anonym.legal

By · Last updated 2026-06-05

חזרה לבלוגGDPR ועמידה

הרשות ההולנדית AP: קנס €290 מיליון ואכיפת GDPR

הרשות ההולנדית AP הטילה את הקנס הגדול ביותר בתחום העברת נתונים באיחוד האירופי — €290 מיליון על Uber. BSN (מספר הזהות ההולנדי) מחייב אימות Elfproef שנעדר מ-56% מהכלים.

June 5, 20269 דקות קריאה
Dutch APBSN detectionUber GDPR fineNetherlands compliancedata transfer GDPR

הרשות Autoriteit Persoonsgegevens (AP) קנסה את Uber ב-€290 מיליון באוגוסט 2024. הסיבה: העברת נתוני נהגים לשרתים בארה"ב ללא הסכם העברה תקף. שום מקרה GDPR לא הביא לקנס גבוה יותר על העברה חוצת גבולות. ה-AP טיפל ביותר מ-21,400 תלונות ב-2023 — מה שהופך אותו לאחד מרגולטורי הנתונים הפעילים ביותר באירופה.

מה מצאה ה-AP בפרשת Uber

Uber אספה נתונים מנהגים בהולנד ובצרפת. הנתונים כללו היסטוריית מיקום, מסמכי זהות, רשומות שכר, רשומות נהיגה וקבצי מס. כל הנתונים הועברו לשרתים בארה"ב. ה-AP קבעה שאמצעי ההעברה לא היה תקף.

שלושה ממצאים עמדו בבסיס ההחלטה:

  • אמצעי העברה חלש: Uber השתמשה בכללים ארגוניים מחייבים (BCRs). ה-AP מצאה שאלה לא כיסו את היקף הנתונים ורגישותם.
  • העדר הערכת השפעת העברה (TIA): Uber לא הוכיחה שהמשפט האמריקני מאפשר את ההגנות המוסכמות.
  • נתונים רגישים בשילוב: נתוני מיקום, שכר וציוני ביצוע יחד מציירים תמונה מפורטת של כל נהג. ה-AP התייחסה לשילוב זה כשווה ערך לנתונים אישיים רגישים.

פרשת Uber קובעת כלל ברור. נתוני עובדים וקבלנים המועברים לארה"ב זקוקים לאותה TIA ולאמצעים נוספים כמו נתוני צרכנים.

תחומי אכיפה של AP לשנת 2025

עדכון ל-2026

ה-AP ציינה שלושה תחומים שהיא עוקבת אחריהם מקרוב ב-2025.

מעקב עובדים: כלי מעקב בעבודה מרחוק הם המטרה המרכזית. זה כולל יומני פרודוקטיביות, צילומי מסך, מעקב הקלדות וכלי מיקום מרחוק. לפני פריסת כל כלי כזה, חברות חייבות לתעד מדוע דחו אפשרויות פחות פולשניות.

העברות נתונים חוצות גבולות: לאחר פסיקת Uber, ה-AP בוחנת שיטות העברה. חברות המסתמכות על שירותים בארה"ב, אסיה ומדינות לא-מספקות אחרות — בסיכון. כל חברה המשתמשת בכלי תוכנה אמריקניים לצרכי HR, ניהול פרויקטים או נתוני לקוחות חייבת להחזיק TIA עדכנית.

החלטות אוטומטיות: ניקוד אשראי בינה מלאכותית, מסנני גיוס ומערכות ביצועים מפעילות חובות לפי סעיף 22. ה-AP מכוונת לארגונים המקבלים החלטות אוטומטיות ללא שלב בדיקה אנושי אמיתי.

BSN: מזהה לאומי מוגן

הBurgerservicenummer (BSN) הוא מספר זיהוי בן 9 ספרות המשמש בהולנד. הוא מאומת באמצעות בדיקת Elfproef (אחד-עשר). לביצוע הבדיקה: הכפל כל ספרה במשקל מ-9 עד −1, חבר את התוצאות — הסכום חייב להתחלק ב-11.

חוק ה-BSN מגביל את השימוש ל-BSN להקשרים חוקיים ספציפיים: מס, בריאות, ממשל ושכר מעביד. שימוש ב-BSN מחוץ להקשרים אלה מפעיל אכיפת חוק BSN, ובנוסף חבות GDPR.

מדוע כלים גנריים מפספסים BSN: כלים רבים אינם כוללים את בדיקת Elfproef. ללא בדיקה זו, כל מחרוזת בת 9 ספרות מסומנת כ-BSN אפשרי — דבר המייצר התרעות שווא. BSN שגוי גם נפספס — הוא נכשל בבדיקה אך עדיין נראה כתבנית תקינה.

זיהוי NER בטקסט הולנדי

להולנדית (Nederlands) יש מאפיינים שמבלבלים מודלים שאומנו על אנגלית.

מילים מורכבות: ההולנדית מחברת מילים. Persoonsgegevens (נתונים אישיים) ו-Burgerservicenummer (מספר זהות אזרח) הם כל אחד מילה אחת. מודלים שנבנו לאנגלית לרוב מפצלים אותם בנקודה הלא נכונה.

סיומות שמות: הסיומות -je ו--tje מופיעות בשמות פרטיים כמו Annetje, Hansje. מודלי שמות צריכים להתמודד עם צורה הבסיס ועם צורת הקיצור.

פורמטי כתובות: סוגי רחובות כוללים Straat, Laan, Weg, Plein ו-Gracht. מיקודים משתמשים בארבע ספרות ועוד שתי אותיות (דוגמה: 1234 AB). כל קוד ממופה לרחוב יחיד, כך שהוא חושף יותר ממיקודים אירופיים רגילים.

פורמט IBAN: IBAN הולנדי כולל 18 תווים: NL + 2 ספרות בדיקה + קוד בנק בן 4 אותיות + מספר חשבון בן 10 ספרות.

רשימת תיוג טכנית לציות ל-AP

לעמוד בסטנדרטים הנוכחיים של AP, מערכות נתונים זקוקות ל:

  1. זיהוי BSN עם Elfproef — התאמת תבנית בלבד אינה מספיקה
  2. NER בהולנדית — מודל כמו spaCy nl_core_news מטפל במילים מורכבות ושמות קצרים
  3. זיהוי IBAN — עם מודעות לפורמט, לא גנרי
  4. רשומות מעבד-משנה לכל ההעברות החוצות גבולות
  5. TIA עבור ספקים אמריקניים — דרישת בסיס לאחר פסיקת Uber

מקורות

מאמרים קשורים

GDPR ועמידה

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 ועמידה

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 ועמידה

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.

מוכן להגן על הנתונים שלך?

התחל לאנונימיזציה של PII עם 285+ סוגי ישויות ב-48 שפות.

התחל ניסיון חינםצפה בתכונות

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.