En une phrase
La détection des données personnelles s'exécute chez nous dans le même système que tout le reste — aucun sous-traitant supplémentaire qui verrait vos textes de dossier en clair, et aucun modèle contraint de deviner des noms.
Pourquoi la question se pose
Qui achète un cloud d'IA pour son cabinet se heurte à un second problème : avant qu'un texte ne parte vers un modèle, les données personnelles doivent en disparaître. Une voie répandue consiste à acheter un service de détection dédié. Cela résout la question technique — et en crée une nouvelle : ce service doit voir le texte avant le masquage, donc en clair. Pour votre devoir de diligence, cela signifie un endroit de plus qui traite des secrets professionnels, un contrat de plus, une entrée de plus au registre des traitements.
Ce que nous faisons à la place : consulter plutôt que deviner
Un modèle de détection doit déduire de la phrase que « Kraus » est ici une personne. Nous n'avons pas à le déduire — nous le savons déjà. Qui est client, partie adverse, témoin ou expert dans votre dossier figure déjà, typé, dans votre réseau de faits ; il s'est constitué à la lecture des documents. Au moment de masquer, nous l'y consultons au lieu d'estimer — y compris les formes fléchies sur lesquelles échoue une simple liste de mots (génitif, forme abrégée, dérivation adjectivale).
S'y ajoute ce qui se reconnaît structurellement et n'exige aucun modèle : les formes juridiques telles que GmbH, AG ou GmbH & Co. KG se reconnaissent à leur suffixe, les IBAN et numéros de pièce d'identité à leur somme de contrôle, les formules d'appel et de diagnostic à leur construction fixe.
Trois conséquences
Un ensemble de règles est vérifiable. Vous pouvez lire pourquoi une donnée a été remplacée. Un modèle ne peut pas répondre à cette question — il a décidé, mais il ne peut pas motiver sa décision. Pour une décision de sélection documentée, c'est la différence entre une preuve et une affirmation.
La qualité est mesurée, pas estimée. Nous testons la détection sur un corpus fixe de 246 documents comportant 280 passages marqués. La mesure fait partie de notre contrôle de build : si le taux de détection passe sous un seuil défini, le build échoue. Nous utilisons le même corpus pour la contre-épreuve — 22 documents contenant délibérément des termes qui ne doivent pas être masqués : juridictions, autorités, dispositions légales. Là aussi, il existe désormais un seuil strict : aucune fausse alerte.
Aucun contrat supplémentaire. Il n'existe aucun prestataire auquel vous devriez confier vos textes de dossier pour cette étape.
Ce que nous ne prétendons expressément pas
Aucune méthode de masquage ne détecte tout, et nous ne disons pas le contraire. Nous nommons ouvertement deux limites, car elles découlent de la conception :
Nous ne touchons structurellement pas les juridictions et les autorités. Notre détection des organisations s'appuie sur la forme juridique — « Amtsgericht München » n'en porte aucune. Ce n'est pas un oubli, mais précisément le mécanisme qui tient l'engagement « zéro fausse alerte » : une règle assez large pour attraper les noms d'autorités emporterait inévitablement aussi les intitulés de lois et les noms de lieux.
Les termes juridiques restent en place. « Erwerbsminderungsrente » (pension d'invalidité) est un terme juridique, non une indication de santé sur une personne déterminée — nous n'y touchons pas. Ce sont exactement les cas qu'un modèle de détection confond régulièrement.
Et la réserve la plus importante reste la réserve professionnelle : retirer les noms ne rend pas à lui seul un texte anonyme si l'attribution ressort du contexte. C'est pourquoi le masquage est ici une mesure de protection parmi d'autres — pas la seule, et pas une garantie.
Où vous le voyez
Le réglage se trouve dans les paramètres de votre cabinet ; quels agents masquent et lesquels travaillent délibérément en clair y est indiqué un par un. Les détails figurent au manuel sous protection des données et masquage, le contexte sur notre page conformité et dans le comparatif des fournisseurs.
