By · Last updated 2026-06-05

Zpět na blogTechnické

Ochrana OÚ napříč platformami: Mac, Linux a Windows

Pracovníci ochrany soukromí na Macu, právníci na Windows, datoví inženýři na Linuxu — všichni zpracovávají stejná data s různými nástroji. Zde je vysvětlení, proč je detekce nezávislá na OS nezbytná.

June 5, 20266 min čtení
cross-platformMac Linux GDPRenterprise ITOS agnosticcompliance consistency

Ochrana OÚ napříč platformami: Mac, Linux a Windows

Pracovníci ochrany soukromí na Macu. Právní týmy na Windows. Datoví inženýři na Linuxu. Jedna compliance povinnost.

Většina nástrojů OÚ byla vytvořena pro jednu platformu. To je problém.

Mezera v operačním systému v týmech ochrany soukromí

Podnikové týmy ochrany soukromí zřídka používají jeden operační systém. Typická globální technologická společnost vypadá takto:

  • Pracovníci ochrany soukromí a pověřenci pro ochranu dat (DPO): macOS (běžné v amerických a britských firmách)
  • Právní a compliance analytici: Windows (standard v evropských podnicích)
  • Datoví inženýři a DevOps: Linux (standard pro technické role)

Tři prostředí OS. Tři týmové funkce. Jedna sdílená povinnost: zpracovávat osobní data s konzistentními technickými kontrolami.

Když každá skupina používá jinou verzi stejného nástroje — nebo jiné rozhraní — kontroly nejsou stejné. Pouze se tak zdají.

Proč nástroje pro jednu platformu vytvářejí riziko

Většina nástrojů OÚ se dodává jako desktopové aplikace pro jeden OS. Uživatelé Macu a Linuxu dostanou webovou náhradu, nebo nic.

To vytváří rozdělení, které v auditech záleží. Zde je to, co se stane, když webová aplikace zaostává za desktopem:

Verze NLP modelu se liší. Desktopové sestavení může obsahovat novější NLP model než webová aplikace. Starší verze modelů mohou přehlédnout typy entit, které novější zachytí.

Cykly aktualizací se rozcházejí. Nástroje nasazené prostřednictvím skupinových zásad mohou běžet dvě nebo tři verze za přímou instalací. Mezery ve verzích znamenají mezery v detekci.

Konfigurace se nemůže synchronizovat. Nástroje, které ukládají nastavení v registru OS, nemohou tato nastavení sdílet s uživateli Macu nebo Linuxu. Přednastavení vytvořené na jedné platformě může být na jiné nečitelné.

Chování knihoven se liší. Nástroje, které se spoléhají na knihovny na úrovni OS pro parsování PDF nebo OCR, mohou produkovat různé výsledky na různých platformách — i ze stejného zdrojového dokumentu.

Jakákoli z těchto mezer znamená, že stejný dokument může produkovat různé výsledky anonymizace. Příčinou nejsou data. Je to platforma.

Viz požadavky GDPR na technická opatření pro informace o tom, jak regulátoři hodnotí konzistenci.

GDPR článek 5(2) a systematická opatření

Článek 5(2) GDPR je zásadou odpovědnosti. Vyžaduje, aby správci prokázali soulad se zásadami ochrany dat z článku 5(1). Pro technická opatření podle článku 32 to znamená, že opatření byla uplatňována systematicky.

Systematicky znamená konzistentně. Pokud se anonymizace liší podle OS osoby, která ji provedla, opatření je proměnlivé — nikoli systematické.

Při vyšetřování DPA není odpověď použili jsme nástroj X, ale chová se odlišně na Macu a v desktopové verzi, a dokument byl zpracován na Macu uspokojivá. Ukazuje nerovnoměrné uplatňování.

Design nezávislý na OS není preference. Vyplývá z požadavku systematického uplatňování.

Dva vzorce pro compliance nezávislou na OS

Skutečná compliance OÚ nezávislá na OS odpovídá dvěma architektonickým vzorcům.

Vzorec 1: Webová aplikace

Detekce běží na serveru. OS klienta je irelevantní. Každý uživatel volá stejný engine se stejnými modely a stejnou konfigurací.

Omezení: vyžaduje přístup k internetu. Prostředí se vzduchovou mezerou ji nemohou používat.

Vzorec 2: Nativní multiplatformní desktopová aplikace

Desktopová aplikace postavená na multiplatformním runtime (jako Tauri nebo Electron) kompiluje stejný kód pro všechny tři platformy. Stejné NLP modely se dodávají v každém sestavení. Konfigurace se synchronizuje přes účet, nikoli místní úložiště OS.

To splňuje požadavky offline a vzduchové mezery. Detekce zůstává konzistentní napříč platformami.

Desktopová aplikace anonym.legal používá framework Tauri/Rust. Kompiluje stejný kód pro Windows (x64/ARM64), macOS (Intel/Apple Silicon/Universal) a Linux (x64). NLP modely a detekční engine jsou identické v každém sestavení. OS není proměnnou ve výstupu.

Případ použití: 12členný tým ochrany soukromí

Tým ochrany soukromí globální technologické společnosti o 12 lidech pracoval ve třech prostředích OS:

  • 4 pracovníci ochrany soukromí a DPO: macOS (MacBook Pro)
  • 5 právních a compliance analytiků: Windows (Surface Pro)
  • 3 datoví inženýři: Linux (pracovní stanice Ubuntu)

Jejich předchozí nástroj OÚ byl desktopová aplikace pro jednu platformu. Uživatelé Macu a Linuxu přecházeli na webovou aplikaci dodavatele. Byla to starší verze s menším počtem typů entit.

Compliance mezera byla zjevná. DPO na Macu detekoval 180 typů entit. Právníci na desktopové aplikaci detekovali 267. Inženýři na Linuxu odpovídali webové aplikaci na 180. To je mezera 87 entit v dokumentech zpracovaných DPO.

Po přechodu na multiplatformní desktopovou aplikaci:

  • Stejná aplikace nasazena na všech 12 počítačích
  • Identické NLP modely a detekční engine na každém počítači
  • Jedno přednastavení Privacy Standard synchronizováno napříč všemi účty
  • Jediný auditní záznam od všech 12 uživatelů v compliance systému

Audit DPA přišel o šest měsíců později. Tým prokázal identické pokrytí entit napříč všemi 12 účty bez ohledu na OS. Zjištění bylo uzavřeno.

Přečtěte si více o funkcích auditního záznamu a dokumentace.

Co zkontrolovat před výběrem nástroje

Při hodnocení nástroje OÚ pro tým s více OS si položte tyto otázky:

Používají všechny verze platformy stejný NLP model? Pokud sestavení pro Mac a Linux zaostávají, máte problém s konzistencí.

Jak je konfigurace uložena a sdílena? Úložiště v registru se nemůže synchronizovat napříč platformami.

Jsou cykly aktualizací stejné pro všechny platformy? Postupné vydávání verzí vytváří mezery ve verzích.

Jaká je záloha pro uživatele bez desktopu? Pokud jde o starší webovou aplikaci, pokrytí není stejné.

Nástroj, který na tyto otázky dobře odpovídá, bude produkovat stejný výsledek detekce ze stejného vstupu na jakémkoli OS. Takto vypadá systematické uplatňování.

Zdroje

Připraveni chránit svá data?

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

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.