Teknisk
Dybdegående analyser af PII-detektion, NER og anonymiseringsteknologi
33 artikler
Presidio: 3 Ugers Opsætning vs. Managed PII-Tjeneste
Microsoft Presidio har tusindvis af GitHub-stjerner og hundredvis af åbne problemer. Opsætningskompleksitet, PySpark-integrationsomkostninger og Python-afhængighedskonflikter er veldokumenterede. Den managed løsning tager 12 minutter.
Fra 6 Uger til 3 Dage: Managed PII API vs. Selvhosting
Healthcare SaaS-teams bruger 6 uger på selvhostet Presidio-produktionsudrulning, inden de skifter til managed API. Den managed API erstatter hele udrulningsopgaven og reducerer integrationstiden til 3 dage.
"Gratis" PII-Detektion Koster €13.000 om Året
Selvhosting af Presidio kræver 40-80 timers indledende opsætning og 5-10 timers løbende vedligeholdelse om måneden. Til €100 i timen svarer det til €13.200+ om året — mere end 70 gange prisen på managed SaaS.
Presidios 22,7%-Precisionsproblem med Falske Positiver
Et benchmark fra 2024 viste, at Presidios navnegenkender opnår 22,7% præcision i forretningsdokumenter — altså er 77,3% af detektionerne falske positiver. Hybrid-detektion løser problemet.
Reproducerbar privacy: ML-forudindstillinger
Anonymisering af ML-træningsdata skal være konsistent og reproducerbar. Hvis datavidenskabsmænd A og B anvender forskellige entitetstyper, er træningsdatasæt.
GDPR-Sikker Pipeline: Anonymiser PII Før Lagring
dbt-kolonnetags er ikke GDPR-compliance. Rå kundedata lander i dit Snowflake-datalager umaskeret, før tag-baserede politikker træder i kraft.
FOIA: AI Reducerer Redaktion fra Uger til Timer
Den føderale regering brugte anslået 500 millioner dollar på FOIA-behandling i 2024, primært manuel redaktion. ARPA-H søgte eksplicit AI-redaktionssoftware til at tackle de voksende efterslæb.
GDPR-Compliant Anonymisering af ML-Træningsdata
GDPR begrænser brugen af personoplysninger til ML-træning ud over det formål, de oprindeligt blev indsamlet til. Datascientists, der bruger ad hoc-scripts i Python, skaber compliance-huller, der fejler DPO-revisioner.
FOIA: 80% hurtigere med batchredigering
Amerikanske føderale myndigheder modtog 1,5 millioner FOIA-anmodninger i finansåret 2024 til en gennemsnitspris på $482 pr. anmodning. Batchredigering af PII reducerer behandlingstiden fra.
Presidio vs. anonym.legal: Byg selv eller køb færdigt?
Microsoft Presidio er teknisk set gratis, men koster 40–80 ingeniørtimer at implementere korrekt. anonym.legal leverer den samme ML-præcision som en managed SaaS-løsning.
Privatlivsbeskyttelse i luftgabsomgivelser: anonymiser offline
FedRAMP- og ITAR-omgivelser har ét til fælles — cloud er ikke en mulighed. Reversibel pseudonymisering i henhold til GDPR art. 4(5) kræver, at token holdes adskilt.
Falsk positiv-skatten på PII-værktøjer
Presidio GitHub-issue #1071 dokumenterer systematiske falske positiver. En undersøgelse fra 2024 fandt 22,7 % præcision i blandede flersprogede virksomhedsdatasæt.
Arabisk og hebraisk PII: Vestlige værktøjer fejler
GDPR stopper ikke ved Bosporus. Arabisk og hebraisk persondata i EU-virksomheders arbejdsgange er systematisk ubeskyttet. XLM-RoBERTa tværsproglig detektion og.
Flersproget PII: Ensprogede værktøjer fejler
72 % af EU's virksomheder behandler dokumenter på 3+ sprog samtidigt. Flersprogede dokumenter giver 45 % højere andel af oversete PII i ensprogede NER-værktøjer.
APAC PII: Thai, indonesisk, vietnamesisk
Et singaporeansk fintech-selskab, der behandler 500.000 månedlige supportchats på tværs af 12 APAC-sprog, fandt, at deres engelsksprogede værktøj overså PII i 60% af ikke-engelske samtaler.
Falske positiver: Hvorfor ML-redigering fejler
En benchmark fra 2024 viste, at Presidio genererede 13.536 falske positive navnedetektioner på tværs af 4.434 prøver — og markerede pronomener, skibsnavne og landenavne som personnavne. Her er, hvad det koster i juridiske og sundhedsmæssige miljøer.
