Anonymiser ses données avant de les envoyer à un modèle

Anonymiser ses données avant de les envoyer à un modèle d'IA paraît être une précaution évidente. Dans les faits, l'opération est presque toujours mal faite, pour une raison simple : on croit avoir anonymisé alors qu'on a seulement retiré les noms. Or un compte rendu où figurent une date de naissance, un code postal et une profession reste identifiant, même sans aucun patronyme.

La distinction n'est pas académique. Une donnée réellement anonyme sort du champ du règlement général sur la protection des données ; une donnée pseudonymisée y reste entièrement soumise. Confondre les deux conduit à des raisonnements juridiques faux, et à des envois vers des services externes que rien n'autorise.

Cet article pose la différence, décrit les techniques applicables à du texte sans détruire son utilité pour le modèle, traite le cas réaliste de la réidentification par recoupement, et propose un protocole de vérification. Il complète notre article sur le RGPD appliqué à l'IA en entreprise, en se concentrant sur le geste technique.

Anonymisation ou pseudonymisation : une différence de nature

La pseudonymisation remplace les identifiants directs par des valeurs de substitution, tout en conservant la possibilité de revenir à la personne, par exemple grâce à une table de correspondance. Remplacer « Marie Dupont » par « PERSONNE_017 » et garder la clé quelque part, c'est de la pseudonymisation. C'est une mesure de sécurité utile, explicitement encouragée par le règlement, mais la donnée reste personnelle et toutes les obligations continuent de s'appliquer.

L'anonymisation, elle, doit être irréversible. La CNIL retient trois critères, issus des travaux européens sur le sujet. Une donnée n'est anonyme que si les trois risques suivants sont écartés.

• L'individualisation : est-il possible d'isoler un individu dans le jeu de données ? Un enregistrement unique par ses caractéristiques reste individualisable même sans nom.
• La corrélation : peut-on relier entre eux deux enregistrements concernant la même personne, dans le même jeu ou dans un autre ?
• L'inférence : peut-on déduire une information sur une personne à partir des autres attributs ? Un seul directeur technique dans une entreprise de trente salariés est identifié par sa fonction.

Ce triple test est exigeant, et c'est volontaire. En pratique, sur du texte libre riche en contexte, atteindre l'anonymisation véritable est difficile. Mieux vaut l'admettre et traiter vos données comme pseudonymisées, avec les précautions correspondantes, que de se raconter une histoire.

Anonymiser des données pour l'IA : les techniques applicables au texte

Le problème propre à l'IA générative est que le texte doit rester compréhensible. Masquer trop détruit le sens et le modèle répond mal ; masquer trop peu ne protège rien. Le tableau ci-dessous compare les approches courantes.

La combinaison qui fonctionne le mieux sur du texte libre associe la substitution cohérente (le même individu reçoit toujours la même étiquette dans le document) et la généralisation des quasi-identifiants (âge, code postal, dates précises). La cohérence est essentielle : sans elle, un compte rendu à quatre intervenants devient incompréhensible.

Détection automatique : ce qu'elle sait faire

Des bibliothèques dédiées à la détection et au masquage des données personnelles dans du texte existent, comme le projet ouvert Presidio publié par Microsoft, qui combine expressions régulières, reconnaissance d'entités nommées et règles de validation. Elles traitent correctement les formats structurés : numéros de téléphone, adresses de courriel, numéros de carte, adresses postales, identifiants nationaux.

Elles restent en revanche imparfaites sur les noms propres peu courants, les surnoms, les fautes de frappe et les tournures implicites (« le responsable du site de Vénissieux »). Comptez un taux de détection de 90 à 98 % sur les identifiants structurés, et nettement moins sur le texte libre. Ce reliquat impose soit une relecture, soit une acceptation explicite du risque résiduel.

Le cas réaliste : identifiable malgré tout

Prenons un compte rendu d'entretien professionnel dont on a retiré tous les noms. Il subsiste : le service, l'ancienneté, la mention d'un congé parental, un déménagement en région lyonnaise et une formation suivie. Dans une entreprise de deux cents personnes, ces cinq éléments désignent souvent une seule personne. Le texte a été pseudonymisé, il n'est pas anonyme.

Trois réflexes limitent ce risque.

