anonym.legal

By · Last updated 2026-05-01

Վերադառնալ բլոգինGDPR & Համապատասխանություն

Աշխատողների ներքին ID-ները նույնպես անձնական տվյալներ են

Յուրաքանչյուր խոշոր կազմակերպություն ունի սեփական ներքին նույնացուցիչներ, որոնք կարող են կրկին կապել անանձնանացված գրառումները իրական մարդկանց հետ: GDPR-ի տուգանքների 34%-ը կապված է անբավարար տեխնիկական միջոցների հետ:

May 1, 20268 րոպե կարդալ
employee ID anonymizationproprietary identifier detectionquasi-PIIGDPR custom entitiesno-code pattern builder

Ի՞նչ է կվազի-անձնական տվյալը

GDPR-ի 4-րդ հոդվածը ծածկում է ցանկացած տվյալ, որը կարող է նույնականացնել անձին: Տվյալները պետք չէ ուղղակիորեն անվանեն մեկին: Բավական է, որ նույնականացումը հնարավոր դառնա լրացուցիչ քայլերով:

Աշխատողների ներքին ID-ները դրա հստակ օրինակն են: Վերցրեք "EMP-EU-123456" արժեքը: Այս տողը ոչ ոքի չի անվանում: Սակայն HR համակարգը պահպանում է պարզ համեմատության աղյուսակ: EMP-EU-123456-ը կապված է Մարիա Շմիդտի, Ավագ Ինժեների, Մյունխեն: Ցանկացած ոք, ով հասանելիություն ունի այդ աղյուսակին, կարող է գտնել նրան: GDPR-ի համաձայն, ID-ն անձնական տվյալ է:

Նույն կանոնը վերաբերում է այլ ներքին կոդերին.

  • Հաճախորդների հաշվի համարները, որոնք կապված են CRM գրառումների հետ
  • Ծրագրի կոդերը, որոնք կապված են հաճախորդների անուններին պայմանագրային համակարգերում
  • Գործի հղման համարները իրավական ֆայլերում
  • Բժշկական գրառումների համարները, որոնք կապված են հիվանդների գրառումների հետ

Անուններն ու էլ.փոստի հասցեները հեռացնելը բավարար չէ: Եթե ներքին ID-ները մնում են ֆայլում, կրկնանույնականացումը ընդամենը երկու քայլ հեռու է:

Ինչո՞ւ է այս բացը հանգեցնում տուգանքների

GDPR-ի բոլոր տուգանքների 34%-ը կապված է 32-րդ հոդվածի ներքո անբավարար տեխնիկական միջոցների հետ: Այս թիվը ստացված է DLA Piper 2025 GDPR տարեկան զեկույցից: Կվազի-նույնականացնող ներքին նույնացուցիչների հայտնաբերումը բաց թողնելը ընկնում է այս կատեգորիայի մեջ:

EDPB-ն 2024 թ. մշակել է 900-ից ավելի հետևողականության մեխանիզմի գործ: Սահմանների վրայով կիրարկումը նշանակում է, որ ընդհանուր տվյալների բազայի մեկ բաց կարող է հանգեցնել մի քանի ԵՄ անդամ երկրներում կոորդինացված գործողության:

Ստանդարտ PII գործիքները գտնում են համընդհանուր ձևաչափեր՝ անուններ, էլ.փոստ, հեռախոսահամարներ, ազգային ID-ներ: Դրանք չգիտեն ձեր ներքին ID ձևաչափը: Ոչ մի գործիք չգիտի, քանի դեռ դուք չեք ասել: Ահա թե ինչ է բացը:

Ինչպե՞ս է աշխատում կոդ չպահանջող ձևաչափի ստեղծողը

Մի գլոբալ լոգիստիկ ընկերություն կարիք ունի անանձնանացնել աշխատողների գրառումները արտաքին աուդիտի համար: Նրանց աշխատողների ID-ները օգտագործում են հետևյալ ձևաչափը. EMP-[REGION]-[6 թիվ]: Երեք օրինակ. EMP-EU-123456, EMP-APAC-789012, EMP-AMER-345678:

Համապատասխանության թիմը AI ձևաչափի օգնականին մուտքագրում է երեք օրինակ: AI-ն վերադարձնում է.

  • Ձևաչափ. EMP-[A-Z]{2,4}-\d{6}
  • Բոլոր երեք օրինակները համընկնում են
  • Առաջարկվող կազմակերպության անուն. EMPLOYEE-ID
  • Առաջարկվող հաջորդ քայլ. փորձարկել ավելի շատ տարածաշրջանային կոդերով

Թիմը փորձարկում է ևս տաս նմուշ: Ձևաչափն աշխատում է բոլոր նրանց վրա:

Նրանք պահպանում են հատուկ կազմակերպությունը թիմի ընդհանուր GDPR preset-ին: Աուդիտի փաթեթի բոլոր 47 փաստաթղթերը մշակվում են մեկ խմբաքանակով: Յուրաքանչյուր աշխատողի ID-ն փոխարինվում է դերի վրա հիմնված պիտակով: Աուդիտի ընկերությունը ստանում է ֆայլեր, որոնք այլևս կապ չունեն ոչ մի անհատի հետ:

Ինժեներական օգնություն պետք չէ: Ողջ կարգավորումը մեկ ժամից պակաս ժամանակ է պահանջում:

Ի՞նչ է հաջորդը

Այն բանից հետո, երբ հատուկ կազմակերպությունը պահպանվում է ընդհանուր preset-ին, թիմի բոլոր անդամներն օգտագործում են նույն կարգավորումը: Նոր աշխատողները ստանում են այն առաջին օրը: Խմբաքանակային աշխատանքները, API կանչերը և ձեռքով բեռնումները բոլորն կիրառում են նույն ձևաչափը:

Աուդիտի հետքը ցույց է տալիս, թե որ preset-ն է օգտագործվել յուրաքանչյուր ֆայլի համար: Եթե DPA-ն ապացույց է պահանջում ձեր անանձնանացման գործընթացի վերաբերյալ, կարող եք ցույց տալ այն:

Հատուկ կազմակերպության ամբողջ կարգավորման աշխատանքային հոսքի համար տե՛ս custom PII identifiers for organizational anonymization: Թիմերի շրջանում այս կարգավորումը հետևողական պահելու համար տե՛ս anonymization consistency presets for GDPR audit:

Աղբյուրներ

Պատրաստ եք պաշտպանելու ձեր տվյալները?

Սկսեք PII անանոնիմացնել 285+ կազմակերպության տեսակներով 48 լեզուներով:

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.
  • 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 servers live in Falkenstein, Germany.

We use Hetzner. They hold 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

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

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.

You can top up at any time.

Unused credits roll over each month.

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

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.