ISO 27001 + ZK reducerer tid til leverandørgodkendelse
En undersøgelse fra 2025 viste, at 'manglende anerkendt sikkerhedscertificering' var den næsthyppigste årsag til, at CISO'er diskvalificerer SaaS-leverandører. Her er, hvad ISO 27001 + zero-knowledge tilsammen giver.
ZK-arkitektur forkorter salgscyklusser
Leverandørsikkerhedsspørgeskemaer i enterprise-segmentet indeholder i gennemsnit 100+ spørgsmål. Zero-knowledge-arkitektur besvarer de sværeste spørgsmål entydigt — og lukker handler.
LastPass-bruddet: Lektioner i leverandørsikkerhed
LastPass krypterede deres brugeres data. Boksene blev alligevel eksfiltreret. 600.000+ Okta-poster fulgte. SaaS-sikkerhedshændelser steg 300 % fra 2022 til 2024.
Evaluering af ZK-påstande efter LastPass
438 millioner $ stjålet fra LastPass-brugere efter deres 'krypterede' bokse blev kompromitteret. En ICO-bøde på 1,2 millioner £ fulgte. Her er tjeklisten til at vurdere, om en leverandørs zero-knowledge-påstand holder.
LangChain CVE-2025-68664: Sådan lækker PII igennem din RAG-pipeline
CVSS 9,3. LangChains serialiseringsfunktioner eksponerer miljøvariabler og hemmeligheder til angriberstyrede LLM'er. Sådan registrerer og fikser du PII-lækager.
LibreOffice PII-anonymiseringsudvidelse
Trin-for-trin vejledning til anonymisering af PII i LibreOffice-dokumenter med anonym.legal-udvidelsen.
LibreOffice vs Office: PII-redigering
Detaljeret sammenligning af PII-anonymiseringsfunktioner i LibreOffice (anonym.legal-udvidelse) vs. Microsoft Office (Office-tilføjelsesprogram).
Hvorfor binær PII-detektion svigter compliance
Registreret/ikke-registreret er utilstrækkeligt for compliancekontekster, der kræver menneskelig vurdering. Her er, hvorfor konfidensscore transformerer PII-anonymisering.
Dokumentformatfragmentering i PII-værktøjer
Et enkelt DSAR-svar kan spænde over Word-kontrakter, PDF-fakturaer, Excel-kundelister og CSV-eksporter. Brug af forskellige værktøjer til hvert format skaber overensstemmelsesgab.
GDPR-logfils-anonymisering: Bevar fejlsøgningsevnen
Applikationslogfiler opsamler stille og roligt bruger-e-mails, IP-adresser og kontonumre. Her er, hvordan du deler logfiler med tredjeparter, underleverandører og observabilitetsplatforme.
GDPR i applikationslogfiler: JSON PII-compliance
Applikationslogfiler indeholder kunde-e-mailadresser, IP-adresser og kontonumre, som GDPR artikel 5(1)(e) kræver håndteret.
PII på Tværs af Apps: Word, Chrome og AI
Kundedata flyder fra browserresearch til Word-udkast til Claude-prompts. Hvert appskift er et potentielt lækagepunkt.
PII på Tværs af Platforme: Mac, Linux og Windows
Privatlivsoffi cerer på Mac, juridiske teams på Windows, dataingeniører på Linux — alle behandler de samme data med forskellige værktøjer. Her er grunden til, at OS-agnostisk detektion er afgørende.
Air-gapped PII: offline-first til forsvar
41% af enterprise-sikkerhedspolitikker forbyder cloudbehandling af klassificerede dokumenter. Lær, hvornår og hvorfor offline-first PII-anonymisering er den eneste løsning.
Reversibel vs permanent redaktion
GDPR sondrer mellem anonymisering og pseudonymisering. Domstole har brug for originaler. Forskning kræver re-identifikation. Lær, hvornår du bør bruge hvilken tilgang.
Flersproget NER: engelsk fejler på arabisk
Engelske NER-modeller opnår 85-92% nøjagtighed. Arabisk og kinesisk? Ofte 50-70%. Lær om de tekniske udfordringer, og hvordan du bygger ægte flersproget PII-detektion.
Brug Claude og ChatGPT uden at lække PII
En udviklervejledning til sikker brug af AI-assistenter. Opsæt MCP Server-integration til transparent PII-beskyttelse i Claude Desktop, Cursor og VS Code.
Begynd at Beskytte Dine Data I Dag
285+ enhedstyper, 48 sprog, virksomhedskvalitetssikkerhed til opstartspriser.
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.