anonym.legal

By · Last updated 2026-06-05

Վերադառնալ բլոգինGDPR & Համապատասխանություն

Իռլանդիայի DPC՝ ԵՄ GDPR-ի խոշոր տուգանքների 80%-ը

€530 մլն TikTok-ի, €310 մլն LinkedIn-ի, €251 մլն Meta-ի դեմ — բոլորը Իռլանդիայի DPC-ից: Ահա թե ինչու Իռլանդիան հյուրընկալում է մեծ տեխնոլոգիական ընկերությունների ԵՄ կենտրոնակայանները և ինչ է նշանակում DPC-ի կիրառումը SaaS-ի համար:

June 5, 20268 րոպե կարդալ
Irish DPCIreland GDPRTikTok GDPR fineBig Tech enforcementEU data protection

Ինչու Իռլանդիան առաջատար է ԵՄ կիրառման մեջ

Իռլանդիայի Տվյալների պաշտպանության հանձնաժողովը (DPC) առաջատար մարմինն է ԵՄ-ի խոշոր տեխնոլոգիական ընկերությունների մեծ մասի համար: Սա պատահականություն չէ:

Իռլանդիայի ցածր հարկային դրույքաչափն ու գրավիչ պայմանները ձգեցին Apple-ին, Google-ին, Meta-ին, LinkedIn-ին և TikTok-ին: Նրանք բոլորը հիմնեցին իրենց ԵՄ-ի գլխավոր գրասենյակները Իռլանդիայում:

GDPR-ի 60-րդ հոդվածը DPC-ն դարձնում է առաջատար մարմին այս ընկերությունների համար: Այս կանոնից բխում են երեք հետևություն:

Նախ՝ Գերմանիայից Facebook-ի մասին բողոքը ուղարկվում է Իռլանդիայի DPC, այլ ոչ թե գերմանական BfDI: Երկրորդ՝ DPC-ն աշխատում է ԵՄ-ի այլ մարմինների հետ սահմանամերձ գործերի կապակցությամբ: Երրորդ՝ DPC-ի՝ Meta-ի դեմ կայացված վճիռը կիրառվում է ողջ ԵՄ-ում:

Արդյունքը ակնհայտ է: DPC-ն ԵՄ-ի բոլոր մյուս մարմիններից ավելի շատ տուգանք է նշանակել: Տեսե՛ք մեր GDPR-ի համապատասխանության ակնարկը՝ հասկանալու, թե ինչ ազդեցություն է թողնում սա վաճառողի ընտրության վրա:

Երեք տուգանք, որոնք որոշեցին 2024–2025 թթ.

€530 մլն TikTok-ի դեմ (մայիս 2025): Չինաստանի ինժեներները հասանելիություն ստացան ԵՄ-ի օգտատերերի գրառումներին: Սա խախտեց GDPR-ի 44–46-րդ հոդվածները, որոնք սահմանափակում են փոխանցումները ԵՄ-ի համապատասխանության վճռի չունեցող երկրներ: Չինաստանն այդպիսի վճիռ չունի: TikTok-ն ասում էր, որ ունի բավարար վերահսկողական մեխանիզմներ: DPC-ն գտավ, որ դա այդպես չէ:

€310 մլն LinkedIn-ի դեմ (հոկտեմբեր 2024): LinkedIn-ը "հիմնավոր շահ" հիմքի վրա էր ծախսում վարքագծի վերլուծության համար: DPC-ն գտավ, որ դա անվավեր է: Մշակումն անհրաժեշտ չէր հայտարարված նպատակի համար: Հավասարակշռության թեստը LinkedIn-ի օգտին չէր:

€251 մլն Meta-ի դեմ (նոյեմբեր 2024): 2018 թ. Facebook-ի անվտանգության խախտման մասին ժամանակին չի հայտնվել DPC-ին: DPC-ն նաև պարզեց, որ վատ աուդիտային գրառումները հնարավոր չդարձրեցին չափել, թե ինչ է բացահայտվել:

