Guide · Édition 2026
Distinction avec l’anonymisation, table de correspondance, critères RGPD et comparatif honnête des outils du marché : de quoi répondre autre chose que non à vos équipes.
Chaque semaine, le même message arrive dans la boîte d’un DPO : une équipe veut brancher une IA sur des données réelles et demande si elle en a le droit. Le métier veut avancer, la conformité voudrait pouvoir répondre autre chose que non. Entre les deux, il existe une technique précise, citée en toutes lettres par le RGPD lui-même : la pseudonymisation.
Le règlement la mentionne comme mesure de protection dès la conception (article 25) et comme mesure de sécurité du traitement (article 32). La CNIL, dans sa fiche 7 de janvier 2026, en fait une mesure attendue en amont de tout modèle d’IA. Et la sanction de mars 2026 contre une PME française, 380 000 euros pour des prompts envoyés en clair à ChatGPT, a montré que cette attente n’était pas théorique.
Comprendre
L’article 4.5 du RGPD définit la pseudonymisation comme le traitement de données personnelles de telle façon qu’elles ne puissent plus être attribuées à une personne précise sans information supplémentaire, cette information étant conservée séparément et protégée.
Tout est dans cette définition. L’anonymisation détruit définitivement le lien avec la personne : la donnée sort du champ du RGPD (considérant 26), mais le chemin de retour est perdu. La pseudonymisation remplace les identifiants par des pseudonymes et conserve ce chemin de retour dans une table de correspondance, gardée sous clé. Elle reste un traitement de données personnelles, soumis au RGPD. Nous avons consacré un article complet à cette distinction, arrêt de la CJUE à l’appui.
Pourquoi choisir la voie qui reste dans le règlement ? Parce que travailler avec une IA suppose presque toujours de revenir aux vraies valeurs. Le courrier généré doit finir adressé à la vraie personne, la synthèse doit retrouver le vrai nom du dossier. L’anonymisation coupe ce fil. La pseudonymisation le garde, en le protégeant.
Point de vigilance DPO
La Cour de justice de l’Union européenne a précisé en septembre 2025 (affaire EDPS contre CRU) que le caractère personnel de données pseudonymisées s’apprécie du point de vue de celui qui les détient. Un destinataire qui ne dispose d’aucun moyen raisonnable de réidentification peut ne pas traiter de données personnelles au sens du règlement. Cette lecture conforte les architectures où l’information supplémentaire, la table de correspondance, ne quitte jamais le responsable de traitement. Côté émetteur, en revanche, rien ne change : vous restez dans le RGPD, avec vos obligations.
La question centrale
La table de correspondance est la clé de la réidentification des données. Qui la détient peut retrouver les personnes. La question à poser à tout fournisseur d’outil de pseudonymisation tient donc en une ligne : où cette table est-elle stockée, et qui peut y accéder ?
Si elle est conservée sur les serveurs d’un prestataire, celui-ci peut techniquement réidentifier vos données. Si ce prestataire est de droit américain, le CLOUD Act de 2018 permet aux autorités des États-Unis d’exiger l’accès à ce qu’il traite, y compris sur des serveurs situés en Europe. Pour une profession soumise au secret, médical, juridique ou administratif, cette seule possibilité pose problème.
Notre architecture
C’est ce qui nous a conduits, chez Zevra, à une architecture de pseudonymisation locale : le moteur d’IA qui détecte et remplace les données tourne sur nos processeurs OVH à Gravelines, dans le Nord, en mémoire vive, puis tout est effacé. La table de correspondance, elle, reste sur votre poste. Nous ne la conservons jamais. Personne d’autre que vous ne peut réidentifier, pas même nous. Le détail des flux figure dans notre fiche technique de souveraineté.
Ce point dépasse la technique. Chaque ligne d’une table de correspondance désigne une personne réelle : un patient, un administré, un salarié, un justiciable. Protéger la table, c’est protéger la confiance que ces personnes ont placée dans votre organisation.
