- Anonimização ≠ pseudonimização: na segunda ainda existe caminho de volta (chave/tabela de correspondência).
- O maior risco não é só “CPF”: é o conjunto de pistas que aponta para uma pessoa.
- Minimização: envie para a IA só o necessário para a tarefa — e por menos tempo possível.
- Crie um padrão interno (template) para mascarar dados e evitar cada time inventar um formato.
1) Defina a tarefa (e o mínimo de dados)
Escreva em uma frase o que a IA precisa entregar (ex.: “classificar motivo de cancelamento” ou “resumir chamados”). Em seguida, liste quais colunas/campos são indispensáveis. Se algo não muda a decisão da IA, não entra no prompt nem no arquivo.
2) Mapeie identificadores diretos e indiretos
Diretos: nome, CPF, RG, e-mail, telefone, endereço completo, placa, número de cliente, dados de saúde. Indiretos (quase sempre esquecidos): data de nascimento, bairro + data + valor, cargo muito específico, história do caso em texto livre, prints, anexos. Texto livre costuma ser o pior vilão.
3) Escolha: anonimizar ou pseudonimizar
Se você não precisa recontatar a pessoa, prefira anonimizar (remover e tornar irreversível). Se você precisa acompanhar um caso ao longo do tempo (ex.: ticket, cobrança), use pseudonimização: substitua por um ID aleatório e guarde a chave de reidentificação fora do arquivo/prompt (idealmente em outro sistema, com acesso restrito).
4) Aplique técnicas de mascaramento por tipo de dado
Padronize transformações: e-mail vira usuario@dominio (ou [EMAIL_REMOVIDO]); telefone vira (XX) XXXXX-XXXX → [TEL]; endereço vira cidade/UF; datas viram mês/ano; valores podem virar faixas (0–100, 100–500). Em texto livre, use busca/remoção por padrões e revise amostras manualmente.
5) Reduza risco de reidentificação (combinações raras)
Mesmo sem nome, uma pessoa pode ser “única” por combinação de atributos. Reduza granularidade: troque data completa por período, bairro por cidade, cargo específico por família de cargos. Se o conjunto ficar pequeno (poucos registros), o risco sobe — agregue antes.
6) Crie um “arquivo de trabalho” separado do original
Nunca edite a base original direto. Gere uma cópia só com os campos necessários e já mascarados. Nomeie com padrão (ex.: base_suporte_anon_v1.csv) e documente quais campos foram removidos/transformados.
7) Faça um teste de “reidentificação de mesa”
Antes de enviar para a IA, faça a pergunta desconfortável: “Um colega conseguiria adivinhar quem é essa pessoa com o que sobrou?” Se sim, ainda tem dado demais. Teste com 10–20 linhas aleatórias.
8) Registre a decisão e o caminho de auditoria
Crie um log simples: finalidade, fonte do dado, campos removidos, técnica usada, responsável e data. Isso não é burocracia: é o que impede retrabalho quando alguém perguntar “por que isso foi enviado para IA?”
Anonimização x pseudonimização (diferença que muda o risco)
Na prática, muita empresa diz “anonimizei” quando apenas trocou nomes por códigos. Isso é pseudonimização: continua sendo dado pessoal se existir um jeito de voltar ao titular (mesmo que só um time tenha acesso).
Anonimização busca tornar a identificação inviável por meios razoáveis. Não é uma fórmula mágica: depende do contexto, do volume, do que permanece na tabela e do que outras bases externas podem cruzar.
| Tema | Anonimização | Pseudonimização |
|---|---|---|
| Dá para voltar ao titular? | Não (na intenção e no desenho do processo) | Sim, com chave/tabela de correspondência |
| Quando usar | Análise, treino interno, insights agregados | Acompanhamento de caso, jornada do cliente, auditoria operacional |
| Risco típico | Reidentificação por combinações raras | Vazamento da chave ou acesso indevido à tabela de correspondência |
| Cuidados | Reduzir granularidade e remover texto livre sensível | Segregar a chave, limitar acesso, rotacionar IDs quando fizer sentido |
Checklist rápido: o que quase sempre deve sair antes de usar IA
Se você está copiando e colando um e-mail de cliente no chatbot, este checklist ajuda a não deixar “pistas” passarem batido. Em operações reais, o vazamento mais comum vem de pressa + texto livre.
- Identificadores diretos: nome completo, CPF/RG, e-mail, telefone, endereço completo, CEP.
