Produktivitet møter kontroll.

SOWA Privacy fungerer som et klientside sikkerhetslag i form av en nettleserutvidelse. Ingen egne servere, ingen skykomponenter.

  • Lokal sanntidsanalyse

    Tekster analyseres før de i det hele tatt forlater brukerens nettleser.

  • Automatisert anonymisering

    Deteksjon av navn, IBAN-er, helsedata m.m., og erstatning med nøytrale plassholdere.

  • Leverandøruavhengig

    Fungerer med ChatGPT, Claude, Gemini og lignende uten API-endringer i målsystemene.

  • Sømløs de-anonymisering

    Anonymiserte verdier gjenopprettes til originaler når KI-en svarer. Du får de normale resultatene uten at persondata når fremmede chatbot-servere.

Slik fungerer deteksjonen

Tre lag, alle kjørende lokalt i nettleseren din. Ingen av dem trenger å sende teksten din til en server for å avgjøre om den inneholder personopplysninger.

Lag 1 – Regex

Mønstergjenkjenning

Alltid på. Raskest. Ingen modell nødvendig.

  • Innebygde mønstre for e-postadresser, telefonnumre (inkl. tyske mobilnumre), IBAN, BIC/SWIFT, PESEL, NIP, kredittkortnumre, førerkort, pass, fødselsdatoer, IP-adresser, API-nøkler, passord, tokens.
  • Kjøres ved hvert tastetrykk. Null nettverkstrafikk, null modellasting – ren lokal strengsammenligning.
  • Utvidbar av brukeren: legg til egne regler i Innstillinger med et firelts format (KIND | REGEX | FLAGS | PRIORITY).
Lag 2 – NER

Gjenkjenning av navngitte entiteter

Flerspråklig. Lokal modell. Opt-in.

  • Fanger det regex ikke klarer: personnavn, organisasjoner, steder – alt som avhenger av kontekst, ikke mønster.
  • Flerspråklig DistilBERT-modell (~65 MB) via Transformers.js + ONNX. Lastes ned én gang fra HuggingFace, deretter offline for alltid.
  • Kjøres i et isolert offscreen-dokument slik at chat-siden ikke kan se eller kalle den.
  • Konfigurerbar konfidensterskel (standard 0,7) og prioritetsvekting.
  • Standard AV. Nedlastingen på 65 MB starter bare etter at brukeren eksplisitt aktiverer den i Innstillinger.
Lag 3 – Lokal LLM

Kraftmodus

Kanttilfeller. Lokal GPU. Opt-in.

  • Fanger de kontekstuelle kanttilfellene de to første lagene overser – tvetydige entiteter, omskrevne identifikatorer, sensitive detaljer som kun er åpenbare ut fra setningskontekst.
  • WebLLM-kjøretid på brukerens GPU. Valg mellom Phi-3, Gemma 2B eller SmolLM2 (hver ~200 MB).
  • 2–4 GB RAM-bruk når aktiv. Langsommere enn de to første lagene – brukes som en kontroll, ikke primærskanner.
  • Standard AV. Modellnedlastingen starter bare etter at brukeren velger å aktivere den.

Treff fra de tre lagene slås sammen og rangeres etter prioritet. I tillegg til alle tre finnes det en brukerstyrt svarteliste (prioritet 100, vinner alltid) og en hviteliste som enkeltbrukere eller IT-administratorer kan bruke til å tilpasse deteksjonen for sin arbeidsflyt – legg til bedriftsspesifikke identifikatorer, unnta trygt standardinnhold, distribuer forhåndsinnstillinger på tvers av et team – uten å røre koden.

01

Advokatfirmaer og juridiske avdelinger

Bruk KI til kontraktsgjennomgang, sammendrag av saker, utarbeidelse av juridiske notater, NDA-sammenligning og klientkommunikasjon uten å eksponere klientidentifiserende opplysninger.

