Produktivitet möter kontroll.

SOWA Privacy fungerar som ett säkerhetslager på klientsidan i form av ett webbläsartillägg. Inga egna servrar, inga molnkomponenter.

  • Lokal realtidsanalys

    Texter analyseras innan de ens lämnar användarens webbläsare.

  • Automatiserad anonymisering

    Identifiering av namn, IBAN-nummer, hälsodata m.m. och ersättning med neutrala platshållare.

  • Leverantörsoberoende

    Fungerar med ChatGPT, Claude, Gemini m.fl. utan API-modifiering av målsystemen.

  • Sömlös de-anonymisering

    Anonymiserade värden återställs till sina original när AI:n svarar. Du får normala resultat utan att personuppgifter når externa chatbot-servrar.

Hur igenkänningen fungerar

Tre lager, alla körs lokalt i din webbläsare. Inget av dem behöver skicka din text till en server för att avgöra om den innehåller personuppgifter.

Lager 1 – Regex

Mönstermatchning

Alltid aktivt. Snabbast. Ingen modell krävs.

  • Inbyggda mönsterpaket för e-postadresser, telefonnummer (inklusive svenska mobilnummer), IBAN, BIC/SWIFT, PESEL, NIP, kreditkortsnummer, körkort, pass, födelsedatum, IP-adresser, API-nycklar, lösenord, tokens.
  • Körs vid varje knapptryckning. Noll nätverkstrafik, noll modellåtgång – ren lokal strängmatchning.
  • Utbyggbart av användaren: lägg till egna regler i Inställningar med ett fyrafältsformat (KIND | REGEX | FLAGS | PRIORITY).
Lager 2 – NER

Igenkänning av namngivna entiteter

Flerspråkig. Lokal modell. Välj att aktivera.

  • Fångar det regex inte kan: personnamn, organisationer, platser – allt som beror på kontext, inte mönster.
  • Flerspråkig DistilBERT-modell (~65 MB) via Transformers.js + ONNX. Laddas ned en gång från HuggingFace och körs sedan offline för alltid.
  • Körs i ett isolerat offscreen-dokument så att chattsidan inte kan se eller anropa det.
  • Konfigurerbart konfidensgränsvärde (standard 0,7) och prioritetsviktning.
  • Standard AV. Nedladdningen på 65 MB startar först när användaren aktiverar det i Inställningar.
Lager 3 – Lokal LLM

Kraftläge

Kantfall. Lokalt GPU. Välj att aktivera.

  • Fångar de kontextuella kantfall som de första två lagren missar – tvetydiga entiteter, omformulerade identifierare, känsliga detaljer som bara är uppenbara från meningssammanhang.
  • WebLLM-runtime på användarens GPU. Val av Phi-3, Gemma 2B eller SmolLM2 (vardera ~200 MB).
  • 2–4 GB RAM-användning när aktivt. Långsammare än de första två lagren – används som en kontroll, inte som primär skanner.
  • Standard AV. Modellnedladdningen startar först när användaren väljer att aktivera det.

Igenkänningsträffar från de tre lagren slås samman och rangordnas efter prioritet. Utöver alla tre kan en användarstyrd Svartlista (prioritet 100, vinner alltid) och Vitlista låta individer eller IT-administratörer forma igenkänningen för sitt arbetsflöde – lägga till företagsspecifika identifierare, undanta säker standardtext, distribuera förinställningar till ett team – utan att röra kod.

01

Advokatbyråer & juridiska avdelningar

Använd AI för avtalsgenomgång, fallsammanfattningar, utkast till rättsliga promemorior, NDA-jämförelser och klientkommunikation utan att exponera klientidentifierande information.

Exempel på känsliga uppgifter
Klientnamn Motparter Avtalsnummer Ärendenummer Adresser Domstolsreferenser Konfidentiella rättsfakta
02

Skatterådgivning

Använd AI för att förklara skattebrev, skriva klientmejl, sammanfatta skatteärenden och skapa dokumentchecklistor samtidigt som skattebetalares uppgifter skyddas.

Exempel på känsliga uppgifter
Skatte-ID Klientnamn Inkomstuppgifter Företagsuppgifter Adresser Bankuppgifter Skatteverksreferenser
03

Redovisning & bokföring

Använd AI för fakturasammanfattningar, utkast till betalningspåminnelser, utgiftskategorisering, redovisningsfrågor och revisionsförberedande anteckningar utan att exponera faktura- eller betalningsdata.

Exempel på känsliga uppgifter
Leverantörsnamn Kundnamn IBAN-nummer Fakturanummer Skatte-ID Betalningsbelopp Interna referenser
04

Sjukvård, kliniker & terapeuter

Använd AI för att strukturera medicinska anteckningar, skriva patientvänliga förklaringar, förbereda uppföljningar efter besök och anonymisera terapianteckningar innan AI-verktyg används.

Exempel på känsliga uppgifter
Patientnamn Födelsedatum Försäkringsnummer Diagnoser Läkemedelsreferenser Bokningsdata Hälsojournaler
05

Bank & finansiella tjänster

Använd AI för sammanfattningar av kundklagomål, KYC-ärendeanteckningar, AML-dokumentationsstöd, revisionsförberedelse och utkast till kundsvar i reglerade finansiella arbetsflöden.

Exempel på känsliga uppgifter
Kundnamn Kontonummer IBAN-nummer Transaktionsreferenser Lånenummer Adresser Compliance-ärende-ID
06

Försäkring

Använd AI för att sammanfatta skadeärenden, förklara villkor, förbereda checklistor för saknade dokument, skriva kundsvar och strukturera eskaleringsanteckningar med maskerade försäkrings- och skadedata.

Exempel på känsliga uppgifter
Försäkringstagarnamn Skadenummer Policynummer Olycksorter Registreringsskyltar Hälsoinformation Skaderapporter
07

Offentlig förvaltning

Använd AI för att skriva medborgarsvar, sammanfatta ansökningar, förbereda interna promemorior, förklara blanketter och stödja kommunikation kring tillstånd eller bidrag.

Exempel på känsliga uppgifter
Medborgarnamn Adresser Tillståndsnummer Ansöknings-ID Bidragsinformation Hälso- eller funktionsnedsättningsdata Officiella ärendenummer
08

HR & rekrytering

Använd AI för CV-sammanfattningar, intervjufrågor, kandidatjämförelser, utkast till medarbetarutvärderingar och personalkommunikation utan att exponera sökandes eller anställdas identiteter.

Exempel på känsliga uppgifter
Kandidatnamn Anställdas namn Löner Kontaktuppgifter Adresser Frånvaro Prestationsanteckningar Anställnings-ID
09

Konsulttjänster

Använd AI för att sammanfatta workshops, skriva strategier, analysera processer, förbereda offerter och strukturera riskbedömningar utan att läcka klientkonfidentiell information.

Exempel på känsliga uppgifter
Klientnamn Projektnamn Interna färdplaner Ekonomiska siffror Strategiska dokument Anställdas namn Konfidentiella processer
10

IT, IAM & säkerhet

Använd AI för att sammanfatta IAM-ärenden, förklara åtkomstförfrågningar, skriva incidentrapporter, förbereda revisionsunderlag och förbättra användarkommunikation med maskerade tekniska identifierare.

Exempel på känsliga uppgifter
Användarnamn Anställnings-ID IP-adresser Värdnamn Systemnamn Åtkomstroller Gruppnamn Ärende-ID Incidentdetaljer