Les équipes d’analyse, de test ou d’IA demandent des données réalistes. Le délégué à la protection des données rappelle, à raison, que la base de production contient des données personnelles. L’anonymisation des données est alors présentée comme la solution, alors que le mot recouvre des opérations très différentes.
Un jeu réellement anonyme sort du champ du RGPD, un jeu pseudonymisé y reste pour quiconque détient, ou peut raisonnablement obtenir, le moyen de revenir à la personne. Aucune technique ne garantit l’anonymat à elle seule : le résultat s’apprécie jeu par jeu. Enfin, le bon niveau de protection dépend de l’usage : beaucoup de besoins sont mieux servis par une pseudonymisation assumée, dans un environnement maîtrisé, que par une anonymisation approximative.
Ces repères ne constituent pas un avis juridique : la qualification d’un jeu de données appartient au responsable de traitement, conseillé par son délégué à la protection des données.
Anonymisation ou pseudonymisation : ce que change la qualification
Le RGPD, règlement (UE) 2016/679, définit la pseudonymisation à son article 4, point 5 : les données ne peuvent plus être attribuées à une personne sans recourir à des informations supplémentaires, conservées séparément et protégées par des mesures techniques et organisationnelles. Tant qu’une table de correspondance ou une clé permet de revenir à la personne, les données restent personnelles pour celui qui la détient ou peut raisonnablement y accéder.
Le considérant 26 du même règlement indique, lui, qu’il n’y a pas lieu d’appliquer les principes de protection des données aux informations anonymes, celles qui ne permettent pas ou plus d’identifier une personne. Il en donne le critère : tenir compte de l’ensemble des moyens raisonnablement susceptibles d’être utilisés pour identifier quelqu’un, par le responsable de traitement ou par toute autre personne, au regard du coût, du temps nécessaire et des technologies disponibles.
| Jeu pseudonymisé | Jeu anonyme | |
|---|---|---|
| Statut | Données personnelles pour quiconque peut raisonnablement réidentifier | Hors du champ du RGPD |
| Cadre applicable | Le RGPD en entier (base légale, finalité, conservation, droits, sécurité) | Plus d’obligation au titre du RGPD tant que l’anonymat tient ; d’autres protections peuvent subsister, par exemple la confidentialité des communications |
| Ce que l’on garde | Le lien entre les enregistrements d’une même personne | Des tendances, avec une perte de finesse parfois forte |
La pseudonymisation n’est pas une mesure au rabais : l’article 32 du RGPD la cite parmi les mesures de sécurité. Elle réduit le risque sans changer le statut des données pour celui qui conserve le moyen de réidentifier.
La frontière entre les deux notions fait encore l’objet de jurisprudence et de travaux du Comité européen de la protection des données, notamment pour le destinataire qui ne détient aucun moyen de réidentification. Dans le doute, un jeu pseudonymisé se traite comme des données personnelles.
Les techniques d’anonymisation des données et ce qu’elles ne garantissent pas
L’avis 05/2014 du groupe de travail « Article 29 » sur les techniques d’anonymisation, antérieur au RGPD et repris par la CNIL, distingue deux grandes familles.
La généralisation dilue les attributs : une année au lieu d’une date de naissance, un département au lieu d’une adresse. L’agrégation et le k-anonymat en relèvent : chaque combinaison d’attributs indirectement identifiants doit être partagée par au moins k personnes. Sa limite : si tous les membres d’un groupe portent la même valeur sensible, appartenir au groupe suffit à la révéler. Les variantes l-diversité et t-proximité visent ce défaut.
La randomisation altère les valeurs : ajout de bruit, permutation entre enregistrements. La confidentialité différentielle en est la forme la plus formalisée : un bruit calibré borne ce que la présence d’une personne change au résultat d’un calcul. Sa limite : la protection dépend du niveau de bruit retenu et s’érode à mesure que les requêtes s’accumulent, alors qu’un bruit trop fort retire son sens à l’analyse.
Les données de synthèse, produites par un modèle entraîné sur le jeu réel, ne sont pas traitées par cet avis et ne relèvent d’aucune des deux familles. Leur limite : un générateur trop fidèle peut restituer des enregistrements réels ou des cas rares reconnaissables.
Le hachage, la tokenisation et le chiffrement appartiennent, eux, à la pseudonymisation. Supprimer les identifiants directs ne suffit pas davantage : un code postal, une date de naissance et une profession, combinés, peuvent désigner une seule personne.
Choisir selon l’usage : tests, analytique, entraînement de modèles
Jeux de test et de recette. Le besoin porte sur le format, la cohérence entre tables et la couverture des cas limites ; la vérité des valeurs importe peu. Des données fictives, générées à partir de règles, suffisent souvent et évitent la question. Quand un extrait de production est nécessaire, il s’agit le plus souvent de pseudonymisation : l’environnement de test doit alors offrir les protections de la production (accès restreints, traçabilité, durée de conservation).
