
GDPR og AI: Hvad du må sende til en LLM
Hvilke data må du putte i en sprogmodel, hvem er databehandler, og hvad skal der stå i aftalen? En praktisk gennemgang til danske virksomheder.
De fleste virksomheder har efterhånden en holdning til AI. Det de færreste har, er et svar på det helt konkrete spørgsmål: må vi putte den her tekst ind i modellen?
Det er ikke et akademisk spørgsmål. Det er forskellen på om en medarbejder i kundeservice indsætter en kundes sygehistorie i ChatGPT for at få formuleret et svar — eller lader være.
Her er gennemgangen, uden omveje. Den er ikke juridisk rådgivning, men den giver dig det tekniske og praktiske grundlag du skal bruge for at stille de rigtige spørgsmål — til din advokat, til din leverandør og til dig selv.
Skal jeres AI-løsning være GDPR-compliant fra dag ét? Vi bygger private LLM-løsninger hvor data bliver i jeres eget miljø. Skriv til os på info@interactify.dk.
Den korte version
- Ja, du må bruge personoplysninger i en LLM — men du skal have et behandlingsgrundlag efter GDPR artikel 6, ligesom ved enhver anden behandling.
- Du er dataansvarlig. Det er dig der hænger på det, ikke leverandøren.
- En offentlig AI-tjeneste er som udgangspunkt databehandler — og så skal der en databehandleraftale på bordet.[3]
- Du kan ikke regne med at modellen er "anonym". EDPB har slået fast at det skal vurderes konkret i hver enkelt sag.[1]
- En privat LLM fjerner tredjelandsspørgsmålet og databehandlerkæden — men ikke dine forpligtelser som dataansvarlig.
Først: hvem er hvem?
Det lyder som formalia, men det er præcis her mange går galt i byen.
Den dataansvarlige er den virksomhed der bestemmer hvorfor og hvordan personoplysningerne behandles. Det er dig. Du kan ikke outsource ansvaret til en leverandør — kun behandlingen.
Databehandleren behandler data på dine vegne og efter dine instrukser. En ekstern AI-tjeneste du sender data til, er normalt databehandler. Det betyder at der skal være en skriftlig aftale der fastlægger genstanden for behandlingen, dens varighed, arten og formålet, typerne af personoplysninger og kategorierne af registrerede.[3]
Underdatabehandleren er databehandlerens egen underleverandør — typisk cloud-infrastrukturen som AI-tjenesten selv kører på. Databehandleren må ikke bruge underdatabehandlere uden din forudgående autorisation, og ved en generel autorisation skal du have besked om ændringer og mulighed for at gøre indsigelse.[3]
Pointen: en AI-tjeneste er sjældent én aftale. Det er en kæde, og du skal kunne se hele kæden for at vide hvor data ender.
Hvad må du sende ind i modellen?
Svaret afhænger ikke af om det er "AI" — det afhænger af hvad der er i teksten. Brug den her som tommelfingerregel:
| Kategori | Eksempler | Vurdering |
|---|---|---|
| Grøn | Offentligt tilgængeligt materiale, anonymiserede data, interne procedurer uden personoplysninger | Kan sendes, hvis leverandøren i øvrigt er godkendt |
| Gul | Navne, e-mails, telefonnumre, almindelige kundeoplysninger, interne notater med personnavne | Kræver behandlingsgrundlag, databehandleraftale og en konkret vurdering |
| Rød | CPR-numre, helbredsoplysninger, fagforeningsforhold, religiøse forhold, strafbare forhold, biometriske data | Følsomme oplysninger efter artikel 9 — kræver særligt grundlag. Bør ikke sendes til en ekstern tjeneste |
Det er værd at være opmærksom på at kategorien "gul" er langt større i praksis end de fleste tror. En kundeservice-sag indeholder næsten altid navn og ordrenummer. Et HR-dokument indeholder næsten altid noget der kan identificere en person.
Den nemmeste måde at flytte data fra gul til grøn er pseudonymisering: erstat navne og id'er med tokens inden teksten sendes afsted, og sæt dem tilbage i svaret bagefter. Det er billigt at bygge, og det reducerer risikoen markant uden at ændre arbejdsgangen.