Sous le capot
Un logiciel de pseudonymisation par IA détecte automatiquement les données à caractère personnel dans un texte ou un document, puis les remplace par des identifiants pseudonymisés, sans marquage manuel.
Les méthodes de pseudonymisation historiques reposaient sur des règles fixes et des dictionnaires : efficaces sur un numéro de sécurité sociale ou un IBAN, dont le format est prévisible, elles échouent sur le texte libre d’un compte rendu médical, d’un document administratif ou d’un jeu de conclusions. L’IA change la donne sur trois points.
Reconnaissance d’entités nommées (NER)
Un modèle de traitement du langage naturel identifie qu’un mot est un nom de personne, une organisation ou un lieu, même s’il ne l’a jamais rencontré, en s’appuyant sur le contexte de la phrase.
Pseudonymes cohérents
Si Aurélie Meunier apparaît douze fois dans le dossier, elle devient douze fois PERSON_1. L’IA en aval peut suivre le dossier, croiser les mentions, raisonner, sans jamais connaître l’identité réelle.
Automatisation du processus
Ce qui prenait des heures de relecture se fait en quelques secondes, systématiquement, sur chaque document et chaque message, ce qui rend la protection réellement applicable au quotidien.
Le processus complet se déroule en quatre temps : détection des données personnelles (NER, motifs et analyse contextuelle combinés), classification par catégorie et sensibilité, substitution par des pseudonymes cohérents, puis réidentification contrôlée via la table de correspondance, ou destruction de celle-ci si le retour n’est pas nécessaire.
Périmètre
Les identifiants directs d’abord : noms, prénoms, adresses postales et électroniques, numéros de téléphone, NIR, IBAN, numéros de dossier ou de contrat, immatriculations. Sur ce périmètre, la règle est simple : tout ce qui identifie directement une personne se pseudonymise avant de sortir de votre périmètre.
Les quasi-identifiants ensuite, et c’est là que le risque de réidentification se niche. Une date de naissance, un code postal et une profession rare suffisent parfois, par croisement avec des sources externes, à retrouver une personne dans un jeu de données pourtant débarrassé des noms. Les lignes directrices de l’EDPB sur la pseudonymisation (2025) insistent sur cette évaluation du contexte : le risque s’apprécie au regard des moyens raisonnablement disponibles pour réidentifier.
En pratique, un test de réidentifiabilité sur un échantillon de documents traités, mené avant le déploiement, permet de calibrer la granularité de détection : faut-il pseudonymiser aussi les dates, les montants, les fonctions ? La réponse dépend de vos données et de qui les recevra.
Comparatif
Microsoft Presidio
Open source
Le framework open source de référence pour la détection et la pseudonymisation de données personnelles dans le texte. Reconnaissance d’entités via la bibliothèque NLP spaCy, reconnaisseurs par motifs, support du français, extensible avec des reconnaisseurs personnalisés pour vos formats métier. Licence MIT, auto-hébergeable : il peut tourner entièrement en local, sans cloud, ce qui en fait une option sérieuse pour les équipes techniques qui veulent un contrôle total. En contrepartie, il faut l’installer, l’ajuster à vos documents et le maintenir. C’est une brique d’infrastructure, pas un produit prêt à l’emploi.
Emvista / Prevyo
France
Solution française reconnue pour la pseudonymisation de texte en contexte de secret professionnel. Son moteur NLP traite noms, lieux et identifiants sans altérer le sens du document. Disponible en API REST, positionnement entreprise.
Doxis, Klippa
Gestion documentaire IA
Plateformes combinant OCR et IA pour détecter et pseudonymiser les données personnelles dans de gros volumes de documents, y compris manuscrits ou en image : dossiers RH, factures, documents médicaux. Adaptées aux organisations dont le besoin est d’abord documentaire.
