Anonimização antes de LLM
Remover dados pessoais antes de enviar texto ao LLM. Em advocacia, separa uso legal de IA de violação de sigilo OAB. LGPD exige.
Anonimização antes de LLM é o processo de identificar e remover — ou substituir — dados pessoais de um texto antes de enviá-lo a um modelo de linguagem (OpenAI, Anthropic, Google), garantindo que informações que identificam pessoas concretas não cheguem ao servidor externo.
Para um escritório de advocacia, isso é a diferença entre usar IA com segurança e violar o sigilo profissional previsto no Código de Ética da OAB.
Como funciona na prática
O dado bruto entra num pipeline de pré-processamento antes de chegar ao LLM. Ferramentas como Microsoft Presidio, spaCy ou um regex customizado identificam entidades sensíveis — CPF, nome completo, número de processo, endereço, dados bancários — e as substituem por marcadores neutros: [CLIENTE_1], [CPF_REMOVIDO], [PROCESSO_001]. O modelo processa o texto mascarado e devolve a resposta. O sistema faz o caminho inverso e reconstrói a saída com os dados originais, se necessário, tudo dentro da infraestrutura do escritório.
Por que importa para o escritório de advocacia
Quando o advogado coloca uma petição ou e-mail de cliente direto no ChatGPT, esses dados viajam para servidores da OpenAI nos EUA, processados sob a política de privacidade deles — não sob o sigilo da OAB. Isso é uma exposição real, não hipotética.
A ANPD incluiu anonimização e pseudonimização como medidas obrigatórias em qualquer RIPD (Relatório de Impacto à Proteção de Dados) para projetos de IA. E a lógica é clara: dado anonimizado sai do escopo da LGPD. Dado pessoal que vaza, não.
“Seus dados com você” começa aqui: o LLM recebe contexto suficiente para trabalhar, mas sem nunca ver o nome do seu cliente.
O erro mais comum
Achar que apagar o nome do arquivo ou da aba já anonimiza. Não anonimiza. O texto dentro do documento ainda carrega CPF, endereço, número de processo, referências cruzadas que permitem reidentificação. A ANPD deixou claro: remoção de campos diretos (nome, CPF) não é anonimização válida se o restante do texto permite reidentificação. O dado precisa passar por teste de reidentificação para ser considerado realmente anônimo.
Pseudonimização — substituir nome por ID — reduz risco, mas não afasta a incidência da LGPD. Para uso em LLM externo, o padrão correto é anonimização forte no pré-processamento, não confiança no DPA genérico do fornecedor.
Como aplicar hoje
- Mapear o que entra no LLM: petições, e-mails, contratos, transcrições de reunião — listar tudo que o escritório já manda ou pretende mandar para IA.
- Definir as entidades a mascarar: nome, CPF, OAB, número de processo, endereço, valores específicos. Personalizar por tipo de documento.
- Montar o pipeline de pré-processamento: Presidio ou spaCy rodam local, sem dados saindo antes do mascaramento.
Se quer montar isso do zero no seu escritório em 14 dias, o Sprint IA é como a gente faz: você sai com pipeline de anonimização configurado, LLM integrado e audit trail registrando cada consulta — sem precisar saber programar.