By · Last updated 2026-06-05

Itzuli BlogeraGDPR & Betetze

NAIH Hungaria: AI Gobernantza eta DPA Arauak

NAIHk DPIA bat eskatzen du datu pertsonalak prozesatzen dituzten AI sistema guztientzat. Hungariar NERren zehaztasuna %67koa da — EBko %82ko batez bestekoaren azpitik.

June 5, 20268 min irakurri
Hungary NAIHAI GDPR complianceTAJ-szám detectionCentral Europe DPAHungarian data protection

NAIH Hungaria: AI Gobernantza eta DPA Arauak

Hungariako datu-organoa NAIH da — Nemzeti Adatvedelmi es Informacioszabadsag Hatosag. Agintariak Erdialdeko Europako edozein DPAren AI gida zehatzena argitaratu du. 2024an 38 betearazpen-erabaki hartu zituen. Gainera, datu pertsonalak kudeatzen dituzten AI sistema guztientzat DPIA bat eskatzen duten arauak argitaratu zituen. Arau hauek GDPR oinarri-lerrotik harago doaz.

NAIHren AI Betearazpen Arauak

EB DPA gehienek AI gida zabala argitaratzen dute. Hungariako DPAk urrutiago joan zen. 2024ko gida operatiboki zehatza da.

DPIA AI sistema guztientzat: Datu pertsonalak ukitzen dituen edozein AI sistemak aldez aurretik DPIA bat behar du. Arautzaileak hori hedapena aurretik eskatzen du. Hau aplikatzen da prozesatzea GDPR 35. artikuluaren arabera ez denean ere salbuespeneko arriskua. GDPRren arrisku-oinarritutako ikuspegia baino zorrotzagoa da.

NAIH DPIAk barne hartu behar duena:

  • AI ereduaren datu sarrera eta irteeren deskribapen teknikoa
  • Entrenamendu-datuak anonimizatuta edo base juridiko balioduna zutela frogatzea
  • Algoritmo-diskriminazio arriskuaren ebaluazioa
  • Erabaki automatizatuentzako giza berrikuspena
  • AI-prozesatutako datuen atxikipen eta ezabatze-egutegi bat

Urteko berrikuspena: Agintariak DPIAk urtero eguneratzea eskatzen du. Hori aplikatzen da AI sistema berriro entrenatzen edo nabarmen aldatzen denean.

Hungariak 2024an 890.000 GDPR datu-eskaera baino gehiago kudeatu zituen. Hori 10 milioi biztanleko herrialde batentzat bolumen handia da. Eskubideen erabilera aktiboa eta betetzeko taldeengan presio erreala adierazten du.

NER Zehaztasun Hutsunea

Agintariaren 2024ko berrikusketak hungariar testuan NER ereduak probatu zituen. Soilik %67ko zehaztasuna lortu zuten. EBko batez bestekoa %82koa da. 15 puntuko aldeak benetako betetzeko kostuak ditu.

Hungariako hizkuntzak aglutinazioa du. Hitzak hainbat atzizkiren bidez eraikitzen ditu. Hungariar izenak, helbideak eta IDak ingelesezko edo alemanezko datuetatik oso desberdinak dira. Hizkuntza horietan entrenatutako tresnek datu pertsonal zati handia galtzen dute hungariar testuan. Ikusi gure hizkuntz anitzeko PII detekzio gida hutsune honek hizkuntzetan GDPR betetzean nola eragiten duen jakiteko.

Arautzaileak aurkitu zuen NLP tresna generikoek dokumentuen %61ean TAJ-szam galtzen dutela. Formatu-aldakuntza eta egiaztapen-suma laguntzarik eza dira arrazoi nagusiak.

Hungariako Identifikatzaile Nazionalak

Hungariako dokumentuak prozesatzen dituzten taldeek ID mota hauek zehaztasunez detektatu behar dituzte. Ikusi gure EBko zerga-ID nazionalaren detekzio gida EBko estaldura-testuinguru osoa lortzeko.

TAJ-szam (Tarsadalombiztositasi Azonosito Jel): 9 digituko gizarte-segurantza zenbakia. Osasun, prestazio eta pentsio-erregistroetan agertzen da. Baliozkotzeak Gizarte Segurantzako agintariak ezarritako pisatutako egiaztapen-suma erabiltzen du.

Adoazonositojel: 10 digituko zerga-ID pertsonala. Formatua 8 digituko nukleoa gehi 2 egiaztapen-digitu da. Nomina, zerga-aitorpenetan eta lan-kontratuetan agertzen da.

Szemelyi igazolvany zenbakia: Nortasun-agiriaren zenbakia. Formatua eta egiaztapen-digitu arauak igortze-agintariari jarraitzen diote.

Utlevel szam: Pasaporte-zenbakia. Formatua eta egiaztapen-digituak ere igortze-agintariak ezarritako arauei jarraitzen diete.

Ugyfeklapu Testuingurua

Hungariak zerbitzu publiko gehienak plataforma baten bidez kudeatzen ditu — Ugyfeklapu (Bezero-Atea). 4 milioi herritarrek baino gehiagok erabiltzen dute zerga, prestazioak, osasuna eta lizentziarako. Enpresa pribatuek nominentzat, prestazioetarako edo nortasun-egiaztagirientzat Ugyfeklapura konektatzen dira. Enpresa horiek identifikatzaile berberak prozesatzen dituzte testuinguru arautuan.

Agintariak aurkitu du enpresa horiek sarri nazioarteko PII tresnak erabiltzen dituztela. Tresna gehienek ez dute aurreko identifikatzaileen laguntzarik. Horrek galdutako datuak eta zuzeneko betetzeko arriskua eragiten du.

EB AI Legearekiko Gainjartzea

Hungaria goiz hasi zen AI Legearen arauak DPA gidara txertatzen. Arautzailearen jarrera argia da.

AI sistema arriskutsuak AI Legearen III. Eranskinean zerrendatuta daude. Hauek lanpostuak, kreditu-puntuazioa eta funtsezko zerbitzuak estaltzen dituzte. AI Legearen egokitasun-ebaluazioa eta NAIH DPIA biak behar dituzte.

Helburu orokorreko AI ereduak Hungariako pertsonak prozesatzen dituztenek ere NAIH DPIA bat behar dute. Hori aplikatzen da eredua AI Legearen arabera arriskutsu ez denean ere.

Hungarian AI zabaltzen duten taldeentzat, gako-zerrenda hiru elementu ditu. Burutu NAIH DPIA aurreko abiarazpenaren aurretik. Egiaztatu zure NER tresnak aurreko entitateak hungariar testuan estaltzen dituela. Berretsi TAJ-szam eta adoazonositojel detekzioa egiaztapen-sumaren baliozkotzea barne.

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.