بینشهای حریم خصوصی دادهها
مقالات کارشناسی در مورد امنیت هوش مصنوعی، انطباق با GDPR، حفاظت از دادههای بهداشتی و بهترین شیوههای ناشناسسازی PII.
تمام مقالات
ویرایش حقوقی: حفظ قالببندی اسناد
۷۳٪ از متخصصان حقوقی گزارش میدهند که ابزارهای حذف اطلاعات شخصی ثالث باعث خرابی قالببندی میشوند (Bloomberg Law 2024). نمونه پرونده Epstein در وزارت دادگستری آمریکا این موضوع را بهخوبی نشان میدهد.
Excel و GDPR: ریسکهای داده در صفحات گسترده
درخواستهای دسترسی GDPR از ۲۰۲۱ تا ۲۰۲۴ ۱۸۰ درصد افزایش یافت (EDPB). پردازش میانگین DSAR به صورت دستی ۱۲ ساعت طول میکشد. بخشهای منابع انسانی که مدیریت میکنند.
هوش مصنوعی سازمانی: دسترسی توسعهدهندگان بدون ریسک
بانکها ChatGPT را ممنوع کردند. توسعهدهندگانشان از خانه از آن استفاده کردند. ۲۷.۴ درصد از تمام محتوایی که در چتباتهای هوش مصنوعی سازمانی وارد میشود حاوی دادههای حساس است (Zscaler).
استفاده از Cursor و Claude بدون افشای کد
Cursor بهطور پیشفرض فایلهای .env را در زمینه هوش مصنوعی بارگذاری میکند. یک شرکت خدمات مالی پس از ارسال الگوریتمهای معاملاتی اختصاصی به یک دستیار هوش مصنوعی، ۱۲ میلیون دلار ضرر کرد.
سیاستهای هوش مصنوعی بدون کنترلهای فنی شکست میخورند
۷۷ درصد از کارمندان با وجود سیاستهای منعکننده، دادههای حساس کاری را با ابزارهای هوش مصنوعی به اشتراک میگذارند. یک پیمانکار دولتی دادههای متقاضیان کمکهای سیل FEMA را کپی کرد.
هزینه پنهان مثبتهای کاذب در ابزارهای تشخیص اطلاعات شخصی
مسئله GitHub شماره ۱۰۷۱ پروژه Presidio مثبتهای کاذب سیستماتیک را مستند میکند. یک مطالعه ۲۰۲۴ دقت ۲۲.۷ درصدی را در مجموعه دادههای سازمانی چندزبانه نشان داد.
مدلهای زبانی بزرگ ۵۰ درصد از اطلاعات بهداشتی محافظتشده بالینی را از دست میدهند
یک مطالعه ۲۰۲۵ نشان داد که مدلهای زبانی بزرگ بیش از ۵۰ درصد از اطلاعات بهداشتی محافظتشده بالینی را در اسناد چندزبانه از دست میدهند. ۳۴.۸ درصد از تمام ورودیهای ChatGPT حاوی دادههای حساس هستند.
اطلاعات شخصی عربی و عبری: ابزارهای غربی شکست میخورند
GDPR در بسفر تمام نمیشود. اطلاعات شناسایی شخصی به زبان عربی و عبری در فرآیندهای کاری شرکتهای اتحادیه اروپا بهطور سیستماتیک بیحفاظت رها شدهاند. شناسایی چندزبانه با XLM-RoBERTa و.
IDE در برابر مرورگر: امنیت هوش مصنوعی توسعهدهنده
توسعهدهندگان از هوش مصنوعی در دو محیط استفاده میکنند: IDE (Cursor، VS Code) و مرورگر (Claude.ai، ChatGPT). هر کدام به کنترلهای متفاوتی نیاز دارند.
۸۳٪ از افزونههای هوش مصنوعی هرگز بررسی امنیتی نشدهاند
۸۳٪ از افزونههای Chrome با مجوزهای گسترده هرگز بررسی امنیتی نشدهاند (USENIX 2025). ۴۵٪ از کارمندان سازمانی از افزونههای تأییدنشده استفاده میکنند.
۳۹ میلیون نشت در GitHub: خطر کدنویسی با هوش مصنوعی
۶۷٪ از توسعهدهندگان اسرار را بهطور تصادفی در کد افشا کردهاند (GitGuardian 2025). ۳۹ میلیون راز در GitHub در سال ۲۰۲۴ نشت پیدا کرد که ۲۵٪ نسبت به سال قبل افزایش داشته است.
KYC در مقیاس: هزینههای مثبت کاذب
یک بانک دیجیتال که روزانه ۵۰۰۰ درخواست KYC در ۱۵ کشور اروپایی پردازش میکرد دریافت که مرحله اسکن اطلاعات شخصی باعث تأخیر ۲ روزه شده است.
