By · Last updated 2026-06-05

Tilbage til BlogGDPR & Overholdelse

AEPD Spanien: AI-DPIA-krav og medarbejderdatabeskyttelse

AEPD udstedte 847 sanktionsafgørelser i 2023 — det højeste antal i EU — og kræver DPIA'er for alle AI-systemer, der behandler personoplysninger.

June 5, 20267 min læsning
AEPD SpainSpanish GDPRAI DPIA Spainemployee monitoringSpanish data protection

AEPD som EUs mest produktive håndhæver i volumen

Spaniens Agencia Española de Protección de Datos (AEPD) er EUs mest aktive DPA efter antal håndhævelsesforanstaltninger og udstedte 847 sanktionsafgørelser i 2023 — mere end alle andre EU-DPA'er tilsammen i volumen. De samlede AEPD-bøder i 2023 oversteg €12M på tværs af disse afgørelser.

Den høje volumen afspejler AEPDs håndhævelses tilgang: i modsætning til DPA'er, der fokuserer på banebrydende bøder mod store virksomheder, udsteder AEPD betydelige antal mindre bøder mod SMV'er, kommunale myndigheder og individuelle organisationer, hvilket skaber bredt overholdelses pres på tværs af den spanske økonomi.

AEPDs håndhævelsesfokusområder i 2024:

  • Videoovervågning og biometriske data (29% af sagerne)
  • Markedsføring og uopfordret kommunikation (24% af sagerne)
  • Medarbejderovervågning og HR-data (18% af sagerne)
  • AI-systemer og automatiseret beslutningstagning (15% af sagerne — stigende år for år)
  • Sundhedspleje og særlige kategorier af data (14% af sagerne)

AEPDs unikke AI-DPIA-krav

AEPDs "Guía de adecuación al RGPD de tratamientos con IA" (vejledning om GDPR-overholdelse for AI-behandlinger) fra 2024 går ud over GDPR-grundlaget i ét væsentligt krav: AEPD kræver en konsekvensvurdering vedrørende databeskyttelse (DPIA) for ethvert AI-system, der behandler personoplysninger.

Under GDPR Artikel 35 er DPIA'er påkrævet for behandling, der sandsynligvis vil "medføre en høj risiko" for registreredes rettigheder og frihedsrettigheder — en kontekstuel vurdering. AEPDs vejledning anlægger en mere kategorisk tilgang: ethvert AI-system, der behandler personoplysninger, udløser DPIA-kravet.

Dette betyder, at spanske organisationer skal gennemføre og dokumentere DPIA'er for:

  • Kundeservice-chatbots
  • HR-rekrutteringsscreeningværktøjer
  • Markedsføringspersonaliseringsalgoritmer
  • Dokumentbehandlings-AI (herunder anonymiserings-AI)
  • Ethvert AI-tool, der behandler medarbejder- eller kundedata

Den praktiske implikation: organisationer, der bruger AI-tools i Spanien, skal have DPIA-dokumentation for hvert tool, selv hvis toolet bruges bredt og betragtes som lav risiko af organisationen.

AEPDs tekniske anonymiseringsstandarder

AEPDs anonymiseringsvejledning er påvirket af CNILs "Guide pratique de l'anonymisation" men tilføjer spanskspecifikke krav:

Spanske nationale identifikatorer:

  • DNI (Documento Nacional de Identidad): 8-cifret nummer + bogstavkontrolciffer
  • NIE (Número de Identificación de Extranjero): Bogstav + 7 cifre + bogstav, for udenlandske statsborgere
  • NIF (Número de Identificación Fiscal): Ækvivalent til DNI til skatteformål
  • Número de Seguridad Social: Format for socialsikringsnummer

AEPDs vejledning bemærker, at spanske NER-modeller hyppigt overser NIE-numre, som er almindelige i Spaniens betydelige indvandrerbefolkning. Organisationer, der behandler data fra ikke-spanske statsborgere i Spanien, skal verificere NIE-detektionsevnen.

