Tietosuoja Näkemykset
Asiantuntija-artikkeleita AI-turvallisuudesta, GDPR-vaatimustenmukaisuudesta, terveydenhuollon tietosuojasta ja PII-anonymisoinnin parhaista käytännöistä.
Kaikki Artikkelit
Oikeudellinen muokkaus: asiakirjan muotoilun säilyttäminen
73 % oikeudellisista ammattilaisista raportoi muotoiluvirheistä kolmannen osapuolen muokkaustyökalujen käytön yhteydessä (Bloomberg Law 2024). DOJ:n Epstein-asiakirjojen muokkaus on tästä hyvä esimerkki.
Excel ja GDPR: laskentataulukon datariskit
GDPR:n tietopyyntöjen määrä kasvoi 180 % vuosina 2021–2024 (EDPB). Keskimääräinen DSAR-käsittely kestää 12 tuntia manuaalisesti. HR-osastot hallitsevat.
Yrityksen tekoäly: kehittäjäpääsy ilman riskiä
Pankit kielsivät ChatGPT:n. Niiden kehittäjät käyttivät sitä kotoa silti. 27,4 % kaikesta yrityksen tekoälychatboteihin syötetystä sisällöstä sisältää arkaluonteista dataa (Zscaler).
Cursorin ja Clauden käyttö ilman koodin vuotamista
Cursor lataa .env-tiedostot oletuksena tekoälyn kontekstiin. Rahoituspalveluyritys menetti 12 miljoonaa dollaria, kun omistusoikeudelliset kaupankäyntialgoritmit lähetettiin tekoälyavustajalle.
Tekoälypolitiikka ilman teknisiä kontrolleja epäonnistuu
77 % työntekijöistä jakaa arkaluonteista työdataa tekoälytyökaluille politiikasta huolimatta. Hallituksen urakoitsija liittoi FEMA:n tulvakatastrofihakijatietoja ChatGPT:hen.
Väärien positiivisten vero PII-tunnistustyökaluissa
Presidio GitHub-ongelma #1071 dokumentoi järjestelmällisiä vääriä positiivisia. Vuoden 2024 tutkimus löysi 22,7 %:n tarkkuuden sekakielisissä yritysdataseteissä.
LLM:t ohittavat 50 % kliinisestä PHI:stä
Vuoden 2025 tutkimus osoitti, että LLM:t ohittavat yli 50 % kliinisestä PHI:stä monikielisissä asiakirjoissa. 34,8 % kaikista ChatGPT-syötteistä sisältää arkaluonteista dataa.
Arabia- ja hepreankielinen PII: läntiset työkalut epäonnistuvat
GDPR ei pääty Bosporin salmelle. Arabia- ja hepreankielinen PII EU-yritysten työnkuluissa on järjestelmällisesti suojaamatta. XLM-RoBERTa-pohjainen monikielinen tunnistus ja.
IDE vs selain: kehittäjän tekoälyn tietoturva
Kehittäjät käyttävät tekoälyä kahdessa ympäristössä: IDE:ssä (Cursor, VS Code) ja selaimessa (Claude.ai, ChatGPT). Kumpikin vaatii erilaisia hallintakeinoja.
83 % tekoälylaajenteista ei koskaan tarkasteta
83 % laajoilla käyttöoikeuksilla varustetuista Chrome-laajennuksista ei ole koskaan käynyt tietoturvatarkastuksessa (USENIX 2025). 45 % yrityksen työntekijöistä käyttää hyväksymättömiä laajennuksia.
39 miljoonaa GitHub-vuotoa: tekoälykoodauksen riski
67 % kehittäjistä on vahingossa paljastanut salaisuuksia koodissa (GitGuardian 2025). 39 miljoonaa salaisuutta vuoti GitHubista vuonna 2024, 25 % enemmän kuin edellisvuonna.
KYC suuressa mittakaavassa: väärän positiivisen kustannukset
Digitaalinen pankki, joka käsitteli päivittäin 5 000 KYC-hakemusta 15 EU-maassa, huomasi PII-tunnistusvaiheen aiheuttavan 2 päivän ruuhkan.
Selitettävä piilotus: HIPAA-tarkastukset
HIPAA:n asiantuntijamääritelmä edellyttää dokumentoitua menetelmää. Oikeudellinen todistelu edellyttää perusteita jokaiselle piilotukselle. 34 % tietosuojavastaavista raportoi riittämättömistä työkaluista.