Eksempler på sensitive data
Klientnavn Motparter Kontraktsnumre Saksnumre Adresser Rettsreferanser Konfidensielle juridiske fakta
02

Skatterådgivning

Bruk KI til å forklare brev fra skattemyndigheter, utarbeide klient-e-poster, oppsummere skattesaker og lage dokumentsjekklister – mens skattyterdata beskyttes.

Eksempler på sensitive data
Skatte-ID-er Klientnavn Inntektsdetaljer Selskapsdata Adresser Bankdata Skattekontorets referanser
03

Regnskap og bokføring

Bruk KI til fakturasammendrag, utkast til betalingspåminnelser, utgiftskategorisering, regnskapsspørsmål og revisjonsnotater uten å eksponere faktura- eller betalingsdata.

Eksempler på sensitive data
Leverandørnavn Kundenavn IBAN-er Fakturanumre Skatte-ID-er Betalingsbeløp Interne referanser
04

Helsevesen, klinikker og terapeuter

Bruk KI til å strukturere medisinske notater, utarbeide pasientvennlige forklaringer, forberede oppfølging etter timer og anonymisere terapinotater før KI-verktøy tas i bruk.

Eksempler på sensitive data
Pasientnavn Fødselsdatoer Forsikringsnumre Diagnoser Legemiddelreferanser Timedata Helsejournaler
05

Bank og finansielle tjenester

Bruk KI til sammendrag av kundeklager, KYC-saksnotater, AML-dokumentasjonsstøtte, revisjonsforberedelse og utkast til kundesvar i regulerte finansielle arbeidsflyter.

Eksempler på sensitive data
Kundenavn Kontonumre IBAN-er Transaksjonsreferanser Lånenumre Adresser Compliance-saks-ID-er
06

Forsikring

Bruk KI til å oppsummere krav, forklare poliser, forberede sjekklister for manglende dokumenter, utarbeide kundesvar og strukturere eskaleringsnotater – mens forsikringstaker- og kravdata maskeres.

Eksempler på sensitive data
Forsikringstakernavn Skadesaksnumre Polisenumre Ulykkessted Kjøretøyskilt Helseopplysninger Skaderapporter
07

Offentlig forvaltning

Bruk KI til å utarbeide svar til innbyggere, oppsummere søknader, forberede interne notater, forklare skjemaer og støtte kommunikasjon om tillatelser eller ytelser.

Eksempler på sensitive data
Innbyggernavn Adresser Tillatelsesnumre Søknads-ID-er Sosiale ytelser Helse- eller funksjonsnedsettelsesdata Offisielle saksnumre
08

HR og rekruttering

Bruk KI til CV-sammendrag, generering av intervjuspørsmål, kandidatsammenligning, utkast til medarbeidersamtaler og ansattkommunikasjon uten å eksponere søker- eller ansattidentiteter.

Eksempler på sensitive data
Kandidatnavn Ansattnavn Lønninger Kontaktopplysninger Adresser Fravær Prestasjonsnotater Ansatt-ID-er
09

Konsulentvirksomhet

Bruk KI til å oppsummere workshops, utarbeide strategier, analysere prosesser, forberede tilbud og strukturere risikovurderinger uten å lekke klientkonfidensielle opplysninger.

Eksempler på sensitive data
Klientnavn Prosjektnavn Interne veikart Finansielle tall Strategiske dokumenter Ansattnavn Konfidensielle prosesser
10

IT, IAM og sikkerhet

Bruk KI til å oppsummere IAM-saker, forklare tilgangsforespørsler, utarbeide hendelsesrapporter, forberede revisjonsbevis og forbedre brukerkommunikasjon – mens tekniske identifikatorer maskeres.

Eksempler på sensitive data
Brukernavn Ansatt-ID-er IP-adresser Vertsnavn Systemnavn Tilgangsroller Gruppenavn Saks-ID-er Hendelsesdetaljer