By · Last updated 2026-05-01

Takaisin BlogiinGDPR & Vaatimustenmukaisuus

Sisäiset työntekijätunnukset ovat myös henkilötietoja

Jokaisella suurella organisaatiolla on omia sisäisiä tunnisteita, jotka yhdistävät anonymisoidut tietueet todellisiin henkilöihin. 34 % GDPR-sakoista koskee riittämättömiä teknisiä toimenpiteitä.

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

Mitä on kvaasi-henkilötieto?

GDPR:n 4 artikla kattaa kaikki tiedot, jotka voivat tunnistaa henkilön. Tietojen ei tarvitse nimetä ketään suoraan. Niiden täytyy vain mahdollistaa tunnistaminen lisävaiheiden kautta.

Sisäiset työntekijätunnukset ovat selvä esimerkki. Otetaan arvo "EMP-EU-123456". Tämä merkkijono ei nimeä ketään. Mutta HR-järjestelmässä on yksinkertainen hakutaulukko. EMP-EU-123456 kuvautuu Maria Schmidtiksi, vanhemmaksi insinööriksi, München. Kuka tahansa, jolla on pääsy tähän taulukkoon, voi löytää hänet. GDPR:n mukaan tunnus on henkilötieto.

Sama sääntö koskee muita sisäisiä koodeja:

  • Asiakkaan tilinumerot, jotka linkittyvät CRM-tietueisiin
  • Projektikoodit, jotka linkittyvät asiakkaiden nimiin sopimusjärjestelmissä
  • Asianumerot oikeudellisissa asiakirjoissa
  • Potilasrekisterinumerot, jotka linkittyvät potilastietueisiin

Nimien ja sähköpostiosoitteiden poistaminen ei riitä. Jos sisäiset tunnukset jäävät tiedostoon, uudelleentunnistaminen on enää kahden vaiheen päässä.

Miksi tämä puute johtaa sakkoihin

34 % kaikista GDPR-sakoista koskee riittämättömiä teknisiä toimenpiteitä 32 artiklan nojalla. Tämä luku tulee DLA Piperin GDPR-vuosiraportista 2025. Kvaasi-tunnistavien sisäisten tunnisteiden havaitsematta jättäminen kuuluu tähän luokkaan.

EDPB käsitteli yli 900 johdonmukaisuusmekanismitapausta vuonna 2024. Rajat ylittävä täytäntöönpano tarkoittaa, että yksi puute jaetussa datajoukossa voi johtaa koordinoituun toimintaan usean EU:n jäsenvaltion välillä.

Tavalliset henkilötietotyökalut löytävät universaalit kaavat: nimet, sähköpostit, puhelinnumerot, kansalliset tunnisteet. Ne eivät tunne sisäistä tunnistemuotoasi. Yksikään työkalu ei tunne, ennen kuin kerrot siitä. Tämä on se puute.

Miten kooditon kaavarakentaja toimii

Globaalin logistiikkayrityksen täytyy anonymisoida työntekijätiedot ulkoista auditointia varten. Heidän työntekijätunnuksensa käyttävät tätä muotoa: EMP-[ALUE]-[6 numeroa]. Kolme esimerkkiä: EMP-EU-123456, EMP-APAC-789012, EMP-AMER-345678.

Vaatimustenmukaisuustiimi syöttää kolme esimerkkiä tekoälykaapaavustajaan. Tekoäly palauttaa:

  • Kaava: EMP-[A-Z]{2,4}-\d{6}
  • Vastaa kaikkia kolmea esimerkkiä
  • Ehdotettu entiteetin nimi: EMPLOYEE-ID
  • Suositeltava seuraava vaihe: testaa useammilla aluekodeilla

Tiimi testaa kymmenen lisää näytettä. Kaava toimii kaikissa.

He tallentavat mukautetun entiteetin tiimin jaettuun GDPR-esiasetukseen. Kaikki 47 asiakirjaa auditointipaketissa käsitellään yhdessä erässä. Jokainen työntekijätunnus korvataan rooliperusteisella merkinnällä. Auditointiyritys saa tiedostoja, jotka eivät enää linkity kehenkään.

Insinöörityötä ei tarvita. Koko asennus kestää alle tunnin.

Mitä tapahtuu seuraavaksi

Kun mukautettu entiteetti on tallennettu jaettuun esiasetukseen, kaikki tiimin jäsenet käyttävät samaa asetusta. Uudet työntekijät saavat sen heti ensimmäisenä päivänä. Erä-ajot, API-kutsut ja manuaaliset lataukset soveltavat kaikki samaa kaavaa.

Auditointiloki näyttää, mitä esiasetusta käytettiin kunkin tiedoston kohdalla. Jos tietosuojaviranomainen pyytää todisteet anonymisointiprosessistasi, voit esittää ne.

Täydellisestä mukautetun entiteetin asennustyönkulusta katso mukautetut henkilötietotunnisteet organisaatioiden anonymisointia varten. Tämän asetuksen pitämisestä yhtenäisenä tiimeissä katso anonymisointijohdonmukaisuuden esiasetukset GDPR-auditointia varten.

Lähteet

Valmiina suojaamaan tietojasi?

Aloita PII-anonymisointi yli 285 entiteettityypillä 48 kielellä.

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.