1. Traquer les quasi-identifiants, pas seulement les identifiants. Dates précises, fonctions rares, événements de vie, lieux fins, montants inhabituels. Ce sont eux qui permettent le recoupement.
2. Raisonner par rapport à la taille de la population. Un attribut anodin dans un jeu de cent mille dossiers devient identifiant dans un jeu de trente. La même transformation n'offre pas la même protection selon le contexte.
3. Envoyer moins. La meilleure anonymisation reste la donnée non transmise. Découper le document et n'envoyer que la section nécessaire réduit le risque plus sûrement que n'importe quel masquage.

Une chaîne de masquage de bout en bout

Voici l'enchaînement type pour un cas concret : faire résumer par un modèle des comptes rendus d'incidents contenant des noms de salariés et de clients.

1. Réduire. Extraire du document les seules sections utiles au résumé. Les annexes, les listes de diffusion et les signatures partent à la poubelle avant tout traitement.
2. Détecter. Passer le texte dans un outil de détection d'entités (personnes, organisations, adresses, téléphones, courriels, identifiants internes).
3. Substituer de façon cohérente. Attribuer une étiquette stable par entité au sein du document, conservée dans une table locale qui ne quitte jamais votre système d'information.
4. Généraliser. Remplacer les dates précises par un mois, les codes postaux par un département, les montants exacts par une tranche, lorsque la précision n'est pas nécessaire au résumé.
5. Contrôler. Appliquer une liste de vérification automatique (aucune suite de chiffres de longueur suspecte, aucun format de courriel, aucun nom présent dans l'annuaire interne) avant l'envoi.
6. Restituer. Réinjecter les valeurs d'origine dans le résumé reçu, à partir de la table locale. L'utilisateur lit un texte complet, le modèle n'a jamais vu les identités.

Cette dernière étape est la plus intéressante et la moins utilisée : elle permet de conserver l'utilité complète du résultat tout en n'exposant jamais les données au prestataire. Elle suppose que la table de correspondance reste chez vous, ce qui exclut les outils qui gèrent eux-mêmes le masquage dans leur propre nuage.

Vérifier son anonymisation : un protocole simple

Une transformation non vérifiée n'a aucune valeur, notamment parce que les formats d'entrée changent avec le temps. Voici un contrôle réalisable en une demi-journée, à rejouer trimestriellement.

1. Constituez un échantillon de 50 documents réels, choisis pour leur diversité et non pour leur propreté.
2. Passez-les dans votre chaîne de masquage, puis relisez les sorties à la main en comptant les identifiants restants, par catégorie.
3. Faites l'essai de réidentification : demandez à une personne qui connaît l'organisation, mais pas les dossiers, d'identifier les personnes concernées à partir des textes masqués. Un taux de réussite supérieur à 10 % signe une anonymisation insuffisante.
4. Testez les cas tordus : noms composés, particules, prénoms qui sont aussi des noms communs, adresses mal formatées, tableaux, pièces scannées.
5. Consignez le résultat avec la date et la version de la chaîne. C'est cette trace qui documentera votre démarche en cas de question, et elle a sa place dans votre registre des traitements.

Ce que l'anonymisation ne dispense pas de faire

Masquer les données personnelles est une mesure parmi d'autres, pas un blanc-seing.

• Les secrets d'affaires ne sont pas des données personnelles et ne sont pas traités par ces techniques. Un chiffre d'affaires prévisionnel reste confidentiel après suppression des noms.
• Le choix de l'hébergement reste pertinent, en particulier pour les données sensibles. Le sujet est traité dans notre article sur l'hébergement de son IA en France.
• Les règles d'usage restent nécessaires, car l'essentiel des envois problématiques passe par les outils personnels des salariés, comme nous l'expliquions à propos du shadow AI en entreprise.
• La durée de conservation des données envoyées et des journaux doit être décidée, y compris chez le fournisseur du modèle.

Ce qu'il faut retenir

Anonymiser des données avant de les envoyer à un modèle d'IA est utile, à condition d'appeler les choses par leur nom. Dans la quasi-totalité des cas portant sur du texte libre, vous ferez de la pseudonymisation : la donnée reste personnelle, le RGPD continue de s'appliquer, et c'est le triple test de la CNIL (individualisation, corrélation, inférence) qui permet de le vérifier.

La démarche pratique tient en quatre gestes : réduire d'abord le périmètre envoyé, masquer ensuite les identifiants structurés avec un outil dédié, généraliser les quasi-identifiants, et vérifier par un essai de réidentification sur cinquante documents réels. Ce dernier point est celui que presque personne ne fait, et c'est pourtant le seul qui vous dira si votre masquage protège quelqu'un.