GDPR és adatvédelem az OpenAI-val
Ezen az oldalon
MI és a GDPR: Egy alkuképtelen keretrendszer
Az általános adatvédelmi rendelet (GDPR) minden olyan alkalmazásra vonatkozik, amely európai lakosok személyes adatait dolgozza fel – beleértve a nagy nyelvi modelleken (LLM) alapuló alkalmazásokat is. A mesterséges intelligencia számára nincs kivétel. Ez gyakran zavarba ejti a technikai csapatokat: AI-specifikus szabályozásokat keresnek, miközben az alkalmazandó szöveg évek óta létezik és nem változott. 2026-ban a végrehajtási intézkedések egyre inkább az AI-rendszereket célozzák meg. Az OpenAI API-jainak ebben a kontextusban történő használata kevésbé szól új törvények megtanulásáról, annál inkább arról, hogyan fordítsd le az ismert jogi követelményeket egy új architektúrára.
Hét elv, lefordítva egy LLM-rendszerre
A GDPR hét alapvető elvre épül, amelyek mindegyike sajátos jelentést nyer, amikor egy nyelvi modell belép a feldolgozási láncba.
| Elv | AI alkalmazás |
|---|---|
| Jogszerűség | Jogi alap az adatok API-ra küldéséhez (hozzájárulás, jogos érdek, szerződés) |
| Adatminimalizálás | Csak a modell számára szigorúan szükséges adatokat küldd el |
| Célhoz kötöttség | A küldött adatok kizárólag a bejelentett célt szolgálhatják |
| Pontosság | A modell kimenetei pontatlanok lehetnek – tájékoztasd a felhasználót |
| Korlátozott tárolhatóság | Ellenőrizd az OpenAI megőrzési szabályzatát, és töröld az adatokat kliens oldalon |
| Biztonság | Titkosítás átvitel közben, hozzáférés-vezérlés, naplózás |
| Elszámoltathatóság | Dokumentáld a döntéseidet, és legyél képes igazolni a megfelelést |
Két elv gyakran éri váratlanul a csapatokat. Először is a pontosság: ez a hallucinációkat minőségi problémából szabályozási kérdéssé teszi. Amikor egy modell hamis információt generál egy azonosított személyről, az illetőt megilleti a helyesbítéshez való jog. Másodszor az elszámoltathatóság: nem elég megfelelni a szabályoknak, ezt bizonyítanod is kell. Ez a dokumentációt a legjobb gyakorlatból jogi kötelezettséggé lépteti elő.
Minimalizálás: Az intézkedés, amely a legtöbb problémát megoldja
A rendelkezésre álló intézkedések közül az adatok elküldése előtti álanevesítés (pseudonymization) kínálja a legjobb egyensúlyt a ráfordítás és a kockázatcsökkentés között. A logika egyszerű: ami soha nem hagyja el a rendszeredet, az nem szivároghat ki egy alvállalkozóhoz, nem vet fel kérdéseket az EU-n kívüli adatátvitel során, és nem bonyolítja a törlési kérelmeket.
Az alábbi mechanizmus minden azonosító adatot egy stabil tokennel helyettesít, a leképezést helyi memóriában tartja, és a válaszban visszaállítja az eredeti értékeket. A végfelhasználó látja a „Dupont urat“, a modell csak a „[PERSON_1]“ tokent látja, a szolgáltatási függvény pedig teljesen működőképes marad – az asszisztens továbbra is meg tudja fogalmazni a választ, mivel sosem volt szüksége a tényleges vezetéknévre.
A nevekre vonatkozó megjegyzés nem dekoráció: a minta csak a cím előtti neveket rögzíti. A puszta név átcsúszik a rostán. Éles környezetben egy named entity recognition (NER) modell veszi át ezt a feladatot, és ennek a figyelmeztetésnek a kódban való explicit jelenléte jobb, mint a téves magabiztosság.
import re
class DataMinimizer:
"""Anonymizes personal data before sending to the API."""
def __init__(self):
self.mappings: dict[str, str] = {}
self.counter = 0
def anonymize(self, text: str) -> str:
"""Replaces personal data with placeholders."""
