Prevence PII v reálném čase ušetří 2,2 milionu dolarů
IBM zjistil rozdíl nákladů ve výši 2,2 milionu dolarů mezi prevencí a detekcí. Zde je matematika, která činí zachycení PII v reálném čase nezbytností pro bezpečnostní týmy.
GDPR čl. 32: Monitorování PII expozice v nástrojích AI
Compliance týmy podniků potřebují kvantitativní důkaz o kontrolách PII v nástrojích AI. Síťová DLP interakce prohlížeče s AI nezachytí.
Prevence PII v reálném čase pro úniky dat z AI
Když zaměstnanec napíše jméno zákazníka do ChatGPT, data okamžitě opustí kontrolu organizace. Následná DLP kontrola tuto situaci nenapraví.
GDPR a AI podpora: Vlastní identifikátory se počítají
AI zákaznické podpory přijímá zprávy zákazníků se jmény, e-maily A ID objednávek. Standardní nástroje PII odstraní e-mailové adresy, ale ID objednávek ponechají.
Krade váš nástroj AI pro ochranu soukromí vaše data?
67 % rozšíření Chrome pro umělou inteligenci sbírá uživatelská data. V prosinci 2025 bylo 900 000 uživatelů kompromitováno rozšířeními vydávajícími se za nástroje pro ochranu soukromí. Důvěryhodnost závisí na ověřitelné architektuře lokálního zpracování, nikoli na marketingových slibech.
3,8 neúmyslného úniku osobních dat denně v týmech podpory
Každý agent zákaznické podpory používající ChatGPT vkládá průměrně 3,8krát denně citlivá data. U stočlenného týmu to znamená 380 incidentů s ohrožením souladu s GDPR každý den. Politiky nestačí — potřebná jsou technická opatření v okamžiku akce.
Po incidentu s rozšířením pro 900 000 uživatelů
V lednu 2026 byla odhalena dvě škodlivá rozšíření pro Chrome s více než 900 000 uživateli, která každých 30 minut odesílala kompletní konverzace z ChatGPT a DeepSeek na vzdálený server. Incogni zjistil, že 67 % rozšíření Chrome pro umělou inteligenci aktivně sbírá uživatelská data.
Proč politiky nestačí zastavit úniky PII přes ChatGPT
77 % podnikových uživatelů AI kopíruje a vkládá data do chatbotových dotazů. Téměř 40 % nahrávaných souborů obsahuje PII nebo PCI data. Byl navržen update bezpečnostního pravidla HIPAA.
Podniková AI: Přístup pro vývojáře bez rizika
Banky zakázaly ChatGPT. Jejich vývojáři ho přesto používali doma. 27,4 % veškerého obsahu vkládaného do podnikových AI chatbotů obsahuje citlivé údaje (Zscaler).
Práce s Cursorem a Claude bez úniku kódu
Cursor standardně načítá soubory .env do kontextu AI. Finanční firma přišla o 12 milionů dolarů poté, co byly proprietární obchodní algoritmy odeslány asistentovi AI.
Politika AI bez technických kontrol selhává
77 % zaměstnanců sdílí citlivé pracovní údaje s nástroji AI i přes zákaz. Vládní dodavatel vložil data žadatelů o pomoc FEMA do ChatGPT.
IDE vs prohlížeč: bezpečnost AI pro vývojáře
Vývojáři používají AI ve dvou prostředích: IDE (Cursor, VS Code) a prohlížeč (Claude.ai, ChatGPT). Každé vyžaduje jiné bezpečnostní kontroly.
83 % rozšíření AI neprošlo žádným bezpečnostním auditem
83 % rozšíření Chrome s rozsáhlými oprávněními nebylo nikdy podrobeno bezpečnostnímu auditu (USENIX 2025). 45 % zaměstnanců podniků používá neschválená rozšíření.
39 milionů úniků na GitHubu: riziko AI kódování
67 % vývojářů neúmyslně odhalilo přihlašovací údaje v kódu (GitGuardian 2025). V roce 2024 uniklo na GitHubu 39 milionů tajných informací, což je nárůst o 25 % meziročně.
