---
title: "Dati sensibili e API LLM: oscuramento e minimizzazione"
description: "Come inviare dati di clienti, sanitari o finanziari a un’API LLM in sicurezza: classifica i campi, usa segnaposto reversibili, zero data retention e log puliti."
url: https://broadrouter.com/it/blog/llm-api-sensitive-data/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/llm-api-sensitive-data/) (aggiornato il 2026-11-15).

# Dati sensibili e API LLM: oscura, minimizza, registra meno

A cura del team di BroadNet Inference · 5 min di lettura · Pubblicato 2026-11-14 · Aggiornato 2026-11-15

Per inviare dati sensibili a un’API LLM, decidi prima quali campi servono al task e scarta il resto. Sostituisci nomi, numeri e ID con segnaposto reversibili prima della richiesta e ripristinali nel tuo codice dopo. Usa un provider con zero data retention, tieni il contenuto dei prompt fuori dai tuoi log e limita le chiavi API ai tuoi server.

## Punti chiave

-   La maggior parte delle fughe avviene dalla tua parte: nei log dell’app, negli strumenti di tracing, nei report degli errori e negli analytics, non presso il provider del modello.
-   Classifica prima i campi. Molti task non hanno mai bisogno del nome, del numero di telefono o dell’ID dell’account.
-   Segnaposto reversibili come \[PHONE\_1\] mantengono il testo leggibile per il modello e ti permettono di ripristinare i valori dopo.
-   La zero data retention limita ciò che il provider conserva. Non sostituisce l’oscuramento né un contratto.
-   Considera la voce sensibile per impostazione predefinita: un solo messaggio vocale può contenere un nome, un numero e un dato sanitario.

**In questa pagina**

1.  Che cosa conta come dato sensibile per un’API LLM?
2.  Passo 1: quali campi servono davvero al task?
3.  Passo 2: come oscurare i dati in modo che il modello capisca ancora il testo?
4.  Passo 3: che cosa succede ai dati presso il provider?
5.  Passo 4: come tenere i prompt fuori dai tuoi log?
6.  Passo 5: come proteggere il percorso verso l’API?
7.  Passo 6: cosa controllare nella risposta?
8.  L’audio sensibile richiede lo stesso trattamento?
9.  Dove si colloca BroadNet Inference

_[image: The word "PRIVATE" in bold letters, with the text "Control what AI sees." and "LSDF by BroadNet".]_

I bot di assistenza clienti leggono reclami con nomi e numeri d’ordine. Le pipeline dei call center inviano trascrizioni con cifre di carte di pagamento. Le app sanitarie inviano sintomi. Tutto questo è utile a un modello, e tutto questo è un **dato sensibile** nel momento in cui lascia i tuoi server.

OWASP mette la [divulgazione di informazioni sensibili](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/) al posto LLM02 della sua Top 10 2025 per le applicazioni LLM. La maggior parte delle indicazioni si concentra su ciò che il modello potrebbe rivelare. Questo articolo si concentra sulla parte che controlli tu: **cosa invii e cosa conservi**.

## Che cosa conta come dato sensibile per un’API LLM?

Prima di scrivere un prompt, dividi i campi in tre gruppi:

| Gruppo | Esempi | Regola predefinita |
| --- | --- | --- |
| Identificativi diretti | Nome, email, telefono, documento d’identità, numero di conto | Sostituisci con segnaposto |
| Categorie particolari o regolamentate | Salute, biometria, religione, numeri di carta, credenziali | Non inviarli a meno che il task lo richieda e tu abbia una base giuridica |
| Contesto | Nomi di prodotto, tipo di problema, date, importi | Di solito si possono inviare |

Per il GDPR, le categorie particolari (articolo 9) richiedono una condizione specifica prima ancora di poterle trattare. I dati delle carte e i segreti come password o chiavi API non dovrebbero mai arrivare in un prompt.

## Passo 1: quali campi servono davvero al task?

L’oscuramento migliore è non inviare il campo. Chiediti cosa serve al task:

1.  **Riassumere un ticket?** Al modello serve il reclamo, non l’indirizzo del cliente.
2.  **Classificare l’intento?** Serve il testo del messaggio, non l’ID dell’account.
3.  **Scrivere una bozza di risposta?** Serve al massimo un nome di battesimo, e un segnaposto funziona.