# Emails
text = re.sub(
r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}",
lambda m: self._replace(m.group(), "EMAIL"),
text,
)
# French phone numbers
text = re.sub(
r"(?:0|\+33)[1-9](?:[\s.-]?\d{2}){4}",
lambda m: self._replace(m.group(), "PHONE"),
text,
)
# Names (simplified pattern—use NER in production)
text = re.sub(
r"\b(Mr\.|Ms\.|Dr\.)\s+[A-Z][a-zéèêë]+\s+[A-Z][a-zéèêë]+\b",
lambda m: self._replace(m.group(), "PERSON"),
text,
)
# IBAN
text = re.sub(
r"\b[A-Z]{2}\d{2}\s?\d{4}\s?\d{4}\s?\d{4}\s?\d{4}\s?\d{0,4}\b",
lambda m: self._replace(m.group(), "IBAN"),
text,
)
return text
def _replace(self, value: str, type_: str) -> str:
if value not in self.mappings:
self.counter += 1
self.mappings[value] = f"[{type_}_{self.counter}]"
return self.mappings[value]
def deanonymize(self, text: str) -> str:
"""Restores original data in the response."""
reverse = {v: k for k, v in self.mappings.items()}
for placeholder, original in reverse.items():
text = text.replace(placeholder, original)
return text
# Usage
minimizer = DataMinimizer()
original_message = "Mr. Dupont ([email protected], 06 12 34 56 78) requests a refund."
anonymized_message = minimizer.anonymize(original_message)
print(f"Sent to API: {anonymized_message}")
# "[PERSON_1] ([EMAIL_1], [PHONE_1]) requests a refund."
# After model response
model_response = "The file for [PERSON_1] has been processed. An email was sent to [EMAIL_1]."
final_response = minimizer.deanonymize(model_response)
print(f"Final response: {final_response}")
A szolgáltatás konfigurálása és a hozzájárulás begyűjtése
A szolgáltatói oldalon jegyezd meg ezt a szabályt: az API-n keresztül küldött adatokat alapértelmezetten nem használják tanításra, ellentétben azzal, amit sokan feltételeznek a fogyasztói felületekkel való analógia alapján. Ez nem mentesít annak ellenőrzése alól, hogy szervezeted beállításait a platformon felülvizsgáld, és ezt az ellenőrzést dokumentáld.
from openai import OpenAI
# With the API, your data is NOT used for training by default
# But verify your organization settings on platform.openai.com
client = OpenAI()
# The Responses API endpoint respects the retention policy
response = client.chat.completions.create(
model="gpt-5.6-sol",
messages=[{"role": "user", "content": "Hello"}],
# store=False disables storage on OpenAI's side if available
)
A felhasználói oldalon a hozzájárulást célhoz kötötten, nem globálisan kezeljük, ami megmagyarázza az itt látható struktúrát: egy felhasználó elfogadhatja a beszélgetési asszisztenciát, miközben elutasítja, hogy beszélgetéseit a szolgáltatás fejlesztésére használják fel. A szabályzat verzióját rögzítjük a hozzájárulással együtt – ez egy kritikus részlet arra az napra, amikor frissíted azt a szabályzatot. E nyom nélkül nem fogod tudni, ki mire egyezett bele. Végül a visszavonás azonnali törlést vált ki, mert az adatok visszavonás utáni megtartása pontosan az a forgatókönyv, amely egy rutinellenőrzést végrehajtási intézkedéssé változtat.
class ConsentManager:
"""Manages user consent for AI processing."""
def __init__(self):
self.consent_records: dict[str, dict] = {}
def record_consent(self, user_id: str, purposes: list[str]):
"""Records explicit user consent."""
from datetime import datetime
self.consent_records[user_id] = {
"purposes": purposes,
"date": datetime.now().isoformat(),
"policy_version": "v2.1",
"method": "explicit_checkbox",
}
def verify_consent(self, user_id: str, purpose: str) -> bool:
"""Checks if the user has consented to a specific purpose."""
if user_id not in self.consent_records:
return False
return purpose in self.consent_records[user_id]["purposes"]
def withdraw_consent(self, user_id: str):
"""Withdraws consent and triggers data deletion."""
if user_id in self.consent_records:
del self.consent_records[user_id]
self._delete_data(user_id)
def _delete_data(self, user_id: str):
"""Deletes all data associated with the user."""
# Delete conversation history
# Delete logs containing personal data
# Notify subprocessors (OpenAI) if applicable
print(f"Data deleted for {user_id}")
Válasz az érintetti kérelmekre
A hozzáféréshez, törléshez és adathordozhatósághoz való jogokat az első kérelem beérkezése előtt implementálnod kell, mert az egy hónapos válaszadási határidő gyorsan elillan, ha még mindig a kódot írod. A hozzáférési jog többet követel, mint a nyers adatokat: meg kell adnod a célokat, az alvállalkozók listáját és a megőrzési időket – ezeket az információkat érdemes előre konszolidálni.