Analytique et pilotage. Les indicateurs de pilotage se calculent sur des agrégats. La généralisation convient, à condition de fixer une taille minimale de groupe et de surveiller les croisements : deux tableaux inoffensifs séparément peuvent, par différence, isoler un individu. Pour les analyses de parcours individuels, l’anonymat est difficile à atteindre, car une trajectoire détaillée est souvent unique : la pseudonymisation dans un espace de travail contrôlé est alors la réponse honnête.
Entraînement de modèles. Un modèle a besoin de la finesse que l’anonymisation retire. Deux statuts sont à examiner : celui du jeu d’entraînement et celui du modèle, qui peut mémoriser puis restituer des éléments de ses données et ne peut donc pas être présumé anonyme. Les leviers : réduire les attributs au nécessaire, pseudonymiser, tester la mémorisation, recourir à la confidentialité différentielle ou à des données de synthèse vérifiées. Pour les systèmes à haut risque, l’article 10 de l’AI Act, règlement (UE) 2024/1689, soumet les jeux de données d’entraînement, de validation et de test à des pratiques de gouvernance des données. Son article 4 bis, inséré par le règlement (UE) 2026/1744, n’admet qu’à titre exceptionnel le traitement de catégories particulières de données pour détecter et corriger des biais, sous plusieurs conditions cumulatives, dont l’impossibilité d’y parvenir avec d’autres données, y compris synthétiques ou anonymisées. Selon l’article 113 modifié, l’article 10 s’applique à partir du 2 décembre 2027 pour les usages de l’annexe III et du 2 août 2028 pour les systèmes liés aux produits de l’annexe I.
Ce choix gagne à être fait une fois par catégorie de données et par usage, puis appliqué dans les traitements de la plateforme data, plutôt que renégocié à chaque extraction.
Vérifier qu’un jeu de données est réellement anonyme
L’avis 05/2014 propose trois critères, repris par la CNIL, qui se posent comme trois questions :
- Individualisation : peut-on isoler un individu dans le jeu ?
- Corrélation : peut-on relier des enregistrements concernant une même personne, dans ce jeu ou avec un autre ?
- Inférence : peut-on déduire, avec un degré de probabilité élevé (la CNIL écrit « de façon quasi certaine »), une information nouvelle sur une personne ?
Quand les trois critères ne sont pas tous satisfaits, la CNIL demande une évaluation approfondie des risques de réidentification. La vérification réunit quatre éléments :
- Des mesures sur le jeu : part des enregistrements uniques sur les combinaisons d’attributs indirectement identifiants, taille du plus petit groupe.
- Une tentative de réidentification, conduite par une équipe qui n’a pas produit le jeu, avec les sources qu’un tiers pourrait mobiliser (données publiques, autres jeux déjà diffusés).
- L’examen du contexte : à qui le jeu est remis, avec quelles autres données, pour quelle durée.
- Un dossier et une date de revue. Les techniques de réidentification et les sources disponibles évoluent, et la CNIL demande une veille régulière : un jeu anonyme aujourd’hui peut ne plus l’être demain.
Les mesures d’unicité et de taille de groupe s’automatisent dans les mêmes chaînes que les contrôles de qualité des données.
Pourquoi un jeu dit anonyme ne l’est souvent pas
- Étiqueter « anonymisé » un jeu pseudonymisé. L’étiquette se propage dans le catalogue, et le jeu circule sans protection.
- Raisonner colonne par colonne. Le risque naît des combinaisons d’attributs, pas d’un champ isolé.
- Oublier les champs libres et les identifiants techniques. Commentaires, journaux, adresses IP et identifiants d’appareil portent souvent ce que les colonnes structurées ne contiennent plus.
- Juger le jeu isolément. Des versions successives du même jeu, ou des extraits remis à des équipes différentes, se recoupent.
- Croire le sujet clos après l’opération. L’anonymisation est elle-même un traitement de données personnelles, et le jeu source reste soumis au RGPD.
L’anonymat se démontre jeu par jeu
L’anonymisation des données ne résulte jamais de la seule application d’une technique. Trois gestes la structurent : qualifier honnêtement chaque jeu, choisir la protection selon l’usage et non selon l’outil disponible, vérifier puis revoir le résultat dans le temps.
Aucun ne tient sans responsables identifiés : un propriétaire qui décide de l’ouverture d’un jeu, un délégué à la protection des données consulté sur sa qualification, une classification qui le suit dans le catalogue. Nos consultants en gouvernance des données aident à installer ces rôles et à traduire ces règles en politiques d’accès et en contrôles effectifs.