Datanaos, DOT Anonymizer
Bases de données
Outils spécialisés dans les bases de production, avec préservation de l’intégrité relationnelle entre les tables. Le bon choix pour constituer des environnements de test conformes ou alimenter des flux de données sécurisés entre équipes.
Lexform
Notre outil · pseudonymisation souveraine
Nous avons construit Lexform à partir d’une observation simple : les personnes qui exposent des données personnelles à l’IA ne sont pas des ingénieurs, et une charte interne ne tient pas longtemps face au gain de temps d’une IA générative. La pseudonymisation doit donc s’exécuter toute seule, au bon endroit du flux.
Lexform est une extension de navigateur qui pseudonymise à la volée tout ce que vous écrivez à une IA comme Claude, avant l’envoi. L’IA ne reçoit que des pseudonymes cohérents. Le moteur tourne sur notre IA souveraine à Gravelines, la table de correspondance reste sur votre poste, et une API ouverte avec SDK Node et Python permet d’intégrer la même pseudonymisation dans vos propres workflows d’IA et vos agents.
Pour être complet : si votre besoin porte sur des bases de données de production entières, Lexform n’est pas conçu pour cela. Datanaos ou DOT Anonymizer seront plus adaptés.
Installer l’extension ChromeMéthode
| Critère | Ce qu’il faut vérifier |
|---|---|
| Cohérence des pseudonymes | La même personne devient-elle le même pseudonyme dans tout le document, et d’un document à l’autre si besoin ? Sans cohérence, l’IA en aval perd le fil du dossier. |
| Gestion de la table de correspondance | Où est-elle stockée, chiffrée comment, accessible par qui ? C’est le critère qui conditionne tous les autres. |
| Réversibilité contrôlée | Qui peut réidentifier, dans quel cadre, avec quelle traçabilité ? Le contrôle d’accès aux données réidentifiées doit être documenté. |
| Souveraineté | Le moteur tourne-t-il en France ou en local, ou le texte part-il vers un cloud soumis au CLOUD Act ? Pour le secret professionnel, la réponse est éliminatoire. |
| Rétention | Les documents sont-ils stockés, journalisés, réutilisés pour entraîner un modèle ? Le traitement en mémoire vive suivi d’un effacement est le standard le plus protecteur. |
| Granularité de détection | Identifiants directs seulement, ou aussi quasi-identifiants (dates, lieux, fonctions), données financières, données de santé ? |
| Intégration et documentation | Extension prête à l’emploi, API, SDK ? Et l’outil vous aide-t-il à documenter le processus pour votre registre RGPD ? |
Aucun outil n’atteint 100 % de détection, le nôtre inclus : la granularité se règle, et le test de réidentifiabilité sert précisément à vérifier le résultat sur vos propres documents.
Deux minutes pour pseudonymiser vos prompts.
L’extension s’installe en un clic et pseudonymise automatiquement tout ce que vous écrivez à Claude.
Sur le terrain
Un CHU veut évaluer un assistant IA sur des comptes rendus d’hospitalisation : impossible sans pseudonymiser les patients au préalable. Une collectivité instruit des dossiers d’aide sociale et souhaite accélérer le traitement de documents administratifs sans exposer les administrés. Une direction juridique fait analyser des contrats par une IA générative, chaque contrat portant des noms, des montants, des clauses confidentielles. Une DRH prépare des données pour un agent IA interne chargé de répondre aux questions des salariés. Un cabinet d’Avocats résume des pièces de procédure la veille d’une audience.
Ces situations n’ont ni le même volume ni le même formalisme, mais elles partagent un point : des personnes ont confié des informations sous le sceau du secret ou de la confiance, et ces informations s’apprêtent à transiter par un modèle d’IA. La pseudonymisation est la couche qui rend ce passage possible sans trahir personne.
Déploiement
Trois voies existent, selon votre organisation.