Vibe coding a únik PII: bezpečnostní riziko, o kterém nikdo nemluví
AI-generovaný kód zřídkakdy zahrnuje zpracování PII. 73 % aplikací vzniklých vibe codingem zpracovává citlivá data bez anonymizace. Co vývojáři potřebují vědět.
Bezpečnost MCP serverů 2026: 8 000 vystavených, 492 bez autentizace
Více než 8 000 serverů Model Context Protocol je veřejně vystaveno. 492 nemá žádnou autentizaci. 36,7 % je zranitelných vůči SSRF. Chraňte PII ve svých MCP nástrojích.
Browser DLP: blokování vs. anonymizace 2026
Dva přístupy k browser DLP: blokování zabraňuje odesílání osobních údajů do nástrojů AI; anonymizace data transformuje před odesláním. Objektivní srovnání.
Samsung třikrát ztratil zdrojový kód přes ChatGPT
Tři oddělené inženýrské týmy Samsungu vložily firemní kód a důvěrná data do ChatGPT v dubnu 2023. Každý incident odhalil jiný rozměr rizika podnikového využití AI.
Zákazy AI v podnicích: produktivita vs. riziko
27,4 % obsahu vkládaného do podnikových AI chatbotů obsahuje citlivá data — nárůst o 156 % meziročně. Přesto 71,6 % přístupu k AI probíhá přes osobní účty, které obcházejí veškeré firemní kontroly.
Bezpečné rozšíření pro AI ochranu soukromí v roce 2026
V lednu 2026 bylo odhaleno dvě škodlivá rozšíření Chrome s 900 000+ uživateli, která každých 30 minut odesílala konverzace z ChatGPT a DeepSeek na vzdálené servery.
Browser DLP pro ChatGPT, Claude a Gemini
Tradiční podnikový DLP byl vytvořen pro přenosy souborů a e-mail, nikoli pro chatboty s umělou inteligencí. Tento průvodce se věnuje prevenci ztráty dat nativní pro prohlížeč pro ChatGPT.
Vložit a zapomenout: Proč zvýrazňování PII předčí školení
62 % zaměstnanců, kteří používají nástroje AI pro práci se zákaznickými daty, na odstranění PII „někdy” zapomíná. Proto automatické zvýrazňování eliminuje toto compliance riziko.
PII na snímcích obrazovky: únik dat v interních nástrojích
Slack, Teams, Jira a e-mail každodenně přijímají snímky obrazovky s osobními údaji zákazníků. Toto porušení kontroly přístupu obchází každý DLP nástroj.
PII v interní wiki: zákaznická data v Confluence
Týmy podpory dokumentují procesy snímky zákaznických účtů. Za tři roky to znamená tisíce porušení zásady minimalizace dat GDPR ve vaší wiki.
AI asistenti pro kódování způsobují únik produkčních PII
Testovací fixture se skutečnými zákaznickými záznamy. Logovací soubory s produkčními daty pro ladění. GitHub v roce 2024 zjistil 39 milionů uniklých tajných klíčů.
900 000 uživatelům byly odcizeny jejich AI konverzace
Dvě škodlivá rozšíření Chrome ukradla konverzace z ChatGPT více než 900 000 uživatelům. Jedno neslo označení Google 'Featured'.
AI: Nejčastější vektor úniku dat
77 % zaměstnanců vkládá citlivá data do nástrojů AI. GenAI dnes tvoří 32 % veškerého úniku firemních dat. Zjistěte, jak ochránit svou organizaci.
Začněte chránit svá data ještě dnes
Více než 285 typů entit, 48 jazyků, bezpečnost na úrovni podniků za ceny startupů.
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 company HQ is in Saarbrücken, Germany. Our servers run in Hetzner's Falkenstein datacenter.
Hetzner holds 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
- Open the web app and try a sample file.
- Learn how credits get counted.
- See current plans and limits.
- Meet the team behind the product.
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.