Hvad betyder Anonymisering?
Anonymisering skal gøre det umuligt at identificere de personer, oplysningerne handler om, ud fra materialet og relevante kombinationer med andre oplysninger. Det er et stærkere krav end at skjule et navn eller erstatte et kundenummer. En usædvanlig hændelse, arbejdsplads eller kombination af dato og adresse kan stadig pege på en person.
Kontrolleret 7. september 2026: Datatilsynet beskriver anonymisering som uigenkaldelig og fremhæver, at aggregerede oplysninger kun er anonyme efter en konkret vurdering. Et gennemsnit eller en gruppebetegnelse er altså ikke automatisk tilstrækkeligt, hvis en meget lille gruppe eller ekstern viden gør personer genkendelige.
I AI-arbejde bruges anonymiserede eksempler ofte til test, træning eller demonstration. Fordelen er, at opgaven kan undersøges med mindre eksponering. Men betegnelsen bør bygge på dokumenteret vurdering og kontrol, ikke blot på et automatisk redigeringsværktøjs navn.
Undersøg kombinationer og fritekst
Kortlæg direkte identifikatorer og indirekte kendetegn. Overvej, om roller, sjældne diagnoser, lokationer, tidsstempler eller hændelsesforløb kan kombineres med offentligt eller allerede kendt materiale. Fritekst er vanskelig, fordi identifikation kan ligge i historien frem for i bestemte felter. Gennemgå også vedhæftninger, filnavne og metadata. En PDF kan se redigeret ud, mens tekstlaget stadig indeholder de oprindelige oplysninger.
Bevar kun den struktur, testen har brug for
Et testsæt til tonen i kundesvar behøver måske slet ikke virkelige sager. Syntetiske cases kan være et bedre valg, hvis det faglige problem kan beskrives uden personhistorik. Hvor virkelige mønstre er nødvendige, skal anonymiseringsmetoden vurderes sammen med anvendelsen og den viden, andre kan få adgang til. Dokumentér både risikoen for genkendelse og hvilke oplysninger, processen har ændret, så testresultater ikke overfortolkes.
Et eksempel fra praksis
Illustrativt eksempel: Et konsulenthus vil vise en mødeassistent med et tidligere kundemøde. Navnene er fjernet, men teksten nævner en unik fabrik, en bestemt ulykkesdato og en sjælden stilling. Teamet vurderer, at mødet fortsat kan genkendes. Til demonstrationen skriver de i stedet en fiktiv sag med samme beslutningsstruktur og markerer den som illustrativ. Det giver en brugbar demonstration uden at kalde det oprindelige møde anonymt.
Typiske faldgruber
- At sidestille navnefjernelse eller hashing med anonymisering.
- At overse genkendelige kombinationer i små grupper og fritekst.
- At kontrollere den synlige fil uden dens skjulte tekst og metadata.
Det skal I afklare
- Vurdér direkte og indirekte identifikationsmuligheder.
- Test materialet sammen med relevant supplerende viden.
- Dokumentér metode, begrænsninger og den konkrete anvendelse.
Spørgsmål og svar
Bliver data anonyme, hvis nøglen slettes?
Ikke nødvendigvis. Andre oplysninger eller mønstre kan stadig identificere personer. Sletning af en nøgle er kun én del af vurderingen.
Er et AI-værktøj til anonymisering tilstrækkeligt?
Det kan hjælpe med at finde og ændre oplysninger, men kan overse kontekst og sjældne identifikatorer. Resultatet skal vurderes, før det behandles som anonymt.
Kilder og videre læsning
De tekniske begreber bygger på nedenstående kilder. Eksemplerne er illustrative og viser, hvordan I kan arbejde med emnet.
- Datatilsynet: Hvad er personoplysninger? ↗Primærkilde gennemgået 7. september 2026.
- Datatilsynet: Pseudonymisering og anonymisering ↗Tekniske foranstaltninger; læses sammen med Datatilsynets nyere præcisering om modtagerperspektivet.