Adatvédelmi Betekintések
Szakértői cikkek az AI biztonságról, a GDPR megfelelésről, az egészségügyi adatok védelméről és a PII anonimizálás legjobb gyakorlatairól.
Összes Cikk
Vibe coding és személyes adatok szivárgása: A biztonsági kockázat, amelyről senki nem beszél
Az AI által generált kód ritkán tartalmaz személyes adatok kezelését. A vibe coding alapú alkalmazások 73%-a érzékeny adatokat dolgoz fel anonimizálás nélkül. Íme, amit a fejlesztőknek tudniuk kell.
COPPA 2026 április: Mit kell tenniük az EdTech-platformoknak a határidő előtt
A COPPA frissített szabályai 2026. április 22-én lépnek hatályba. A Redditet 14,47 millió fonttal büntették gyermekadatok kezelési hibái miatt. Az EdTech-platformok ugyanilyen kockázatnak vannak kitéve.
LangChain CVE-2025-68664: Hogyan szivárognak ki személyes adatok a RAG-folyamaton keresztül
CVSS 9,3. A LangChain szerializációs függvényei környezeti változókat és titkokat tesznek ki a támadó által vezérelt LLM-eknek. Hogyan észleljük és javítsuk a személyes adatszivárgásokat.
MCP-szerver biztonság 2026: 8000 kitett, 492 hitelesítés nélkül
8000+ Model Context Protocol szerver érhető el nyilvánosan. 492-nek nincs hitelesítése. 36,7% SSRF-sérülékeny. Védje a személyes adatokat az MCP-eszközökben.
EU AI Act 2026. augusztus: Képzési adatok anonimizálása a 10. cikk teljesítéséhez
Az EU AI Act teljes körű végrehajtása 2026. augusztus 2-án kezdődik. A bírságok akár 35 millió eurót vagy a globális forgalom 7%-át is elérhetik. A 10. cikk megköveteli a képzési adatok anonimizálását.
Visszafordíthatatlan anonimizálás: a bizonyíték-megsemmisítés kockázata
A ChatGPT-be bevitt adatok 34,8%-a érzékeny tartalmat tartalmaz (Cyberhaven). A megoldás – a végleges anonimizálás – saját jogi kockázatot teremt: a bizonyíték-megsemmisítést. GDPR 4. cikk (5) bekezdés.
A 80 000 dolláros kitakarási számla: Word-bővítményes megoldás
Óránként 200–400 dolláros díjszabás mellett egy 10 000 dokumentumból álló produkciós eljárás 26 000–80 000 dollárba kerül ügyvédi munkaidőben (RAND). A Bloomberg Law 2024-es kutatása kimutatta, hogy az automatizálás drasztikusan lerövidíti ezt az átfutási időt.
Böngészős DLP: blokkolás versus anonimizálás — 2026-os összehasonlítás
A böngészős DLP két megközelítése: a blokkolás megakadályozza a személyes adatok AI-eszközökbe juttatását; az anonimizálás az elküldés előtt alakítja át az adatokat. Objektív összehasonlítás.
A Samsung háromszor szivárogtatott forráskódot ChatGPT-be
2023 áprilisában három különböző Samsung-mérnöki csapat illesztett be saját fejlesztésű kódot és bizalmas adatokat a ChatGPT-be. Mindhárom incidens különböző sebezhetőséget tárt fel.
E-discovery szankciók: a mesterséges intelligenciás szerkesztés kudarca
Az Athletics Investment Group v. Schnitzer Steel (2024) ügyben a nem megfelelő szerkesztés discovery-szankciókat vont maga után. Mivel az MI-eszközök mindössze 22,7%-os pontossággal dolgoznak, a jogi csapatok valódi felelősséggel szembesülnek.
SaaS-adatszegések 300%-kal nőttek: szükséges a zero-knowledge megközelítés
A Conduent 25,9 millió rekordot tett ki. Az NHS Digital 9 millió beteget érintett. A támadók 9 perc alatt törik fel a SaaS-szállítókat. Ha a szállítód maga az támadási felület.
