Au milieu des années 1990, l’anonymisation semblait un problème réglé : il suffisait de retirer les noms d’un fichier pour pouvoir le partager sans risque. Trente ans plus tard, cette croyance a été démentie par une série de démonstrations devenues des classiques de l’informatique, et l’anonymisation est devenue une discipline à part entière, au croisement des mathématiques, du droit et désormais des modèles de langage. Voici cette histoire, parce qu’elle explique très concrètement comment on protège un document en 2026.
L’histoire moderne de la ré-identification commence dans le Massachusetts. Une commission publique y diffuse des données hospitalières « anonymisées » : les noms et adresses ont été retirés, mais le code postal, la date de naissance et le sexe des patients sont conservés. Latanya Sweeney, alors doctorante au MIT, achète pour une vingtaine de dollars les listes électorales de la ville de Cambridge, qui contiennent ces trois mêmes attributs, avec les noms. Le croisement des deux fichiers lui permet d’identifier le dossier médical du gouverneur William Weld, qu’elle lui fait parvenir.
Ses travaux ultérieurs donneront la mesure du problème : environ 87 % des Américains sont identifiables de façon unique par la seule combinaison code postal, date de naissance et sexe. La leçon fondatrice tient en une phrase : retirer les identifiants directs ne suffit pas, parce que les attributs restants forment une empreinte.
De cette démonstration naît, à la fin des années 1990, le concept de k-anonymat, formalisé par Pierangela Samarati et Latanya Sweeney : un fichier est k-anonyme si chaque combinaison d’attributs quasi identifiants y correspond à au moins k personnes, de sorte qu’aucun individu ne puisse être isolé. On généralise les dates en tranches d’âge, on tronque les codes postaux, on agrège.
Le modèle sera raffiné dans les années 2000 (l-diversité en 2006, t-proximité en 2007) pour corriger ses angles morts, car un groupe de k personnes partageant toutes la même pathologie ne protège pas grand-chose. Ces travaux ont posé le vocabulaire encore utilisé aujourd’hui par les régulateurs : individualisation, corrélation, inférence.
Deux affaires font ensuite entrer la ré-identification dans le débat public.
En 2006, AOL publie à des fins de recherche vingt millions de requêtes de recherche de 650 000 utilisateurs, identifiés par de simples numéros. En quelques jours, deux journalistes du New York Times remontent jusqu’à l’utilisatrice n° 4417749, une sexagénaire de Géorgie, à partir du seul contenu de ses recherches. Personne n’avait « donné son nom », et pourtant le fichier le contenait en creux.
En 2008, Arvind Narayanan et Vitaly Shmatikov démontrent que le jeu de données publié par Netflix pour son concours de recommandation, des notes de films datées et « anonymisées », permet de ré-identifier des abonnés en le croisant avec les notes publiques laissées sur IMDb. La même année que ces débats, la recherche propose une autre voie, la confidentialité différentielle (Cynthia Dwork, 2006), qui protège des statistiques agrégées en y injectant un bruit calibré : précieuse pour les recensements et les indicateurs, inadaptée au partage d’un document lisible.
La deuxième leçon est posée : à l’échelle d’internet, presque tout jeu de données riche peut être croisé avec un autre, et le contexte ré-identifie ce que la suppression des noms avait masqué.
Les régulateurs européens tirent les conséquences de ces vingt années de démonstrations. En 2014, l’avis 05/2014 du G29, le groupe des CNIL européennes, fixe le test toujours en vigueur : une anonymisation n’est robuste que si elle empêche d’isoler une personne, de relier des enregistrements la concernant et d’inférer des informations sur elle. En 2018, le RGPD grave la frontière dans le marbre : les données véritablement anonymes sortent de son champ (considérant 26), tandis que les données simplement pseudonymisées y restent. Nous avons consacré un article complet à cette différence entre pseudonymisation et anonymisation, car elle conditionne tout le régime juridique applicable.