Costruisci i prompt a partire dai campi selezionati, non riversando l’intero record come JSON. Così riduci anche i [token di input](https://broadrouter.com/it/glossary/input-and-output-tokens/), e risparmi.

## Passo 2: come oscurare i dati in modo che il modello capisca ancora il testo?

Sostituisci ogni valore con un segnaposto tipizzato e numerato. Il modello mantiene la struttura della frase e il tuo codice ripristina i valori dopo.

```python
import os, re
from openai import OpenAI

PATTERNS = {   # order matters: IBAN before PHONE, or the phone pattern eats IBAN digits
    "EMAIL": r"[\w.+-]+@[\w-]+\.[\w.-]+",
    "IBAN":  r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b",
    "PHONE": r"\+?\d[\d\s-]{7,}\d",
}

def redact(text):
    mapping, n = {}, {}
    for kind, pat in PATTERNS.items():
        def sub(m):
            n[kind] = n.get(kind, 0) + 1
            key = f"[{kind}_{n[kind]}]"
            mapping[key] = m.group(0)
            return key
        text = re.sub(pat, sub, text)
    return text, mapping

def restore(text, mapping):
    for key, value in mapping.items():
        text = text.replace(key, value)
    return text

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
# Any OpenAI-compatible endpoint works; this uses Qwen3.8 27B on BroadNet Inference.

ticket = "Call me on +971 50 123 4567 or mail sara@example.com about my refund."
safe, mapping = redact(ticket)
reply = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    messages=[
        {"role": "system", "content": "Keep placeholders like [PHONE_1] exactly as written."},
        {"role": "user", "content": f"Draft a short reply to this ticket:\n{safe}"},
    ],
).choices[0].message.content
print(restore(reply, mapping))   # the mapping never left your server
```

Le espressioni regolari catturano i valori strutturati. Nomi e indirizzi richiedono il riconoscimento delle entità. Strumenti open source come [Microsoft Presidio](https://microsoft.github.io/presidio/supported_entities) combinano pattern, checksum e modelli di named entity recognition, e ti permettono di aggiungere i tuoi riconoscitori. Testa qualsiasi rilevatore sui tuoi dati: nomi arabi, formati telefonici del Golfo e testo con alfabeti misti sono i punti in cui i rilevatori generici sbagliano.

Se preferisci usare un proxy invece di scrivere l’oscuramento da solo, BroadNet ne pubblica uno open source: il [LLM Sensitive Data Firewall (LSDF)](https://github.com/brntech/lsdf), con licenza Apache-2.0. Si mette davanti a qualsiasi endpoint compatibile con OpenAI, anche per modelli che BroadNet non ospita, e secondo BroadNet ispeziona richieste, risposte, chunk in streaming, argomenti delle tool call in streaming, contesto recuperato e campi di ragionamento, con un sanitizzatore separato per trace e log. Nella valutazione di BroadNet di maggio 2026 sui propri corpus, i suoi rilevatori di PII generiche hanno ottenuto un recall di 1,000 su un replay di 40 casi di credenziali, 0,944 su dati clinici sintetici e 0,685 su PII generiche in inglese, contro 0,194, 0,056 e 0,326 di Microsoft Presidio da solo ([il resoconto di BroadNet](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)). Sono numeri di BroadNet sul proprio strumento; esegui il suo profilo `monitor` sul tuo traffico prima di applicare qualsiasi blocco.

Due regole per i segnaposto:

-   **Mantienili coerenti** all’interno di una conversazione, così `[NAME_1]` è la stessa persona in ogni turno.
-   **Di’ al modello di lasciarli** invariati, come nel system prompt qui sopra.

## Passo 3: che cosa succede ai dati presso il provider?

L’oscuramento riduce ciò che esce. Il provider decide cosa succede dopo. Chiedi:

-   Il contenuto viene memorizzato dopo la richiesta, e per quanto tempo?
-   Viene usato per l’addestramento, e qual è l’impostazione predefinita?
-   Chi gestisce l’hardware, e dove?

Le risposte dei provider sono molto diverse. Consulta il [confronto sulla conservazione dei dati delle API LLM](https://broadrouter.com/it/blog/llm-api-data-retention-compared/) per la formulazione ufficiale di cinque di loro, la [checklist ZDR](https://broadrouter.com/it/blog/zero-data-retention-llm-api-checklist/) per le domande tecniche e la [checklist GDPR](https://broadrouter.com/it/blog/gdpr-llm-api-checklist/) per la parte contrattuale.