حذف توضیحپذیر: حسابرسیهای HIPAA
روش تعیین خبره HIPAA به روششناسی مستند نیاز دارد. کشف الکترونیکی حقوقی به مبانی هر حذف نیاز دارد. ۳۴٪ از DPOها ابزارهای ناکافی برای مستندسازی انطباق ناشناسیسازی خودکار گزارش میکنند.
اطلاعات شخصی چندزبانه: ابزارهای تکزبانه شکست میخورند
۷۲٪ از شرکتهای اروپایی اسناد را بهطور همزمان در ۳ یا بیشتر زبان پردازش میکنند. اسناد چندزبانه باعث ۴۵٪ افزایش نرخ از دست دادن اطلاعات شخصی در ابزارهای NER تکزبانه میشوند.
یک ابزار، ۴۵ کشور: بیش از ۲۶۰ نوع موجودیت
CPF برزیل دارای ارقام کنترلی است. PAN هند یک رشته ۱۰ کاراکتری الفباییعددی است. IBANهای اتحادیه اروپا از کشوری به کشور دیگر متفاوتند. پلتفرمهای تجارت الکترونیک جهانی نمیتوانند از ابزارهای جداگانهای استفاده کنند.
PII در آسیا-اقیانوسیه: تایلندی، اندونزیایی، ویتنامی
یک فینتک سنگاپوری که ماهانه ۵۰۰,۰۰۰ چت پشتیبانی در ۱۲ زبان APAC پردازش میکند، دریافت که ابزار انگلیسیمحورشان PII را در ۶۰٪ از چتهای غیرانگلیسی از دست میدهد.
مثبتهای کاذب: چرا حذف ML شکست میخورد
یک معیار ۲۰۲۴ نشان داد Presidio در ۴,۴۳۴ نمونه ۱۳,۵۳۶ تشخیص نام مثبت کاذب تولید کرد — ضمایر، نام کشتیها، و نام کشورها را به عنوان نام شخص علامتگذاری کرد.
دفاع از حذفها: امتیازهای هوش مصنوعی در دادگاه
یک قاضی پرسید چرا ۴۷٪ از یک سند حذف شده. پاسخ 'هوش مصنوعی آن را علامتگذاری کرد' از نظر قانونی قابل دفاع نیست. اینجاست که حذف خودکار قابل دفاع چگونه به نظر میرسد.
ابزارهای PII انگلیسیمحور: یک مسئولیت GDPR
اجرای GDPR بهطور یکسان برای نقضها در همه زبانهای اتحادیه اروپا اعمال میشود. وقتی ابزار PII انگلیسیمحور شما شناسههای آلمانی، فرانسوی، یا لهستانی را از دست میدهد، ریسک قانونی واقعی است.
ابزارهای PII انگلیسیمحور: شکاف GDPR
آلمانی Steuer-ID (۱۱ رقم با چکسام) از نظر ساختاری با SSN آمریکایی متفاوت است. شمارههای NIR فرانسه ۱۵ رقم دارند. PESEL لهستانی و Personnummer سوئدی هر کدام منطق خاص خود را دارند.
ISO 27001 + ZK زمان ارزیابی فروشنده را کاهش میدهد
یک نظرسنجی ۲۰۲۵ نشان داد «فقدان گواهینامه امنیتی معتبر» دومین دلیل CISOها برای رد کردن فروشندگان SaaS بود. اینجاست که ISO 27001 + معماری zero-knowledge چه تفاوتی ایجاد میکند.
معماری ZK چرخههای فروش را کوتاه میکند
پرسشنامههای امنیتی فروشندگان سازمانی بهطور میانگین بیش از ۱۰۰ سوال دارند. معماری zero-knowledge به سختترین آنها پاسخ قطعی میدهد — و معامله را میبندد.
نقض LastPass: درسهای امنیتی فروشنده
LastPass دادههای کاربرانش را رمزگذاری کرد. والتها همچنان خارج شدند. ۶۰۰ هزار+ سابقه Okta به دنبال آمد. رویدادهای امنیتی SaaS از ۲۰۲۲ تا ۳۰۰٪ افزایش یافت.
ارزیابی ادعاهای ZK پس از LastPass
۴۳۸ میلیون دلار از کاربران LastPass پس از نقض 'والتهای رمزگذاریشده' دزدیده شد. جریمه ۱.۲ میلیون پوندی ICO به دنبال آمد. اینجا چکلیست ارزیابی اینکه یک.
امروز شروع به محافظت از دادههای خود کنید
بیش از ۲۸۵ نوع نهاد، ۴۸ زبان، امنیت در سطح سازمان با قیمتهای استارتاپ.
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.