By · Last updated 2026-06-05

Povratak na BlogGDPR & Usklađenost

Neuspjeh GDPR revizije: Fragmentirani alati za zastitu osobnih podataka

Revizor vas pita o kontrolama za otkrivanje osobnih podataka. 'Koristimo pet razlicitih alata' nije odgovor koji zele cuti. Evo zasto je meduplatformska dosljednost kljucna.

June 5, 20266 min čitanja
GDPR auditcompliance controlsPII tool consistencyDPA investigationtechnical measures

Neuspjeh GDPR revizije: Fragmentirani alati za zastitu osobnih podataka

Azurirano za 2026.

Revizor postavlj jedno pitanje: "Koje tehnicke kontrole stite osobne podatke?" Pogresan odgovor: "Koristimo pet razlicitih alata." Evo zasto koristenje pet alata ne prolazi GDPR revizije - i kako izgleda cist odgovor.

Trenutak revizije

Istrazivac tijela za zastitu podataka (DPA) sastaje se sa sluzbenicom za uskladjenost. DPA pregledava prituzbu subjekta podataka. Bivsi kupac tvrdi da je s njegovim podacima postupljeno nepravilno.

Pitanje: "Koje kontrole vasa organizacija koristi kako bi osobni podaci bili sigurni kada ih zaposlenici obradjuju?"

Sluzbenica za uskladjenost: "Nasi pravnici koriste Word dodatak. Zaposlenici podrske koriste Chrome Extension. Nas tim za podatke ima Python skriptu. Za jednokratne zahtjeve, svatko moze koristiti web aplikaciju."

Istrazivac: "Je li to isti alat? Isti motor? Ista pokrivenost?"

Sluzbenica za uskladjenost: "Ne. Rade drugacije."

Tu revizija postaje teska.

Zasto fragmentirani alati ne ispunjavaju clanak 32.

Clankom 32. GDPR-a zahtijevaju se "odgovarajuce tehnicke i organizacijske mjere". Standard ima dva dijela.

Primjerenost riziku. Mjere moraju odgovarati riziku. Za osobne podatke koji se obradjuju kroz mnoge radne tokove, potrebna je dosljedna detekcija osobnih podataka. Detekcija koja varira ovisno o alatu ne ispunjava ovaj standard.

Dokaz. Mjere moraju biti dokazive. Clanak 5(2) - nacelo odgovornosti - zahtijeva da voditelji obrade "mogu dokazati uskladjenost". To znaci dokaze o dosljednim kontrolama. Ne po principu najboljeg napora. Dosljedno.

Podijeljena konfiguracija alata ne ispunjava zahtjev dokaza. Alat A otkriva 285 vrsta entiteta. Alat B otkriva 50. Alat C otkriva 200, ali s razlicitim pragovima. Ne mozete dokazati dosljednu zastitu s takvim skupom alata. Mozete pokazati samo da su neki alati radili u nekim kontekstima.

Nalaz DPA-e o podijeljenim alatima glasi ovako: "Tehnicke kontrole za zastitu osobnih podataka nedosljedne su medu radnim tokovima. To stvara praznine u pokrivenosti i sprecava centralizirani pregled revizijskog traga."

Problem otkrivanja praznina

Cesto ne znate gdje su vase praznine u pokrivenosti dok ne dodje do povrede.

Primjerice, Alat B (koji koristi tim za podatke) ne otkriva europske nacionalne identifikacijske brojeve. Alat A (koji koriste pravnici) ih otkriva. Ta praznina je nevidljiva durante normalnog rada. Datoteke se obradjuju. Nema upozorenja. Nista ne izgleda losim.

Praznina se pokazuje kada:

  • Europski nacionalni identifikacijski broj pojavi se u datoteci koju je obradio tim za podatke
  • Ta datoteka se dijeli bez kontrola
  • Subjekt podataka otkrije izlozenost i podnese GDPR prituzbu

Tad DPA otkriva prazninu. Tim za podatke koristio je alat s drugacijom pokrivenoscu od ostalih timova. Praznina koja je trebala biti otkrivena i zatvorena.

