Anonymiser avant d'envoyer : ce qui sort n'est pas ce qui est traité
ConfidentialitéArchitectureConformitéTutoriel2025-06-1710 min
Retirer les identifiants avant l'envoi, les réinsérer après : la technique fonctionne, à condition de savoir précisément ce qu'elle ne protège pas.
Le principe et son intérêt
Retirer les identifiants d'un document avant de l'envoyer à un service externe, puis les réinsérer dans la réponse, permet d'utiliser une API sur des données que l'on n'a pas le droit de faire sortir telles quelles. La technique est ancienne et fonctionne bien.
Le traitement se déroule en trois temps. Un composant interne repère les éléments identifiants et les remplace par des marqueurs stables. Le document ainsi transformé part vers le service externe. La réponse revient, et le même composant remplace les marqueurs par les valeurs d'origine.
L'intérêt est direct : on accède à la qualité d'un grand modèle sans que les noms, adresses, numéros de dossier ou identifiants médicaux quittent l'organisation.
Ce que cette chaîne ne protège pas
Un document peut rester identifiant après retrait de tous les noms, et c'est la limite qu'il faut poser avant de s'appuyer sur la technique. Elle est souvent découverte trop tard.
Un compte rendu médical décrivant une pathologie rare, une date d'intervention et un établissement identifie une personne sans qu'aucun nom n'apparaisse. Un dossier RH mentionnant un poste unique dans une petite structure fait de même.
La règle à retenir : le retrait d'identifiants directs réduit le risque, il ne le supprime pas. Pour un corpus où la combinaison de caractéristiques suffit à identifier, la chaîne ne constitue pas une protection suffisante, et le traitement doit rester interne.
La décision relève d'une analyse de risque documentée, pas d'un choix technique. Le cadre général figure dans confidentialité : ce qu'on a le droit de mettre dans un prompt.
Les quatre pièges de mise en œuvre
- Les marqueurs instables. Si la même personne reçoit deux marqueurs différents dans un même document, le modèle croit à deux personnes et raisonne faux.
- Les identifiants manqués. Un numéro de dossier au format inhabituel, une adresse électronique dans un en-tête, une signature en pied de page.
- La réinsertion partielle, quand le modèle reformule le marqueur au lieu de le recopier. Il faut vérifier la présence de tous les marqueurs attendus.
- Le contexte trahissant, décrit plus haut, qui ne relève pas du retrait mais de l'analyse de risque.
Comment repérer les identifiants de façon fiable
Un modèle local de petite taille repère les identifiants mieux qu'une liste d'expressions régulières, et il tient sur une machine ordinaire. C'est la configuration que je recommande depuis que les petits modèles ont atteint ce niveau.
Les expressions régulières attrapent les formats standards, numéro de sécurité sociale, adresse électronique, téléphone, et manquent tout le reste : un nom propre inhabituel, une raison sociale, un lieu-dit, un identifiant interne au format libre.
Un petit modèle traite ces cas correctement et fonctionne en français sans réglage particulier. Il tourne en interne, donc son usage ne pose aucune question de confidentialité, c'est précisément l'argument de l'écart se resserre sur les tâches structurées.
La combinaison des deux donne le meilleur résultat : les expressions régulières pour les formats certains, le modèle pour le reste, et un contrôle sur échantillon relu à la main.
Ce qu'il faut mesurer avant de mettre en service
Le taux d'identifiants manqués, mesuré sur cent documents relus à la main, décide si la chaîne est utilisable. Aucune autre mesure ne renseigne sur le risque réel.
Le protocole est court. On prend cent documents représentatifs du corpus, on les passe dans la chaîne, et une personne relit les versions transformées en cherchant ce qui subsiste. Le nombre d'oublis donne directement le taux.
Ce qu'il faut regarder ensuite est la nature des oublis, pas seulement leur nombre. Un oubli sur un identifiant interne sans portée est différent d'un oubli sur un nom de patient.
Cette mesure doit être refaite quand le corpus change de nature, un nouveau type de document, un nouveau service, un nouveau format. Une chaîne validée sur des comptes rendus ne l'est pas sur des courriels.
La vérification qui coûte dix minutes
Relire à la main dix documents transformés avant toute mise en service, en cherchant activement ce qui identifie encore. Cette relecture révèle presque toujours au moins une catégorie d'identifiant que personne n'avait prévue.
Quand cette chaîne n'est pas la bonne réponse
Si l'organisation dispose déjà d'un modèle interne suffisant pour la tâche, la chaîne d'anonymisation ajoute de la complexité sans rien apporter. Il faut se poser la question dans cet ordre.
La séquence saine consiste à d'abord vérifier si un modèle interne traite la tâche à un niveau acceptable. Pour l'extraction, la classification, la recherche documentaire, c'est le cas dans la quasi-totalité des situations.
La chaîne d'anonymisation se justifie quand la tâche exige réellement un grand modèle externe : une analyse complexe, une synthèse exigeante, un raisonnement en plusieurs étapes sur un contenu sensible.
Elle a un coût propre : un composant supplémentaire à maintenir, une source d'erreur additionnelle, et une mesure à refaire à chaque évolution du corpus. Ce coût est justifié quand le gain de qualité l'est, et pas autrement, l'arbitrage décrit dans modèles ouverts et souveraineté.
Questions fréquentes
- L'anonymisation suffit-elle à rendre un traitement externe licite ?
Pas toujours. Un document peut rester identifiant par combinaison de caractéristiques, pathologie rare, date, établissement, sans qu'aucun nom n'apparaisse. La décision relève d'une analyse de risque documentée.
- Expressions régulières ou modèle local ?
Les deux. Les expressions régulières attrapent les formats certains, un petit modèle local traite les noms propres, raisons sociales et identifiants au format libre qu'elles manquent systématiquement.
- Comment vérifier que la chaîne fonctionne ?
En relisant à la main cent documents transformés et en comptant les identifiants subsistants. La nature des oublis compte autant que leur nombre, et la mesure se refait à chaque changement de type de document.
- Quand faut-il éviter cette chaîne ?
Quand un modèle interne traite déjà la tâche correctement. Pour l'extraction, la classification et la recherche documentaire, c'est presque toujours le cas, et la chaîne n'ajoute alors que de la complexité.