La recherche, elle, continue d’affiner la mesure du risque : en 2019, une étude publiée dans Nature Communications par des chercheurs de l’Imperial College et de l’UCLouvain estime que 99,98 % des Américains seraient ré-identifiables dans un jeu de données comportant quinze attributs démographiques. Le message aux optimistes est définitif.
Tout ce qui précède concerne des bases structurées, des lignes et des colonnes. Or l’essentiel de l’information sensible d’un cabinet, d’une entreprise ou d’un hôpital vit dans du texte libre : contrats, conclusions, courriers, comptes rendus. Anonymiser un document, ce n’est plus généraliser une colonne, c’est détecter dans une phrase que « Monsieur Martin, gérant de la SARL Dupont, domicilié 12 rue des Lilas » contient trois identifiants et une adresse, puis les remplacer sans casser le sens.
Les premières générations d’outils s’appuyaient sur des règles et des dictionnaires : efficaces sur les formats prévisibles, aveugles au reste. Les années 2010 ont apporté la reconnaissance d’entités nommées par apprentissage automatique, et les années 2020 les modèles de langage, capables de comprendre le contexte : distinguer « Cassation » la juridiction de « Cassation » un nom propre, repérer un identifiant bancaire même mal formaté. La justice française elle-même a industrialisé cette approche pour l’open data des décisions, occultées automatiquement avant publication.
Reste un paradoxe propre à notre décennie : la plupart des services d’anonymisation modernes fonctionnent en envoyant votre texte brut à une API d’IA américaine. Autrement dit, on fait sortir la donnée pour la protéger. Pour un cabinet d’Avocats tenu au secret professionnel, ou pour toute organisation soucieuse de souveraineté, le remède reproduit le mal.
C’est précisément le choix inverse que nous avons fait chez Zevra avec Lexform : un modèle de langage open source, adapté par nos soins à l’anonymisation juridique, auto-hébergé sur des processeurs OVHcloud à Gravelines, sans aucune API d’IA tierce dans le traitement. Les documents sont traités en mémoire vive puis effacés, rien n’est stocké ni journalisé, rien ne sert jamais à entraîner un modèle, et l’OCR des documents scannés (Tesseract) s’exécute lui aussi sur notre infrastructure. La table de correspondance entre les vrais noms et les jetons reste sur votre poste. Et parce que la protection ne devrait pas être un luxe : de l’ordre de 4 000 pages anonymisées pour 16 euros, sans abonnement.
La première : supprimer les identifiants directs ne suffit pas, l’empreinte des attributs restants identifie. La deuxième : le contexte ré-identifie, car tout jeu de données peut être croisé avec un autre. La troisième, la plus récente : la localisation et la maîtrise du traitement font partie de la protection, car un texte envoyé en clair à un tiers pour être anonymisé a déjà cessé d’être confidentiel.
Non, et les régulateurs le reconnaissent : on évalue un risque résiduel de ré-identification au regard des moyens raisonnablement susceptibles d’être utilisés. Le bon réflexe combine un outil robuste et une relecture finale, qui reste sous votre contrôle avant tout envoi.
L’anonymisation est irréversible et fait sortir les données du champ du RGPD ; la pseudonymisation est réversible pour qui détient la table de correspondance et reste encadrée. Notre article dédié détaille la frontière et la jurisprudence récente.
Parce qu’un prestataire soumis à un droit extraterritorial peut être contraint de remettre les données qu’il traite, où que soient ses serveurs. Un traitement exécuté en France, par un opérateur français, sur une infrastructure qu’il possède, retire ce risque de l’équation.
Pour tester l’anonymisation souveraine sur vos propres documents : lexform.zevra.tech, 8 000 mots offerts chaque mois, sans carte bancaire.
Trente ans de leçons, appliquées à vos documents.
Anonymisation souveraine en France, table de correspondance chez vous, zéro rétention.