"Modellen er anonym" — regn ikke med det
Der findes en udbredt antagelse om at når en model er trænet, er persondataene "væk". Så enkelt er det ikke.
EDPB har i Opinion 28/2024 vurderet at en AI-model ikke uden videre kan betragtes som anonym. For at en model kan kaldes anonym, skal det være meget lidt sandsynligt at man — direkte eller indirekte, også probabilistisk — kan identificere personer hvis data indgik i træningen, og at man kan trække den slags data ud af modellen via forespørgsler. Vurderingen skal foretages konkret fra sag til sag af datatilsynsmyndigheden, og udgangspunktet er at modeller typisk kræver en grundig vurdering for at kunne betragtes som anonyme.[1]
Konsekvensen for dig som almindelig bruger er enkel: du skal ikke bygge din compliance på at leverandøren siger at deres model er anonym. Bed om dokumentationen, og hvis den ikke findes, så behandl data som om de ikke er anonyme.
Hvor ender data henne?
Hvis tjenesten kører uden for EU, er der tale om en overførsel til et tredjeland. Det er ikke forbudt, men det kræver et overførselsgrundlag.
Efter Schrems II-dommen i 2020 blev overførsler til USA vanskelige. Siden 10. juli 2023 har Europa-Kommissionen haft en adequacy-afgørelse for EU-US Data Privacy Framework, som betyder at personoplysninger kan flyde frit til amerikanske virksomheder der deltager i rammen.[4]
To forbehold:
- Det gælder kun deltagere i rammen. En given AI-leverandør skal være certificeret — ellers må du bruge standardkontraktbestemmelser eller andre overførselsmekanismer.
- Det er en politisk aftale. Data Privacy Framework har været under pres og kan blive ophævet igen. Har du bygget din arkitektur på at data ligger i USA, er det en risiko du skal kende.
Har du derimod en model der kører i jeres eget datacenter i Danmark, er der ingen overførsel til tredjeland. Det er her en privat LLM adskiller sig markant: spørgsmålet forsvinder, fordi data aldrig flytter sig.
Databehandleraftalen: otte punkter du skal kræve
Hvis du bruger en ekstern AI-tjeneste, skal aftalen som minimum håndtere følgende. Kravene følger af artikel 28:[3]
- Formål og omfang — hvad må leverandøren bruge jeres data til, og til hvad må de ikke? Få eksplicit afvist træning på jeres data.
- Instrukser — leverandøren må kun behandle data efter dokumenterede instrukser fra jer.
- Fortrolighed — personer der har adgang til data skal være underlagt fortrolighed.
- Sikkerhed — tekniske og organisatoriske foranstaltninger efter artikel 32.
- Underdatabehandlere — liste over dem, varsling ved ændringer, og jeres ret til at gøre indsigelse.
- Hjælp til de registreredes rettigheder — leverandøren skal kunne hjælpe jer med indsigt, rettelse og sletning.
- Sletning eller tilbagelevering ved ophør — hvad sker der med data når aftalen stopper?
- Revision og dokumentation — I skal kunne verificere at kravene overholdes.
Punkt 1 og 7 er dem der oftest mangler. Det er også dem der betyder mest i praksis.
Tre udfordringer der er sværere end de lyder
Retten til sletning i en finetunet model
Hvis du finetuner en model på kundedata, kan du ikke "slette" en enkelt kunde ved at slette en række i en database. Oplysningerne er vægtet ind i modellens parametre. Skal du kunne efterleve en sletteanmodning, må du enten kunne træne modellen om, eller sikre at de personhenførbare data aldrig blev en del af vægtene — fx ved kun at finetune på pseudonymiserede eller syntetiske data.
Formålsbegrænsning
Data indsamlet til ét formål må ikke uden videre bruges til et andet. At bruge eksisterende kundedialoger til at træne en intern model er et nyt formål, og det kræver sin egen vurdering — det er ikke noget der følger automatisk med fordi data allerede ligger i huset.
Konsekvensanalyse
Behandler du personoplysninger i et AI-system på en måde der indebærer høj risiko for de registreredes rettigheder, skal du lave en konsekvensanalyse (DPIA) inden behandlingen starter. Det gælder især ved profilering og ved behandling af følsomme oplysninger.