Spanskspecifik kontekst: AEPDs vejledning adresserer den specifikke udfordring med spanske navne — traditionen med dobbelt efternavn (apellidos compuestos) skaber navnedetektionsudfordringer for NER-modeller, der primært er trænet på enkelt-efternavn-navngivningskonventioner. Spansksprogede NER skal håndtere: "García López, Juan Carlos" — hvor både "García" og "López" er efternavne, ikke et sammensat efternavn + fornavn.

AEPDs håndhævelse af medarbejderovervågning

AEPDs 18% af sager vedrørende medarbejderovervågning afspejler Spaniens aktive håndhævelse af begrænsninger for arbejdsgiverovervågning. Den spanske arbejdslov (Estatuto de los Trabajadores) begrænser arbejdsgiverens overvågningsrettigheder, og AEPD har været aggressiv i håndhævelsen af disse grænser ved siden af GDPR.

Vigtige AEPD-afgørelser om medarbejderovervågning:

  • Keyloggere og skærmbillede-overvågning: AEPD betragter skjult keylogger-installation som en GDPR-overtrædelse i de fleste sammenhænge; gennemsigtig skærmbillede-overvågning kræver dokumenteret begrundelse og proportionalitetsvurdering
  • GPS-sporing: Tilladt for arbejdskøretøjer med gennemsigtig varsel; forbudt for private køretøjer
  • E-mailova rvågning: Tilladt med forudgående varsel og dokumenteret politik; indholdsanalyse kræver yderligere begrundelse
  • AI-præstationsovervågning: AI-systemer, der vurderer medarbejderpræstation gennem adfærdsanalyse, kræver eksplicit DPIA og EDPB-vejledningsoverholdelse

Organisationer, der implementerer AI-tools, der overvåger eller analyserer medarbejderadfærd (herunder produktivitetsanalyse, kommunikationsovervågning og fremmødestyring), møder specifik AEPD-kontrol.

Opbygning af AEPD-kompatibel AI-dokumentation

For spanske organisationer, der implementerer AI-tools, er den AEPD-kompatible dokumentationsstak:

1. AI-systeminventar: Dokumentér alle AI-systemer, der behandler spanske personoplysninger: systemnavn, leverandør, formål, behandlede datakategorier, opbevaringsperiode, DPA-status.

2. DPIA for hvert AI-system: I overensstemmelse med AEPDs forenklede DPIA-skabelon (tilgængelig på AEPDs hjemmeside):

  • Beskrivelse af behandling: formål, retsgrundlag, datakategorier, modtagere
  • Nødvendigheds- og proportionalitetsvurdering
  • Risikovurdering: risici for registrerede
  • Risikobegrænsende foranstaltninger: tekniske og organisatoriske kontroller
  • DPO-konsultationsprotokol (hvis DPO er påkrævet)

3. Dokumentation af tekniske kontroller: For hvert AI-system skal de tekniske foranstaltninger dokumenteres, der forhindrer uautoriseret adgang til personoplysninger:

  • Filtrering inden indsendelse (PII-detektion + fjernelse inden AI-behandling)
  • Adgangskontroller for behandlede data
  • Håndhævelse af opbevaring
  • Detektion og respons på brud

4. Medarbejderovervågningspolitik: Hvis et AI-system overvåger medarbejdere: skriftlig politik, der dokumenterer overvågningsomfanget, varsel til medarbejdere, retsgrundlag og proportionalitetsvurdering.

AEPD-inspektioner anmoder typisk om AI-systeminventaret og DPIA'erne først. Organisationer med forudeksisterende dokumentation løser inspektioner væsentligt hurtigere end dem, der gennemfører vurderinger reaktivt.

Kilder:

Klar til at beskytte dine data?

Begynd at anonymisere PII med 285+ enhedstyper på tværs af 48 sprog.

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.