/cas d’usage
Anonymisation des documents par l’IA
Des documents qui circulent sans l’identité des personnes qu’ils citent.
L’anonymisation des données repère dans vos documents les noms, adresses, numéros et dates qui désignent une personne, puis les remplace avant un partage, une publication ou un usage par l’IA. Le barreau de Paris place l’anonymisation ou la pseudonymisation des dossiers parmi trois voies pour rester dans le secret professionnel. Le livret IA de l’Ordre des experts-comptables recommande aussi de pseudonymiser les données.
/usages
Une anonymisation des données pour chaque document qui quitte l’équipe.
- Envois à un outil d’IA Remplace les noms des clients, des patients ou des tiers avant qu’une pièce parte vers un service extérieur.
- Corpus d’un assistant Nettoie un historique de réponses ou de dossiers avant qu’il nourrisse un assistant documentaire.
- Publications Retire d’un rapport ou d’un compte rendu diffusé à l’extérieur tout ce qui désigne une personne.
- Jeux d’essai Tire d’un fichier nominatif une version sans nom pour tester un logiciel ou entraîner un modèle.
/fonctionnement
Un repérage automatique qui tient compte du sens de chaque phrase.
Des règles reconnaissent les identifiants au format fixe : numéro de sécurité sociale, IBAN, téléphone, courriel. Un modèle d’apprentissage profond (Deep Learning), entraîné à la reconnaissance d’entités nommées, distingue dans chaque phrase le nom d’une personne de celui d’une rue ou d’une entreprise.
Chaque mention est supprimée, généralisée (l’année au lieu de la date) ou remplacée par un pseudonyme constant, « Personne A » dans tout le document. Tant que la table de correspondance existe, la copie reste pseudonymisée : elle contient des données personnelles. Une copie anonyme suppose de détruire cette table et de généraliser les indices indirects. Un grand modèle de langage (LLM) relit la copie et signale qui reste reconnaissable, par un lien de parenté ou un poste unique.
Apprentissage profond (Deep Learning)IA générative et grands modèles de langageLecture de documents numérisés
- LectureExtrait le texte de chaque fichier ; une reconnaissance optique de caractères (OCR) convertit au préalable les pages scannées.
- RepérageÉtiquette chaque nom, adresse, date ou identifiant avec un indice de confiance.
- RemplacementApplique la règle de chaque type de mention, sans toucher au document d’origine.
- ContrôleSoumet les passages incertains à une personne et consigne qui a validé la copie.
/données
Un échantillon de vos propres documents, annoté par vos équipes.
Le modèle se règle sur vos documents réels et leurs identifiants propres, comme un numéro de dossier ou un matricule. Sur l’échantillon annoté, nous mesurons la part des mentions personnelles repérées et celle des passages masqués à tort.
- Un échantillon par format Couvre PDF natifs, pages numérisées, tableurs et courriels, qui cachent les noms à des endroits différents.
- La liste des exceptions Nomme les mentions laissées en clair, comme l’auteur d’un rapport publié ou le représentant légal d’une société.
- Un circuit de relecture Désigne qui relit les copies et qui autorise leur sortie.
196 exfiltrations de données signalées au CERT-FR en 2025, contre 130 en 2024.
/prestataires
Des copies sans identité pour vos prestataires et vos éditeurs.
La CNIL a reçu en 2025 un nombre record de notifications de violations de données, gonflé par les attaques de deux éditeurs de logiciels. L’ANSSI observe aussi des exfiltrations parfois consécutives à la compromission d’un prestataire.
Un fichier remis à un sous-traitant ou à un éditeur partage le sort de ses systèmes. Une copie anonymisée lui suffit ; l’original reste chez vous.
Rapport annuel 2025 de la CNIL (nouvel onglet)Panorama de la cybermenace 2025 (ANSSI, CERT-FR) (nouvel onglet)
- 2024 2024 : 5 630 notifications 5 630
- 2025, hors attaques de deux éditeurs 2025, hors attaques de deux éditeurs : 6 167 notifications 6 167
- 2025, toutes notifications 2025, toutes notifications : 17 802 notifications 17 802
/sur le terrain
Des corpus sensibles ouverts à l’IA, les moins exposés d’abord.