## Passo 4: come tenere i prompt fuori dai tuoi log?

Il tuo stack è il posto dove i prompt restano più spesso. Le fughe più comuni:

-   Il debug logging del client HTTP che stampa il corpo delle richieste.
-   SDK di tracing e osservabilità che registrano i prompt completi per impostazione predefinita.
-   Strumenti di error reporting che allegano il payload della richiesta fallita.
-   Eventi di analytics che includono il messaggio dell’utente.
-   Code di retry e dead-letter queue che memorizzano richieste intere.

Registra invece questi dati: ID della richiesta, modello, conteggi di token di prompt e completion, latenza, codice di stato e l’ID della tua mappatura di oscuramento (mai la mappatura stessa). Basta per fare il debug di costi ed errori. L’[articolo sul logging dell’utilizzo](https://broadrouter.com/it/blog/llm-api-usage-logging/) contiene un wrapper che scrive esattamente questi campi e calcola il costo per chiamata.

## Passo 5: come proteggere il percorso verso l’API?

-   Tieni le chiavi sui server, mai nel codice del browser o delle app mobili. [Sicurezza delle chiavi API LLM](https://broadrouter.com/it/blog/llm-api-key-security/) spiega conservazione e rotazione.
-   Vincola le chiavi ai tuoi indirizzi di uscita con le [allow-list di IP](https://broadrouter.com/it/guides/api-keys-ip-allow-lists/).
-   Usa una [chiave API](https://broadrouter.com/it/glossary/api-key/) per servizio, così puoi revocarne una senza fermare tutto.

## Passo 6: cosa controllare nella risposta?

L’oscuramento protegge la richiesta. Anche la risposta va controllata, perché un modello può ripetere, indovinare o ricostruire i valori:

-   **Integrità dei segnaposto.** Dopo `restore()`, cerca token rimasti come `[PHONE_3]` che non erano mai nella tua mappatura. Significano che il modello se ne è inventato uno.
-   **Nuove PII nell’output.** Esegui lo stesso rilevatore sulla risposta. Una risposta che contiene un indirizzo email che non hai mai inviato merita un secondo sguardo prima di arrivare a un cliente.
-   **Fughe tra utenti.** Se metti in cache le risposte o condividi lo stato delle conversazioni, assicurati che i valori ripristinati di un utente non possano mai comparire nella risposta di un altro.

Controlla ogni canale di output, non solo la risposta in chat. Lo [studio Safety Map](https://broadrouter.com/it/blog/llm-safety-map-39-models/) di BroadNet ha trovato valori sensibili che uscivano attraverso gli argomenti delle tool call in 20 delle 73 esecuzioni che li compilavano, e attraverso il campo di ragionamento in 29 delle 43 esecuzioni che lo compilavano, mentre la risposta visibile era valutata sicura, mancata o troncata.

Testa l’intero ciclo su un set fisso di 50 esempi reali e sensibili ogni volta che cambi il prompt, il modello o il rilevatore. Conta i valori sfuggiti, non solo quelli intercettati: un numero di carta sfuggito conta più di cento segnaposto corretti.

## L’audio sensibile richiede lo stesso trattamento?

Un messaggio vocale può contenere un nome, un numero di telefono e un dato sanitario in dieci secondi. Le trascrizioni ereditano tutto. Oscura la trascrizione prima che vada a un LLM per il riassunto, e conserva l’audio grezzo solo per il tempo strettamente necessario. La nostra [pipeline di trascrizione per call center](https://broadrouter.com/it/blog/transcribe-call-center-recordings/) mostra l’oscuramento tra il passaggio di trascrizione e quello di riassunto.

## Dove si colloca BroadNet Inference

L’[informativa privacy](https://www.broadnet.ai/inference-privacy) di BroadNet dice che il suo gateway “keeps no prompts, messages, images, audio, responses or transcripts” (traduzione: non conserva prompt, messaggi, immagini, audio, risposte o trascrizioni) e che non usa i dati di inferenza “to train, fine-tune or evaluate models” (traduzione: per addestrare, fare fine-tuning o valutare modelli). Conserva registri privi di contenuto, come tempi, conteggi di token e costo; l’elenco completo è nella [pagina sulla zero data retention](https://broadrouter.com/it/privacy/). Le chiavi possono essere limitate ai tuoi indirizzi IP. [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/), usato nell’esempio qui sopra, è stato testato in arabo da BroadNet, il che conta quando i tuoi segnaposto si trovano dentro un testo arabo.

