By · Last updated 2026-06-05

Vissza a BlograGDPR & Megfelelés

Távmunka és GDPR: platformkövetkezetlenség

Az irodai csapatok teljes funkcionalitású asztali szoftvert használnak. A távoli dolgozók talán más beállításokkal rendelkező webalkalmazásokat használnak. Az EU Általános Törvényszéke kimondja: a szabályzat önmagában nem elegendő.

June 5, 20266 perc olvasás
remote work GDPRplatform consistencyhybrid workplace privacytechnical controlsGDPR compliance

Távmunka és GDPR: a platformkövetkezetlenség problémája

2026-ra frissítve.

A legtöbb GDPR-programot irodai munkára tervezték. Minden munkavállaló felügyelt asztali gépet használt. Az IT egyetlen konfigurációt állított be minden gépen. A beállítás egységes volt.

A távoli és hibrid munkavégzés ezt megváltoztatta. Ma ugyanaz a személy feldolgozhat személyes adatokat irodai munkaállomáson hétfőn és otthoni laptopon pénteken. A GDPR-kötelezettség nem változik helyszín szerint. A technikai ellenőrzések azonban gyakran igen.

Miért teremt hiányosságot a helyszín?

A GDPR 32. cikke egyértelműen fogalmaz: a szervezeteknek megfelelő technikai intézkedéseket kell alkalmazniuk a személyes adatok védelme érdekében. A szabály nem azt mondja, hogy „irodában”. Mindenütt érvényes, ahol adatokat dolgoznak fel.

Amikor az irodai és a távoli eszközök eltérnek, az ellenőrzések is különböznek. Ez a különbség jelenti a megfelelési problémát.

Ma a legtöbb csapaton belül négy munkavégzési minta létezik.

  • Irodai dolgozók felügyelt munkaállomásokon, IT által telepített szoftverrel.
  • Távoli dolgozók otthoni hardveren — céges felügyelet alatt vagy BYOD (saját eszköz hozása).
  • Mobil dolgozók bármely elérhető eszközön, korlátozott konfigurációs ellenőrzéssel.
  • Hibrid dolgozók, akik hetente váltakoznak a két helyszín között.

Mindegyik környezet különböző eszközöket, különböző verziókat és különböző beállításokat futtathat. A GDPR 32. cikke mind a négy esetre vonatkozik.

Mit várnak el ma a bíróságok?

A bíróságok egyértelművé tették, hogy a GDPR 32. cikke önmagában nem elégíti ki a szabályzat. A működési technikai ellenőrzések bizonyítéka szükséges.

Egy szabályzat, amely arra utasítja a munkatársakat, hogy anonimizálják az adatokat az AI-eszközök használata előtt, nem technikai ellenőrzés. Az anonimizálást megvalósító intézkedés az ellenőrzés. Ha ez az intézkedés nem egységesen van bevezetve irodai és távoli környezetekben, az ellenőrzés megbukik. Egy következetlen ellenőrzés nem megfelelő ellenőrzés.

Négy terület, ahol az egységességnek érvényesülnie kell

A személyiadat-anonimizáló eszközök esetén a helyszínek közötti egységesség négy dolgot jelent.

Entitáslefedettség: Ugyanazokat az entitástípusokat észlelik irodában és otthon. Nem nagyjából ugyanazokat — pontosan ugyanazokat. A különböző észlelési motorok lehetetlenné teszik az egyenlő lefedettség igazolását.

Megbízhatósági küszöbértékek: Ugyanaz a küszöb váltja ki az automatikus anonimizálást mindkét helyen. Egy 87%-os megbízhatóssági szinttel jelzett entitásnak irodában ne csak figyelmeztetést kelljen kapnia otthon.

Beállítási konfiguráció: A megfelelőségi csapat „GDPR Standard” előbeállítása mindkét környezetben érvényes. A szerveroldali tárolás azt jelenti, hogy a változások egyszerre érnek el minden hozzáférési pontot.

Auditnyomvonal: Az otthoni és irodai feldolgozás egyetlen centralizált naplóban jelenik meg. Nincs külön távoli napló, amelyet utólag kell összeegyeztetni.

Az asztali vs. webalkalmazás kockázata

Sok szervezet asztali alkalmazást telepít az irodai felhasználóknak és webalkalmazást a távoli munkatársaknak. Még ugyanattól a szállítótól is eltérhet ez a két termék.

