Anonimização e pseudonimização

Anonimização é transformar o dado de modo que não possa mais ser associado a uma pessoa por meios razoáveis; o dado deixa de ser pessoal. Pseudonimização é substituir os identificadores por códigos, mantendo uma chave separada; o dado continua pessoal, mas com risco reduzido. Mascaramento de dados pessoais é detectar e substituir nomes, documentos e contatos em um texto antes de enviá-lo ao modelo ou de armazená-lo em log. Anonimização fraca é um risco: combinar poucos atributos (CEP, data de nascimento, gênero) reidentifica a maioria das pessoas.

Em Produto, vale mascarar dados pessoais antes de enviar a fornecedores externos e antes de gravar traces. Para treinar com dados reais, pseudonimizar e minimizar. O cuidado é com a anonimização que parece suficiente e não é. Remover o nome não anonimiza um registro que tem CEP, data de nascimento e gênero. Por exemplo, o pipeline substitui CPF por um token e nomes por “[CLIENTE]” nas transcrições antes de indexá-las no RAG de análise de reclamações.

Use anonimização para dados que não precisam voltar à pessoa, como análises e treinamento. Use pseudonimização quando é preciso religar os dados à pessoa depois, como em operação. Use mascaramento como controle em tempo real, antes de enviar ao modelo ou gravar. Uma forma simples de diferenciar: anonimizado não volta; pseudonimizado volta com a chave; mascarado é o que o modelo vê.

Estatística de sigilo (anos 1970); definidas legalmente pelo GDPR (2016) e pela LGPD (Art. 5 e 12).

LGPD, Art. 5, III e XI, e Art. 12; ENISA, Pseudonymisation techniques and best practices