Indsigter om Databeskyttelse
Ekspertartikler om AI-sikkerhed, GDPR-overholdelse, beskyttelse af sundhedsdata og bedste praksis for PII-anonymisering.
Alle Artikler
Vibe Coding og PII-lækage: Den sikkerhedsrisiko ingen taler om
AI-genereret kode indeholder sjældent PII-håndtering. 73% af vibe-kodede apps behandler følsomme data uden anonymisering. Det bør alle udviklere vide.
COPPA april 2026: Hvad EdTech-platforme skal gøre inden fristen
COPPAs opdaterede regel træder i kraft den 22. april 2026. Reddit blev bødelagt £14,47 mio. for fejl med børns data. EdTech-platforme står over for den samme risiko.
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.
MCP-serversikkerhed 2026: 8.000 eksponeret, 492 uden godkendelse
8.000+ Model Context Protocol-servere er offentligt eksponeret. 492 har nul godkendelse. 36,7% er sårbare over for SSRF. Beskyt PII i dine MCP-værktøjer.
EU AI Act august 2026: Anonymisering af træningsdata for at opfylde artikel 10
EU AI Acts fulde håndhævelse begynder den 2. august 2026. Bøder op til €35 mio. eller 7% af global omsætning. Artikel 10 kræver anonymisering af træningsdata.
Permanent anonymisering: risiko for bevissabotage
34,8 % af ChatGPT-input indeholder følsomme data (Cyberhaven). Løsningen — permanent anonymisering — skaber sin egen juridiske risiko: bevissabotage. GDPR art. 4(5) kræver reverserbarhed.
Regningen på 80.000 $: Word-tilføjelsen løser det
Ved 200–400 $ i timen koster en produktion på 10.000 dokumenter 26.000–80.000 $ i advokattid (RAND). Bloomberg Law 2024 viste, at automatisering reducerer den tidsramme.
Browser DLP: Blokering vs. anonymisering 2026
To tilgange til browser DLP: blokering forhindrer PII-indsendelse til AI-værktøjer; anonymisering transformerer data inden afsendelse. En objektiv sammenligning.
Samsung mistede kildekode til ChatGPT tre gange
Tre separate Samsung-ingeniørteams indsatte proprietær kode og fortrolige data i ChatGPT i april 2023. Hver hændelse afslørede en anden systemsvaghed.
E-discovery-sanktioner: AI-redigering fejler
I Athletics Investment Group v. Schnitzer Steel (2024) udløste uretmæssig redigering sanktioner under e-discovery. Med AI-værktøjer, der kun opnår 22,7 % præcision, står juridiske teams over for reel erstatningsansvar.
SaaS-brud steg 300 %: ZK er påkrævet
Conduent eksponerede 25,9 millioner poster. NHS Digital: 9 millioner patienter. Angribere bryder ind i SaaS-leverandører på 9 minutter. Når din leverandør er selve angrebet.
HIPAA i skyen: Zero-knowledge til PHI
Business Associate Agreements forhindrer ikke HIPAA-overtrædelser, når din cloud-AI-leverandør behandler PHI i klartekst. Her er hvad zero-knowledge-arkitektur faktisk giver dig.
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).
Open source-anonymisering: LibreOffice
Hvordan offentlige myndigheder bruger LibreOffice med anonym.legals udvidelse til GDPR-compliant dokumentanonymisering.
PII på tværs af platforme: Office og LibreOffice
Sådan opnår organisationer med blandede Microsoft Office- og LibreOffice-miljøer ensartet PII-anonymisering med anonym.
Virksomheders AI-forbud: Produktivitet vs. risiko
27,4 % af indholdet i virksomheders AI-chatbots indeholder følsomme data – en stigning på 156 % år over år. Alligevel sker 71,6 % af AI-adgangen via private konti, der omgår alle corporate DLP-kontroller.
Sikre AI-privatlivsudvidelser i 2026
I januar 2026 blev to ondsindede Chrome-udvidelser med over 900.000 brugere afsløret i at exfiltrere ChatGPT- og DeepSeek-samtaler hvert 30. minut.
Browser DLP til ChatGPT, Claude og Gemini
Traditionel enterprise DLP er bygget til filoverførsler og e-mail, ikke AI-chatbots. Denne vejledning dækker browserbaseret forebyggelse af datatab til ChatGPT.
Når CISO'er siger nej til cloud-behandling af PHI
725 sundhedsdatabrud i 2024 berørte 275 millioner journaler. Med gennemsnitlige brudomkostninger på 10,22 mio. dollars – de højeste i enhver branche – afviser sundhedssektorens CISO'er cloud-behandling af patientdata.
530 mio. euro i bøde til TikTok: GDPR og datasoverænitet
TikToks GDPR-bøde på 530 mio. euro for dataoverførsler mellem EU og Kina markerer en ny æra for håndhævelse af datasoverænitet. Med 5,65 mia. euro i samlede bøder er compliance ikke længere en baggrundrisiko.
HHS 2025: AI-kliniske noter kræver PHI-beskyttelse
AI-transskriptionssystemer kan utilsigtet placere Patient A's PHI i Patient B's journal. Her er, hvorfor realtids-PHI-detektion før EHR-commit er den rette kontrol.
Hvorfor binær PII-detektion svigter compliance
Registreret/ikke-registreret er utilstrækkeligt for compliancekontekster, der kræver menneskelig vurdering. Her er, hvorfor konfidensscore transformerer PII-anonymisering.
GDPR-dataminimering: Realtids-API
GDPR Artikel 5(1)(c) kræver kun at indsamle nødvendige data. Realtids-API-integration forhindrer overindsamling ved formularindsendelse — inden det er for sent.
Begynd at Beskytte Dine Data I Dag
267+ 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, 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.