Monikie linen henkilötieto: yksikieliset työkalut epäonnistuvat
72 % EU-yrityksistä käsittelee asiakirjoja samanaikaisesti kolmella tai useammalla kielellä. Sekakieliset asiakirjat aiheuttavat 45 % korkeamman henkilötietojen jäämisasteen yksikielisissä NER-työkaluissa.
Yksi työkalu, 45 maata: 267+ entiteettiä
Brasilian CPF:llä on tarkistusnumerot. Intian PAN on 10-merkkinen aakkosnumeerinen koodi. EU:n IBAN-numerot vaihtelevat maittain. Globaalit verkkokauppa-alustat eivät voi leistää erillisiä ratkaisuja jokaiselle.
APAC-henkilötietotunnistus: thai, indonesia, vietnam
Singaporelainen fintech-yritys, joka käsittelee 500 000 kuukausittaista tukikeskustelua 12 APAC-kielessä, havaitsi, että vain englanninkielinen työkalu jättää henkilötiedot huomaamatta 60 %:ssa muun kuin englanninkielisissä keskusteluissa.
Väärät positiiviset: Miksi ML-peittäminen epäonnistuu
Vuoden 2024 vertailu havaitsi, että Presidio tuotti 13 536 väärää positiivista nimentunnistusta 4 434 näytteen joukossa — merkiten pronomineja, alusnimikylttejä ja maantieteellisiä nimiä henkilöiksi.
Piilottamisten puolustaminen: Tekoälyn luottamuspisteet tuomioistuimessa
Tuomari kysyi, miksi 47 % asiakirjasta oli peitetty. Vastaus "tekoäly merkitsi sen" ei ole oikeudellisesti puolustettavissa. Tässä on esimerkki puolustettavasta automaattisesta peittämisestä.
Vain englanninkieliset henkilötietotyökalut: GDPR-vastuu
GDPR:n täytäntöönpano koskee yhtäläisesti kaikkia EU-kielisiä vuotoja. Jos englantikeskeinen henkilötietotyökalusi jättää huomaamatta saksalaiset, ranskalaiset tai puolalaiset tunnisteet, sinulla on vaatimustenmukaisuusongelma.
Vain englanninkieliset henkilötietotyökalut: GDPR-aukko
Saksan Steuer-ID (11 numeroa tarkistussummalla) eroaa rakenteellisesti Yhdysvaltain sosiaaliturvatunnuksesta. Ranskan NIR-numerot ovat 15-numeroisia. Puolan PESEL ja Ruotsin Personnummer ovat myös erilaisia.
ISO 27001 + ZK lyhentää toimittaja-arviointiaikaa
Vuoden 2025 tutkimus havaitsi, että tunnustetun tietoturvasertifioinnin puuttuminen on toiseksi yleisin syy, jolla CISO:t hylkäävät SaaS-toimittajat. Tässä mitä ISO 27001 -yhdistelmä tarjoaa.
ZK-arkkitehtuuri lyhentää myyntisyklejä
Yritysmyyjien turvallisuuskyselylomakkeissa on keskimäärin yli 100 kysymystä. Zero-knowledge-arkkitehtuuri vastaa vaikeimpiin kysymyksiin yksiselitteisesti — ja vakuuttaa asiakkaat.
LastPass-tietomurto: toimittajaturvallisuuden opetukset
LastPass salasi käyttäjiensä tiedot. Silti holdit exfiltroitiin. Seuraavaksi 600 000+ Okta-tietuetta. SaaS-tietoturvapoikkeamat lisääntyivät 300 % vuodesta 2022 lähtien.
Nollatieto-väitteiden arviointi LastPass-tapauksen jälkeen
LastPass-käyttäjiltä varastettiin 438 miljoonaa dollaria sen jälkeen, kun heidän 'salatut' holvinsa murtauduttiin. Seurasi 1,2 miljoonan punnan ICO-sakko. Tässä tarkistuslista sen arvioimiseksi, pitääkö toimittaja todella lupauksensa.
Aloita Tietojesi Suojaaminen Tänään
267+ entiteettityyppiä, 48 kieltä, yritystason turvallisuus aloitushintaan.
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.