A valós idejű személyes adat-megelőzés 2,2 millió dollárt takarít meg
Az IBM 2,2 millió dolláros különbséget mért a megelőzés és az észlelés között. Íme a matematika, amely a valós idejű személyes adat-elfogást nélkülözhetetlenné teszi a biztonsági csapatok számára.
GDPR 32. cikk: AI-eszközök személyes adat-kitettségének monitorozása
A vállalati megfelelési csapatok kvantitatív bizonyítékot igényelnek az AI-eszközök személyes adat-kontrolljairól. A hálózati DLP nem veszi észre a böngészőalapú AI-interakciókat.
Valós idejű személyes adat-szivárgás megelőzés mesterséges intelligencia használatánál
Ha egy alkalmazott ügyfélnevet gépel be a ChatGPT-be, az adat azonnal kilép a szervezet ellenőrzése alól. Az utólagos DLP nem tudja visszacsinálni ezt.
GDPR-megfelelő support MI: egyéni azonosítók
A support MI ügyfélüzeneteket kap nevekkel, e-mail-címekkel ÉS rendelésazonosítókkal. A szabványos PII-eszközök kiszűrik az e-mail-címeket, de a rendelésazonosítókat érintetlenül hagyják.
A saját adatvédelmi eszköze lopja el az adatait?
Az MI Chrome-bővítmények 67%-a gyűjt felhasználói adatokat. A 2025. decemberi incidensekben 900 000 felhasználót kompromittáltak olyan bővítmények, amelyek adatvédelmi eszközöknek adták ki magukat.
Napi 3,8 személyes adat szivárgás ügyfélszolgálati csapatoknál
Minden ChatGPT-t használó ügyfélszolgálati ügynök átlagosan napi 3,8 érzékeny adatot illeszt be. Egy 100 fős csapatnál ez napi 380 GDPR-expozíciós incidenst jelent.
A 900 000 felhasználót érintő bővítményincidens tanulságai
2026 januárjában két rosszindulatú Chrome-bővítményt találtak, amelyet 900 000+ felhasználó telepített. Mindkettő 30 percenként küldte el a teljes ChatGPT- és DeepSeek-beszélgetéseket egy távoli szerverre.
Miért nem állítja meg a szabályzat a ChatGPT PII-szivárgásait?
A vállalati MI-felhasználók 77%-a vágólapra másolja az adatokat a chatbot-lekérdezésekbe. A feltöltött fájlok közel 40%-a PII- vagy PCI-adatokat tartalmaz. Javasolt HIPAA biztonsági szabály-frissítés.
Vállalati MI: fejlesztői hozzáférés kockázat nélkül
A bankok betiltották a ChatGPT-t. A fejlesztőik otthonról használták tovább. A vállalati MI-chatbotokba táplált tartalmak 27,4%-a érzékeny adatokat tartalmaz (Zscaler).
A Cursor és a Claude használata kódszivárgás nélkül
A Cursor alapértelmezés szerint betölti a .env fájlokat az MI-kontextusba. Egy pénzügyi szolgáltató cég 12 millió dollárt veszített, miután saját fejlesztésű kereskedési algoritmusai egy MI-asszisztenshez kerültek.
A technikai ellenőrzés nélküli MI-politika kudarcra van ítélve
Az alkalmazottak 77%-a hetente oszt meg érzékeny munkahelyi adatokat MI-eszközökkel, annak ellenére, hogy a szabályzat tiltja. Egy kormányzati vállalkozó beillesztette a FEMA árvízsegély-kérelmezők adatait a ChatGPT-be.
IDE vs böngésző: fejlesztői AI-biztonság
A fejlesztők két környezetben használnak AI-t: IDE-ben (Cursor, VS Code) és böngészőben (Claude.ai, ChatGPT). Mindkettőhöz eltérő kontrollok szükségesek.
A Chrome AI-bővítmények 83%-át soha nem auditálják
A széles jogosultságú Chrome-bővítmények 83%-át soha nem auditálták biztonsági szempontból (USENIX 2025). A vállalati alkalmazottak 45%-a nem jóváhagyott bővítményeket használ.
39 millió GitHub-szivárgás: az AI-kódolás kockázatai
A fejlesztők 67%-a véletlenül tett közzé titkokat kódban (GitGuardian 2025). 2024-ben 39 millió titok szivárgott ki a GitHubon, ami 25%-os éves növekedés.
