By · Last updated 2026-05-04

بازگشت به وبلاگGDPR و انطباق

حق پاک‌سازی GDPR: اقدام EDPB در ۲۰۲۵

چارچوب اجرایی هماهنگ EDPB 2025 انطباق با حق پاک‌سازی را در ۳۲ DPA بررسی کرد. نه DPA تحقیقات رسمی آغاز کردند.

May 4, 20269 دقیقه مطالعه
GDPR right to erasureEDPB coordinated enforcement 2025Article 17 compliancedata minimizationanonymization vs deletion

حق پاک‌سازی GDPR: یافته‌های EDPB در ۲۰۲۵

به‌روزرسانی‌شده برای ۲۰۲۶

اقدام پاک‌سازی EDPB در ۲۰۲۵

هیئت اروپایی حمایت از داده در سال ۲۰۲۵ یک اقدام بزرگ انجام داد. این اقدام ماده ۱۷ GDPR — حق پاک‌سازی — را پوشش داد. سی و دو DPA در سراسر اتحادیه اروپا و EEA شرکت کردند. آن‌ها همه با هم عمل کردند. هدف یافتن شکست‌های گسترده بود، نه موارد یک‌طرفه.

این اقدام چارچوب اجرایی هماهنگ یا CEF است. نه DPA از آن زمان تحقیقات رسمی بر اساس نتایج آن را آغاز کرده‌اند.

هفت شکست تکرارشونده

گزارش CEF هفت مشکل یافت‌شده در میان گروه‌هایی که بررسی کرد را نام برد:

  1. مراحل ضعیف برای رسیدگی به درخواست‌های حذف
  2. رد بیش از حد گسترده درخواست‌های معتبر
  3. بار ناعادلانه‌ای که بر افرادی که درخواست می‌دهند گذاشته می‌شود
  4. ناتوانی در یافتن تمام سوابق شخصی در سیستم‌ها
  5. تأخیر بیش از پنجره پاسخ ۳۰ روزه GDPR
  6. بازخورد ضعیف به افراد درباره نتایج درخواست
  7. ناشناس‌سازی معیوب به‌جای حذف. گروه‌ها ادعا می‌کردند «ناشناس‌سازی» اما سوابق را قابل ردیابی می‌گذاشتند.

مورد هفتم پیچیده‌ترین است. هر گروهی که از این روش برای کاهش موارد شخصی نگه‌داری‌شده استفاده می‌کند را تحت تأثیر قرار می‌دهد.

ناشناس‌سازی در برابر حذف

حق پاک‌سازی GDPR همیشه به معنای حذف کامل نیست. رکال ۶۵ این رویکرد را وقتی حذف ممکن نیست اجازه می‌دهد. نوارهای پشتیبان و سیستم‌های تحلیلی موارد رایج هستند.

CEF نشان می‌دهد این گزینه سوءاستفاده می‌شود. گروه‌ها یک فرایند را «ناشناس‌سازی» برچسب می‌زنند تا از حذف واقعی اجتناب کنند. اما فرایند هنوز موارد را قابل ردیابی به افراد واقعی می‌گذارد.

EDPB یک خط روشن می‌کشد.

ناشناس‌سازی واقعی یعنی پیوند بین موارد و یک شخص نمی‌تواند بازسازی شود. کنترل‌کننده هیچ راهی برای پیوند مجدد آن‌ها ندارد. هیچ شخص ثالثی راهی برای پیوند مجدد ندارد. آن موارد از دامنه GDPR خارج می‌شوند. درخواست برآورده شده است.

کاذب‌سازی شناسه متفاوت است. پیوند مجدد با کلید صحیح هنوز ممکن است. موارد شخصی هنوز وجود دارند. درخواست برآورده نشده است. موارد باید حذف شوند یا کلید باید نابود شود.

یک رویکرد دو لایه

گروه‌هایی که از این روش در تحلیل استفاده می‌کنند به دو لایه نیاز دارند.

لایه ۱ — ورودی: موارد شخصی خام اینجا می‌رسند. این موارد مشمول درخواست‌های حذف هستند. وقتی یک شخص حقوق ماده ۱۷ را اعمال می‌کند، موارد در این لایه حذف می‌شوند.

لایه ۲ — تحلیلی: تنها خروجی‌های ناشناس‌شده به این لایه می‌رسند. اگر فرایند کامل و یک‌طرفه بود، این خروجی‌ها شخصی نیستند. با رسیدن یک درخواست حذف تغییر نمی‌کنند.

این راه‌اندازی تنها در صورتی کار می‌کند که مرحله ماسک‌گذاری سه آزمون را برآورده کند.

اول: یک‌طرفه. توکن‌های برگشت‌پذیر و تعویض‌های رمزگذاری‌شده واجد شرایط نیستند.

دوم: کامل. تمام انواع شناسه باید رسیدگی شوند. نام‌ها به‌تنهایی کافی نیستند.

سوم: ثبت‌شده. گروه باید بتواند به یک DPA نشان دهد که روش چگونه کار می‌کند.

یک خرده‌فروش که نام‌های مشتری را با توکن‌های رمزگذاری‌شده جایگزین می‌کند کاذب‌سازی شناسه انجام داده — نه حذف واقعی. لایه تحلیلی هنوز موارد شخصی دارد. درخواست‌های حذف هنوز اعمال می‌شوند.

راهنمای انطباق GDPR ما پایه قانونی برای هر رویکرد را پوشش می‌دهد. مرور انطباق امنیتی ما کنترل‌های مورد نیاز را فهرست می‌کند.

منابع

آماده‌اید داده‌های خود را محافظت کنید؟

شروع به ناشناس‌سازی PII با بیش از ۲۸۵ نوع نهاد در ۴۸ زبان.

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.