Redaction de PII antes de enviar payload pra IA

Toda chamada do Lefia para um provedor LLM (atualmente Anthropic Claude) passa por um pipeline de redaction antes do payload sair do servidor.

Por que existe

Mesmo sendo a Anthropic um subprocessador declarado e com Zero Data Retention, minimizar o que sai daqui é defesa em profundidade: reduz risco em DPIA, contém vazamento se o LLM for comprometido, e dá auditoria por chamada.

Como funciona

A biblioteca src/lib/ai/redaction.ts aplica regex + validações em todo string antes do prompt:

CPF (BR) — formato 000.000.000-00 ou cru
CNPJ (BR) — formato 00.000.000/0000-00 ou cru
CEP (BR) — 00000-000
Telefone BR — (11) 99999-1234, +55 ...
DNI/NIE (ES) — 12345678Z, X1234567L
Telefone ES — +34 612 345 678
IBAN — ES91…, DE89…, etc.
Email — qualquer endereço RFC simplificado
Cartão de crédito — 13 a 19 dígitos com validação Luhn (evita falso positivo em DOCNUMs)

PII detectada é substituída por tags como [REDACTED:CPF], [REDACTED:EMAIL] — o modelo entende o tipo do dado sem ver o valor.

Onde está aplicado

Endpoint	O que é redacted
`POST /api/ai/diagnose`	Payload completo de mensagem (NFe, IDoc, EDI, JSON)
`POST /api/edi-hub/interpret-log`	log.message, log.details (jsonb) e error_detail
`POST /api/edi-hub/suggest-mapping`	Lista de campos source + dest e descrições
`POST /api/edi-hub/suggest-format`	Query e contexto de mensagem
`POST /api/edi-hub/create-message-type`	Lista de campos source + dest e descrições
`paraphraseDescriptions` (lib)	Descrições de campos antes de parafrasear

Auditoria

Cada chamada loga os contadores em ai_usage_events.metadata.pii_redaction. Exemplo:

{
  "pii_redaction": {
    "cpf": 2, "cnpj": 1, "email": 3, "phone_br": 1,
    "cep": 0, "phone_es": 0, "iban": 0,
    "credit_card": 0, "dni_es": 0, "nie_es": 0
  }
}

Pra ver no /admin: filtrar ai_usage_events por feature e somar metadata.

Limitações conhecidas

Não cobre dados em outros idiomas/países (ex: SSN US, MyNumber JP). Adicionar conforme demanda.
Não cobre nomes/endereços livres — esses são contextuais demais pra regex; o pipeline mantém esses dados intactos.
Toggle por tenant/integração ainda não existe (item #54 do roadmap). Hoje o pipeline está sempre ligado.

Veja também