תובנות פרטיות נתונים
מאמרים מקצועיים על אבטחת AI, עמידה ב-GDPR, הגנת נתוני בריאות, ושיטות עבודה מומלצות לאנונימיזציה של PII.
כל המאמרים
Garante איטליה: עמידה ב-AI ו-PII
ה-Garante האיטלקי קנס את OpenAI €15 מיליון בדצמבר 2024 ואסר זמנית על ChatGPT ב-2023. 63% מהחברות האיטלקיות חסרות מדיניות ממשל נתוני AI.
LGPD ברזיל: CPF, CNPJ והגנת נתונים
LGPD מכסה 215 מיליון ברזילאים ו-ANPD החל באכיפה מרכזית ב-2024. CPF מזוהה ב-45% דיוק בלבד על ידי כלים שאומנו על אנגלית.
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.
UODO פולין: PESEL, NIP ו-RODO
UODO מצאה ש-89% מהכלים הפרוסים נכשלים בזיהוי PESEL הפולני. פולין מעבדת 2.3 מיליון רשומות לקוחות אירופיות ביום. אימות PESEL, NIP.
ANSPDCP רומניה: זיהוי CNP ובדיקות GDPR
ANSPDCP מצאה ש-78% מהכלים מפספסים CNP רומני עם אימות תקין. ה-CNP מקודד מגדר, תאריך לידה ומחוז לידה — השלכות קטגוריה מיוחדת על פי GDPR.
IMY שוודיה: Personnummer ובדיקות Luhn
IMY מצאה ש-45% מהכלים הגנריים מפספסים את ה-personnummer השוודי. Samordningsnummer (היסט 60) נעדר מרוב המימושים. 79% מהשוודים מממשים זכויות GDPR.
דנמרק CPR: אימות מודולוס-11 ל-GDPR
67% מכלי NLP מפספסים אימות מודולוס-11 של מספר CPR הדני. 14 פעולות אכיפה של Datatilsynet בנושא בריאות ב-2024. שימוש משני בנתוני בריאות.
מספר הלידה הצ'כי: קידוד מגדר ו-GDPR
מספר הלידה הצ'כי (rodné číslo) מקודד מגדר באמצעות קידוד חודש עם היסט 50 — מה שהופך אותו לנתון קטגוריה מיוחדת לפי סעיף 9 ב-GDPR. 67% מחברות צ'כיות משתמשות בכלים גרמניים.
NAIH הונגריה: TAJ-Szám ו-Adóazonosító Jel
דיוק NER להונגרית 67% לעומת ממוצע האיחוד האירופי 82% — הערכת NAIH לשנת 2024. פערים בזיהוי TAJ-szám עם סכום ביקורת ו-adóazonosító jel.
HDPA יוון: זיהוי ΑΦΜ ו-ΑΜΚΑ עם GDPR — מדריך טכני 2025
כיצד מזהים ומנטרלים מספרי AFM יווני (מספר מס) ו-AMKA (ביטוח לאומי) בהתאם לדרישות HDPA ו-GDPR. חישובי Luhn, NER לטקסט יווני ושיטות אנונימיזציה למפתחים.
My Number ביפן: אלגוריתם Verhoeff, שלושה כתבים ו-APPI — מדריך 2025
מדריך טכני לזיהוי ואנונימיזציה של My Number יפני (מספר זהות 12 ספרות) בהתאם לחוק APPI. כולל אלגוריתם Verhoeff, NER ב-Kanji/Hiragana/Katakana ושיטות עיבוד.
תיקי אפשטיין: הדגשה שחורה אינה מחיקה
פרסום תיקי אפשטיין של משרד המשפטים בדצמבר 2025 חשף כשל קריטי: טקסט PDF מוסתר בהדגשה שחורה נשאר קריא באמצעות העתקה-הדבקה.
חסיון עורך דין-לקוח ובינה מלאכותית ב-2026
בית משפט פדרלי בפברואר 2026 קבע שתקשורת עם כלי בינה מלאכותית אינה נהנית מחסיון עורך דין-לקוח.
הצפנת Zero-Knowledge לעומת Zero-Trust
LastPass הצפינו גם את הנתונים של המשתמשים שלהם — ו-$438M נגנבו בכל זאת. הנה ההבדל בין הצפנה בצד השרת לבין zero-knowledge אמיתי.
PII מנותק רשת: עדיפות לא מקוון לתחום הביטחון
41% ממדיניות אבטחת ארגונים אוסרות על עיבוד מסמכים מסווגים בענן.
זיהוי PII רב-לשוני לצרכי GDPR
Steuer-ID גרמני, NIR צרפתי ו-Personnummer שוודי דורשים לוגיקת זיהוי שונה.
עריכה הפיכה לעומת קבועה: הבחירה הנכונה
GDPR מבחין בין אנונימיזציה לפסבדואנימיזציה. בתי משפט זקוקים למקור. מחקר זקוק לזיהוי מחדש. למדו מתי להשתמש בכל גישה.
NER רב-לשוני: אנגלית נכשלת בערבית
מודלי NER באנגלית משיגים דיוק של 85-92%. ערבית וסינית? לעיתים קרובות 50-70%. למדו על האתגרים הטכניים וכיצד לבנות זיהוי אמיתי.
94% מהעסקים הקטנים הותקפו: פרטיות במחיר נגיש
עסקים קטנים ובינוניים מתמודדים עם אותן איומים כמו ארגונים גדולים, אך אינם יכולים להרשות לעצמם כלים בעלות $800+/חודש. כך תקבלו הגנת פרטיות ברמת ארגון ב-€3/חודש.
זיהוי PHI: Snow Labs עם 96% לעומת GPT-4o
לא כל כלי ה-de-identification שווים. מדדי ECIR 2025 מציגים ציוני F1 בין 79% ל-96%. למדו מדוע הדיוק חשוב וכיצד להעריך כלים.
בתי משפט מטילים סנקציות על עורכי דין בגין כשלי השחרה
הדגשת טקסט ב-Word אינה השחרה. בתי משפט מטילים סנקציות על עורכי דין בגין כשלים טכניים שחושפים מידע חסוי.
השתמשו ב-Claude וב-ChatGPT מבלי לדלוף PII
מדריך למפתחים לשימוש מאובטח בעוזרי AI. הגדירו אינטגרציית MCP Server להגנה שקופה על PII ב-Claude Desktop, Cursor ו-VS Code.
900 אלף משתמשים נגנבו שיחות ה-AI שלהם
שני תוספי Chrome זדוניים גנבו שיחות ChatGPT מ-900,000+ משתמשים. לאחד היה תג "Featured" של Google.
$7.42 מיליון: עלויות פרצות הבריאות מובילות
תעשיית הבריאות היא התעשייה היקרה ביותר עבור פרצות נתונים במשך 14 שנים רצופות. למדו מדוע מידע רפואי כה יקר ערך וכיצד להגן עליו.
התחל להגן על הנתונים שלך היום
267+ סוגי ישויות, 48 שפות, אבטחה ברמה ארגונית במחירי סטארטאפ.
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.