Definicja: Wklejenie akt sprawy do narzędzia AI oznacza przekazanie treści dokumentów i informacji klienta do zewnętrznego systemu przetwarzania, którego dopuszczalność zależy od oceny poufności, minimalizacji i bezpieczeństwa technicznego oraz od warunków przetwarzania danych przez dostawcę usługi: (1) zakres i wrażliwość danych; (2) konfiguracja usługi; (3) podstawa prawna i organizacyjna.

Ostatnia aktualizacja: 2026-06-05

Czy wklejenie akt sprawy do AI jest w ogóle dopuszczalne

Wklejenie pełnych akt sprawy do narzędzia AI jest co do zasady działaniem wysokiego ryzyka, a dopuszczalność zależy od poufności materiału, podstawy prawnej przetwarzania oraz parametrów usługi. „Akta” w sensie operacyjnym obejmują zwykle nie tylko dokumenty przekazane przez klienta, ale także korespondencję e-mail, projekty pism, notatki ze spotkań, pliki z metadanymi oraz zbiory dowodów, które ujawniają strategię procesową lub stan majątkowy. Nawet przy usunięciu nazwisk i numerów PESEL w materiale pozostają elementy pozwalające odtworzyć kontekst sprawy: sygnatury, daty, nazwy instytucji, rzadkie zdarzenia, identyfikatory umów, unikalne kwoty lub opisy relacji między podmiotami.

Ocena dopuszczalności w praktyce opiera się na trzech osiach. Pierwsza dotyczy poufności zawodowej i tego, czy wprowadzenie danych do systemu nie oznacza ujawnienia informacji poza kancelarię. Druga dotyczy RODO, ponieważ akta niemal zawsze zawierają dane osobowe, często również informacje wrażliwe. Trzecia dotyczy dostawcy i konfiguracji usługi: retencji promptów, warunków dostępu serwisowego, możliwości wykorzystania danych do trenowania oraz typowych „ścieżek wyjścia” danych przez integracje i logi.

Jeśli materiał zawiera identyfikatory i pełny opis sprawy, to najbardziej prawdopodobne jest ryzyko reidentyfikacji i utraty kontroli nad poufnością.

Tajemnica zawodowa a generatywna AI: kiedy ryzyko staje się krytyczne

Ryzyko krytyczne powstaje wtedy, gdy informacje z akt mogą stać się dostępne dla podmiotów spoza kancelarii lub zostać przetworzone w warunkach, których kancelaria nie kontroluje. W praktyce chodzi o to, czy dane z promptu i załączników są przechowywane w logach, czy mają do nich dostęp osoby serwisujące usługę, czy narzędzie korzysta z podwykonawców oraz jak szeroko rozchodzą się dane przez połączenia z innymi systemami. Dodatkowym problemem jest to, że tożsamość sprawy może ujawniać nie tylko treść, ale także struktura dokumentów, powtarzalne zwroty, układ zarzutów czy zestawienie dat i kwot.

Before lawyers input information relating to the representation of a client into a GAI tool, they must evaluate the risks that the information will be disclosed to or accessed by others outside the firm.

W realnych wdrożeniach decydujące stają się zasady dopuszczalnych danych i zakres czynności, do których AI jest używana. Inaczej ocenia się stworzenie neutralnego streszczenia własnych notatek bez danych identyfikujących, a inaczej analizę skanów zeznań, korespondencji lub dokumentów medycznych. W części scenariuszy pojawia się także wątek świadomej zgody klienta, rozumianej jako akceptacja konkretnego sposobu przetwarzania i ryzyk, a nie ogólna zgoda „na użycie narzędzi”.

because many of today’s self-learning GAI tools are designed so that their output could lead directly or indirectly to the disclosure of information relating to the representation of a client, a client’s informed consent is required prior to inputting information relating to the representation into such a GAI tool.

Test ryzyka ujawnienia pozwala odróżnić użycie AI do pracy na abstrakcyjnych tezach od użycia AI na materiale, który identyfikuje klienta i strategię procesową.

