Tietosuoja Näkemykset
Asiantuntija-artikkeleita AI-turvallisuudesta, GDPR-vaatimustenmukaisuudesta, terveydenhuollon tietosuojasta ja PII-anonymisoinnin parhaista käytännöistä.
Kaikki Artikkelit
Garante Italia: Tekoäly ja Henkilötietojen Vaatimustenmukaisuus
Italian Garante sakotti OpenAI:ta 15 miljoonalla eurolla joulukuussa 2024 ja kielsi väliaikaisesti ChatGPT:n vuonna 2023. 63 % italialaisista yrityksistä puuttuu tekoälyhallintapolitiikka.
LGPD Brasilia: CPF, CNPJ ja Tietosuoja
LGPD kattaa 215 miljoonaa brasilialaista ja ANPD aloitti merkittävän täytäntöönpanon vuonna 2024. Englanninkieliset NLP-työkalut tunnistavat CPF:n vain 45 %:n tarkkuudella.
Hollannin AP: 290 miljoonan euron sakko ja GDPR-täytäntöönpano
Hollannin AP määräsi EU:n suurimman tiedonsiirtosakon — 290 miljoonaa euroa Uberille. BSN (Hollannin sosiaaliturvatunnus) edellyttää 11-proef-validointia, jonka 56 % työkaluista jättää huomioimatta.
UODO Puola: PESEL, NIP ja RODO
UODO havaitsi, että 89 % käytössä olevista työkaluista ei tunnista puolalaista PESEL-numeroa oikein. Puola käsittelee päivittäin 2,3 miljoonaa EU:n asiakastietuetta. PESEL-tarkistussumman validointi, NIP.
ANSPDCP Romania: CNP-tunnistus ja tarkistukset
ANSPDCP havaitsi, että 78 % työkaluista jää rumanialaisen CNP-numeron oikeasta validoinnista kiinni. CNP koodaa sukupuolen, syntymäajan ja syntymämaakunnan — GDPR:n erityisluokan tietojen vaikutukset.
IMY Ruotsi: Henkilötunnus ja Luhn-tarkistukset
IMY havaitsi, että 45 % yleistyökaluista jää ruotsalaisesta henkilötunnuksesta kiinni. Samordningsnummer (60-siirtymä) jää useimmilta toteutuksilta huomaamatta. Ruotsin 79 % GDPR-oikeuksien käyttöaste.
Tanska CPR: Modulus-11-validointi GDPR:lle
67 % NLP-työkaluista jää tanskalaisen CPR-numeron modulus-11-validoinnista kiinni. Datatilsynetin 14 terveydenhuollon täytäntöönpanotoimea vuonna 2024. Terveystietojen toissijainen käyttö.
Tšekin syntymätunnus: sukupuolen koodaus ja GDPR
Tšekin rodné číslo koodaa sukupuolen 50-siirtymän kautta kuukausikoodauksessa — mikä tekee siitä GDPR:n 9 artiklan erityisluokan tiedon. 67 % tšekkiläisistä yrityksistä käyttää saksalaisia työkaluja.
NAIH Unkari: TAJ-szám ja adóazonosító jel
Unkarilaisen kohdetunnistuksen tarkkuus on 67 % EU:n 82 %:n keskiarvoon verrattuna — NAIH:n vuoden 2024 arviointi. TAJ-számn painotetun tarkistussumman ja adóazonosító jelin tunnistusaukot.
HDPA Kreikka: AFM:n ja AMKA:n tunnistus
Yleiset työkalut tunnistavat kreikkalaisen AFM:n vain 52 %:n tarkkuudella. HDPA antoi 89 päätöstä vuonna 2024 — 162 % enemmän kuin vuonna 2022. Matkailu- ja merenkulkuala kohtaavat erityisiä riskejä.
Japanin My Number: Verhoeff ja APPI
63 % yleisistä työkaluista epäonnistuu My Number -tunnistuksessa japanilaisissa asiakirjoissa. My Number käyttää Verhoeff-algoritmia — Aasian monimutkaisinta kansallisen henkilötunnuksen tarkistussummaa.
