anonym.legal

By · Last updated 2026-05-06

Vissza a BlograGDPR & Megfelelés

GDPR-paradoxon: Jogszerű az anonimizálója?

Az Uber 290 millió eurós bírságát (Holland DPA, 2024) kifejezetten az európai sofőradatok USA-szerverekre történő továbbítása miatt szabták ki. A legtöbb USA-alapú anonimizálási eszköz feldolgozza.

May 6, 20268 perc olvasás
GDPR anonymization paradoxUber Dutch AP fineUS server EU data transferzero-knowledge GDPR compliancedata residency

A megfelelőségi paradoxon

Frissítve 2026-ra

A vállalatok anonimizálási eszközöket használnak a GDPR-előírásoknak való megfeleléshez. Az eszköznek magának kellene a megoldásnak lennie. A 32. cikk alapján védi a személyes adatokat. Csakhogy ha az eszköz uniós személyes fájlokat küld el USA-szerverekre, pontosan azt a jogsértést idézi elő, amelynek megakadályozására megvásárolták.

2024 augusztusában a Holland Adatvédelmi Hatóság 290 millió euróra bírságolta az Ubert. Ez volt akkor a valaha kiszabott legnagyobb EU-s adattovábbítási bírság. Az ok: az Uber európai sofőrdokumentumokat küldött USA-szerverekre. Nevek, helyszínadatok, fizetési adatok és személyazonossági iratok egyaránt átkerültek. Nem volt érvényes, a 46. cikknek megfelelő biztosíték. A Holland DPA megállapította, hogy az Uber USA-szervereinek használata folyamatos GDPR-jogsértésnek minősül.

Ugyanez a logika érvényes az anonimizálási eszközökre is. Egy USA-alapú SaaS-eszköz, amely uniós személyes adatokat juttat USA-szerverekre, ugyanazt teszi, amiért a Holland DPA büntetett. A cél – anonimizálás vagy fuvarszolgáltatás – nem változtatja meg a jogi megítélést. A részletekért tekintse meg megfelelőségi áttekintőnket.

Az adatvédelmi tisztviselők észrevették

Az adatvédelmi tisztviselők (DPO-k) a 2020-as Schrems II. ítélet óta felhívják erre a figyelmet. Az ítélet érvénytelenítette az EU–USA adatvédelmi pajzsot, és rögzítette azt a szabályt, hogy az USA-szerverek nem minősülnek biztonságosnak uniós személyes fájlok számára, kivéve, ha kiegészítő biztosítékok állnak rendelkezésre.

Minden USA-alapú eszköznek, amely uniós személyes fájlokat kezel, érvényes jogi adattovábbítási alappal kell rendelkeznie. A GDPR-bírságok összesített értéke 2025-ig elérte az 5,65 milliárd eurót. A továbbítási jogsértések esetén az átlagos bírság most 18 millió euró per ügy. A kockázat valós. Már megszülte a nagy bírságokat. Még több fog következni.

A paradoxon két megoldása

Két valódi megoldás létezik. Első: a dokumentumokat kizárólag EU-szervereken dolgozzák fel. A fájlok nem hagyják el az EU-t. Második: zéró tudáson alapuló tervezés alkalmazása. Ekkor egyáltalán nem kerül személyes tartalom a szerverre.

Az EU-s elhelyezés önmagában nem mindig elégséges. Az EU-s szervereken működő USA-s cég is kötelezhető fájlok átadására. A FISA 702. szakasza és a 12333-as elnöki rendelet kiterjed az USA-s cégekre és azok uniós leányvállalataira. Az USA-s anyavállalat kényszeríthető hozzáférés biztosítására – még az EU-s szervereken tárolt fájlokhoz is.

A zéró tudáson alapuló tervezés ezt megoldja. Ha semmilyen személyes tartalom nem kerül a szerverre, a szerver elhelyezése lényegtelen. Ami eljut a szerverre – titkosított tokenek, maszkolt értékek, átalakított kimenet –, az a GDPR értelmében nem minősül személyes adatnak. A továbbítási szabályok hatályán kívül esik. Olvassa el zéró tudáson alapuló megközelítésünkről szóló tájékoztatónkat, és tekintse meg az árakat és csomagokat, köztük a helyi asztali alkalmazást.

Az anonym.legal zéró tudáson alapuló tervezést alkalmaz. A szerver soha nem látja a szöveges tartalmat. Teljes szerverbetörés esetén is csak AES-256-GCM titkosított szöveg érhető el. Az asztali alkalmazás kizárólag az Ön eszközén fut – nincs külső kapcsolat.

Források

Kapcsolódó Cikkek

GDPR & Megfelelés

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 & Megfelelés

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 & Megfelelés

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.

Készen áll az adatai védelmére?

Kezdje el a PII anonimizálását 285+ entitástípuson 48 nyelven.

Ingyenes Próbát KezdFunkciók Megtekintése

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.