Adatvédelmi Betekintések
Szakértői cikkek az AI biztonságról, a GDPR megfelelésről, az egészségügyi adatok védelméről és a PII anonimizálás legjobb gyakorlatairól.
Összes Cikk
Jogi redakció: formázásmegőrzés
A jogi szakemberek 73%-a számol be formázási sérülésről harmadik féltől származó redakciós eszközök használatakor (Bloomberg Law 2024). A DOJ Epstein-akták redakciója rávilágított a csak vizuális rétegre ható eszközök kockázataira.
Excel és GDPR: a táblázatos adatok kockázatai
A GDPR-hozzáférési kérelmek száma 180%-kal nőtt 2021 és 2024 között (EDPB). Egy DSAR manuális feldolgozása átlagosan 12 órát vesz igénybe. A személyes adatokat kezelő HR-osztályok.
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.
A téves riasztások ára a személyes adat-detektáló eszközöknél
A Presidio GitHub-issue #1071 szisztematikus téves riasztásokat dokumentál. Egy 2024-es tanulmány 22,7%-os pontosságot mért vegyes nyelvű vállalati adatkészleteken.
A nagy nyelvi modellek a klinikai PHI 50%-át elmulasztják
Egy 2025-ös tanulmány szerint a nagy nyelvi modellek a többnyelvű dokumentumokban a klinikai PHI több mint 50%-át elmulasztják. A ChatGPT-bevitelek 34,8%-a érzékeny adatokat tartalmaz.
Arab és héber személyes adatok: a nyugati eszközök csődöt mondanak
A GDPR nem ér véget a Boszporusznál. Az arab és héber személyes adatok az EU üzleti folyamataiban szisztematikusan védtelenek. Az XLM-RoBERTa keresztnyelvű detektálás és a régióspecifikus entitástípusok zárják be ezt a joghézagot.
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.
KYC nagy léptékben: a téves pozitívok költségei
Egy 15 EU-s országban naponta 5000 KYC-kérelmet feldolgozó digitális bank azt tapasztalta, hogy a PII-felderítési lépés 2 napos hátralékot okoz.
Magyarázható redakció: HIPAA auditvizsgálatok
A HIPAA Expert Determination dokumentált módszertant igényel. A jogi e-discovery redakciónkénti indoklást kér. A DPO-k 34%-a jelent hiányos eszközöket az automatizált anonimizálás megfelelőségi dokumentációjához.
Vegyes nyelvű PII: az egynyelvű eszközök csődöt mondanak
Az EU-s vállalkozások 72%-a egyszerre három vagy több nyelven dolgoz fel dokumentumokat. A vegyes nyelvű dokumentumok 45%-kal magasabb PII-kihagyási arányt okoznak az egynyelvű NER-eszközöknél.
Egy eszköz, 45 ország: 267+ entitástípus
A brazil CPF ellenőrző számjegyekkel rendelkezik. Az indiai PAN 10 karakteres alfanumerikus kód. Az EU IBAN-ok országonként eltérnek. A globális e-kereskedelmi platformok nem engedhetik meg maguknak a különálló.
APAC PII-észlelés: thai, indonéz, vietnami
Egy szingapúri fintech, amely havonta 500 000 ügyfélszolgálati csevegést dolgoz fel 12 APAC-nyelven, azt tapasztalta, hogy az csak angolt támogató eszközük a nem angol csevegések 60%-ában kihagyja a PII-t.
Hamis pozitívok: Miért bukik meg az ML-kitakarás
Egy 2024-es benchmark megállapította, hogy a Presidio 13 536 hamis pozitív névfelismerést generált 4 434 mintán — névmásokat, hajóneveket és országneveket személynevekként jelölve meg.
A kitakarások védelme: AI megbízhatósági pontszámok a bíróságon
Egy bíró megkérdezte, miért volt kitakarva egy dokumentum 47%-a. Az AI jelölte meg — ez a válasz jogilag nem védhető. Íme, hogyan néz ki a védhető automatizált kitakarás.
Csak angol nyelvű PII-eszközök: GDPR-felelősség
A GDPR-végrehajtás egyformán vonatkozik az összes uniós nyelvű adatszivárgásra. Ha az angolközpontú PII-eszköze kihagyja a német, francia vagy lengyel azonosítókat, megfelelőségi problémája van.
Csak angol nyelvű PII-eszközök: GDPR-rés
A német Steuer-ID (11 számjegy ellenőrző összeggel) szerkezetileg eltér az amerikai SSN-től. A francia NIR-számok 15 számjegyből állnak. A lengyel PESEL és a svéd Personnummer szintén különbözik.
ISO 27001 + ZK lerövidíti a szállítóértékelési időt
Egy 2025-ös felmérés szerint az elismert biztonsági tanúsítvány hiánya a 2. leggyakoribb ok, amiért a CISO-k kizárják a SaaS-szállítókat. Íme, mit jelent az ISO 27001 kombináció.
A ZK architektúra lerövidíti az értékesítési ciklusokat
A vállalati szállítói biztonsági kérdőívek átlagosan több mint 100 kérdést tartalmaznak. A zero-knowledge architektúra a legnehezebb kérdésekre is egyértelmű választ ad — és meggyőzi az ügyfeleket.
A LastPass-adatvédelmi incidens: tanulságok a felhőszolgáltatók biztonságáról
A LastPass titkosította felhasználóinak adatait. A tárcákat mégis kiszivárogtatták. 600 000+ Okta-rekord követte. A SaaS-biztonsági incidensek száma 300%-kal nőtt 2022 és 2024 között.
ZK-állítások értékelése a LastPass után
438 millió dollárt loptak el a LastPass-felhasználóktól, miután a „titkosított” széfjeiket feltörték. 1,2 millió fontos ICO-bírság következett. Íme az ellenőrzőlista annak megítéléséhez, hogy egy szolgáltató valóban teljesíti-e ígéretét.
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.