Uvidi u Privatnost Podataka
Stručni članci o sigurnosti AI-a, usklađenosti s GDPR-om, zaštiti podataka u zdravstvu i najboljim praksama anonimizacije PII-a.
Svi Članci
Vibe Coding i curenje osobnih podataka: Sigurnosni rizik o kojem nitko ne govori
Kod generiran umjetnom inteligencijom rijetko ukljucuje rukovanje osobnim podacima. 73% aplikacija razvijenih vibe codingom obradjuje osjetljive podatke bez anonimizacije. Sto programeri trebaju znati.
COPPA travanj 2026.: Sto EdTech platforme moraju uciniti prije roka
Azurirano COPPA pravilo stupa na snagu 22. travnja 2026. Reddit je kaznjen s 14,47 milijuna funti zbog propusta u zastiti podataka djece. EdTech platforme suocavaju se s istim rizikom.
LangChain CVE-2025-68664: Kako osobni podaci cure kroz vas RAG pipeline
CVSS 9.3. LangChainove funkcije serijalizacije izlazu varijable okruzenja i tajne napadacem kontroliranim LLM-ovima. Kako otkriti i ispraviti curenja osobnih podataka.
MCP posluznici sigurnost 2026.: 8.000 izlozeno, 492 bez autentikacije
8.000+ Model Context Protocol posluznika javno je izlozeno. 492 nema nikakve autentikacije. 36,7% je ranjivo na SSRF. Zastitite osobne podatke u vasim MCP alatima.
EU AI zakon kolovoz 2026.: Anonimizacija podataka za treniranje u skladu s clankom 10
Puna provedba EU AI zakona pocinje 2. kolovoza 2026. Kazne do 35 milijuna eura ili 7% globalnog prometa. Clanak 10 zahtijeva anonimizaciju podataka za treniranje.
Trajna anonimizacija: Rizik od uništenja dokaza
34,8% ChatGPT unosa sadrži osjetljive podatke (Cyberhaven). Rješenje — trajna anonimizacija — stvara vlastiti pravni rizik: spoliation. GDPR čl. 4(5) i Federalno pravilo 37(e) zahtijevaju reverzibilnost.
Račun za redakciju od 80.000 USD: Rješenje s Word dodatkom
Pri cijeni od 200–400 USD/sat, produkcija od 10.000 dokumenata košta 26.000–80.000 USD u odvjetničkom vremenu (RAND). Bloomberg Law 2024. utvrdio je da automatizacija drastično skraćuje taj vremenski okvir.
DLP u preglednicima: Blokiranje vs. Anonimizacija 2026.
Dva pristupa DLP-u u preglednicima: blokiranje sprecava slanje osobnih podataka AI alatima; anonimizacija transformira podatke prije slanja. Objektivna usporedba.
Samsung je izgubio izvorni kod kroz ChatGPT tri puta
Tri odvojena Samsungova inženjerska tima zalijepila su vlasnički kod i povjerljive podatke u ChatGPT u travnju 2023. Svaki incident otkrio je drugačiji aspekt iste temeljne praznine.
Sankcije u e-Discoveryu: AI redakcija zakazuje
U slučaju Athletics Investment Group protiv Schnitzer Steel (2024.), nepravilna redakcija je dovela do sankcija u postupku otkrivanja. AI alati postižu samo 22,7% preciznosti — pravni timovi suočeni su sa stvarnom odgovornošću.
SaaS proboji porasli 300%: ZK rješenje je nužno
Conduent je izložio 25,9 milijuna zapisa. NHS Digital: 9 milijuna pacijenata. Napadači probijaju SaaS dobavljače za 9 minuta. Kada vaš dobavljač postane meta napada.
HIPAA u oblaku: Arhitektura nultog znanja za PHI
Ugovori o poslovnom suradniku ne sprječavaju HIPAA kršenja kada vaš cloud AI dobavljač obrađuje PHI u obliku čistog teksta. Evo što arhitektura nultog znanja zapravo mijenja — i zašto je BAA samo ugovorni minimum.