L’extension de navigateur
Pour les usages quotidiens. Installation en deux minutes, aucun déploiement informatique, aucune formation lourde : chaque message envoyé à l’IA est pseudonymisé automatiquement avant de partir. C’est la voie la plus rapide pour couvrir l’usage réel de vos équipes, celui qui existe déjà, avec ou sans votre accord.
L’API et les SDK
Pour vos workflows d’IA et vos agents. Un appel de pseudonymisation s’insère en amont de chaque requête vers un modèle : vos flux de données restent sécurisés sans que l’utilisateur final ait quoi que ce soit à faire. Lexform expose un endpoint unique, avec SDK Node et Python, et renvoie le décompte de mots dans chaque réponse.
L’open source auto-hébergé
Pour les équipes techniques qui veulent tout maîtriser en local. Presidio, intégré dans un pipeline interne, offre ce contrôle, au prix de l’installation et de la maintenance.
Côté gouvernance des données, trois réflexes rendent le déploiement solide : démarrer sur un périmètre pilote avec un test de réidentifiabilité, inscrire le processus de pseudonymisation dans votre registre des traitements et votre documentation RGPD, puis vérifier dans la durée que l’outil ne se contourne pas, car une protection facultative finit toujours par le devenir vraiment.
Décision
1
Que traitez-vous ?
Du texte et des documents envoyés à des IA au quotidien, ou des bases de données entières ? Le premier cas appelle une extension ou une API légère, le second un outil spécialisé bases de données.
2
Quelle est votre contrainte réglementaire ?
Une profession soumise au secret a une exigence non négociable : ni les données en clair ni la table de correspondance ne quittent un périmètre qu’elle contrôle. Cela oriente vers une pseudonymisation locale ou souveraine, avec zéro rétention.
3
Avez-vous une équipe technique ?
Si oui, l’open source auto-hébergé est une option crédible. Sinon, une solution prête à l’emploi vous fait gagner des mois.
Essayer
Lexform démarre à 0 euro : 8 000 mots de pseudonymisation offerts chaque mois, environ vingt pages, sans carte bancaire ni engagement, avec toutes les détections et la table de correspondance incluses. Au-delà, la facturation se fait au mot, en crédits prépayés valables 12 mois : 0,90 euro pour 100 000 mots, soit environ 0,04 euro pour un contrat de dix pages.
Les garanties sont identiques sur toutes les offres : traitement en mémoire vive puis effacement, hébergement en France chez OVH, zéro stockage, aucune réutilisation pour entraîner un modèle, table de correspondance conservée sur votre poste.
FAQ
Non. Les données pseudonymisées restent des données personnelles : base légale, registre des traitements, information des personnes et durées de conservation continuent de s’appliquer. La pseudonymisation est en revanche l’une des mesures de sécurité que le règlement cite expressément (articles 25 et 32), et celle que la CNIL attend en amont des modèles d’IA.
Oui, par deux chemins : l’accès à la table de correspondance, ou le croisement de quasi-identifiants avec des sources externes. La parade tient en deux mesures : une table conservée localement, hors de portée de tout tiers, et un test de réidentifiabilité pour régler la granularité de détection.
La tokenisation substitue chaque donnée par un jeton neutre : c’est une forme de pseudonymisation, celle que pratique Lexform. Le chiffrement transforme la donnée de façon réversible par une clé : l’information reste présente, mais illisible sans la clé. L’article 32 du RGPD cite les deux familles parmi les mesures de sécurité appropriées, et elles se combinent.
Chez Lexform, non : rien n’est stocké, rien n’est réutilisé, ni les documents ni les pseudonymes. De façon générale, vérifiez ce point dans les conditions de chaque fournisseur, car c’est là que se joue le risque de fuite à long terme.
Oui. Lexform expose une API ouverte avec SDK Node et Python : un seul endpoint, une facturation au mot dont le décompte est renvoyé dans chaque réponse. De quoi placer une pseudonymisation systématique en amont de chaque appel à un modèle d’IA, y compris dans vos agents.