Objedinjena pokrivenost to rjesava. Iste vrste entiteta otkrivaju se u svim kontekstima. Praznine postaju vidljive - nula detekcija entiteta X u bilo kojem radnom toku - umjesto da ostanu skrivene.

Pogledajte GDPR clanak 32. i pracenje AI alata za ono sto revizori trazе od tehnickih kontrola.

Kako izgleda cist odgovor o uskladjenosti

Sluzbenica za uskladjenost s objedinjenom platformom odgovara drugacije.

"Koristimo jednu platformu za otkrivanje osobnih podataka u svim radnim tokovima. Pravnici, agenti podrske i inzenjeri podataka koriste isti motor detekcije. Sucelia se razlikuju - Word Add-in, Chrome Extension, Desktop App - ali model i postavljanje su isti. Sva obrada zapisuje se u centralni revizijski trag. Nasa konfiguracija pokriva 285+ vrsta entiteta s predloscima prikladnim za svaku jurisdikciju. Mogu povuci bilo koje vremensko razdoblje koje trebate."

Ovaj odgovor je:

  • Konkretan. Imenuje platformu i objasnjava viseplatformsko postavljanje.
  • Dosljedan. "Isti motor detekcije" izravno se bavi brigom o pokrivenosti.
  • Dokaziv. Centralni revizijski trag znaci da su dokazi dostupni na zahtjev.

Kad istrazivac zatrazi revizijski trag za odredjeni subjekt podataka, zahtjev se odmah ispunjava.

Standard meduplatformske dosljednosti

Za snazan polozaj prema clanku 32., ovo su minimalni zahtjevi.

Dosljednost detekcije:

  1. Isti model ili API detekcije na svim platformama
  2. Ista pokrivenost vrsta entiteta - ako web aplikacija provjerava 285 entiteta, desktop aplikacija takodjer mora
  3. Isti pragovi pouzdanosti - nijedan alat nije labaviji ili stroziji za iste vrste entiteta
  4. Isti zamjenski tokeni za iste vrste entiteta
  5. Centralni revizijski trag na svim platformama

Zahtjevi dokumentacije:

  • Snimka konfiguracije: trenutna pokrivenost entiteta i pragovi
  • Povijest promjena: sto se promijenilo i kada
  • Dokaz pokrivenosti: sve platforme dijele istu konfiguraciju

Ovo mozete izgraditi za viseaLatni skup alata. No to zahtijeva formalno upravljanje konfiguracijom i redovite meduaLatne revizije. Jedna platforma cini odgovor jednostavnim: "Ovo je konfiguracija. Primjenjuje se svugdje. Ovo je revizijski trag."

Za siri pogled na meduplatformsku dosljednost pogledajte Meduplatformska uskladjenost: Mac, Linux, Windows.

Prakticni prijelaz: od fragmentiranih do objedinjenih alata

Korak 1: Mapirajte alate i pokrivenost

  • Navedite svaki alat po timu i radnom toku
  • Dokumentirajte koje vrste osobnih podataka svaki alat otkriva
  • Nadjite praznine - sto Alat A otkriva, a Alat B propusta?

Korak 2: Definirajte standard pokrivenosti

  • Na temelju vasih obveza - vrste entiteta prema GDPR-u, PHI prema HIPAA-i, kategorije prema CCPA-i
  • Postavite jedan standard koji se primjenjuje na sve radne tokove

Korak 3: Odaberite objedinjenu platformu

  • Moze li se implementirati na webu, desktopu, u Wordu i pregledniku?
  • Ispunjava li vas standard pokrivenosti?
  • Pruzа li centralizirani revizijski trag?

Korak 4: Migrirajte

  • Zapocnite s radnim tokovima s najvecim rizikom
  • Prelazite tim po tim i ukidajte naslijedjene alate kako korisnici migriraju
  • Zabiljesite migraciju u svom dnevniku uskladjenosti

Fragmentirani alati jedan su od najcescih kontrolnih propusta GDPR-a koji se pronalaze u revizijama. Kako se pojavljuje u distribuiranim timovima pogledajte na Remote rad i GDPR: Neskladnost platformi.

Izvori

Spremni za zaštitu vaših podataka?

Započnite anonimizaciju PII-a s 285+ vrsta entiteta na 48 jezika.

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.