A törléshez való jog alapos kódellenőrzést igényel. A válaszban explicit módon megkülönböztetjük a helyi adatokat, amelyeket azonnal törölünk, és az API-ra küldött adatokat, amelyek a szolgáltató megőrzési szabályzata alá esnek. Ez az őszinteség kötelező: a teljes, azonnali törlés ígérete, miközben egy másolat megmarad egy alvállalkozónál, jobban kitetté tesz, mint mindkét rendszer egyértelmű dokumentálása.
class DataSubjectRights:
"""Implements GDPR rights for users."""
def right_of_access(self, user_id: str) -> dict:
"""Returns all data held on the user."""
return {
"personal_data": self._collect_data(user_id),
"processing_purposes": ["customer_support", "service_improvement"],
"subprocessors": ["OpenAI (LLM API)", "PostgreSQL (storage)"],
"retention_period": "12 months after last activity",
"source": "Direct user input",
}
def right_to_erasure(self, user_id: str) -> dict:
"""Deletes all user data."""
# Delete from local database
deleted_local = self._delete_local(user_id)
# Data sent to OpenAI API is subject
# to their retention policy (max 30 days via API)
return {
"status": "deleted",
"local_data": "deleted",
"openai_data": "subject to 30-day retention",
"date": datetime.now().isoformat(),
}
def right_to_portability(self, user_id: str) -> dict:
"""Exports data in a structured format."""
data = self._collect_data(user_id)
return {
"format": "JSON",
"data": data,
"export_date": datetime.now().isoformat(),
}
def _collect_data(self, user_id: str) -> dict:
return {"user_id": user_id, "conversations": [], "profile": {}}
def _delete_local(self, user_id: str) -> int:
return 0
A hatásvizsgálat formalizálása
Bármely nagy léptékben személyes adatokat feldolgozó AI-alkalmazás esetén kötelező az adatvédelmi hatásvizsgálat (DPIA) elvégzése. Az alábbi struktúra mutatja az elvárt szakaszokat, az példa pedig szemlélteti, hogyan néz ki egy kitöltött DPIA egy ügyfélszolgálati chatbot esetében.
Két mező vonzza magára leginkább a felügyeleti hatóság figyelmét. Először is az EU-n kívüli adatátvitel: valahányszor a feldolgozás egy amerikai szolgáltatóon keresztül történik, meg kell nevezned a címzettet, az országot és az alkalmazott garanciát – itt ez a standard szerződési kikötések (SCC), kiegészítve az OpenAI adatfeldolgozási megállapodásával (DPA). Másodszor a kockázatelemzés, amelynek specifikusnak kell lennie a leírt rendszerre. A példában választott kockázat a személyes adatok kiszivárgása prompt injection útján, a mérséklő intézkedések pedig az anti-exfiltrációs korlátok és a moderáció: minden, amit az előző fejezetekben felépítettél, itt nyeri el szabályozási fordítását.
@dataclass
class ImpactAssessment:
"""Structure of a DPIA for an AI system."""
processing_name: str
description: str
legal_basis: str
data_processed: list[str]
recipients: list[str]
transfers_outside_eu: list[dict]
security_measures: list[str]
risks: list[dict]
dpo_opinion: str = ""
dpia_chatbot = ImpactAssessment(
processing_name="Customer Service Chatbot with AI",
description="Conversational assistant using GPT-5.6 Sol via OpenAI API",
legal_basis="Legitimate interest (customer support)",
data_processed=["first_name", "email", "order_history", "chat_messages"],
recipients=["Support team", "OpenAI (API subprocessor)"],
transfers_outside_eu=[{
"recipient": "OpenAI Inc.",
"country": "United States",
"safeguard": "Standard Contractual Clauses (SCCs) + OpenAI DPA",
}],
security_measures=[
"Anonymization before sending to API",
"TLS encryption in transit",
"Access logs with 90-day retention",
"Right to erasure implemented",
],
risks=[{
"description": "Personal data leakage via prompt injection",
"likelihood": "medium",
"severity": "high",
"mitigation": "Anti-exfiltration guardrails + moderation",
}],
)
Főbb megállapítások
- A GDPR alkalmazandó, amint egy AI-rendszer európai lakosok adatait dolgozza fel
- Az adatminimalizálás (ánevesítés az API-ra küldés előtt) az első reflex
- Az érintetti jogokat (hozzáférés, törlés, hordozhatóság) implementálni kell
- Nagy léptékű AI-feldolgozás esetén kötelező a DPIA elvégzése
- Az EU-n kívüli adatátviteleket dokumentálni kell az OpenAI DPA-ja és az explicit garanciák (SCC, átviteli hatásvizsgálat) révén