anonym.legal

By · Last updated 2026-05-02

Takaisin BlogiinGDPR & Vaatimustenmukaisuus

Globaali henkilötietovaatimustenmukaisuus: GDPR, LGPD ja DPDP

Brasilialaisella CPF:llä, intialaisella Aadhaarilla ja yhdysvaltalaisella SSN:llä on perustavanlaatuisesti erilaiset muodot ja validointilogiikka. LGPD ja Intian DPDP-laki lisäävät CPF:n ja Aadhaarin suojattuihin tunnisteisiin.

May 2, 20268 min lukuaika
global PII complianceBrazilian CPF detectionIndian Aadhaar DPDPLGPD compliancemulti-regulatory PII

Globaali henkilötietovaatimustenmukaisuus: kolme lakia, kolme tunnisteen muotoa

Brittiläinen markkinapaikka käsittelee myyjien asiakirjoja 80 maasta. Kolme lakia on voimassa samanaikaisesti: GDPR EU-myyjille, LGPD brasilialaisille myyjille ja Intian DPDP-laki intialaisille myyjille. Jokainen laki nimeää eri kansalliset tunnisteet suojatuiksi. Jokaisella muodolla on oma tarkistuslogiikkansa.

Brasilialainen CPF: muoto ja LGPD-asema

CPF (Cadastro de Pessoas Físicas) on Brasilian veronmaksajan numero. Siinä on 11 numeroa muodossa XXX.XXX.XXX-XX. Kaksi viimeistä numeroa ovat tarkistusnumeroita. Matemaattinen algoritmi ensimmäisille yhdeksälle numerolle tuottaa ne.

Brasilian LGPD käsittelee CPF:ää suojattuna henkilökohtaisena tunnisteena, joka on herkkyydeltään samankaltainen kuin yhdysvaltalainen SSN. Työkalu, joka ei tunne CPF-muotoa, ei voi löytää sitä. Työkalu, joka ohittaa tarkistussumman, merkitsee vääriä osumia.

Intialainen Aadhaar: muoto ja DPDP-säännöt

Aadhaar on Intian UIDAI:n myöntämä 12-numeroinen numero. Numerot osoitetaan satunnaisesti. Viimeinen numero on Verhoeff-tarkistusnumero.

Intian DPDP-laki luo velvollisuuksia kaikille ryhmille, jotka käsittelevät Aadhaariin linkitettyä dataa. Tunnistaminen vaatii kaksi vaihetta. Ensin verrataan 12-numeroisen muodon Verhoeff-numeroon. Sen jälkeen suodatetaan kontekstin mukaan. Kaikki 12-numeroiset merkkijonot eivät ole Aadhaareja.

Yhdysvaltalainen SSN: tunnettu rakenne

SSN on yhdeksän numeroa. Ensimmäiset kolme ovat aluenumero. Seuraavat kaksi ovat ryhmänumero. Viimeiset neljä ovat sarjanumero. Jokaisella segmentillä on asetetut säännöt. Validointi on hyvin dokumentoitu.

Yhden maan työkalujen ja globaalien sääntöjen välinen kuilu

Näillä kolmella tunnisteella ei ole yhteistä muotoa eikä yhteistä tarkistussääntöä. Yhdysvaltalaista käyttöä varten rakennettu työkalu löytää SSN-numerot. Se saattaa jättää CPF:n ja Aadhaarin kokonaan huomaamatta.

Useimmat tiimit löytävät tämän puutteen, kun viranomainen kysyy — ei ennen sitä. Puute luo todellista riskiä jokaisen lain nojalla:

  • GDPR:n 28 artikla edellyttää kirjallista tietojenkäsittelysopimusta jokaisen käsittelijän kanssa. DPIA, joka luettelee "SSN-tunnistuksen" tärkeimmäksi kontrolliksi — kun datajoukko sisältää myös CPF-numeroita — sisältää dokumentoidun puutteen. Tarkastaja voi löytää sen.
  • LGPD-sakot voivat nousta 2 %:iin Brasilian liikevaihdosta, enintään R$50M per rikkomus. Havaitsematta jäänyt CPF on suora LGPD-rikkomus.
  • DPDP-täytäntöönpano on vielä uutta. Tiimit, jotka kirjaavat kattavuutensa nyt, ovat paremmassa asemassa, kun varhainen oikeuskäytäntö asettaa standardin.

Kolme sakkoregiimiä yhtä aikaa luo kerrostuneen riskin. Yhden maan työkalut jättävät globaalit tiimit alttiiksi.

Mitä täydellinen kattavuus edellyttää

Työkalu tarvitsee jokaisen tunnisteen muodon, tarkistusalgoritmin ja oikeudellisen kontekstin. CPF tarvitsee modulaarisen tarkistussumman. Aadhaar tarvitsee Verhoeff-tarkistuksen sekä kontekstisuodatuksen. SSN tarvitsee alue- ja ryhmäsäännöt. Nämä ovat kolme erillistä ongelmaa. Yksikään hakukaava ei kata niitä kaikkia.

Katso myös: globaali henkilötietotunnisteiden puute: SSN, CPF, Aadhaar, ANPD Brasilia LGPD-täytäntöönpano-opas ja DPDPA Intian tietosuojalain tekninen vaatimustenmukaisuus.

Lähteet

Liittyvät Artikkelit

GDPR & Vaatimustenmukaisuus

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR & Vaatimustenmukaisuus

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR & Vaatimustenmukaisuus

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

Valmiina suojaamaan tietojasi?

Aloita PII-anonymisointi yli 285 entiteettityypillä 48 kielellä.

Aloita Ilmainen KokeiluKatso Ominaisuudet

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.