Kijk hoe een advocaat, een accountant of een arts een AI daadwerkelijk gebruikt bij een echt dossier, en u merkt iets op wat de anonimiseringshulpmiddelen allemaal lijken te hebben gemist: niemand werkt in één keer. Men stelt een vraag, leest het antwoord, stelt een scherpere vervolgvraag, plakt een tweede document, verwijst terug naar het eerste. Het werk is het gesprek. En bijna elke manier om persoonsgegevens te verbergen breekt geruisloos zodra dat gesprek op gang komt.
Die waarneming is de hele reden waarom promptShield de vorm heeft die het heeft. Laten we de gedachte dus helder benoemen, want voor zover wij weten heeft niemand anders zijn product eromheen gebouwd: gespreksstabiele anonimisering — één entiteit houdt één code, van begin tot eind door het gesprek en over elk verwant bestand heen, zodat de AI over het beschermde document redeneert precies zoals over het echte, en u de werkelijke waarden aan het eind getrouw kunt herstellen.
Het werk verloopt in meerdere beurten — de bescherming moet dat dus ook
Stelt u zich de realistische versie van de taak voor. U hebt een contract en de drie addenda ervan. U plakt het contract, geanonimiseerd, en vraagt het model de verplichtingen samen te vatten. Dat doet het. Vervolgens plakt u een addendum en vraagt: "wijzigt dit de betalingsvoorwaarden van de koper ten opzichte van het origineel?" Daarna: "stel een clausule op die het conflict tussen artikel 4 hier en artikel 7 daar oplost."
Opdat dat iets bruikbaars oplevert, moet het model weten dat de "koper" in het contract en de "koper" in het addendum dezelfde rechtspersoon zijn, dat het adres in artikel 4 hetzelfde adres is als dat van drie beurten geleden, dat "de gedaagde" en "mevrouw Laurent" één partij zijn, en niet twee. Coreferentie — de draad van identiteit die door de hele uitwisseling loopt — is geen leuke bijkomstigheid. Het is de essentie van professioneel redeneren. Verbreek die, en het antwoord van de AI is met volle overtuiging fout, op een manier die zelfs moeilijk te ontdekken is.
Anonimisering die een document ziet als "iets om één keer schoon te vegen", ziet dit nooit. Ze reinigt het bestand en geeft het terug. Maar de professional heeft geen bestand; hij heeft een zaak, een dossier, een cliënt — een geheel van verwante stukken waarover hij samen redeneert, in dialoog, in de loop van de tijd. De werkeenheid is niet het document. Het is het gesprek.
Waarom de voor de hand liggende aanpakken bezwijken
Zodra u de taak formuleert als "de identiteit coherent houden over een heel gesprek", ontpoppen de gangbare technieken zich als het verkeerde werktuig:
| Aanpak | Wat die doet | Waarom het gesprek die onderuithaalt |
|---|---|---|
| Zwarte balken | Dekt de tekst op de pagina af | Het model kan niet redeneren over wat het niet ziet: geen enkele latere "de koper" verwijst nog ergens naar |
| De namen wissen | Verwijdert de entiteit zonder meer | Verschillende mensen vallen samen in hetzelfde gat, en het model verzint stilletjes iemand om het te vullen |
| Elke run een nieuw label | Maakt bij elke doorloop een nieuw pseudoniem aan | De tweede beurt hernoemt iedereen: één persoon wordt er twee, en niets wijst op de tegenspraak |
| Zoeken en vervangen | Koppelt één schrijfwijze aan één tekenreeks | Mist verbuigingen, initialen en aliassen — en weet niets van het tweede document dat u plakt |
| Tokenisatie per document | Stabiele codes, maar alleen binnen één bestand | Een contract en zijn addendum geven dezelfde partij verschillende codes, dus redeneren over bestanden heen faalt geruisloos |
Het patroon is in elke regel hetzelfde: elke aanpak is prima om "dit ene blok tekst te ontsmetten", en elke aanpak faalt zodra het werk een gesprek wordt. Ze zijn ontworpen voor een andere werkeenheid dan die welke professionals daadwerkelijk hebben.
Wat gespreksstabiele anonimisering vereist
De leemte benoemen is makkelijk; haar dichten kent echte eisen, en die zijn de reden waarom dit een product is en geen zoek-en-vervang-macro.
Een stabiele identiteit. Dezelfde entiteit moet elke keer dat ze verschijnt naar dezelfde code verwijzen — niet alleen binnen een document, maar over het hele gesprek en elk gekoppeld bestand. In promptShield krijgt "John Smith" dezelfde code (zeg [P0ABCD]) of hij nu in het contract, de factuur of de e-mailbijlage staat, omdat verwante bestanden één coderegister delen. Zet ze in dezelfde map en de koppeling gebeurt automatisch — zonder enige configuratie.