L’anonymisation est souvent un préalable : filtrer des échanges internes avant d’en tirer une documentation partagée, ou retirer les données personnelles d’anciens dossiers avant qu’ils servent d’exemples à un assistant. Des documents cantonnés à une équipe peuvent alors profiter à toute l’organisation.
Un premier projet porte de préférence sur les corpus les moins sensibles, une fois réunis des documents dispersés entre équipes. Les données personnelles appellent un hébergement maîtrisé, comme un petit modèle installé sur vos serveurs.
- Les pièces numérisées Demandent une préparation avant tout repérage automatique : scans, documents très graphiques, manuscrits.
- La vidéo Pose des questions d’anonymisation et de RGPD avant toute analyse ; de simples capteurs remplacent parfois les caméras.
- Les échanges internes Passent, une fois filtrés, sous les yeux d’une personne qui en autorise la diffusion.
/cadre
Des obligations de confidentialité qui précèdent chaque partage.
Chaque règle désigne ses propres mentions à retirer, du nom d’un client aux initiales d’un patient ou aux traces d’activité d’un salarié. Nous traduisons celle qui s’applique à vos documents en liste de mentions à masquer, sur laquelle se règle le repérage.
Loi du 31 décembre 1971, art. 66-5 (Légifrance) (nouvel onglet)Premières clefs d’usage de l’IA générative en santé (HAS, 2025) (nouvel onglet)Conseil d’État, décision n° 492830 du 23 décembre 2025 (nouvel onglet)SouverainetéVeille réglementaire
- Le secret de l’avocat S’applique en toutes matières, au conseil comme à la défense, jusqu’aux notes d’entretien (loi du 31 décembre 1971, art. 66-5).
- Le guide de la HAS Demande aux professionnels du sanitaire, du social et du médico-social de ne saisir ni noms, ni initiales, ni dates dans une IA générative sans garantie de confidentialité.
- La minimisation des données Limite les données au nécessaire : le Conseil d’État a jugé contraire à ce principe la conservation pendant 31 jours de tous les indicateurs des scanners d’Amazon France Logistique.
/méthode
Une anonymisation des documents mise en service type par type.
Selon la sensibilité des documents, le modèle s’installe sur vos serveurs ou tourne chez un hébergeur situé en France. L’outil de relecture s’insère là où vos documents passent déjà : gestion électronique de documents (GED), messagerie, dépôt partagé.
- PÉRIMÈTRE Un premier type de document est retenu, avec la liste des mentions à retirer ; vous fixez la base légale, avec votre délégué à la protection des données s’il y en a un.
- RÉGLAGE Règles et modèle s’ajustent jusqu’à atteindre les taux de repérage et de masquage à tort convenus avec vous.
- PREMIÈRES COPIES Le circuit s’ouvre à vos équipes : dépôt du document, copie anonymisée, relecture, envoi au destinataire.
- RÉENTRAÎNEMENT La qualité du repérage fait l’objet d’un suivi, et le modèle se réentraîne sur les passages corrigés par vos relecteurs.
/dans votre secteur
Le même cas d’usage, décliné secteur par secteur.
-
Masque noms, adresses et données personnelles dans les délibérations, arrêtés, décisions et jeux de données avant leur mise en ligne ou leur ouverture en open data.
-
Masque noms, adresses, revenus et situations familiales dans les dossiers de locataires et de demandeurs avant de les transmettre à un prestataire, de les soumettre à un outil d’IA ou de les publier.
-
Retire le nom du conducteur ou du préparateur des données de géolocalisation, de tachygraphe ou de scanner avant leur analyse ou leur partage avec un chargeur, et masque les adresses des particuliers livrés.
-
Masque noms, initiales, dates, adresses et numéros de sécurité sociale dans un compte rendu, une fiche d’événement indésirable ou un cas de formation, avant tout partage ou usage dans un outil d’IA.
-
Masque noms, numéros de sécurité sociale, IBAN et données de santé dans les dossiers avant de les confier à un expert, à un prestataire ou à un jeu d’essai, en gardant la trace de ce qui a été retiré.
-
Repère et remplace les noms des clients, des parties et des tiers, les adresses, numéros fiscaux et données identifiantes d’une pièce avant qu’un collaborateur la soumette à un outil d’IA extérieur au cabinet.