Vibe coding és személyes adatok szivárgása: A biztonsági kockázat, amelyről senki nem beszél
Az AI által generált kód ritkán tartalmaz személyes adatok kezelését. A vibe coding alapú alkalmazások 73%-a érzékeny adatokat dolgoz fel anonimizálás nélkül. Íme, amit a fejlesztőknek tudniuk kell.
MCP-szerver biztonság 2026: 8000 kitett, 492 hitelesítés nélkül
8000+ Model Context Protocol szerver érhető el nyilvánosan. 492-nek nincs hitelesítése. 36,7% SSRF-sérülékeny. Védje a személyes adatokat az MCP-eszközökben.
Böngészős DLP: blokkolás versus anonimizálás — 2026-os összehasonlítás
A böngészős DLP két megközelítése: a blokkolás megakadályozza a személyes adatok AI-eszközökbe juttatását; az anonimizálás az elküldés előtt alakítja át az adatokat. Objektív összehasonlítás.
A Samsung háromszor szivárogtatott forráskódot ChatGPT-be
2023 áprilisában három különböző Samsung-mérnöki csapat illesztett be saját fejlesztésű kódot és bizalmas adatokat a ChatGPT-be. Mindhárom incidens különböző sebezhetőséget tárt fel.
Vállalati MI-tilalmak: produktivitás kontra kockázat
A vállalati MI-csevegőrobotoknál megadott tartalmak 27,4%-a érzékeny adatot tartalmaz — ez 156%-os éves növekedés. Mégis a vállalati MI-hozzáférés 71,6%-a megkerüli a vállalati DLP-kontrollokat személyes fiókokon keresztül.
Biztonságos MI-bővítmények 2026-ban
2026 januárjában két, összesen 900 000+ felhasználóval rendelkező rosszindulatú Chrome-bővítményt kaptak rajta, amelyek 30 percenként szivárogtatták ki a ChatGPT- és DeepSeek-beszélgetéseket.
Böngészős DLP ChatGPT-hez, Claude-hoz és Geminihez — 2026
A hagyományos vállalati DLP fájlátvitelhez és e-mailhez készült, nem AI-chatbotokhoz. Ez az útmutató a böngészőnatív adatvesztés-megelőzést tárgyalja ChatGPT, Claude és Gemini esetén.
Beillesztés és felejtés: A személyes adat kiemelése jobb, mint a megfelelési képzés
Az AI-eszközöket ügyféladata-kezelésre használó alkalmazottak 62%-a „néha” elfelejtik először eltávolítani a személyes adatot. Íme, miért szünteti meg az automatikus kiemelés a megfelelési rést.
Képernyőfelvételek és személyes adatok: szivárgás belső eszközökön
A Slack, a Teams, a Jira és az e-mail rendszeresen kap ügyfél személyes adatait tartalmazó képernyőfelvételeket. Ez a hozzáférés-ellenőrzési jogsértés minden DLP-eszközt megkerül.
Belső wiki személyes adatai: Confluence és ügyféladatok
A támogatási csapatok ügyfélfiók-képernyőfelvételekkel dokumentálják a folyamatokat. 3 év alatt ez több ezer GDPR-adatminimalizálási jogsértést jelent a belső rendszerben.
Az MI-kódsegédek kiszivárogtatják az éles személyes adatokat
Egységtesztelési fixture-ök valódi ügyfélrekordokkal. Naplófájlok éles adatokkal hibakereséshez. A GitHub 39 millió kiszivárogtott titkos adatot talált 2024-ben.
900 000 felhasználó MI-csevegését lopták el
Két rosszindulatú Chrome-bővítmény több mint 900 000 felhasználó ChatGPT-csevegését lopta el. Az egyiknek Google Featured (Kiemelt) jelzése volt.
Az MI ma a #1 adatkiszivárgási csatorna
A munkavállalók 77%-a illeszt be érzékeny adatokat MI-eszközökbe. A generatív MI ma a vállalati adatkiszivárgások 32%-áért felelős. Ismerje meg, hogyan védheti meg szervezetét.
Kezdje El Ma Az Adatai Védelmét
285+ entitástípus, 48 nyelv, vállalati szintű biztonság startup áron.
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 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
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
- 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.