Vos données « anonymes » le sont-elles vraiment ? Le nouveau projet du CEPD change le test

Le 8 juillet 2026, le Comité européen de la protection des données (CEPD) a annoncé son projet de lignes directrices 02/2026 sur l'anonymisation, une mise à jour de l'avis de 2014 sur lequel s'appuient les entreprises depuis des années. Les commentaires sont ouverts jusqu'au 30 octobre 2026. Le sujet paraît technique, mais il tranche une question dont dépend toute organisation : le moment où des données cessent d'être des données personnelles et où le RGPD cesse de s'appliquer.

Si vous partagez des analyses avec des partenaires, publiez des statistiques, conservez des exports clients « anonymisés » ou entraînez ou affinez une IA sur des données clients, ce projet change le degré de confiance avec lequel vous pouvez employer le mot « anonyme ».

Ce que le CEPD a réellement publié

Le projet fait suite à l'arrêt de la Cour de justice dans l'affaire EDPS v SRB (C-413/23 P, 4 septembre 2025), selon lequel des données pseudonymisées ne sont pas automatiquement des données personnelles pour tout destinataire. Le même jeu de données peut être personnel chez une organisation et anonyme chez une autre. Les lignes directrices du CEPD transforment ce principe en méthode de travail, et reconnaissent franchement que la réponse « peut varier d'une entité à l'autre ».

Le CEPD les a annoncées en même temps que des lignes directrices distinctes sur le web scraping pour l'IA générative, toutes deux ouvertes à consultation jusqu'à la même date du 30 octobre. Nous avons traité le volet scraping dans notre article sur le RGPD et les données d'entraînement de l'IA. Cet article porte sur l'autre moitié : quand des données, ou un modèle, peuvent honnêtement être qualifiés d'anonymes.

« Anonyme » dépend désormais de qui détient les données

Selon le projet, des données sont anonymes si elles ne se rapportent pas à une personne identifiée ou identifiable. Une personne est identifiable si elle peut être distinguée des autres dans un contexte précis à l'aide de moyens raisonnablement susceptibles d'être utilisés, appréciés du point de vue de l'« entité pertinente » et de tous les facteurs objectifs. Trois conséquences ressortent des analyses de cabinets publiées depuis juillet :

• Les mêmes données peuvent donner des réponses différentes. Un destinataire sans moyen réaliste de réidentifier les personnes peut traiter un jeu de données comme anonyme, même si l'organisation qui l'a produit le pourrait encore. Cela ouvre des portes pratiques pour le partage de données d'analyse et de recherche.
• Les sous-traitants ne changent pas le tableau. Les commentateurs lisent le projet comme excluant que des données soient personnelles chez le responsable du traitement mais anonymes chez son sous-traitant. Le point de vue du responsable prévaut.
• Les contrats ne suffisent pas. Une clause interdisant au destinataire de réidentifier les personnes est traitée comme un complément aux mesures techniques, non comme un substitut.

Le CEPD propose aussi deux façons de mener l'évaluation. L'approche contextuelle examine ce que chaque entité pertinente pourrait réellement faire. L'approche simplifiée ignore ces différences. Elle est plus commode et plus rassurante, mais peut traiter des données comme non anonymes alors qu'elles le seraient pour certaines entités. Ashurst rapporte que le CEPD suggère de commencer par l'approche simplifiée et de passer à l'approche contextuelle lorsqu'une réponse plus précise est nécessaire.

Le test en trois volets

Le cadre du CEPD repose sur trois critères. Si les trois sont remplis, les données peuvent être considérées en toute sécurité comme anonymes. Si l'un échoue, cela ne rend pas automatiquement les données personnelles, mais une analyse complémentaire est nécessaire.

• Pas d'individualisation des enregistrements. Personne ne peut isoler l'enregistrement d'une personne. Freshfields rapporte l'exemple du projet selon lequel combiner « service financier » et « part après 20 h » peut isoler un salarié.
• Pas de corrélation. Les enregistrements ne peuvent pas être rapprochés d'autres données sur la même personne. L'année de naissance, le sexe et le lieu deviennent par exemple rapprochables si la base marketing d'un partenaire contient les mêmes attributs.
• Pas d'inférence. Personne ne peut tirer une conclusion précise et significative sur un individu, ni d'un enregistrement isolé ni de chiffres agrégés.

Le risque zéro n'est pas la norme. Les synthèses de cabinets décrivent le test comme celui de savoir si la probabilité de distinguer une personne est insignifiante en pratique. Ashurst ajoute un point qui piège de nombreuses entreprises : le test porte sur la capacité, non sur la motivation, si bien que « personne ne s'en donnerait la peine » n'est pas une défense.

