Dane klientów w narzędziach AI: jak analizować je bezpiecznie i zgodnie z RODO

Kiedy dane marketingowe są danymi osobowymi

Dane marketingowe są danymi osobowymi wtedy, gdy pozwalają bezpośrednio lub pośrednio zidentyfikować konkretną osobę – także przez połączenie z innymi informacjami, którymi dysponujesz. Dane spseudonimizowane nadal są danymi osobowymi, a poza RODO znajdują się dopiero dane rzeczywiście zanonimizowane.

W marketingu granica często jest nieoczywista. Raport kosztów i konwersji na poziomie kampanii nie dotyczy osób. Eksport zamówień z identyfikatorem klienta już tak, nawet bez imienia i nazwiska, bo w CRM możesz ten identyfikator powiązać z osobą. Podobnie z danymi first-party zbieranymi na stronie: identyfikatory cookies i urządzeń są w UE traktowane jako identyfikatory internetowe.

Szczególną uwagę zwróć na dane, z których da się wywnioskować zdrowie, orientację czy przekonania – np. zakupy w kategorii suplementów na konkretne schorzenia. To dane szczególnych kategorii z art. 9 RODO, które wymagają dodatkowej podstawy prawnej. Ogólne zasady przetwarzania danych w reklamie omawiamy w tekście o RODO w reklamie online.

Konsumenckie i firmowe wersje narzędzi AI – czym się różnią

Plany firmowe narzędzi AI (np. ChatGPT Business i Enterprise, Claude dla zespołów i firm, Gemini w Google Workspace oraz dostęp przez API) zwykle przewidują umowę powierzenia i domyślny brak trenowania modeli na danych klienta. W planach prywatnych dane mogą służyć do ulepszania modeli, chyba że wyłączysz to w ustawieniach, a dostawca nie działa w Twoim imieniu.

Warunki zmieniają się często, dlatego przed wdrożeniem przeczytaj aktualną umowę i dokumentację prywatności wybranego planu. Sprawdź w szczególności, czy dostawca jest certyfikowany w ramach EU-U.S. Data Privacy Framework albo stosuje standardowe klauzule umowne przy transferze danych poza Europejski Obszar Gospodarczy.

Podstawa prawna, umowa powierzenia i dokumentacja

Przesłanie danych klientów do narzędzia AI wymaga tego samego co każde przetwarzanie: podstawy prawnej z art. 6 RODO, zgodności z pierwotnym celem zbierania danych, umowy z dostawcą i odnotowania tego w dokumentacji. Sama wygoda zespołu nie jest podstawą prawną.

W analizach marketingowych najczęściej powołuje się prawnie uzasadniony interes administratora, np. analizę skuteczności sprzedaży. Wymaga on jednak udokumentowanego testu równowagi, a nowy cel musi być zgodny z tym, o którym poinformowałeś klientów. Jeśli dane zbierałeś na potrzeby realizacji zamówień, a teraz chcesz na ich podstawie budować profile zakupowe w narzędziu AI, sprawdź, czy polityka prywatności to obejmuje.

Dostawca narzędzia działa jako podmiot przetwarzający, więc potrzebujesz umowy powierzenia. Dopisz go do rejestru czynności przetwarzania i do listy odbiorców w klauzuli informacyjnej. Gdy planujesz profilowanie na dużą skalę lub łączenie wielu źródeł danych z użyciem nowej technologii, rozważ ocenę skutków dla ochrony danych (DPIA) – UODO opublikował wykaz operacji, które jej wymagają. Kary za naruszenia RODO sięgają 20 mln euro lub 4% światowego obrotu. To ogólny opis zasad, a nie porada prawna: w konkretnej sprawie skonsultuj się z prawnikiem lub inspektorem ochrony danych.

Jak przygotować dane klientów do analizy w AI krok po kroku

Bezpieczna analiza zaczyna się od pytania, na które chcesz odpowiedzieć, a dopiero potem dobierasz minimalny zestaw danych. W większości przypadków zagregowana tabela wystarczy, by model znalazł wzorce w sprzedaży czy zachowaniach segmentów.

1. Zdefiniuj cel analizy. Na przykład: „które kategorie produktów kupują klienci powracający w pierwszych 90 dniach”. Cel wyznacza zakres danych.
2. Usuń identyfikatory bezpośrednie. Imiona, e-maile, telefony i adresy nie są potrzebne do analizy wzorców.
3. Zagreguj dane. Zamiast listy zamówień przekaż tabelę według miesiąca, regionu, kategorii i segmentu klientów.
4. Ustaw próg liczebności. Pomijaj grupy, w których jest mniej niż np. 10 klientów – w małych segmentach łatwo wskazać konkretną osobę.
5. Zastąp identyfikatory tokenami. Jeśli potrzebujesz danych na poziomie klienta, użyj losowych tokenów lub haszowania z tajnym kluczem przechowywanym poza narzędziem AI.
6. Oczyść teksty swobodne. Z opinii i czatów usuń imiona, adresy i numery; przy dużych zbiorach użyj narzędzia do automatycznego wykrywania danych osobowych.
7. Sprawdź ustawienia narzędzia. Plan firmowy, wyłączone trenowanie, właściwy obszar roboczy i ograniczony dostęp.
8. Udokumentuj analizę. Zapisz, jakie dane, w jakim celu i do jakiego narzędzia zostały przesłane.

