Adatvédelmi Betekintések
Szakértői cikkek az AI biztonságról, a GDPR megfelelésről, az egészségügyi adatok védelméről és a PII anonimizálás legjobb gyakorlatairól.
Összes Cikk
Garante Olaszország: AI- és PII-megfelelőség
Az olasz Garante 2024 decemberében 15 millió eurós bírságot szabott ki az OpenAI-ra, és 2023-ban ideiglenesen betiltotta a ChatGPT-t. Az olasz vállalkozások 63%-ánál hiányoznak az AI-adatirányítási szabályzatok.
LGPD Brazília: CPF, CNPJ és adatvédelem
Az LGPD 215 millió brazilt véd, és az ANPD 2024-ben megkezdte a komoly végrehajtást. Az angolra betanított eszközök a CPF-et csupán 45%-os pontossággal ismerik fel.
Holland AP: 290 millió eurós bírság és GDPR-végrehajtás
A holland Autoriteit Persoonsgegevens az EU legnagyobb adattovábbítási bírságát szabta ki – 290 millió eurót az Uberrel szemben. A BSN (holland személyi szám) Elfproef-ellenőrzése az eszközök 56%-ából hiányzik.
UODO Lengyelország: PESEL, NIP és RODO
Az UODO megállapítása szerint a telepített eszközök 89%-a nem ismeri fel helyesen a lengyel PESEL-számot. Lengyelország naponta 2,3 millió EU-s ügyfélrekordot dolgoz fel. PESEL-ellenőrzőszám, NIP-azonosítás.
ANSPDCP Románia: CNP-azonosítás és GDPR-ellenőrzések
Az ANSPDCP megállapítása szerint az eszközök 78%-a nem ismeri fel a román CNP-számot megfelelő ellenőrzéssel. A CNP kódolja a nemet, a születési dátumot és a születési megyét – a GDPR különleges kategóriájú adatként kezeli.
IMY Svédország: Személyi szám és Luhn-ellenőrzés
Az IMY szerint az általános eszközök 45%-a nem ismeri fel a svéd személyi számot. A samordningsnummer (60-as eltolással) a legtöbb implementációból hiányzik. Svédországban a GDPR-jogokat az állampolgárok 79%-a gyakorolja.
Dán CPR-szám: modulus-11 ellenőrzés a GDPR-megfelelőséghez
Az NLP-eszközök 67%-a kihagyja a dán CPR-szám modulus-11 ellenőrzését. A Datatilsynet 2024-ben 14 egészségügyi végrehajtási határozatot hozott. Egészségügyi adatok másodlagos felhasználása.
Cseh születési szám: nemkódolás és GDPR
A cseh születési szám (rodné číslo) 50-es eltolású hónap-kódolással tárolja a nemet – ez GDPR 9. cikk szerinti különleges kategóriájú adattá teszi. A cseh cégek 67%-a német eszközöket használ.
NAIH Magyarország: TAJ-szám és adóazonosító jel
A magyar NER-pontosság 67% az EU 82%-os átlagával szemben – a NAIH 2024-es értékelése alapján. TAJ-szám súlyozott ellenőrzőszám és adóazonosító jel felismerési hiányosságok.
HDPA Görögország: AFM és AMKA azonosítók felismerése
A generikus eszközök csupán 52%-os pontossággal ismerik fel a görög AFM azonosítót. A HDPA 2024-ben 89 határozatot hozott — ez 162%-os növekedés 2022-höz képest. Az idegenforgalmi és hajózási szektorban sajátos megfelelési kihívások mutatkoznak.
Japán My Number: Verhoeff-algoritmus és APPI megfelelés
A generikus eszközök 63%-a nem ismeri fel a My Number azonosítót japán dokumentumokban. A My Number a Verhoeff-algoritmust alkalmazza — ez Ázsia legnehezebb nemzeti azonosítójának ellenőrző összege.
Epstein-iratok: a kiemelés nem jelent kitakarást
A Igazságügyi Minisztérium 2025 decemberi Epstein-irat-kiadása egy kritikus kitakarási hibát tárt fel: a feketén kiemelve takart PDF-szöveg másolás-beillesztéssel olvasható marad.
Ügyvéd-ügyfél titoktartás és MI 2026-ban
Egy 2026 februári szövetségi bírósági döntés kimondta: az MI-eszközökkel folytatott kommunikáció nem élvez ügyvédi titokvédelmet — minden ügyvédi irodát érintő mérföldkő.
Zero-knowledge vs. zero-trust felhőtitkosítás
A LastPass is titkosította felhasználói adatait – és mégis 438 millió dollárt loptak el. Ez a különbség a szerver oldali titkosítás és a valódi zero-knowledge architektúra között.
Air-gapped személyes adat anonimizálás: offline-first védelemhez
A vállalati biztonsági szabályzatok 41%-a tiltja a minősített dokumentumok felhőbeli feldolgozását.
Többnyelvű személyes adat felismerés GDPR-megfelelőséghez
A német Steuer-ID, a francia NIR és a svéd Personnummer mind eltérő felismerési logikát igényel. Ismerje meg, hogyan szüntetheti meg a rendszeres GDPR-megfelelőségi rést a többnyelvű szervezetekben.
Visszafordítható vs. végleges kitakarás – melyiket válassza?
A GDPR különbséget tesz anonimizálás és álnevesítés között. A bíróságoknak szükségük lehet az eredetire. A kutatáshoz újraazonosítás kell. Ismerje meg, mikor melyik megközelítést alkalmazza.
Többnyelvű NER: Az angol modellek megbuknak arabban
Az angol NER-modellek 85-92%-os pontosságot érnek el. Arabul és kínaiul? Gyakran csak 50-70%. Megismerheti a technikai kihívásokat és azt, hogyan építhet valóban hatékony megoldást.
A KKV-k 94%-át megtámadták: Megfizethető adatvédelem
A kis- és középvállalkozások ugyanolyan fenyegetésekkel szembesülnek, mint a nagyvállalatok, de nem engedhetik meg maguknak a havi 800$+ eszközöket. Így juthat vállalati szintű adatvédelemhez havi 3 €-tól.
PHI-azonosítás pontossága: John Snow Labs 96% vs GPT-4o
Nem minden anonimizáló eszköz egyforma. Az ECIR 2025 eredményei 79%-tól 96%-ig terjedő F1-értékeket mutatnak. Ismerje meg, miért számít a pontosság, és hogyan értékelje az eszközöket.
Bíróságok szankcionálják az ügyvédeket a redakciós hibák miatt
A szöveg kiemelése Wordben nem egyenlő a redakcióval. A bíróságok szankcionálják az ügyvédeket olyan technikai hibák miatt, amelyek privilegizált információkat tesznek hozzáférhetővé.
Használja a Claude-ot és a ChatGPT-t személyes adatok kiszivárogtatása nélkül
Fejlesztői útmutató az MI-asszisztensek biztonságos használatához. Állítsa be az MCP Server integrációt az átlátható személyesadat-védelemhez a Claude Desktop, a Cursor és a VS Code alkalmazásban.
900 000 felhasználó MI-csevegését lopták el
Két rosszindulatú Chrome-bővítmény több mint 900 000 felhasználó ChatGPT-csevegését lopta el. Az egyiknek Google Featured (Kiemelt) jelzése volt.
7,42 millió $: az egészségügy vezeti az adatbiztonsági incidens-statisztikákat
Az egészségügy 14 egymást követő éve az adatbiztonsági incidensek legköltségesebb ágazata. Ismerje meg, miért olyan értékes az egészségügyi személyes adat (PHI), és hogyan lehet védekezni.
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.