anonym.legal

By · Last updated 2026-05-05

Zpět na blogGDPR a shoda

Je váš nástroj pro anonymizaci porušením GDPR?

Pokuta irského DPC ve výši 530 milionů eur udělená TikToku za přenos dat uživatelů z EHP do Číny stanovila jasný precedens: použití nástroje mimo EU ke zpracování dat EU je samo o sobě přenosem — a vyžaduje právní základ.

May 5, 20268 min čtení
GDPR data transfer violationTikTok DPC fineEU data processinganonymization tool GDPRArticle 46 data transfer

Anonymizační nástroje a GDPR: Co stojí za pokutou TikToku

Precedens TikToku

V květnu 2025 irská Komise pro ochranu osobních údajů (DPC) uložila TikToku pokutu 530 milionů eur. TikTok přenášel osobní údaje uživatelů z EU do Číny. Chyběla mu přitom řádná ochranná opatření.

Klíčový bod je jednoznačný. Porušení spočívalo v samotném vývozu osobních údajů. Nikoli v jejich shromažďování. Nikoli v tom, co se v Číně dělo. Odesláním záznamů z EU na server mimo EU byl porušen článek 46(1).

GDPR články 44–49 se vztahují na jakýkoli přeshraniční přesun záznamů z EU. Každý přesun vyžaduje právní základ. Běžné možnosti:

  • Rozhodnutí o přiměřenosti (EU schválí zákony přijímající země)
  • Standardní smluvní doložky závazné pro příjemce
  • Závazná podniková pravidla pro velké nadnárodní společnosti
  • Jiný mechanismus podle článku 46

Pokuty GDPR dosáhly do roku 2025 výše 5,65 miliardy eur. Přeshraniční porušení nyní průměrně dosahují 18 milionů eur za jedno vymáhací řízení (DLA Piper 2025). Patří mezi nejnákladnější kategorie GDPR.

Problém s anonymizačními nástroji

Mnoho evropských firem používá nástroje se sídlem v USA k odstranění osobních údajů ze svého obsahu. Vypadá to bezpečně. Nahrajete obsah se zákaznickými daty z EU. Dostanete zpět čistý výstup. Uložíte jej v EU.

Ale nezpracované osobní údaje nejprve prošly přes americký server. Tento přesun se počítá jako vývoz podle článků 44–49. Dobrý úmysl právní test nemění. Následné odstranění osobních údajů zpětně nezruší předchozí přesun. K vývozu již došlo.

Logika irského DPC v případu TikToku platí i zde. Porušení spočívá v přesunu záznamů uživatelů z EU na server mimo EU. Americký nástroj, který přijímá osobní údaje z EU na americké servery, přijal vývoz. Potřebuje standardní smluvní doložky, rozhodnutí o přiměřenosti nebo závazná podniková pravidla — stejně jako jakýkoli jiný přeshraniční přesun.

Organizace si to často neuvědomují. Předpokládají, že výsledek anonymizace omlouvá vývoz. Neomlouvá. Právní analýza se vztahuje na to, co opustilo EU, nikoli na to, co se vrátilo.

Řešení s nulovou znalostí

Řešením je architektura. Nástroj, který osobní údaje nikdy nepřijme, nemůže způsobit přeshraniční porušení.

Design s nulovou znalostí (zero-knowledge) udržuje detekci osobních údajů lokálně. Zpracování probíhá v prohlížeči uživatele nebo v lokální aplikaci. Server nástroje vidí pouze čistý výstup — tokeny nahrazující skutečná jména, identifikátory a kontaktní údaje.

Poddle GDPR výstup bez osobních údajů nepodléhá pravidlům o vývozu. Z EU neodešly žádné skutečné osobní údaje.

Toto rozlišení je důležité pro záznamy podle článku 30. Záznam v ROPA pro nástroj s nulovou znalostí a sídlem v EU nezaznamenává žádný přeshraniční přesun. Záznam v ROPA pro americký nástroj, který přijímá nezpracované osobní údaje z EU, zaznamenává vývoz. Tento záznam potřebuje jasně zdokumentovaný právní základ.

Náš průvodce souladu s GDPR popisuje, co musí záznamy ROPA obsahovat. Náš přehled zabezpečení vysvětluje technická opatření, která je podporují. Viz také náš průvodce konzistencí anonymizace s tipy pro dokumentaci napříč nástroji.

Zdroje

Související články

GDPR a shoda

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR a shoda

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR a shoda

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

Připraveni chránit svá data?

Začněte anonymizovat PII s více než 285 typy entit ve 48 jazycích.

Začít bezplatnou zkušební verziZobrazit funkce

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.