LibreOffice prosirenje za anonimizaciju osobnih podataka
Vodic korak po korak za anonimizaciju osobnih podataka u LibreOffice dokumentima koristeci anonym.legal prosirenje.
LibreOffice vs. Office: Redakcija osobnih podataka
Detaljna usporedba mogucnosti anonimizacije osobnih podataka u LibreOffice-u (anonym.legal prosirenje) vs. Microsoft Office-u (Office dodatak).
Open-Source anonimizacija: LibreOffice
Kako organizacije javnog sektora koriste LibreOffice s anonym.legal prosirenjem za GDPR-sukladnu anonimizaciju dokumenata.
Anonimizacija PII-ja na vise platformi: Office i LibreOffice
Kako organizacije s mesovitim Microsoft Office i LibreOffice okruzenjima odrzavaju dosljednu anonimizaciju PII-ja pomocu anonima.
Zabrane AI-a u poduzećima: produktivnost naspram rizika
27,4% sadržaja u enterprise AI chatbotovima sadrži osjetljive podatke — porast od 156% na godišnjoj razini. Ipak, 71,6% pristupa se odvija putem osobnih računa koji zaobilaze korporativne DLP kontrole. Zabrane AI-a ne funkcioniraju. Evo tehničke alternative.
Sigurne AI proširenja za privatnost u 2026.
U siječnju 2026. dva su zlonamjerna Chrome proširenja s više od 900 000 korisnika uhvaćena kako eksfiltriraju ChatGPT i DeepSeek razgovore svakih 30 minuta. Evo kako razlikovati sigurna od nesigurnih proširenja.
DLP u preglednicima za ChatGPT, Claude i Gemini
Tradicionalni poduzetnicki DLP izgraden je za prijenos datoteka i e-postu, ne za AI chatbotove. Ovaj vodic pokriva prevenciju gubitka podataka u preglednicima za ChatGPT.
Kada CISO-vi odbijaju obradu PHI-ja u oblaku
725 povreda zdravstvenih podataka u 2024. pogodilo je 275 milijuna zapisa. Uz prosječne troškove povrede od 10,22 milijuna USD — najviše u bilo kojoj industriji — zdravstveni CISO-vi odbijaju oblak za PHI alate. Evo zašto je to opravdano i kako lokalna obrada rješava jaz.
Kazna od 530 milijuna eura za TikTok: GDPR suverenitet podataka
Kazna od 530 milijuna eura za TikTok zbog prijenosa EU podataka u Kinu označava novu eru provedbe suvereniteta podataka. S kumulativnih 5,65 milijardi eura GDPR kazni, nabava SaaS alata više nikad neće biti ista.
HHS 2025: AI u klinickim biljezkama zahtijeva zastitu PHI
AI sustavi za transkripciju mogu nenamjerno unijeti PHI pacijenta A u zapis pacijenta B. Evo zasto je detekcija PHI u stvarnom vremenu prije upisa u EHR kljucna kontrola.
Zasto binarna detekcija osobnih podataka ne zadovoljava zahtjeve uskladjenosti
Zastavice detektirano/nije detektirano ne mogu podrzati obranjive odluke o redakciji. Bodovanje pouzdanosti pretvara anonimizaciju osobnih podataka iz binarnog nagadjanja u revizijsku kontrolu uskladjenosti.
GDPR minimizacija podataka: API u stvarnom vremenu na izvoru
GDPR clanak 5(1)(c) zahtijeva prikupljanje samo potrebnih podataka. Integracija API-ja u stvarnom vremenu sprecava prekomjerno prikupljanje u fazi podnosenja obrasca - prije nego sto podaci uopce uskladu u bazu podataka.
Započnite Zaštitu Vaših Podataka Danas
267+ vrsta entiteta, 48 jezika, sigurnost razine poduzeća po cijenama za startupe.
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.