Getypeerde, leesbare codes. Een code is [P0ABCD], [A1WXYZ], [B2KLMN] — de eerste letter geeft het type aan (P voor persoon, A voor adres, B voor IBAN), zodat het model nog steeds weet dat het redeneert over een persoon, een adres, een rekening, en een werkelijk bruikbaar antwoord kan geven in plaats van zich te verslikken in ondoorzichtige ruis. Een instructie reist mee met de download en vraagt de AI de codes exact zo terug te geven. De structuur die de AI helpt, blijft behouden; alleen de identiteit wordt verborgen.
Een getrouwe heen-en-terugweg. Identiteit verbergen is maar de helft van het werk. De koppeling van code terug naar de oorspronkelijke waarde wordt lokaal bewaard, zodat u, wanneer het antwoord van de AI terugkomt vol [P0ABCD] en [B2KLMN], het in één stap decodeert en een resultaat krijgt dat leest alsof u nooit iets had geanonimiseerd. Het zijn de stabiele codes die dit decoderen ondubbelzinnig maken: één code, één origineel, elke keer.
Zet dat alles bij elkaar en u krijgt de eigenschap die telt: de AI werkt op het beschermde document precies zoals op het echte. Hetzelfde redeneren, dezelfde kruisverwijzingen, dezelfde coherentie over meerdere beurten — zonder dat er ooit een echte identiteit in het gesprek aanwezig is, en met een schoon herstel aan het eind.
De lus, van begin tot eind
In de praktijk is het één doorlopende lus, en die volgt het ritme van echt werk in plaats van het te onderbreken:
- Coderen. Elke entiteit wordt vervangen door een stabiele, getypeerde code; gekoppelde bestanden delen het register; een mens beoordeelt de detecties voordat er iets wordt vastgelegd. (Bij de documenten met hoge inzet is die menselijke beoordeling juist de hele kern — zie waarom een mens in de lus blijft.)
- Converseren. Plak de beschermde versie in ChatGPT, Claude of welk model dan ook. Stel vervolgvragen. Plak meer documenten uit hetzelfde dossier. Verwijs terug. De identiteiten blijven coherent zolang het gesprek loopt, omdat de codes niet verschuiven.
- Decoderen. Breng de uitvoer van de AI terug en herstel elke code naar de werkelijke waarde in één stap — een eindresultaat dat leest alsof de echte namen er de hele tijd in hadden gestaan.
En omdat de hele lus op uw machine draait, verlaat geen enkel deel van het dossier — niet de originelen, niet de codetabel, niet één beurt van de beschermde tekst van het gesprek — ooit uw perimeter.
De categorie die wij opeisen
Tal van hulpmiddelen kunnen een naam verbergen. Sommige kunnen dat zelfs coherent doen als u ze daarvoor instelt. Wat op de markt ontbreekt, is niet de mogelijkheid op zichzelf — het is een product dat gebouwd is rondom de manier waarop professionals daadwerkelijk met AI werken: iteratief, van beurt tot beurt, over gekoppelde bestanden heen, met een mens die instaat voor het resultaat en een schone heen-en-terugweg aan het eind. Dat is de workflow waarvoor promptShield van de grond af is ontworpen, en het is de gedachte waaraan wij een naam zouden willen geven.
Noem het gespreksstabiele anonimisering. Eén entiteit, één code, van begin tot eind — zodat u AI eindelijk kunt inzetten op de documenten die ertoe doen, op de manier waarop u er al over denkt: niet als bestanden die schoongeveegd moeten worden, maar als een dossier dat behandeld moet worden.
Veelgestelde vragen
Waarom moet dezelfde naam elke keer dezelfde code krijgen?
Omdat professionals niet in één keer anonimiseren. Ze stellen een vervolgvraag, plakken een tweede document en redeneren over beide. Krijgt dezelfde persoon elke beurt een andere code, dan leest de AI over twee verschillende mensen.
Wat gaat er stuk als de codes per document verschillen?
Het redeneren over bestanden heen. Een contract en zijn addendum verwijzen niet langer naar dezelfde partij, en elke conclusie over het paar is fout. Daarom houdt omkeerbare zwartlakking één vaste code per entiteit aan in plaats van een nieuw label per run.
Wordt de sleutel ergens online bewaard?
Nee. Het register van code naar waarde blijft op de machine die het aanmaakte, dezelfde ontwerpkeuze als achter de motor die we juist daarvoor schreven.