Agregację z progiem liczebności zrobisz w BigQuery jednym zapytaniem:

SELECT
  FORMAT_DATE('%Y-%m', data_zamowienia) AS miesiac,
  wojewodztwo,
  kategoria_produktu,
  segment_klienta,
  COUNT(DISTINCT id_klienta) AS klienci,
  COUNT(*) AS zamowienia,
  ROUND(SUM(wartosc_netto), 0) AS przychod_netto
FROM `twoj-projekt.crm.zamowienia`
WHERE data_zamowienia >= DATE_SUB(CURRENT_DATE(), INTERVAL 12 MONTH)
GROUP BY miesiac, wojewodztwo, kategoria_produktu, segment_klienta
HAVING COUNT(DISTINCT id_klienta) >= 10

Jeśli analiza wymaga poziomu klienta, pseudonimizuj identyfikator z tajną wartością przekazywaną jako parametr zapytania. Bez znajomości tej wartości nie da się odtworzyć identyfikatora prostym przeliczeniem, ale dla Ciebie dane nadal pozostają osobowe.

SELECT
  TO_HEX(SHA256(CONCAT(@sekret, CAST(id_klienta AS STRING)))) AS token_klienta,
  liczba_zamowien,
  dni_od_pierwszego_zakupu,
  kategoria_pierwszego_zakupu
FROM `twoj-projekt.crm.podsumowanie_klientow`

Ta sama zasada dotyczy list wysyłanych do platform reklamowych. Haszowanie adresów w Customer Match nie czyni ich anonimowymi, a od 16 listopada 2026 roku Data Manager w Google Ads nie wymaga już przesyłania danych zahaszowanych SHA-256. Szczegóły opisujemy w tekście o Customer Match i Data Manager.

Agenci AI i MCP: nowe ryzyka dla danych klientów

Agent AI z bezpośrednim dostępem do bazy danych przetwarza wszystko, co zwrócą jego zapytania, a nie tylko to, co świadomie wkleisz. Zakres danych kontrolujesz wtedy uprawnieniami, a nie poleceniem w czacie.

Przy połączeniu asystenta z BigQuery lub GA4 przez protokół opisany w poradniku o MCP w marketingu udostępniaj mu osobny zbiór danych z widokami zagregowanymi, a nie surowe tabele eksportu. Surowy eksport GA4 zawiera pseudonimowe identyfikatory użytkowników, a tabele CRM – dane kontaktowe. Uprawnienia agenta ogranicz do odczytu, a logi zapytań przechowuj tak, by można było odtworzyć, jakie dane trafiły do modelu.

Drugie ryzyko to łączenie źródeł. Agent, który może jednocześnie czytać dane CRM i wysyłać wiadomości lub zapisywać pliki, w razie ataku przez ukryte instrukcje w danych może przekazać informacje dalej. Ogólne zasady projektowania takich rozwiązań opisujemy w tekście o agentach AI w marketingu.

Gdy chcesz analizować dane klientów razem z danymi partnera, np. retailera lub wydawcy, bez wzajemnego przekazywania surowych rekordów, lepszym rozwiązaniem jest data clean room. Wzbogacanie konwersji o marżę czy LTV po stronie serwera, bez wysyłania danych osobowych do modeli językowych, omawiamy w artykule o wzbogacaniu zdarzeń po stronie serwera.

AI Act a RODO: co dochodzi od sierpnia 2026 roku

AI Act nie zastępuje RODO, tylko dokłada obowiązki związane z samym systemem AI. Dla działów marketingu najważniejszy jest art. 50, który od 2 sierpnia 2026 roku wymaga m.in. informowania użytkowników, że rozmawiają z AI, i ujawniania treści typu deepfake.

Jeśli wdrażasz na stronie chatbota, który zbiera dane klientów, łączą się oba reżimy: RODO określa, jakie dane możesz zebrać i jak o tym informować, a AI Act – że użytkownik musi wiedzieć, że rozmawia z maszyną. Obowiązki te omawiamy w tekście o chatbocie AI na stronie. Rozporządzenie Digital Omnibus złagodziło natomiast art. 4 o kompetencjach w zakresie AI do obowiązku podejmowania starannych działań, ale szkolenie zespołu z zasad pracy z danymi pozostaje rozsądną praktyką. Spisz te zasady w jednym dokumencie – pomoże w tym wzór polityki korzystania z AI.

Najczęstsze błędy zespołów marketingu i jak je wykryć

Większość naruszeń wynika nie ze złej woli, tylko z wygody: ktoś chce szybko przeanalizować plik i wkleja go tam, gdzie akurat ma otwartą kartę. Poniższe sytuacje zdarzają się w praktyce najczęściej.

Eksport z CRM w prywatnym koncie czatu. Wykryjesz to tylko przez jasne zasady i dostęp do planu firmowego – jeśli zespół go nie ma, będzie korzystał z kont prywatnych.

Transkrypcje rozmów z klientami. Nagrania z infolinii i czaty zawierają dane kontaktowe, numery zamówień, a czasem informacje o zdrowiu. Przed analizą sentymentu przepuść je przez narzędzie usuwające dane osobowe.

Persony budowane z prawdziwych rekordów. Prośba „stwórz persony na podstawie tych 500 klientów” z pełnymi danymi to profilowanie. Ten sam efekt dają segmenty zagregowane.

Brak wpisu w dokumentacji. Narzędzie AI używane od miesięcy nie figuruje w rejestrze czynności przetwarzania ani w polityce prywatności. Raz na kwartał porównaj listę narzędzi w zespole z dokumentacją. Strategię pracy na własnych danych opisujemy w tekście o danych first-party w reklamie, a gotowe polecenia na danych zagregowanych – w zestawie promptów dla specjalisty performance. Więcej materiałów znajdziesz w podtemacie Agenci AI i automatyzacja.