RODO i akta sprawy w AI: podstawa, rola dostawcy i transfer danych

Z perspektywy RODO wklejenie akt do AI jest przetwarzaniem danych, które wymaga podstawy prawnej, oceny roli dostawcy, kontroli podwykonawców oraz weryfikacji transferów danych. Akta zwykle zawierają dane identyfikacyjne, dane finansowe, informacje o wyrokach, a w wielu sprawach również dane szczególnych kategorii, co podnosi próg ostrożności i oczekiwany poziom zabezpieczeń. Równolegle działa zasada minimalizacji: do narzędzia powinny trafiać tylko te informacje, które są konieczne do celu, a nie całe zbiory materiałów „na wszelki wypadek”.

Kluczową częścią oceny jest ustalenie relacji z dostawcą: czy działa jako procesor, jakie ma podwykonawstwo, jak wygląda retencja i jakie są reguły dostępu administracyjnego. W realnych warunkach prawnych szczególne znaczenie ma możliwość audytowania oraz jednoznaczność zapisów o tym, czy dane z promptów mogą być wykorzystywane do rozwoju modeli. Jeśli przetwarzanie danych odbywa się poza EOG lub w sposób oparty o wielopoziomowe podwykonawstwo, wzrasta znaczenie zabezpieczeń transferowych i dokumentowania oceny ryzyka.

W obrębie praktyki kancelarii rozwijane są zasady pracy określane jako AI w pracy prawnika, w których nacisk kładzie się na rozliczalność, ograniczenia danych i kontrolę konfiguracji narzędzi. Taka warstwa organizacyjna nie zastępuje podstaw prawnych, ale redukuje ryzyko przypadkowego wprowadzenia danych nadmiarowych. Pomaga też ujednolicić sposób anonimizacji i dokumentowania decyzji w sprawach wrażliwych.

Jeśli dostawca nie zapewnia przejrzystej kontroli retencji i podwykonawców, to najbardziej prawdopodobne jest ryzyko naruszenia zasady rozliczalności.

Procedura decyzji (HowTo): test 6 warunków przed wklejeniem czegokolwiek do AI

Decyzja powinna przejść przez test sześciu warunków obejmujący klasyfikację poufności, minimalizację zakresu, anonimizację, konfigurację narzędzia, podstawę organizacyjną oraz dokumentację oceny. Krok pierwszy polega na sklasyfikowaniu materiału: czy zawiera tajemnicę zawodową, dane szczególnych kategorii, sygnatury, nazwy podmiotów, numery umów, adresy, dane o zdrowiu lub informacje o karalności. Krok drugi dotyczy minimalizacji: w wielu przypadkach wystarcza wyciąg z istotnych fragmentów lub opis problemu prawnego bez cytowania dowodów i danych identyfikujących.

Krok trzeci to anonimizacja lub pseudonimizacja wraz z testem reidentyfikacji: jeśli unikalne połączenie dat, kwot i instytucji nadal pozwala wskazać sprawę, anonimizacja jest pozorna. Krok czwarty obejmuje weryfikację usługi AI: retencję, użycie danych do trenowania, dostęp serwisowy, logowanie oraz ryzyka integracji. Krok piąty to warstwa kancelarii: polityka użycia AI, upoważnienia, ograniczenia danych i zasady dokumentowania, a w scenariuszach podwyższonego ryzyka także kwestia świadomej zgody klienta. Krok szósty domyka proces: zapisanie decyzji, zakresu danych oraz ograniczeń wykorzystania wyniku AI.

Kryterium reidentyfikacji pozwala odróżnić materiał w praktyce bezpieczny od materiału, który wymaga dalszej minimalizacji albo rezygnacji z użycia AI.

Publiczny chatbot a środowisko enterprise: które podejście zmniejsza ryzyko?

Środowiska enterprise zwykle lepiej wspierają kontrolę nad danymi, natomiast narzędzia publiczne częściej ograniczają możliwość weryfikacji parametrów przetwarzania i rozliczalności. Wariant publiczny bywa wygodny i szybki, ale typowo trudniej w nim wykazać, co dokładnie dzieje się z promptami, jak długo są przechowywane oraz w jakim zakresie usługa dopuszcza dostęp serwisowy lub podwykonawstwo. Wariant enterprise jest z reguły lepiej dopasowany do procesu kancelarii, ponieważ łatwiej oprzeć go o umowę, konfigurację administracyjną, kontrolę uprawnień i spójne ustawienia retencji.