-
Retire le nom de l’exploitant des données de parcelles, de rendement ou de comptabilité avant leur partage pour un référentiel, une étude de groupe ou un prestataire.
/à savoir
Les questions courantes sur l’anonymisation des données.
Diagnostic Data IAListe des traitements pour lesquels une AIPD est requise (CNIL) (nouvel onglet)contactez-nous
Comment anonymiser un document PDF ?
Un rectangle noir posé sur un PDF laisse souvent le texte lisible en dessous, par simple copier-coller. L’anonymisation supprime le texte lui-même, produit un nouveau fichier et efface les métadonnées, qui gardent parfois le nom de l’auteur.
Une donnée anonymisée peut-elle redevenir identifiante ?
Oui, si l’anonymisation laisse des détails qui permettent un recoupement : une fonction rare, un service et une date suffisent parfois à désigner quelqu’un. Nous testons chaque type de copie en tentant de retrouver les personnes, puis généralisons les détails trop précis.
Anonymisation et RGPD : faut-il une analyse d’impact ?
Pas toujours. La CNIL l’exige pour certains traitements, dont l’instruction des demandes et la gestion des logements sociaux, la surveillance constante de l’activité des employés et les profils établis à des fins de ressources humaines. Dans nos projets, elle est prévue dès que les données sont sensibles ; nous fournissons pour cette analyse la description technique de l’anonymisation.
Comment anonymiser un fichier Excel ou une base de données ?
Chaque colonne reçoit sa règle : suppression des noms, pseudonyme constant pour les identifiants, généralisation des dates et des adresses. Les colonnes de commentaires libres passent par le modèle de repérage, comme un texte. Le fichier produit perd aussi ses onglets masqués, ses commentaires de cellule et le nom de ses auteurs, et vos indicateurs se calculent sur cette version.
/sources
Sources
- Barreau de Paris, Livre blanc sur l’intelligence artificielle, octobre 2025, 2025 (nouvel onglet)
- Conseil national de l’Ordre des experts-comptables, livret IA 2025 (édito de Damien Charrier et Dominique Périer), diffusé par le CROEC Pays de la Loire, 2025 (nouvel onglet)
- ANSSI, CERT-FR, « RETEX du CERT-FR sur les violations de données applicatives » (CERTFR-2026-CTI-008), 20 octobre 2026, 2025 (nouvel onglet)
- CNIL, Rapport annuel 2025, 2025 (nouvel onglet)
- ANSSI, « Panorama de la cybermenace 2025 » (CERTFR-2026-CTI-002), 11 mars 2026, 2025 (nouvel onglet)
- Légifrance, loi n° 71-1130 du 31 décembre 1971, article 66-5, 2011 (nouvel onglet)
- HAS, guide « Premières clefs d’usage de l’IA générative en santé » (octobre 2025), 2025 (nouvel onglet)
- Conseil d’État, décision n° 492830 du 23 décembre 2025, 2025 (nouvel onglet)
- CNIL, « Liste des types d’opérations de traitement pour lesquelles une AIPD est requise », Document non daté (liste en vigueur, consultée en octobre 2026) (nouvel onglet)
/cas proches
- Synthèse de dossiers et de réunions Résume les dossiers longs, les échanges et les réunions, et en extrait les décisions et les actions.
- Traduction spécialisée Traduit documents et échanges en respectant votre vocabulaire métier, vos glossaires et vos tournures.
- Tri des demandes entrantes Lit les courriels et les formulaires reçus, les classe par sujet et par urgence, et les oriente vers la bonne équipe.
- Agent conversationnel pour vos usagers Répond jour et nuit aux questions fréquentes, suit les dossiers simples et passe la main à un conseiller quand il le faut.
- Assistant interne Répond aux questions courantes des salariés (congés, outils, procédures) et prend en charge les demandes simples.
- Accueil téléphonique Comprend la demande d’un appelant, répond aux questions simples et oriente les autres vers le bon service.
/contact
Travaillons ensemble
Découvrez comment Inceptive peut vous aider à transformer votre activité et à résoudre des problématiques opérationnelles complexes grâce à l’intelligence artificielle.