Epstein-tiedostot: Korostaminen ei ole mustausta
DOJ:n joulukuussa 2025 julkaisema Epstein-tiedostojen luovutus paljasti kriittisen mustausvirheen: PDF:ssä mustalla korostettua tekstiä voi yhä lukea kopioi-liitä-toiminnolla.
Asianajosalaisuus ja tekoäly vuonna 2026
Yhdysvaltain liittovaltion tuomioistuin päätti helmikuussa 2026, että tekoälykommunikaatio ei nauti asianajosalaisuuden suojaa.
Zero-knowledge vs. zero-trust pilvisalaus: todellinen ero
LastPasskin salasi käyttäjiensä datan – silti 438 miljoonaa dollaria varastettiin. Lue ero palvelinpuolisen salauksen ja aidon zero-knowledge-arkkitehtuurin välillä.
Ilmavälin PII-anonymisointi: offline-first puolustuskäyttöön
41 % yritysten tietoturvapolitiikoista kieltää pilvipalveluiden käytön luokiteltujen asiakirjojen käsittelyyn. Lue, miten offline-first-käsittely ratkaisee tämän haasteen.
Monikielinen PII-tunnistus GDPR-vaatimustenmukaisuuteen
Saksan Steuer-ID, Ranskan NIR ja Ruotsin personnummer vaativat erilaisen tunnistuslogiikan. Englanninkeskeiset työkalut jättävät 40–60 % eurooppalaisesta PII:stä huomaamatta.
Palautuva vs. pysyvä tunnistaminen: oikea valinta tilanteesta riippuen
GDPR erottaa anonymisoinnin pseudonymisaatiosta. Tuomioistuimet tarvitsevat alkuperäisaineiston. Tutkimus vaatii uudelleentunnistamista. Lue, milloin käyttää kumpakin lähestymistapaa.
Monikielinen NER: englanninkieliset mallit epäonnistuvat arabian kanssa
Englanninkieliset NER-mallit saavuttavat 85–92 %:n tarkkuuden. Arabia ja kiina? Usein vain 50–70 %. Lue teknisistä haasteista ja siitä, miten rakentaa aidosti monikielinen ratkaisu.
94 % pk-yrityksistä hyökkäyksen kohteena: edullinen tietosuoja
Pk-yritykset kohtaavat samat uhat kuin suuryritykset, mutta eivät voi varaa yli 800 €/kk maksaviin työkaluihin. Näin saat yritystason tietosuojan 3 €/kk hintaan.
PHI-tunnistuksen tarkkuusvertailu: John Snow Labs 96 % vs. GPT-4o
Kaikki tunnistustyökalut eivät ole tasa-arvoisia. ECIR 2025 -benchmarkit osoittavat F1-pisteet välillä 79–96 %. Lue, miksi tarkkuus ratkaisee ja miten arvioit työkaluja.
Tuomioistuimet sanktioineet asianajajia toimitusmerkintävirheiden vuoksi
Tekstin korostaminen Wordissa ei ole toimitusmerkintää. Tuomioistuimet sanktioineet asianajajia teknisistä virheistä, jotka paljastavat etuoikeutettuja tietoja.
Käytä Claudea ja ChatGPT:tä vuotamatta PII-tietoja
Kehittäjän opas tekoälyavustajien turvalliseen käyttöön. Aseta MCP Server -integraatio läpinäkyvään PII-suojaukseen Claude Desktopissa, Cursorissa ja VS Codessa.
900 000 käyttäjän tekoälykeskustelut varastettiin
Kaksi haitallista Chrome-laajennusta varasti ChatGPT-keskusteluja yli 900 000 käyttäjältä. Yhdellä oli Googlen 'Featured'-merkki.
7,42 miljoonaa dollaria: Terveydenhuollon tietomurtokustannukset johtavat tilastoja
Terveydenhuolto on ollut tietomurtojen kallein toimiala jo 14 peräkkäistä vuotta. Lue, miksi potilastiedot ovat niin arvokkaita ja miten niitä suojataan.
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.