Questo copre la parte del provider. Non oscura i dati al posto tuo e non pulisce i tuoi log. I passi 1, 2 e 4 restano compito tuo con qualsiasi provider, BroadNet compreso. Se ti servono un DPA scritto o un elenco dei sub-responsabili per dati regolamentati, chiedili a BroadNet prima di inviarli; l’informativa dice che l’elenco dei sub-responsabili è disponibile su richiesta.

Strumenti gratuiti sul tema (in inglese)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

[Token](https://broadrouter.com/it/glossary/token/)

Un token è l’unità di testo che un modello linguistico legge e scrive: una parola, una parte di parola, un segno di punteggiatura o una sequenza di byte prodotta dal tokenizer del modello. Le API LLM contano, limitano e di solito fatturano l’uso in token.

[Streaming](https://broadrouter.com/it/glossary/streaming/)

Lo streaming è un modo di restituire la risposta di un modello linguistico in piccoli pezzi mentre viene ancora generata, invece che in un’unica risposta alla fine. Le API compatibili con OpenAI trasmettono in streaming tramite server-sent event quando la richiesta imposta stream a true.

[Zero data retention (nessuna conservazione dei dati)](https://broadrouter.com/it/glossary/zero-data-retention/)

La zero data retention (ZDR) è una policy di gestione dei dati in cui un provider AI elabora prompt e output solo per servire una richiesta e poi non ne conserva il contenuto, né in log né in cache né in dati di addestramento. Di solito restano registri senza contenuti, come conteggi di token e tempi.

[PII (informazioni personali identificabili)](https://broadrouter.com/it/glossary/pii/)

I PII (personally identifiable information) sono informazioni che permettono di distinguere o rintracciare l’identità di una persona, come nome, numero identificativo o dato biometrico, più altre informazioni collegate o collegabili a essa. Il GDPR usa il termine più ampio dati personali. Con gli LLM, l’oscuramento dei PII li toglie dai prompt prima che escano dai tuoi sistemi.

[GDPR (Regolamento generale sulla protezione dei dati)](https://broadrouter.com/it/glossary/gdpr/)

Il GDPR (Regolamento generale sulla protezione dei dati, Regolamento (UE) 2016/679) è la legge UE sul trattamento dei dati personali. Si applica dal 25 maggio 2018 a organizzazioni stabilite nell’UE e ad alcune extra UE. Per le API LLM regola i contratti con i responsabili del trattamento, i trasferimenti internazionali e la minimizzazione dei dati.

[Riconoscimento di entità nominate (NER)](https://broadrouter.com/it/glossary/named-entity-recognition/)

La named entity recognition (NER) è il compito di trovare i nomi in un testo ed etichettare ciascuno con un tipo, come persona, organizzazione o luogo. I sistemi classici etichettano ogni token; agli LLM si chiede spesso invece di restituire una lista di entità in JSON, che poi si verifica sul testo originale.

[Sub-responsabile del trattamento (subprocessor)](https://broadrouter.com/it/glossary/subprocessor/)

Un sub-responsabile del trattamento (subprocessor) è un terzo a cui un responsabile affida attività di trattamento di dati personali per conto del titolare. Per un’API LLM può includere host GPU, provider di inferenza partner e capacità di backup. Secondo l’articolo 28 del GDPR serve l’autorizzazione del titolare e gli stessi obblighi di protezione dei dati.

[Tool calling (chiamata di strumenti)](https://broadrouter.com/it/glossary/tool-calling/)

Il tool calling, detto anche function calling, è una funzionalità delle API LLM in cui il modello restituisce una richiesta strutturata di eseguire una funzione definita dallo sviluppatore, con argomenti JSON. L’applicazione esegue la funzione e rimanda il risultato; il modello non esegue mai codice da solo.

## Domande frequenti

### È sicuro inviare dati personali (PII) a un’API LLM?

Può esserlo, con i giusti controlli: un contratto con il provider, una policy chiara su conservazione e addestramento, minimizzazione e oscuramento prima della richiesta, e log puliti dalla tua parte. Senza questi, evita di inviare PII in chiaro.