Różnica praktyczna dotyczy także kosztu błędu. W publicznym narzędziu ewentualna pomyłka w zakresie danych wejściowych może skutkować nieodwracalnym ujawnieniem informacji, podczas gdy w środowisku zarządzanym ryzyko można ograniczać politykami, ograniczeniem dostępu, logami oraz spójnym procesem zatwierdzania. Jednocześnie enterprise nie „legalizuje” automatycznie przetwarzania: nadal potrzebna jest minimalizacja danych, sensowny cel oraz gotowość do wykazania rozliczalności. Ujęcie compliance w UE obejmuje także konsekwencje wynikające z AI Act w kancelarii, zwłaszcza gdy AI jest elementem procesu o znaczeniu dla praw i interesów klientów.

Publiczny chatbot czy wersja enterprise z DPA i kontrolą retencji?

Wersja enterprise jest zwykle właściwsza przy pracy na materiałach sprawy, ponieważ ułatwia uzyskanie DPA, kontrolę retencji i standaryzację ustawień bezpieczeństwa w całej organizacji. Publiczny chatbot bywa akceptowalny jedynie w scenariuszach, w których nie występują identyfikatory, dane wrażliwe ani szczegóły umożliwiające reidentyfikację, a cel ogranicza się do analizy abstrakcyjnej. Różnica w kosztach wdrożenia może być istotna, ale koszt błędu poufności w sprawach klienta jest w praktyce wyższy niż oszczędność czasu. Testem decydującym jest możliwość wykazania kontroli nad przetwarzaniem i ograniczenia dostępu osób trzecich.

Test kontroli retencji pozwala odróżnić konfigurację ograniczającą ekspozycję danych od konfiguracji, w której przetwarzanie pozostaje nieprzejrzyste.

Typowe błędy przy „anonimizacji” akt i szybkie testy weryfikacyjne

Najczęstsze naruszenia wynikają z pozostawienia identyfikatorów i unikalnych szczegółów, które umożliwiają reidentyfikację nawet po usunięciu nazwisk. W materiałach spraw często pozostają sygnatury, numery działek, numery umów, nazwy spółek córki i matki, numery rachunków, opisy relacji rodzinnych, nazwy szpitali lub szkół, a także szczegółowe daty połączone z kwotami i miejscowościami. Takie elementy pozwalają „złożyć” sprawę z powrotem, nawet jeśli formalnie usunięto dane bezpośrednio identyfikujące.

Pomocny jest prosty test: czy osoba nieznająca sprawy, ale dysponująca kontekstem branżowym, byłaby w stanie wskazać podmiot lub zdarzenie na podstawie zbioru szczegółów. Jeśli odpowiedź jest twierdząca, potrzebna jest dalsza minimalizacja albo zmiana podejścia na pracę wyłącznie na abstrakcyjnych tezach. Drugim testem jest segmentacja: oddzielenie faktów od pytań prawnych i oddzielenie danych źródłowych od wniosków. Trzecim testem jest kontrola metadanych w plikach oraz unikanie wklejania skanów i materiałów zawierających ukryte identyfikatory.

W praktyce rozwijane są metody określane jako analiza dokumentów z AI, w których kluczowe jest rozdzielenie danych wrażliwych od treści, która ma trafić do narzędzia. Podejście to wspiera budowę stałych wzorców anonimizacji i ograniczeń danych wejściowych. Ułatwia także wdrożenie zasady, że do AI trafiają wyłącznie informacje konieczne do zadanego celu, a nie pełen materiał sprawy.

Przy utrzymaniu identyfikatorów, najbardziej prawdopodobna jest pozorna anonimizacja, a test reidentyfikacji pozwala odróżnić opis bezpieczny od opisującego konkretną sprawę.

Wklejenie akt sprawy do AI wymaga podejścia warunkowego opartego na poufności, minimalizacji oraz kontroli nad przetwarzaniem po stronie dostawcy. Największe ryzyko wiąże się z pełnymi aktami i danymi wrażliwymi, gdzie nawet częściowa anonimizacja może być niewystarczająca. Procedura sześciu warunków porządkuje decyzję i ułatwia jej udokumentowanie. Wybór środowiska o większej kontroli nad retencją i umową zwykle obniża ryzyko, ale nie zastępuje oceny materiału i celu.