Là où l'IA change la réponse

Les commentateurs notent que le projet reconnaît que l'IA, et l'IA agentique en particulier, réduit le coût de la réidentification. Un jeu de données anonyme aujourd'hui peut ne pas le rester. Cela a trois effets pratiques :

• L'anonymisation n'est pas un acte unique. Le risque de réidentification augmente en général avec le temps ; les évaluations doivent donc être répétées, et un incident de sécurité peut être l'occasion de réexaminer.
• Les modèles peuvent aussi fuiter. Selon une analyse du projet, des inférences peuvent être tirées en interrogeant ou en sollicitant un modèle, et des données d'entraînement peuvent parfois être extraites d'un modèle prétendument anonyme ; un modèle ne peut donc pas être simplement déclaré anonyme.
• Cela rejoint la position antérieure du CEPD sur l'IA. Son avis 28/2024 de décembre 2024 indique qu'un modèle d'IA entraîné sur des données personnelles n'est pas anonyme dans tous les cas, et que la probabilité d'extraire des données personnelles comme celle d'en obtenir par des requêtes doivent toutes deux être insignifiantes.

Si vous affinez un modèle sur des conversations clients, ou alimentez un outil qui « apprend » avec des tickets de support, ne supposez pas que le résultat est anonyme parce que les noms ont été retirés. Notre article sur la raison pour laquelle votre chatbot IA n'anonymise rien montre avec quelle rapidité cette hypothèse s'effondre.

Ce qui ne disparaît pas quand les données sont anonymisées

• Anonymiser est déjà un traitement. Les commentateurs s'accordent pour dire que le projet traite l'acte d'anonymiser comme un traitement exigeant une base légale au titre de l'article 6, une condition de l'article 9, paragraphe 2 en cas de données sensibles, et de la transparence envers les personnes concernées.
• N'en promettez pas trop. Qualifier des données d'« anonymes » dans une politique de confidentialité alors que des personnes peuvent encore être identifiées est un problème de transparence, non un détail de marketing.
• Les jeux de données mixtes restent incertains. Les cabinets lisent le projet différemment lorsque seuls certains enregistrements peuvent être anonymisés : l'un y voit un jeu de données entièrement personnel, l'autre une évaluation enregistrement par enregistrement. Jusqu'au texte final, tablez sur la lecture la plus stricte.

Il y a un élément rassurant. Ashurst note que les organisations qui ont déjà évalué des jeux de données comme anonymes selon l'avis de 2014 n'ont pas à les réévaluer uniquement à cause de ce projet.

Une liste de contrôle pratique avant le 30 octobre

1. Listez chaque jeu de données que vous qualifiez d'anonyme. Exports, statistiques partagées, tableaux de bord, jeux d'entraînement de machine learning, données de test.
2. Nommez les entités pertinentes. Qui pourrait obtenir les données : le destinataire, ses partenaires, votre propre personnel, un attaquant ? Avec quoi chacun pourrait-il les combiner ?
3. Menez les trois tests et consignez le résultat. Individualisation, corrélation, inférence. En cas de doute, commencez par l'approche simplifiée, plus prudente.
4. Adossez chaque clause contractuelle à une mesure technique. Une promesse de non-réidentification ne suffit pas à elle seule à soutenir l'affirmation.
5. Testez les sorties de l'IA au lieu de les déclarer anonymes. Si vous affinez sur des données clients, vérifiez l'extraction et la régurgitation, conservez les résultats et intégrez-le à votre AIPD.
6. Fixez une date de réexamen et envisagez de commenter. Inscrivez une revue au calendrier et, si votre secteur est concerné, transmettez vos retours via la page de consultation publique du CEPD avant le 30 octobre. Les associations professionnelles sont la voie habituelle pour les petites entreprises.

Rappelez-vous qu'il s'agit d'un projet. Le texte final peut changer, et rien ici n'ajoute d'obligations au-delà de ce que le RGPD et la jurisprudence de la Cour exigent déjà. Cela montre en revanche comment les autorités liront une affirmation d'anonymat.

En résumé

La direction est claire même si les détails restent ouverts. L'anonymat n'est pas un tampon que l'on appose une fois. C'est une conclusion que l'on atteint pour un détenteur précis des données, que l'on teste selon trois critères, que l'on documente et que l'on réexamine à mesure que la technologie progresse. Les organisations qui peuvent montrer ce travail seront bien mieux placées que celles qui écrivent simplement « anonyme » sur le dossier.

Réservez une consultation gratuite avec GDPRGard → et nous vous aiderons à examiner lesquels de vos jeux de données et outils d'IA sont réellement éligibles.

Sources

• CEPD : le CEPD éclaire l'anonymisation et le web scraping pour l'IA générative (8 juillet 2026)
• CEPD : avis 28/2024 sur les aspects de protection des données des modèles d'IA
• Ashurst : Data Bytes 68, actualité EMEA de la protection des données, septembre 2026
• Freshfields : anonyme ou non ? Les nouveaux projets de lignes directrices du CEPD sur l'anonymisation
• Sidley : le CEPD publie un projet de lignes directrices sur l'anonymisation
• Gaming Tech Law : lignes directrices du CEPD sur l'anonymisation, ce qu'elles signifient pour les systèmes d'IA

À lire également :

• L'excuse « c'était public » n'existe plus : le RGPD couvre désormais formellement les données d'entraînement de l'IA
• Votre chatbot IA n'anonymise rien
• Le CEPD vient de standardiser la façon dont chaque autorité calcule votre amende