By · Last updated 2026-05-01

Vissza a BlograGDPR & Megfelelés

A belső munkavállalói azonosítók is személyes adatok

Minden nagyobb szervezetnek vannak saját belső azonosítói, amelyek összekapcsolják az anonimizált rekordokat valódi személyekkel. A GDPR-bírságok 34%-a nem megfelelő technikai intézkedésekre vezethető vissza.

May 1, 20268 perc olvasás
employee ID anonymizationproprietary identifier detectionquasi-PIIGDPR custom entitiesno-code pattern builder

Mi a kvázi személyes adat?

A GDPR 4. cikke kiterjed minden olyan adatra, amely alapján egy személy azonosítható. Nem szükséges, hogy az adat közvetlenül megnevezze az illető személyt — elegendő, ha további lépésekkel az azonosítás lehetővé válik.

A belső munkavállalói azonosítók erre szemléletes példát adnak. Vegyük az „EMP-EU-123456” értéket. Ez a karakterlánc önmagában nem nevezi meg senkit. A HR-rendszerben azonban van egy egyszerű kereső tábla: az EMP-EU-123456 bejegyzés Schmitt Máriára, a müncheni szenior mérnökre mutat. Aki hozzáfér ehhez a táblához, az megtalálja őt. A GDPR alapján az azonosító személyes adatnak minősül.

Ugyanez a szabály vonatkozik más belső kódokra is:

  • A CRM-rekordokhoz kapcsolódó ügyfélszámlaszámokra
  • A szerződési rendszerekben ügyfélnevekhez kötött projektkódokra
  • A jogi fájlokban lévő ügyiratszámokra
  • A betegrekordokhoz kapcsolódó betegnyilvántartási számokra

A nevek és e-mail-címek eltávolítása önmagában nem elegendő. Ha a belső azonosítók megmaradnak a fájlban, az újraazonosítás csupán két lépés kérdése.

Miért vezet ez a rés bírsághoz?

Az összes GDPR-bírság 34%-ának hátterében a 32. cikk szerinti nem megfelelő technikai intézkedések állnak. Ez az adat a DLA Piper 2025-ös GDPR Éves Jelentéséből származik. Az ebbe a kategóriába esik a kvázi azonosító belső azonosítók detektálásának elmulasztása is.

Az Európai Adatvédelmi Testület (EDPB) 2024-ben több mint 900 konzisztenciamechanizmus-ügyet kezelt. A határon átnyúló végrehajtás azt jelenti, hogy egyetlen rés egy megosztott adathalmazban több EU-tagállam összehangolt fellépéséhez vezethet.

A szabványos személyes adat kezelő eszközök általános mintákat ismernek fel: neveket, e-mail-címeket, telefonszámokat és nemzeti azonosítókat. A belső azonosítóformátumot nem ismerik — azt senki sem ismeri, amíg azt nem mutatják meg nekik. Ez a rés.

A kód nélküli mintaépítő működése

Egy globális logisztikai vállalat egy külső audithoz kívánja anonimizálni a munkavállalói rekordokat. A munkavállalói azonosítóik formátuma: EMP-[RÉGIÓ]-[6 számjegy]. Három példa: EMP-EU-123456, EMP-APAC-789012, EMP-AMER-345678.

A megfelelési csapat három példát ad meg az AI-alapú mintasegítőnek. Az AI a következőt adja vissza:

  • Minta: EMP-[A-Z]{2,4}-\d{6}
  • Mindhárom példára illeszkedik
  • Javasolt entitásnév: EMPLOYEE-ID
  • Javasolt következő lépés: tesztelés több régiókóddal

A csapat még tíz mintán teszteli az eredményt. A minta mindegyikre működik.

Az egyéni entitást mentik a csapat közös GDPR-előbeállításába. A 47 dokumentumból álló auditcsomag egyetlen kötegben kerül feldolgozásra. Minden munkavállalói azonosítót szerepalapú jelölő vált fel. Az auditcég olyan fájlokat kap, amelyek már senkire sem utalnak vissza.

Mérnöki segítségre nincs szükség. A teljes beállítás kevesebb mint egy óra alatt elvégezhető.

Mi következik ezután?

Miután az egyéni entitást elmentik egy megosztott előbeállításba, a csapat minden tagja ugyanazt a konfigurációt használja. Az új munkatársak az első napon megkapják azt. A kötegelt feladatok, az API-hívások és a manuális feltöltések mind ugyanazt a mintát alkalmazzák.

Az auditnapló rögzíti, hogy melyik előbeállítást alkalmazták az egyes fájlokon. Ha egy adatvédelmi hatóság bizonyítékot kér az anonimizálási folyamatról, ez bemutatható.

Az egyéni entitásbeállítási folyamat részleteiről: egyéni személyes adat azonosítók szervezeti anonimizáláshoz. Az egységes beállítás csapatok közötti fenntartásáról: anonimizálási konzisztencia-előbeállítások GDPR-audithoz.

Források

Készen áll az adatai védelmére?

Kezdje el a PII anonimizálását 285+ entitástípuson 48 nyelven.

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.