HIPAA a felhőben: zero-knowledge PHI-védelemmel
Az üzleti társulási megállapodások nem akadályozzák meg a HIPAA-jogsértéseket, ha a felhő-MI-szállítód egyszerű szövegként dolgozza fel a PHI-t. Íme, mit jelent valójában a zero-knowledge architektúra az egészségügy számára.
LibreOffice PII-anonimizálási bővítmény — anonym.legal
Lépésről lépésre útmutató a személyes adatok anonimizálásához LibreOffice dokumentumokban az anonym.legal bővítmény segítségével.
LibreOffice vs. Microsoft Office: PII-kitakarás összehasonlítása
A PII-anonimizálási képességek részletes összehasonlítása LibreOffice-ban (anonym.legal bővítmény) és Microsoft Office-ban (Office-bővítmény).
Nyílt forráskódú dokumentum-anonimizálás LibreOffice-szal
Hogyan alkalmazzák a közszféra szervezetei a LibreOffice-t az anonym.legal bővítménnyel GDPR-kompatibilis dokumentum-anonimizáláshoz.
Platformfüggetlen PII-kezelés: Office és LibreOffice
Hogyan tartják fenn a vegyes Microsoft Office és LibreOffice környezetben működő szervezetek a következetes személyes adatok anonimizálását az anonym.legal segítségével.
Vállalati MI-tilalmak: produktivitás kontra kockázat
A vállalati MI-csevegőrobotoknál megadott tartalmak 27,4%-a érzékeny adatot tartalmaz — ez 156%-os éves növekedés. Mégis a vállalati MI-hozzáférés 71,6%-a megkerüli a vállalati DLP-kontrollokat személyes fiókokon keresztül.
Biztonságos MI-bővítmények 2026-ban
2026 januárjában két, összesen 900 000+ felhasználóval rendelkező rosszindulatú Chrome-bővítményt kaptak rajta, amelyek 30 percenként szivárogtatták ki a ChatGPT- és DeepSeek-beszélgetéseket.
Böngészős DLP ChatGPT-hez, Claude-hoz és Geminihez — 2026
A hagyományos vállalati DLP fájlátvitelhez és e-mailhez készült, nem AI-chatbotokhoz. Ez az útmutató a böngészőnatív adatvesztés-megelőzést tárgyalja ChatGPT, Claude és Gemini esetén.
Amikor az egészségügyi CISO-k nemet mondanak a felhőalapú PHI-feldolgozásra
2024-ben 725 egészségügyi adatvédelmi incidens 275 millió rekordot érintett. A 10,22 millió dolláros átlagos incidensdíjakkal — ami minden iparág közül a legmagasabb — az egészségügyi CISO-k egyre inkább megtagadják a felhőalapú PHI-feldolgozás jóváhagyását.
530 millió eurós TikTok-bírság: GDPR-adatszuverenitás
A TikTot 530 millió eurós GDPR-bírsága az EU–Kína adatátvitelek miatt az adatszuverenitás-érvényesítés új korszakát jelzi. Az 5,65 milliárd eurós összesített bírságokkal a GDPR ma már aktív üzleti költség.
HHS 2025: Az AI klinikai feljegyzések PHI-t igényelnek
Az AI-átírási rendszerek véletlenül az A páciens PHI-ját B páciens rekordjába helyezhetik. Íme, miért az EHR-mentés előtti valós idejű PHI-észlelés az ellenőrzés.
Miért nem felel meg a bináris személyes adat-észlelés a megfelelési követelményeknek
Az észlelt/nem észlelt jelölés nem elegendő az emberi ítélőképességet igénylő megfelelési összefüggésekben. Íme, miért alakítja a megbízhatósági pontozás a személyes adat anonimizálását.
GDPR adatminimalizálás: Valós idejű API az adatforráshoz
A GDPR 5. cikk (1)(c) bekezdése megköveteli, hogy csak a szükséges adatokat gyűjtsük össze. A valós idejű API-integráció megakadályozza a túlzott adatgyűjtést az űrlapbeküldés szakaszában — mielőtt.
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.