sjældent.

Hvor skal I starte?

Find den opgave i organisationen, hvor flest medarbejdere i dag sidder med personoplysninger og en sprogmodel på samme tid. Det er typisk kundeservice, HR eller sagsbehandling. Gå opgaven igennem med de fire spørgsmål ovenfor, og skriv svaret ned i én sætning, medarbejderne kan huske: hvilket værktøj, hvilke oplysninger, og hvem der kontrollerer. Den sætning er mere værd end ti sider, ingen læser.

Skal flere medarbejdere øve vanerne på deres egne opgaver, kan det ske på vores Copilot-workshop. Her taler vi om, hvad datasikkerhed betyder i praksis, og tager udgangspunkt i jeres egne retningslinjer for brug af AI.

Artiklen giver et generelt overblik og kan ikke erstatte en konkret juridisk vurdering.

Vil I vende det med os?

Ring eller skriv, hvis I vil høre, hvad der giver mening i jeres organisation, så tager vi den derfra.

Om forfatteren

Nærportræt af Adam Hjelmar i blazer og hvid skjorte

Adam Hjelmar

Medstifter og jurist. Har sat advokatgerningen på pause for at undervise i generativ AI med særligt blik for ansvarlig brug, datasikkerhed og reglerne på området.

Alle indlæg

Kontakt

Lad os tage en snak

Fortæl kort om jeres organisation, og hvad I overvejer, så vender vi tilbage med et konkret forslag. I er også meget velkomne til at ringe, hvis I gerne vil drøfte jeres behov og muligheder direkte.

Ring til os

60 15 42 25

Adam Hjelmar

ash@momentum-ai.dk

Mads-Bjørn Hjelmar

mbsh@momentum-ai.dk

Skriv gerne lidt om, hvad I overvejer, og hvor mange medarbejdere det drejer sig om.