Adatvédelmi Betekintések
Szakértői cikkek az AI biztonságról, a GDPR megfelelésről, az egészségügyi adatok védelméről és a PII anonimizálás legjobb gyakorlatairól.
Összes Cikk
Globális személyes adat-megfelelőség: GDPR, LGPD és DPDP
A brazil CPF, az indiai Aadhaar és az amerikai SSN alapvetően eltérő formátumot és ellenőrzési logikát követ. Az LGPD és India DPDP-törvénye a CPF-et és az Aadhaar-t is a védendő azonosítók körébe vonja.
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.
Egyéni MRN-detektálás kód nélkül HIPAA-folyamatokhoz
A betegnyilvántartási számok (MRN) kórházanként egyediek — minden egészségügyi rendszer más formátumot alkalmaz. A HIPAA Safe Harbor megköveteli az MRN-ek eltávolítását.
EU-s azonosítók rése: Steuer-ID, NIR, Personnummer
Az általános személyes adatokat kezelő eszközök amerikai azonosítók köré épültek. A német Steuer-ID, a francia NIR, a svéd Personnummer és a norvég Fødselsnummer teljesen más logikát követ.
18 HIPAA PHI azonosító, amelyet az eszköze nem ismer fel
A HIPAA 18 PHI azonosítót sorol fel. A legtöbb anonimizálási eszköz talán 6-ot ismer fel közülük. A Medical Record Number formátuma intézményenként eltér, és nincs egységes nemzeti szabvány az USA-ban.
Globális személyes adatvédelmi azonosítók: SSN, CPF, Aadhaar és más
A GDPR vonatkozik a német Steuer-ID-re, a francia NIR-re, a svéd Personnummerra és több mint 267 más azonosítótípusra, amelyeket a legtöbb eszköz nem ismer.
Visszafordítható titkosítás a kutatási visszakapcsoláshoz
A Beteg_001-et nem tudja visszahívni utánkövetési vizsgálatra. Az etikai bizottságok már dokumentált visszaazonosítási protokollt követelnek – igazolva, hogy ez kontrollált körülmények között elvégezhető.
Token-leképezés GDPR-megfelelő mesterségesintelligencia-munkafolyamatokhoz
Ha az ügyfelek neveit az AI-feldolgozás előtt anonimizálják, a generált válasz névtelen tokeneket tartalmaz. A végső válaszban valódi neveknek kell szerepelniük – nem tokeneknek.
Névtelen HR-felmérések visszafordítható anonimizálással
A névtelen felmérések elősegítik az őszinte bejelentéseket zaklatásról és etikai jogsértésekről. Ha súlyos vád kerül felszínre, a HR-nek nyomoznia kell – de az anonimitás ezt megakadályozza.
Visszafordítható titkosítás pénzügyi auditokhoz
Egy 2026 februári SDNY ítélet megállapította, hogy a mesterséges intelligencia által feldolgozott dokumentumok elveszítik az ügyvéd-ügyfél titoktartási privilégiumot, ha nem anonimizálják őket a feldolgozás előtt.
Visszafordítható titkosítás a jogi discovery folyamatban
Elvégezte az iratredakciót. A bíróság elrendelte az eredeti dokumentumok bemutatását. Mi most a teendő? A GDPR-bírságok 2024-ben rekordot döntöttek: elérték az 1,2 milliárd eurót.
Visszafordítható de-azonosítás klinikai kutatásban
Amikor egy tanulmány váratlan biomarker-kockázatot talál 5000 résztvevő közül 47-nél, a kutatóknak kapcsolatba kell lépniük a valódi betegekkel. Az anonymizálási eszközök csupán 23%-a kínál valódi visszafordíthatóságot.
HIPAA-konform ChatGPT használat böngészővédelemmel
Az alkalmazottak 77%-a legalább hetente megoszt érzékeny munkahelyi adatokat MI-eszközökkel. A valós idejű böngészőalapú személyes adat interceptálás 94%-kal csökkenti a szivárgási incidenseket.
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.
GDPR és ChatGPT: JIT-anonymizálás az ügyfélszolgálaton
Olaszország Garante-ja 15 millió eurós bírságot szabott ki az OpenAI-ra 2024 decemberében. Az olasz vállalatok 63%-a nem rendelkezik GDPR-konform MI-használati szabályzattal. Egy 2024-es EU-s audit megállapította, hogy a ChatGPT-felhasználói rekordok 63%-a vállalati szintű védelem nélküli fiókokból érkezett.
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.
Adatszuverenitás: Miért mondanak csődöt a felhőalapú PII-eszközök
Az adatvédelmi törvényekkel rendelkező országok száma 2011 és 2025 között 76-ról 120 fölé nőtt. A német SGB V a betegadatokat német ellenőrzésű rendszerekre korlátozza.
Légréses adatvédelem: Anonimizálás offline
A FedRAMP és az ITAR környezetekben van egy közös vonás — a felhő nem opció. A visszafordítható álnevesítés a GDPR 4. cikke szerint.
Kereskedési szint: Offline anonimizálás
A kereskedési szintek nem használhatnak felhőalapú SaaS-t megfelelőségi beadványokhoz. Az ABA 512. sz. formális véleménye a véletlenszerű közzétételek megelőzését írja elő az elektronikus iratfelderítés (e-discovery) során.
50 000 klinikai feljegyzés helyi kötegelt feldolgozása
Egy 2026 februári SDNY-ítélet megállapította, hogy az MI-vel feldolgozott dokumentumok elveszítik az ügyvéd-ügyfél privilégiumot, ha előzetes anonimizálás nélkül kerülnek feldolgozásra.
Táblázat-anonimizálás GDPR és CCPA szerint
Az Excel-képletek az ügyfelek neveit tartalmazó cellákra hivatkoznak. A kimutatástáblák érzékeny adatokat gyorsítótáraznak. A légréses (air-gapped) környezetek a kormányzat 67%-ánál kötelező követelmény.
FOIA-hátralék: Automatizált kormányzati iratfektetés
Az amerikai FOIA-kérelmek száma az FY2024-ben 1,5 millióra nőtt — ez 25%-os emelkedés. A hátralék 33%-kal, 267 056 függő kérelemre duzzadt. A kormányzat 723 millió dollárt költött a feldolgozásra.
Kezdje El Ma Az Adatai Védelmét
267+ 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, 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.