Kijk eens hoe een advocaat, een accountant of een arts AI inzet in een echt dossier. Dan valt meteen iets op wat de anonimiseringshulpmiddelen stuk voor stuk lijken te hebben gemist: niemand werkt in één keer. U 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 begeeft het geruisloos zodra dat gesprek op gang komt.
Die constatering verklaart de hele vorm van promptShield. Laten we hem dus helder benoemen, want voor zover wij weten heeft niemand anders er een product omheen 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 dus ook
Stelt u zich de realistische versie van de taak voor. U hebt een contract met drie addenda. U plakt het contract, geanonimiseerd, en vraagt het model de verplichtingen samen te vatten. Dat doet het. Dan plakt u een addendum: ‘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.’
Wil dat iets bruikbaars opleveren, dan 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, en dat ‘de gedaagde’ en ‘mevrouw Laurent’ één partij zijn en niet twee. Coreferentie, de draad van identiteit die door de hele uitwisseling loopt, vormt de kern van professioneel redeneren. Breekt die draad, dan is het antwoord van de AI met volle overtuiging fout, en nog moeilijk te ontdekken ook.
Anonimisering die een document behandelt 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 die hij in samenhang beoordeelt, in dialoog, over langere tijd. Niet het document is de werkeenheid. Het gesprek is dat.
Waarom de gangbare aanpakken tekortschieten
Zodra u de taak formuleert als ‘de identiteit coherent houden over een heel gesprek’, blijken de gangbare technieken het verkeerde gereedschap:
| Aanpak | Wat die doet | Waarom het gesprek die onderuithaalt |
|---|---|---|
| Zwarte balken | Dekken de tekst op de pagina af | Het model kan niet redeneren over wat het niet ziet: elke latere verwijzing naar ‘de koper’ hangt in de lucht |
| De namen wissen | Haalt de entiteit er zonder meer uit | Verschillende mensen vallen samen in hetzelfde gat, en het model verzint stilletjes iemand om het te vullen |
| Elke keer 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 loopt geruisloos vast |
In elke regel staat hetzelfde patroon: elke aanpak is prima om dit ene blok tekst schoon te vegen, en elke aanpak loopt vast zodra het werk een gesprek wordt. Ze zijn ontworpen voor een andere werkeenheid dan de professional in de praktijk heeft.
Wat gespreksstabiele anonimisering vereist
De leemte benoemen is makkelijk. Het dichten ervan stelt echte eisen, en die eisen zijn de reden dat dit een product is en geen macro voor zoeken en vervangen.
Een stabiele identiteit. Dezelfde entiteit moet elke keer dat ze verschijnt naar dezelfde code verwijzen: niet alleen binnen één document, maar over het hele gesprek en elk gekoppeld bestand heen. 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 verloopt automatisch, zonder enige configuratie.
Leesbare codes met een typeaanduiding. Een code ziet eruit als [P0ABCD], [A1WXYZ] of [B2KLMN]: de eerste letter geeft het type aan (P voor persoon, A voor adres, B voor IBAN). Zo weet het model nog altijd dat het over een persoon, een adres of een rekening redeneert, en kan het een bruikbaar antwoord geven in plaats van vast te lopen op ondoorzichtige ruis. Bij de download zit een instructie die de AI vraagt de codes ongewijzigd terug te geven. De structuur die de AI helpt blijft dus overeind; alleen de identiteit gaat eruit.
Een getrouwe weg terug. Identiteit verbergen is maar de helft van het werk. De koppeling van code naar oorspronkelijke waarde blijft lokaal bewaard. Komt het antwoord van de AI terug vol [P0ABCD] en [B2KLMN], dan decodeert u het in één stap en krijgt u een resultaat dat leest alsof u nooit iets had geanonimiseerd. Juist de stabiele codes maken dat decoderen ondubbelzinnig: één code, één origineel, elke keer.
Zet dat alles bij elkaar en u houdt de eigenschap over die telt: de AI werkt op het beschermde document zoals op het echte. Hetzelfde redeneren, dezelfde kruisverwijzingen, dezelfde samenhang over meerdere beurten, zonder dat er ooit een echte identiteit in het gesprek opduikt, 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 code met een typeaanduiding; gekoppelde bestanden delen het register; een mens beoordeelt de detecties voordat er iets wordt vastgelegd. (Bij documenten waar veel van afhangt is juist die menselijke beoordeling de kern: zie waarom een mens in de lus blijft.)
- In gesprek gaan. 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 duurt, want de codes verschuiven niet.
- Decoderen. Haal de uitvoer van de AI terug en zet elke code in één stap om naar de werkelijke waarde: een eindresultaat dat leest alsof de echte namen er de hele tijd in hadden gestaan.
Omdat de hele lus op uw machine draait, verlaat geen enkel onderdeel van het dossier ooit uw eigen omgeving: niet de originelen, niet de codetabel, en niet één beurt van de beschermde gesprekstekst.
De categorie die wij opeisen
Tal van hulpmiddelen kunnen een naam verbergen. Sommige kunnen dat zelfs coherent, mits u ze daarvoor instelt. Op de markt ontbreekt niet de mogelijkheid zelf. Wat ontbreekt is een product dat gebouwd is rondom de manier waarop professionals daadwerkelijk met AI werken: stap voor stap, van beurt tot beurt, over gekoppelde bestanden heen, met een mens die instaat voor het resultaat en een schone weg terug aan het eind. Dat is de werkwijze waarvoor promptShield van de grond af is ontworpen, en dat is de gedachte waaraan wij een naam zouden willen geven.
Noem het gespreksstabiele anonimisering. Eén entiteit, één code, van begin tot eind. Zo kunt u AI eindelijk inzetten op de documenten die ertoe doen, en wel zoals u er zelf 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 twee verschillende mensen waar er één staat.
Wat gaat er stuk als de codes per document verschillen?
Het redeneren over bestanden heen. Een contract en zijn addendum verwijzen dan niet langer naar dezelfde partij, en elke conclusie over het tweetal is fout. Daarom houdt omkeerbare zwartlakking één vaste code per entiteit aan in plaats van per doorloop een nieuw label.
Wordt de sleutel ergens online bewaard?
Nee. Het register van code naar waarde blijft op de machine die het aanmaakte. Dat is dezelfde ontwerpkeuze als achter de motor die we juist daarvoor schreven.