By · Last updated 2026-05-01

Itzuli BlogeraGDPR & Betetze

Langileen Barne-IDak ere PII Dira

Erakunde handi bakoitzak anonimizatutako erregistroak benetako pertsonei lotzen dizkieten jabedun barne-identifikatzaileak ditu. GDPR isunetan %34k neurri teknikoen gabeziari buruzkoak dira.

May 1, 20268 min irakurri
employee ID anonymizationproprietary identifier detectionquasi-PIIGDPR custom entitiesno-code pattern builder

Zer Da Quasi-PII?

GDPR 4. artikuluak pertsona bat identifikatu dezakeen edozein datu biltzen ditu. Datuek ez dute zuzenean norbait izendatu behar. Urrats gehigarrien bidez identifikazioa posible egitea nahikoa da.

Barne-langile IDak adibide argi bat dira. Hartu "EMP-EU-123456" balioa. Kate horrek ez du inor izendatzen. Baina giza baliabideen sistemak bilaketa-taula sinple bat dauka. EMP-EU-123456 Maria Schmidt-ekin lotzen da, Ingeniari Nagusia, Munich. Taula horretara sarbidea duen edonork aurki dezake. GDPRren arabera, IDa datu pertsonalak dira.

Arau bera beste barne-kodeei ere aplikatzen zaie:

  • CRM erregistroekin lotzen diren bezeroen kontu-zenbakiak
  • Kontratu-sistemetan bezero-izenekin lotzen diren proiektu-kodeak
  • Fitxategi juridikoetako kasuen erreferentzia-zenbakiak
  • Gaixo-erregistroekin lotzen diren osasun-historia klinikoen zenbakiak

Izenak eta helbide elektronikoak kentzea ez da nahikoa. Barne-IDak fitxategi batean geratzen badira, berridentifikazioa bi urrats baino ez dago.

Zergatik Hutsune Honek Isunetara Darama

GDPR isunen %34k 32. artikuluaren peko neurri teknikoen urraketa biltzen dute. Datu hori DLA Piper 2025 GDPR Urteko Txostenetik dator. Kasi-identifikatzaile barne-identifikatzaileak detektatzeko ezgaitasuna kategoria honetan sartzen da.

EDPBk 2024an 900 koherentzia-mekanismo kasu baino gehiago kudeatu zituen. Mugaz gaindiko betearazpena esan nahi du datu-multzo partekatu bateko hutsune batek hainbat EB estatu kidetan ekintza koordinatua sor dezakeela.

PII tresna estandarrek unibertsalak diren ereduak aurkitzen dituzte: izenak, helbide elektronikoak, telefono-zenbakiak, ID nazionalak. Ez dakite zure barne-ID formatua. Tresna batek ere ez du ezagutzen esan arte. Hori da hutsunea.

Koderik Gabeko Eredu-Sortzaileak Nola Funtzionatzen Duen

Logistika konpainia global batek kanpoko auditoretza baterako langile-erregistroak anonimizatu behar ditu. Haien langile-IDek formatu hau erabiltzen dute: EMP-[ESKUALDEA]-[6 digitu]. Hiru adibide: EMP-EU-123456, EMP-APAC-789012, EMP-AMER-345678.

Betetze-taldeak hiru adibide sartzen ditu AI eredu-laguntzailean. AIak itzultzen du:

  • Eredua: EMP-[A-Z]{2,4}-\d{6}
  • Hiru adibide guztiei bat egiten die
  • Entitate-izena proposatua: EMPLOYEE-ID
  • Gomendatutako hurrengo urratsa: eskualde-kode gehiagorekin probatu

Taldeak hamar lagin gehiago probatzen ditu. Ereduak denek funtzionatzen du.

Entitate pertsonalizatua taldearen GDPR aurrezerrenda partekatuari gordetzen diote. Auditoretza-paketearen 47 dokumentu guztiak sortze-multzo batean prozesatu dira. Langile-ID guztiak rol-oinarritutako etiketa batekin ordezkatzen dira. Auditoretza-enpresak indibiduori lotzen ez zaizkion fitxategiak jasotzen ditu.

Ez da ingeniaritza-laguntzarik behar. Konfigurazio oso bat ordu bat baino gutxiago behar du.

Hurrengo Zer Gertatzen Den

Entitate pertsonalizatua aurrezerrenda partekatuan gordeta dagoen bezain pronto, taldekide guztiek konfigurazio bera erabiltzen dute. Langile berriek lehen egunean jasotzen dute. Sortze-lanek, API deiek eta eskuzko kargek eredu bera aplikatzen dute.

Ikusketa-arrastoak erakusten du zer aurrezerrenda erabili zen fitxategi bakoitzerako. Datuen Babeserako Agintaritzak zure anonimizazio-prozesuaren frogak eskatzen baditu, erakutsi dezakezu.

Entitate pertsonalizatuen konfigurazio-fluxu osorako, ikusi erakundearen anonimizaziorako PII identifikatzaile pertsonalizatuak. Konfigurazio hau taldeetan koherenteki mantentzeko, ikusi GDPR auditoretzarako anonimizazio-koherentzia aurrezerrendak.

Iturriak

Prest zure datuak babesteko?

Hasi PII anonimizatzen 285+ entitate mota 48 hizkuntzatan.

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.