Adatvédelmi Betekintések
Szakértői cikkek az AI biztonságról, a GDPR megfelelésről, az egészségügyi adatok védelméről és a PII anonimizálás legjobb gyakorlatairól.
Összes Cikk
Beillesztés és felejtés: A személyes adat kiemelése jobb, mint a megfelelési képzés
Az AI-eszközöket ügyféladata-kezelésre használó alkalmazottak 62%-a „néha” elfelejtik először eltávolítani a személyes adatot. Íme, miért szünteti meg az automatikus kiemelés a megfelelési rést.
A PDF-redakció csapdája: feltárt adatok
A DOJ Epstein-iratai, a Manafort-ügy és az NSA-szivárgások mind ugyanabban a hibában osztoznak: kozmetikai redakció, amely mögött a szöveg kinyerhető marad.
Dokumentumformátum-töredezettség a személyes adatok anonimizálásában
Egyetlen DSAR-válasz kiterjedhet Word-szerződésekre, PDF-számlákon, Excel ügyféllistákra és CSV-exportokra. Ha minden formátumhoz külön eszközt használunk, az megfelelőségi hiányosságokat teremt.
Excel személyes adatok: Több száz oszlop anonimizálása
Az Excel az üzleti működésben az egyik legsűrűbb személyes adatokat tartalmazó dokumentumtípus. Íme, miért vall kudarcot a szokásos szövegelemzés táblázatokon, és mit tesz hozzá az oszlopkontextus.
GDPR-naplóanonimizálás: A hibakeresési képesség megőrzése
Az alkalmazásnaplók csendesen gyűjtik a felhasználói e-maileket, IP-címeket és számlaszámokat. Így oszthat meg naplókat harmadik felekkel, alvállalkozókkal és megfigyelési platformokkal a GDPR megsértése nélkül.
CSV szabad szöveges személyes adatok: az oszloptörlés nem elég
A felmérési CSV-fájlok személyes adatokat tartalmaznak nemcsak strukturált oszlopokban, hanem szabad szöveges válaszokban is. A szokásos oszloptörlés kihagyja a GDPR anonimizálási szabványát sértő személyes adatokat.
Vegyes formátumú elektronikus felismerés: Megfelelőségi hézag
Az elektronikus felismerési termelések és a GDPR DSAR-ok kiterjednek PDF-ekre, Word-dokumentumokra, Excelre és JSON-exportokra. A különböző formátumokhoz különböző eszközök használata következetességi hézagokat hoz létre.
GDPR az alkalmazásnaplókban: JSON személyes adat-megfelelőség
Az alkalmazásnaplók ügyfél e-mail-címeket, IP-eket és számlaszámokat tartalmaznak, amelyeket a GDPR 5. cikk (1) bekezdés e) pontja megkövetel kezelni.
GDPR és régi szkennelt dokumentumok: OCR + személyes adatok
A GDPR törléshez való joga a személyes adatokra vonatkozik „formátumtól függetlenül”. A papíralapú archívumokból származó képalapú PDF-fájlok nem mentesek ez alól.
Képernyőfelvételek és személyes adatok: szivárgás belső eszközökön
A Slack, a Teams, a Jira és az e-mail rendszeresen kap ügyfél személyes adatait tartalmazó képernyőfelvételeket. Ez a hozzáférés-ellenőrzési jogsértés minden DLP-eszközt megkerül.
Kézzel írt nyomtatványok OCR-je és személyesadat-felismerése
Egy közepes méretű kórház évente 50 000 kézzel írt felvételi lapot dolgoz fel. Ekkora volumen esetén a személyes adatok kézi redakálása 0,5 munkavállalói egyenértéket igényel.
Kutatási személyes adatok: képernyőfelvételek és a GDPR
Az akadémiai cikkek rendszeresen tartalmaznak pandas DataFrame-eket és R-kimeneteket, amelyek módszertani példaként valódi betegadatokat mutatnak. Íme, miért jelent ez GDPR-jogsértést.
Belső wiki személyes adatai: Confluence és ügyféladatok
A támogatási csapatok ügyfélfiók-képernyőfelvételekkel dokumentálják a folyamatokat. 3 év alatt ez több ezer GDPR-adatminimalizálási jogsértést jelent a belső rendszerben.
Az MI-kódsegédek kiszivárogtatják az éles személyes adatokat
Egységtesztelési fixture-ök valódi ügyfélrekordokkal. Naplófájlok éles adatokkal hibakereséshez. A GitHub 39 millió kiszivárogtott titkos adatot talált 2024-ben.
A személyesadat-eszközök szétaprózottsága kudarcot vall a megfelelőségi auditokon
Négy különböző eszköz négy különböző munkafolyamathoz négy különböző entitáslefedettséget és négy különböző auditnaplót jelent.
Alkalmazások közötti személyes adatvédelem: Word, Chrome és AI
Az ügyféladatok a böngészős kutatástól a Word-vázlatokon át a Claude-promptokig vándorolnak. Minden alkalmazásváltás potenciális szivárgási pont.
GDPR, CCPA és PDPA egyetlen eszközzel
Az EU-s alkalmazottak a GDPR hatálya alá esnek, az USA-ban dolgozók CCPA-adatokat kezelnek, az ázsiai-csendes-óceáni régióban lévők a PDPA szerint járnak el. Három joghatóság, egy elosztott csapat.
GDPR-audit kudarc: széttöredezett személyiadat-eszközök
Az auditor kérdezi, milyen személyiadat-észlelési ellenőrzések vannak érvényben. „Öt különböző eszközt használunk” — ezt a választ nem szeretnék hallani. Íme, miért vall kudarcot a platformok közötti következetlenség a GDPR-auditokon.
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.
Platformfüggetlen személyiadat-megfelelőség: Mac, Linux és Windows
Adatvédelmi felelős Mac-en, jogi munkatársak Windows-on, adatmérnökök Linux-on — mindenki ugyanazokat az adatokat dolgozza fel, különböző eszközökkel. Íme, miért nélkülözhetetlen az operációs rendszertől független észlelés.
BfDI Németország: adatvédelmi hatósági megfelelőségi útmutató
Németország 27 829 GDPR-sértési értesítést nyújtott be 2024-ben — ez több, mint bármely más EU-tagállamban. Íme, mit jelent a BfDI végrehajtási fókusza a technikai személyiadat-megfelelőség szempontjából.
CNIL Franciaország: GDPR technikai megfelelőség
A CNIL 16 433 panaszt dolgozott fel 2023-ban, és 2019 óta 150 millió euró feletti bírságot szabott ki. AI-útmutatója dokumentált anonimizálást ír elő a tanítási adatoknál.
ICO UK: GDPR-különbségek Brexit után
Az ICO 2025 decemberében 1,2 millió font bírságot szabott ki a LastPassra nem megfelelő titkosítás miatt. A határozat megállapítja, hogy az ügyféloldali titkosítás jogi követelmény.
Garante Olaszország: MI és személyes adatok megfelelőségi útmutató
Az olasz Garante 2024 decemberében 15 millió eurós bírságot szabott ki az OpenAI-ra, és 2023-ban átmenetileg betiltotta a ChatGPT-t. Íme, mit követel az EU legaktívabb MI-hatósága.
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.