Produktivitet møder kontrol.

SOWA Privacy fungerer som et klientsidebaseret sikkerhedslag i form af en browserudvidelse. Ingen egne servere, ingen cloudkomponenter.

  • Lokal realtidsanalyse

    Tekster analyseres, inden de overhovedet forlader brugerens browser.

  • Automatiseret anonymisering

    Registrering af navne, IBAN-numre, helbredsdata mv. og erstatning med neutrale pladsholdere.

  • Udbyderuafhængig

    Virker med ChatGPT, Claude, Gemini & Co. uden API-ændringer i målsystemerne.

  • Problemfri de-anonymisering

    Anonymiserede værdier gendannes til de oprindelige, når AI’en svarer. Du får de normale resultater uden at persondata når fremmede chatbot-servere.

Sådan fungerer registrering

Tre lag, der alle kører lokalt i din browser. Ingen af dem behøver at sende din tekst til en server, inden de afgør, om den indeholder persondata.

Lag 1 – Regex

Mønstergenkendelse

Altid aktiv. Hurtigst. Ingen model kræves.

  • Indbyggede mønsterpakker til e-mails, telefonnumre (inkl. tyske mobilnumre), IBAN, BIC/SWIFT, PESEL, NIP, kreditkortnumre, kørekort, pas, fødselsdatoer, IP-adresser, API-nøgler, adgangskoder, tokens.
  • Kører ved hvert tastetryk. Nul netværk, nul modelindlæsning – ren lokal strengmatchning.
  • Brugerudvidelig: tilføj brugerdefinerede regler i Indstillinger ved hjælp af et fireltsformat (KIND | REGEX | FLAGS | PRIORITY).
Lag 2 – NER

Genkendelse af navngivne entiteter

Flersproget. Lokal model. Tilvalg.

  • Opfanger det, regex ikke kan: personnavne, organisationer, steder – alt, der afhænger af kontekst frem for mønster.
  • Flersproget DistilBERT-model (~65 MB) via Transformers.js + ONNX. Downloades én gang fra HuggingFace og kører derefter offline for altid.
  • Kører i et isoleret offscreen-dokument, så chatsiden ikke kan se eller kalde det.
  • Konfigurerbar konfidenstærskel (standard 0,7) og prioritetsvægtning.
  • Standard FRA. De 65 MB download starter kun, når brugeren eksplicit aktiverer det i Indstillinger.
Lag 3 – Lokal LLM

Power-tilstand

Kanttilfælde. Lokal GPU. Tilvalg.

  • Opfanger de kontekstuelle kanttilfælde, som de første to lag overser – tvetydige entiteter, omformulerede identifikatorer, følsomme detaljer der kun er åbenlyse ud fra sætningskonteksten.
  • WebLLM-runtime på brugerens GPU. Valgfrit mellem Phi-3, Gemma 2B eller SmolLM2 (hver ~200 MB).
  • 2–4 GB RAM-forbrug når aktiv. Langsommere end de to første lag – bruges som en kontrol, ikke som primær scanner.
  • Standard FRA. Modeldownloaden starter kun, når brugeren vælger det til.

Registreringsfund fra de tre lag flettes og rangordnes efter prioritet. Oven på alle tre giver en brugeradministreret Sortliste (prioritet 100, vinder altid) og Hvidliste enkeltpersoner eller IT-administratorer mulighed for at tilpasse registreringen til deres arbejdsgang – tilføj virksomhedsspecifikke identifikatorer, undtag sikker standardtekst, distribuer forudindstillinger på tværs af et team – uden at røre koden.

Sammenlign med alternativer Se kildekoden
01

Advokatfirmaer & juridiske afdelinger

Brug AI til kontraktgennemgang, sagsoversigter, udkast til juridiske notater, NDA-sammenligning og klientkommunikation uden at eksponere klientidentificerende oplysninger.

Eksempler på følsomme data
Klientnavne Modparter Kontraktnumre Sagsnumre Adresser Domstolsreferencer Fortrolige juridiske fakta
02

Skatterådgivning

Brug AI til at forklare skattebreve, udarbejde klientmails, opsummere skattesager og oprette dokumenttjeklister, mens skatteydernes data beskyttes.

Eksempler på følsomme data
Skatte-ID'er Klientnavne Indkomstoplysninger Virksomhedsregistreringer Adresser Bankdata Skattereferencer
03

Regnskab & bogføring

Brug AI til fakturaoversigter, udkast til betalingspåmindelser, udgiftskategorisering, regnskabsspørgsmål og revisionsnoter uden at eksponere faktura- eller betalingsdata.

Eksempler på følsomme data
Leverandørnavne Kundenavne IBAN-numre Fakturanumre Skatte-ID'er Betalingsbeløb Interne referencer
04

Sundhedsvæsen, klinikker & terapeuter

Brug AI til at strukturere medicinske noter, udarbejde patientvenlige forklaringer, forberede opfølgninger på aftaler og anonymisere terapinoter inden brug af AI-værktøjer.

Eksempler på følsomme data
Patientnavne Fødselsdatoer Sygesikringsnumre Diagnoser Medicinreferencer Aftaledata Sundhedsjournaler
05

Bank & finansielle tjenesteydelser

Brug AI til opsummeringer af kundeklager, KYC-sagsnoter, AML-dokumentationsstøtte, revisionsfor­beredelse og udkast til kundesvar i regulerede finansielle arbejdsgange.

Eksempler på følsomme data
Kundenavne Kontonumre IBAN-numre Transaktionsreferencer Lånenumre Adresser Compliance-sags-ID'er
06

Forsikring

Brug AI til at opsummere skader, forklare policer, forberede tjeklister over manglende dokumenter, udarbejde kundesvar og strukturere eskaleringsnote, mens forsikringstager- og skadedata maskeres.

Eksempler på følsomme data
Forsikringstagernavne Skadenumre Policenumre Ulykkesstedet Nummerplader Helbredsoplysninger Skaderapporter
07

Offentlig forvaltning

Brug AI til at udarbejde borgerhenvendelser, opsummere ansøgninger, forberede interne notater, forklare formularer og støtte kommunikation om tilladelser eller ydelser.

Eksempler på følsomme data
Borgernavne Adresser Tilladelsesnumre Ansøgnings-ID'er Sociale ydelsesoplysninger Helbreds- eller handicapdata Officielle sagsnumre
08

HR & rekruttering

Brug AI til CV-opsummeringer, generering af interviewspørgsmål, kandidatsammenligning, udkast til medarbejderudviklingssamtaler og medarbejderkommunikation uden at eksponere ansøger- eller medarbejderidentiteter.

Eksempler på følsomme data
Kandidatnavne Medarbejdernavne Lønninger Kontaktoplysninger Adresser Fravær Præstationsnoter Medarbejder-ID'er
09

Konsulentvirksomhed

Brug AI til at opsummere workshops, udarbejde strategier, analysere processer, forberede tilbud og strukturere risikovurderinger uden at lække klientfortrolige oplysninger.

Eksempler på følsomme data
Klientnavne Projektnavne Interne roadmaps Finansielle tal Strategiske dokumenter Medarbejdernavne Fortrolige processer
10

IT, IAM & sikkerhed

Brug AI til at opsummere IAM-tickets, forklare adgangsanmodninger, udarbejde hændelsesrapporter, forberede revisionsbevis og forbedre brugerkommunikation, mens tekniske identifikatorer maskeres.

Eksempler på følsomme data
Brugernavne Medarbejder-ID'er IP-adresser Værtsnavne Systemnavne Adgangsroller Gruppenavne Ticket-ID'er Hændelsesdetaljer