Poznatky o ochraně dat
Odborné články o bezpečnosti AI, souladu s GDPR, ochraně zdravotnických dat a osvědčených postupech anonymizace PII.
Všechny články
Garante Itálie: soulad AI a PII
Italský Garante pokutoval OpenAI v prosinci 2024 částkou 15 milionů eur a v roce 2023 dočasně zakázal ChatGPT. 63 % italských firem postrádá politiky správy dat AI.
LGPD Brazílie: CPF, CNPJ a ochrana osobních údajů
LGPD se vztahuje na 215 milionů Brazilců a ANPD zahájil v roce 2024 vymáhání v plném rozsahu. CPF detekují nástroje trénované na angličtině s přesností pouhých 45 %.
Nizozemský AP: Pokuta 290 mil. € a vymáhání GDPR
Nizozemský AP udělil Uberu nejvyšší pokutu EU za přenos dat — 290 mil. €. BSN (nizozemské rodné číslo) vyžaduje ověření Elfproef, které 56 % nástrojů přehlíží.
UODO Polsko: PESEL, NIP a RODO
UODO zjistil, že 89 % nasazených nástrojů správně nedetekuje polský PESEL. Polsko denně zpracovává 2,3 mil. záznamů zákazníků z EU. Ověření kontrolního součtu PESEL, NIP.
ANSPDCP Rumunsko: Detekce CNP a kontroly
ANSPDCP zjistil, že 78 % nástrojů nedetekuje rumunský CNP se správnou validací. CNP kóduje pohlaví, datum narození a kraj — důsledky pro zvláštní kategorii GDPR.
IMY Švédsko: Personnummer a kontroly Luhn
IMY zjistil, že 45 % obecných nástrojů přehlíží švédský personnummer. Samordningsnummer (s posunem 60) většina implementací postrádá. Švédsko: 79 % uplatnění práv GDPR.
Dánsko CPR: Validace modulus-11 pro GDPR
67 % nástrojů NLP přehlíží validaci modulus-11 dánského čísla CPR. Datatilsynet vydal 14 opatření ve zdravotnictví v roce 2024. Sekundární využití zdravotních dat.
České rodné číslo: Kódování pohlaví a GDPR
České rodné číslo kóduje pohlaví prostřednictvím měsíčního posunu o 50 — čímž se stává údajem zvláštní kategorie podle článku 9 GDPR. 67 % českých firem používá německé nástroje.
NAIH Maďarsko: TAJ-szám a adóazonosító jel
Přesnost NER pro maďarštinu je 67 % oproti průměru EU 82 % — hodnocení NAIH z roku 2024. Mezery v detekci váženého kontrolního součtu TAJ-szám a adóazonosító jel.
HDPA Řecko: detekce AFM a AMKA
Řecký AFM je generickými nástroji detekován jen s 52% přesností. HDPA vydal v roce 2024 celkem 89 rozhodnutí — o 162 % více než v roce 2022. Odvětví cestovního ruchu a námořní průmysl čelí specifickým rizikům.
Japonský My Number: Verhoeff a APPI
63 % generických nástrojů selhává při detekci My Number v japonských dokumentech. My Number využívá Verhoeffův algoritmus — nejsložitější národní kontrolní součet ID v Asii.
Epsteinovy spisy: Zvýraznění není anonymizace
Zveřejnění Epsteinových spisů ministerstvem spravedlnosti v prosinci 2025 odhalilo kritické pochybení při anonymizaci: text začerněný zvýrazněním v PDF zůstává čitelný pomocí kopírování a vložení.
Advokátní tajemství a AI v roce 2026
Federální soud v USA rozhodl v únoru 2026, že komunikace prostřednictvím AI nese znaky advokátního tajemství jen výjimečně — rozhodnutí, které mění praxi každé advokátní kanceláře.
Zero-Knowledge vs. Zero-Trust šifrování v cloudu
LastPass šifroval data svých uživatelů — a přesto bylo ukradeno 438 milionů dolarů. Zde je vysvětlení rozdílu mezi šifrováním na straně serveru a skutečnou architekturou zero-knowledge.
Vzduchově izolované sítě: Offline-first anonymizace PII pro obranu
41 % podnikových bezpečnostních politik zakazuje cloudové zpracování utajovaných dokumentů. Zde je postup, jak zvládnout anonymizaci PII bez přístupu k internetu.
Vícejazyčná detekce PII pro GDPR
Německý Steuer-ID, francouzský NIR a švédský Personnummer vyžadují každý jinou logiku detekce. Zjistěte, jak mezera v lokalizaci vytváří skryté riziko GDPR.
Reverzibilní vs. trvalé redigování: Kdy použít co
GDPR rozlišuje anonymizaci od pseudonymizace. Soudy mohou požadovat originály. Výzkum potřebuje opětovné propojení záznamů. Zjistěte, kdy použít který přístup.
Vícejazyčné NER: Proč angličtina selhává u arabštiny
NER modely pro angličtinu dosahují přesnosti 85–92 %. Pro arabštinu a čínštinu? Často jen 50–70 %. Zjistěte technické příčiny a jak vybudovat skutečně vícejazyčné řešení.
94 % malých firem napadeno: Dostupná ochrana soukromí
Malé a střední firmy čelí stejným hrozbám jako velké podniky, ale nemohou si dovolit nástroje za 800+ $/měsíc. Zde je postup, jak získat ochranu soukromí na podnikové úrovni za 3 € měsíčně.
Detekce PHI: Snow Labs 96 % vs GPT-4o
Ne všechny nástroje pro de-identifikaci jsou stejně přesné. Benchmarky ECIR 2025 ukazují skóre F1 od 79 % do 96 %. Zjistěte, proč přesnost rozhoduje a jak nástroje správně porovnat.
Soudy sankcionují advokáty za pochybení při redigování dokumentů
Zvýraznění textu ve Wordu není redigování. Soudy sankcionují advokáty za technická pochybení, která odhalují privilegované informace.
Používejte Claude a ChatGPT bez úniku PII
Průvodce vývojáře bezpečným používáním AI asistentů. Nastavte integraci MCP Server pro transparentní ochranu PII v Claude Desktop, Cursor a VS Code.
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'.
7,42 milionu USD: Nejvyšší náklady úniku dat ve zdravotnictví
Zdravotnictví je 14 let po sobě nejnákladnějším odvětvím z hlediska úniku dat. Zjistěte, proč jsou zdravotní záznamy (PHI) tak cenné a jak je chránit.
Začněte chránit svá data ještě dnes
Více než 267 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, held by our hosting provider.
- 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
Automated checks run on every release.
Each surface gets its own sweep script and report.
Human reviewers spot-check the output each week.
We test detection against sample documents before each release.
A failing unit or integration run stops the release.
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.
Paid plans can buy top-up credits.
Credits reset at the end of each cycle.
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.