Remplacer les noms ne suffit pas. Le modèle ré-identifie.
Le « chercher-remplacer » manuel donne un faux sentiment de sécurité : par recoupement du contexte, les solutions de niveau 0 sont ré-identifiées par l'inférence des LLM dans une large majorité de cas (de l'ordre de 74 %). MASKAI classe la sensibilité avant de masquer, pose des jetons réversibles pour garder le sens, et anonymise en France.
Demander une démoMASKAI face à Anonymisation simple.
Critère par critère, sans enjoliver. Quand l’alternative est meilleure, on le dit.
| Critère | MASKAI | Anonymisation simple |
|---|---|---|
| Résiste à l'inférence du modèle | Sensibilité évaluée avant masquage, par contexte | Ré-identifiée par recoupement (~74 % des cas) |
| Réversibilité (réponse en clair) | Jetons réversibles, réinjectés automatiquement | Masquage à sens unique, recollage manuel |
| Classification de sensibilité | Anonymisation graduée selon le risque | Règle unique, aucune notion de gravité |
| Journal AI Act | Registre d'usage intégré et exportable | Aucune trace conservée |
| Hébergement | France (Scaleway, Paris), hors CLOUD Act | Selon l’outil — souvent hors UE |
Le « ~74 % » est un ordre de grandeur observé sur l'anonymisation naïve face à l'inférence des modèles, pas une garantie absolue : il illustre l'écart entre masquer des étiquettes et masquer du sens.
Pour qui chacun.
Aucune solution ne convient à tout le monde. Voici, honnêtement, qui devrait choisir quoi.
Pour qui l'anonymisation simple
- Textes sans données réellement sensibles ni nominatives.
- Brouillons jetables, sans contrainte réglementaire.
- Besoin ponctuel, sans exigence de preuve ni de réversibilité.
- Aucun secret professionnel ni RGPD en jeu sur le contenu.
Pour qui MASKAI
- Données nominatives, financières ou couvertes par le secret professionnel.
- Besoin de réponses exploitables en clair, pas de jetons illisibles.
- Exigence de conformité RGPD et AI Act avec preuve d’usage.
- Volume régulier où le masquage manuel ne tient pas la charge.
Questions fréquentes
D’où vient le « ~74 % » de ré-identification ?
C’est un ordre de grandeur observé sur l’anonymisation naïve face à l’inférence des modèles : par recoupement du contexte, un texte dont on a seulement remplacé les noms reste ré-identifiable dans une large majorité de cas. Ce n’est pas une garantie absolue, mais l’écart entre masquer des étiquettes et masquer du sens.
Pourquoi remplacer les noms ne suffit-il pas ?
Le modèle ne lit pas que les noms : il recoupe dates, montants, fonctions et tournures pour reconstituer l’identité. MASKAI évalue d’abord la sensibilité par contexte, puis anonymise de façon graduée selon le risque — pas une règle unique appliquée à toutes les entités.
Les jetons réversibles, ça veut dire quoi pour ma réponse ?
Les données sensibles sont remplacées par des jetons qui préservent le sens pour le modèle, puis réinjectées en clair dans la réponse qui vous revient. Vous récupérez un texte exploitable, pas un brouillon truffé de balises à recoller à la main comme avec un masquage à sens unique.
L’anonymisation simple laisse-t-elle une trace pour l’AI Act ?
Non : un « chercher-remplacer » manuel ne conserve aucun journal. MASKAI enregistre chaque requête dans un registre d’usage intégré et exportable, prêt pour un contrôle CNIL. La preuve de conformité est produite par défaut, sans étape supplémentaire de votre côté.
Anonymiser des étiquettes, ou anonymiser du sens.
Voyez comment MASKAI classe la sensibilité avant de masquer — et garde des réponses en clair, exploitables.
Demander une démo →