  • A frissítési ciklusok különböznek. Az asztali alkalmazás több verzióval lemaradhat a webalkalmazástól.
  • A konfigurációs öröklés megszakadhat. A webalkalmazásban frissített előbeállítás nem feltétlenül jut el az asztali gépre.
  • A naplózás szétválhat. Az asztali alkalmazás helyi naplókat írhat, míg a webalkalmazás centrálisan naplóz.

A megfelelőségi teszt egyszerű: be tudja-e mutatni, hogy ugyanaz az észlelés futott minden dokumentumon? Ha a válasz két különböző naplóformátum összevonását igényli, az ellenőrzések nincsenek igazítva.

Hogyan működik a platformfüggetlen lefedettség?

A gyakorlati megoldás egyetlen szerveroldali észlelési API, amelyet minden felület használ. Az asztali alkalmazás, a webalkalmazás és a böngészőbővítmény ugyanazt a motort hívja. Egy modell fut. Az eredmény mindenhol ugyanaz.

Ez a megközelítés mind a négy egységességi területet kezeli.

  • Az észlelés a szerveren fut. A lefedettség azonos minden felületen.
  • A küszöbértékeket egyszer állítják be, és az API alkalmazza azokat. Nincs kliensenként eltérő konfiguráció.
  • Az előbeállítások szerveroldalon élnek. Minden felület futásidőben tölti be azokat.
  • Az összes esemény egy auditadatbázisba kerül. Egyetlen lekérdezés lefedi az egész csapatot.

Az IT telepíti a böngészőbővítményt a távoli dolgozóknak ugyanazzal az előbeállítással, mint az asztali alkalmazás. Egyetlen konfigurációs dokumentum lefedi az összes környezetet.

Vállalati csapat esettanulmánya

Egy 35 fős megfelelőségi csapat platformkövetkezetlenséget talált belső audit során. A csapatnak 20 munkatársa volt Münchenben és 15 távoli alkalmazottja Németországban és Hollandiában.

Az irodai munkatársak egy Windows-os asztali személyiadat-eszközt használtak 285+ entitástípussal és GDPR-előbeállítással. A távoli munkatársak egy másik szállítótól származó webalkalmazást használtak. Ez körülbelül 80 entitástípust fedett le és nem volt GDPR-előbeállítása. Ugyanaz a csapat. Ugyanazok az adatok. Különböző eszközök.

A csapat egyetlen platformra állt át.

  • Asztali alkalmazás telepítve a müncheni irodai felügyelt munkaállomásokra.
  • Webalkalmazás ugyanazzal az előbeállítással minden távoli munkatárs számára.
  • Chrome-bővítmény bevezetve minden eszközre a böngészőalapú AI-használathoz.
  • Az IT egy előbeállítást kezel. Ez automatikusan szinkronizálódik minden felülettel.

Az egységesítés után a csapat egyetlen Technikai Intézkedések dokumentumot készített, amely mind a 35 tagot lefedi. Egyetlen auditnyomvonal. Negyedéves konfigurációellenőrzés. A belső audit megállapítása 8 héten belül lezárult.

Az audit-dokumentációról bővebben: jogi megfelelőségi útmutató. A technikai ellenőrzésekről a gyakorlatban: biztonsági áttekintő.

Összefoglalás

A távmunka nem változtatta meg a GDPR-t. Megváltoztatta, hogy hol dolgozzák fel az adatokat. Ez az elmozdulás egy olyan hiányosságot tárt fel, amelyet az egységes irodai beállítások elrejtettek.

Az egységes technikai ellenőrzések ugyanolyan észlelést, ugyanolyan küszöbértékeket és ugyanolyan auditnyomvonalat jelentenek. Az alkalmazottak tartózkodási helyétől függetlenül érvényesek. A szerveroldali megközelítés az egységességet teszi alapértelmezéssé. A platform széttagoltsága a következetlenséget teszi alapértelmezéssé.

Ismerje meg, hogyan vezet be az anonym.legal egységes személyiadat-ellenőrzéseket távoli és irodai környezetekben.

Források

  • GDPR 32. cikk: Az adatkezelés biztonsága. gdpr-info.eu/art-32-gdpr/.
  • EDPB 4/2019 iránymutatás az adatvédelemről tervezés útján. edpb.europa.eu.
  • ICO elszámoltathatósági és irányítási útmutatás. ico.org.uk.

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.