Hvad løser en privat LLM — og hvad løser den ikke?
Det er her det er værd at være præcis, for "privat = compliant" er en forkert slutning.
Det den løser:
- Tredjelandsoverførsel. Ingen data forlader jeres infrastruktur, så kapitel V bliver ikke aktuel.
- Databehandlerkæden. Når I selv kører modellen, er der ingen ekstern databehandler for inferensen. I downloader vægte, I kører dem, I har data.
- Træning på jeres data. I bestemmer selv om data overhovedet må indgå i finetuning.
- Dokumentation. I kan svare konkret på hvor data ligger, hvem der har adgang, og hvordan det slettes.
Det den ikke løser:
- Du er stadig dataansvarlig. Behandlingsgrundlag, formålsbegrænsning, oplysningspligt og sletteanmodninger gælder uændret.
- Sikkerhed efter artikel 32 skal stadig være på plads — adgangsstyring, logning, kryptering.
- Modellens oprindelse. Åbne modeller har licensvilkår du skal læse, og hvis I finetuner på persondata, er det stadig behandling af persondata der skal have et grundlag.
- AI Act. Reglerne om gennemsigtighed og dokumentation gælder uanset hvor modellen kører.[2] Vi har skrevet om tidslinjen i AI Act: hvad der gælder nu.
Kort sagt: en privat LLM fjerner de sværeste overførsels-spørgsmål. Den fjerner ikke dit ansvar for hvad du putter ind i modellen.
Tjekliste
Inden du sender persondata gennem en AI-løsning:
- Er der et behandlingsgrundlag efter artikel 6? (og artikel 9, hvis det er følsomme oplysninger)
- Ved de registrerede at deres data behandles i et AI-system?
- Er der en databehandleraftale — og afviser den eksplicit træning på jeres data?
- Er leverandøren certificeret under Data Privacy Framework, eller har I et andet overførselsgrundlag?
- Kan I dokumentere hvor data fysisk ligger?
- Er der pseudonymisering på plads for de arbejdsgange hvor det er muligt?
- Kan I slette en enkelt persons data igen?
- Er der lavet DPIA, hvis behandlingen indebærer høj risiko?
Kan du svare ja på de fleste, er du længere end gennemsnittet. Kan du ikke svare på hvor data ligger, skal du stoppe der.
Næste skridt
GDPR og AI er ikke et projekt der bliver færdigt. Det er en række beslutninger der skal træffes igen hver gang I tager et nyt AI-værktøj i brug — og de beslutninger er nemmere at træffe hvis arkitekturen er rigtig fra starten.
Hos Interactify bygger vi private LLM-løsninger hvor data bliver i jeres eget miljø, med dokumentation og adgangsstyring der holder når nogen spørger. Vi rådgiver ikke som advokater — men vi kan svare præcist på den tekniske del, som er den der oftest mangler svar på.
Vil du have en vurdering af jeres nuværende AI-setup? Skriv til os på info@interactify.dk.
Læs om vores AI & LLM services →
Læs også
Kilder
- EDPB Opinion 28/2024 om persondata i AI-modeller
- EU AI Act — implementeringstidslinje (AI Act Service Desk)
- GDPR artikel 28 — databehandler
- Europa-Kommissionen — EU-US dataoverførsler
Artiklen er opdateret 31. oktober 2026.
Forfatter
Interactify
Ekspert inden for webudvikling og digitale løsninger. Vi hjælper danske virksomheder med at navigere i den digitale transformation.
Del denne artikel
Relaterede artikler
AIPrivat LLM til danske virksomheder: Hvad, hvorfor og hvordan
Hvad er en privat LLM, hvorfor har din virksomhed brug for en, og hvordan kommer du i gang? Den komplette guide til danske virksomheder.
AIAI Act: tidsplanen, kravene og hvad der gælder nu
AI Act er trådt i kraft i faser. Se hvad der gælder nu for danske virksomheder, hvad der er udskudt til 2027 og 2028, og hvad du skal gøre.
AIChatGPT vs privat LLM: Hvad skal din virksomhed vælge?
ChatGPT API er nemt, men er det det rigtige for din virksomhed? Sammenligning af privat LLM vs ChatGPT på sikkerhed, pris, kvalitet og kontrol.