- Dados sensíveis e de alta exposição: saúde, biometria, religião, filiação sindical, orientação sexual (quando aparecer), dados de crianças/adolescentes.
- Credenciais e segredos: senhas, tokens, chaves de API, links de redefinição de senha, prints com QR code.
- Anexos e imagens: fotos de documentos, comprovantes, laudos, contratos assinados.
- Texto livre com história do caso: reescreva em forma de resumo neutro, removendo detalhes identificáveis.
Exemplos práticos de mascaramento (copiar e adaptar)
Você não precisa de um padrão perfeito — precisa de um padrão consistente. Abaixo estão exemplos que funcionam bem para suporte, vendas e financeiro quando a meta é extrair padrão, classificar ou resumir.
| Campo original | Transformação sugerida | Por quê |
|---|---|---|
| “Maria Aparecida de Souza” | “[CLIENTE_032]” | Mantém referência interna sem expor nome |
| “[email protected]” | “[EMAIL_REMOVIDO]” ou “usuario@dominio” | E-mail é identificador direto |
| “(11) 98765-4321” | “[TEL_REMOVIDO]” | Telefone identifica e permite contato indevido |
| “Rua X, 123, ap 45 - Pinheiros” | “São Paulo/SP” (ou “Zona Oeste/SP”) | Reduz granularidade e risco por localização |
| “12/03/1992” | “03/1992” ou “faixa etária 30–39” | Data completa facilita reidentificação |
| “Compra de R$ 1.937,42 em 08/07/2026” | “faixa 1.500–2.000; mês 07/2026” | Valores + data exata são rastreáveis |
O erro mais caro: manter ‘detalhes operacionais’ que viram identidade
Mesmo removendo CPF e nome, dá para reconhecer alguém por detalhes “inocentes”: ‘a única pediatra que atende terça à noite na clínica’, ‘o síndico do bloco C’, ‘o processo com aquele número’, ‘o paciente do caso raro’.
Quando a informação é rara, ela vira identificador. A correção é generalizar: cargo → área; unidade → região; data → período; caso → categoria.
Como lidar com prompts e conversas (não só planilhas)
Planilha você consegue limpar. Conversa de WhatsApp, e-mail e descrição de chamado vêm cheios de PII. Antes de colar no modelo, transforme em resumo estruturado: contexto, problema, evidências técnicas e pedido — sem nomes, sem prints, sem números únicos.
Uma rotina que funciona: (1) copie o texto, (2) faça uma ‘pré-limpeza’ removendo linhas com dados pessoais, (3) reescreva em bullets neutros, (4) só então peça para a IA classificar/gerar resposta.
- Troque nomes por papéis: “cliente”, “responsável”, “técnico”.
- Troque números únicos por placeholders: “[PEDIDO]”, “[NOTA_FISCAL]”.
- Se precisar do número para buscar no seu sistema, faça isso fora da IA (no seu ERP/CRM) e traga só o resultado necessário.
Perguntas frequentes
Anonimizar dados resolve LGPD automaticamente?
Posso mandar para a IA só o primeiro nome do cliente?
Texto livre de suporte (chamados) é dado pessoal?
Qual a diferença prática entre mascarar e anonimizar?
Leia também
Como usar IA para revisar contratos sem vazar dados (checklist prático)
Aprenda um fluxo seguro para usar IA na revisão de contratos: o que pode ir para o modelo, como anonimizar, prompts prontos, checklist e limites. Foco em reduzir risco de vazamento e alucinação sem travar o trabalho.
Ler →
Como criar uma base de conhecimento para chatbot sem vazar dados (guia prático)
Aprenda a montar uma base de conhecimento para chatbot com controle de acesso, limpeza de arquivos, RAG, testes anti-alucinação e governança — sem expor dados sensíveis.
Ler →
Como escolher o modelo de IA certo por tarefa (qualidade, custo e privacidade)
Guia prático para escolher o modelo de IA ideal por tarefa (texto, planilha, código, imagem), equilibrando qualidade, custo, velocidade e privacidade sem cair em modismos.
Ler →
Como criar uma política de uso de IA na empresa (modelo simples, prático e sem juridiquês)
Guia direto para criar uma política de uso de IA: regras de dados, prompts, revisão humana, direitos autorais e fornecedores. Inclui modelo pronto e checklist para pequenas e médias empresas.
Ler →