### Devo oscurare i dati prima di inviarli a ChatGPT o a un’altra API LLM?

Oscura tutto ciò che non serve al task. Per riassunti, classificazione e bozze, nomi e numeri di solito si possono sostituire con segnaposto senza perdere qualità, e poi ripristinare dopo la risposta.

### Che differenza c’è tra oscuramento e pseudonimizzazione?

L’oscuramento elimina un valore per sempre. La pseudonimizzazione lo sostituisce con un segnaposto che puoi ricondurre al valore con una chiave che conservi tu. Per il GDPR i dati pseudonimizzati restano dati personali, quindi vanno comunque protetti.

### Zero data retention significa che posso inviare qualsiasi cosa?

No. Zero data retention significa che il provider non conserva il contenuto dopo la richiesta. I dati lasciano comunque i tuoi sistemi e vengono elaborati dal provider, quindi minimizzazione e verifiche legali restano necessarie.

### Come evito che i prompt finiscano nei miei log?

Registra ID della richiesta, modello, conteggi di token, latenza e stato, mai il corpo dei messaggi. Controlla il debug logging del client HTTP, gli SDK di tracing e gli strumenti di error reporting, che spesso catturano il corpo delle richieste per impostazione predefinita.

## Continua a leggere

-   [PDPL saudita ed emiratina e API LLM: checklist per il trasferimento](https://broadrouter.com/it/blog/saudi-uae-pdpl-llm-api-checklist/)
-   [La Safety Map: come 39 LLM gestiscono i dati sensibili](https://broadrouter.com/it/blog/llm-safety-map-39-models/)
-   [Testare un LLM sulla sicurezza dei dati sensibili: il metodo BroadNet](https://broadrouter.com/it/blog/llm-sensitive-data-safety-evaluation-method/)
-   [API LLM con zero data retention: una checklist di 10 domande](https://broadrouter.com/it/blog/zero-data-retention-llm-api-checklist/)
-   [GDPR e API LLM: 15 domande da fare al tuo provider](https://broadrouter.com/it/blog/gdpr-llm-api-checklist/)
-   [Conservazione dati nelle API LLM: OpenAI, Anthropic, Gemini, Mistral](https://broadrouter.com/it/blog/llm-api-data-retention-compared/)
-   [Trascrivere le chiamate del call center: pipeline pronta per l’arabo](https://broadrouter.com/it/blog/transcribe-call-center-recordings/)
-   [Chiavi API LLM sicure: conservazione, rotazione e IP consentiti](https://broadrouter.com/it/blog/llm-api-key-security/)
-   [Legge egiziana sulla protezione dei dati (Legge 151/2020) e API LLM](https://broadrouter.com/it/blog/egypt-data-protection-law-llm-api/)
-   [Guida: Limita le chiavi API ai tuoi server con le allowlist di IP](https://broadrouter.com/it/guides/api-keys-ip-allow-lists/)
-   [Guida: Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-llm-api-sensitive-data&utm_content=page-cta) ·

**Fonti**

-   [BroadNet: il LLM Sensitive Data Firewall (LSDF), open source, con la tabella di recall di maggio 2026 (consultato il 2026-11-15) (in inglese)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [Repository LSDF su GitHub, Apache-2.0 (consultato il 2026-11-15)](https://github.com/brntech/lsdf)
-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, preprint Zenodo (consultato il 2026-11-15)](https://doi.org/10.5281/zenodo.19688433)
-   [OWASP GenAI Security Project, LLM02:2025 Sensitive Information Disclosure](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/)
-   [Microsoft Presidio, SDK per il rilevamento e l’anonimizzazione delle PII, entità supportate](https://microsoft.github.io/presidio/supported_entities)
-   [Regolamento (UE) 2016/679 (GDPR), articoli 5 e 9, EUR-Lex](https://eur-lex.europa.eu/eli/reg/2016/679/oj)
-   [Informativa privacy di BroadNet Inference (in vigore da settembre 2026, consultata il 2026-11-14) (in inglese)](https://www.broadnet.ai/inference-privacy)
-   [Riferimento API di BroadNet Inference (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-llm-api-sensitive-data&utm_content=sources)