Այս երեքը միացան 2023 թ. մայիսի €1.2 մլրդ Meta-ի ավելի վաղ տուգանքին: Այն տուգանքն էլ DPC-ից էր՝ ԵՄ-ԱՄՆ ապօրինի փոխանցումների համար: Այն մնում է GDPR-ի ամենամեծ տուգանքը:

DPC-ն 2024 թ. մշակեց 8500-ից ավելի սահմանամերձ գործ: Ծանոթացե՛ք մեր անվտանգության և համապատասխանության էջին՝ հասկանալու, թե ինչպես է զրո-գիտակցության դիզայնը լուծում յուրաքանչյուր ձախողում:

Ինչ է բացահայտում յուրաքանչյուր տուգանք

Սահմանամերձ հասանելիության ձախողումներ

Բոլոր երեք տուգանքները կիսում են մեկ հիմնական խնդիր: Անձնական գրառումները բաց էին ԵՄ-ի մակարդակի գաղտնիության կանոններ չունեցող երկրների աշխատակիցների համար:

TikTok-ի տուգանքը ուղղակի էր: ԵՄ-ի օգտատերերի ֆայլերը հասան չինացի ինժեներներին՝ չնայած հայտարարված վերահսկողությանը:

Ինչ է սա նշանակում վաճառողի ընտրության համար: Հարցե՛ք, արդյոք ԵՄ-ից դուրս ինժեներները կարող են հասնել ԵՄ-ում տեղակայված գրառումներին: Վաճառողը կարող է ծառայությունն ու տվյալները պահել Դուբլինում, բայց ԱՄՆ-ի աջակցության անձնակազմի միջոցով ԵՄ-ի ֆայլերը բացահայտ կդառնան: ԵՄ-ում ռեզիդենտ լինելն ինքնին բավարար չէ: Մեր կազմավորների մշակման ուղեցույցը ցույց է տալիս, թե ինչպես հասանելիության վերահսկումը կապվում է GDPR-ի 46-րդ հոդվածի հետ:

Օրինական հիմքի ձախողումներ

LinkedIn-ի տուգանքը անվտանգության խախտման մասին չէր: Այն վերաբերում էր LinkedIn-ի կողմից իր մշակման հիմնավորմանը:

"Հիմնավոր շահ" ընդհանուր իրավունք չէ: Վերահսկողները պետք է փաստաթղթավորեն հավասարակշռության իրական թեստ: Այդ թեստը պետք է ցույց տա, որ նրանց շահը գերազանցում է օգտատիրոջ իրավունքները: Մեր համապատասխանության էջը ծածկում է, թե ինչպես վերանայել վաճառողի օրինական հիմքի պնդումները:

Գրառումների և ծանուցումների ձախողումներ

Meta-ի €251 մլն տուգանքը ներառեց կարևոր եզրակացություն: Վատ աուդիտային գրառումները անհնար դարձրեցին չափել խախտման ծավալը:

GDPR-ի 33-րդ հոդվածը պահանջում է 72 ժամվա ընթացքում ծանուցել խախտման մասին: Այդ ծանուցումը պետք է ներառի ազդված գրառումների ծավալը: Չի կարելի հայտնել, թե ինչ ծավալ, եթե այն չի կարող չափվել:

Հարցե՛ք ապագա վաճառողներին իրենց աուդիտային գրառումների կառուցվածքի մասին: Եթե վաճառողը չի կարողանում միջադեպից հետո պատասխանել «Ո՞ր գրառումներն են բացահայտվել» հարցին, ապա նա ձախողում է 33(3)(բ) հոդվածի պահանջները:

Ձևն ըստ DPC-ի գործերի

Կարդալով DPC-ի բոլոր չորս մեծ տուգանքները՝ մի ձև հայտնվում է: Կարգավորիչ մարմինները գործ են ունենում այն դիզայնների դեմ, որտեղ վաճառողի ինժեներները կարող են տեսնել օգտատիրոջ բովանդակությունը: Յուրաքանչյուր մեծ տուգանք ներառում էր անձնական գրառումներ վատ վերահսկված հասանելիությամբ:

Զրո-գիտակցության դիզայն լուծում է հիմնական մտահոգությունը յուրաքանչյուր դեպքում: Օգտատիրոջ բովանդակությունը կոդավորված է: Վաճառողը կոդավորումը բացող բանալիներ չի պահում:

TikTok-ի և Meta-ի փոխանցման գործերի դեպքում ԵՄ-ից դուրս ինժեներները հասնում են սերվերին, բայց տեսնում են միայն ծածկանշային տեքստ: Ոչ մի ընթեռնելի գրառում բացահայտ չի դառնում: Meta-ի անվտանգության խախտման գործի դեպքում ամբողջ սերվերի վտանգի ենթարկումը ոչ մի օգտակար բան չի բերի: Խախտման ծավալը կրճատվում է: LinkedIn-ի համար վաճառողը, որը երբևիցե հարթ տեքստ չի տեսնում, չի կարողանա վարքագծի վերլուծություն կատարել:

Սա ուղղակի պատասխանն է DPC-ի յուրաքանչյուր գործողությանը: Տե՛ս մեր անվտանգության ակնարկը մանրամասների համար, կամ մեր հիմնադրի հայտարարությունը՝ հասկանալու, թե ինչու anonym.legal-ը այս կերպ է կառուցվել:

Ինչ է նշանակում "Հիմնական կայանատեղ"

Որոշ ընկերություններ ղեկավարում են իրենց ԵՄ կառուցվածքը՝ վերահսկելու, թե որ DPA-ն ունի իրավասություն: DPC-ի տեսակետն այստեղ կարևոր է:

"Հիմնական կայանատեղ" ուղղակի ընկերության հասցե չէ: Դա այն վայրն է, որտեղ ԵՄ-ի կենտրոնական կառավարումն է: Վերահսկողների համար դա այն վայրն է, որտեղ կայացվում են մշակման նպատակների մասին որոշումները:

Լոնդոնի գաղտնիության թիմ ունեցող ֆիրման կարող է ԵՄ-ի հիմնական կայանատեղ չունենալ: Յուրաքանչյուր անդամ-պետության DPA-ն կարող է հայտ ներկայացնել՝ հանդես գալ տեղական բողոքների հիման վրա:

Վաճառողի գնահատման հարցեր

Օգտագործե՛ք հետևյալ հարցերը, երբ գնահատում եք SaaS վաճառողներ, որոնք կարգավորում են անձնական գրառումներ:

Իրավասություն և հասանելիություն:

  • Որտե՞ղ է վաճառողի ԵՄ-ի հիմնական կայանատեղը:
  • Կարո՞ղ են ԵՄ-ից դուրս անձնակազմը մուտք գործել ԵՄ-ի օգտատերերի գրառումներ սովորական աշխատանքի ժամանակ:
  • Ենթակա՞ է վաճառողի մայր ընկերությունը CLOUD Act-ին կամ Չինաստանի անվտանգության օրենքներին:

Տեխնիկական դիզայն:

  • Մնո՞ւմ են ԵՄ-ի օգտատիրոջ բովանդակությունը ԵՄ-ում տեղակայված սերվերներում:
  • Վաճառողը՞ է պահում կոդավորման բանալիները, թե՞ հաճախորդը:
  • Բա՞վ մանրամասն են աուդիտային գրառումները՝ խախտման ծավալը չափելու համար:

Փոխանցման գրառումներ:

  • Ի՞նչ GDPR-ի 46-րդ հոդվածի մեխանիզմ ծածկում է ԵՄ-ԱՄՆ հոսքերը:
  • Կատարե՞լ է վաճառողը Փոխանցման ազդեցության գնահատում:
  • Ի՞նչ լրացուցիչ տեխնիկական միջոցներ կան:

DPC-ի կիրառումը հետևողական է մի կետում: Նույնիսկ գաղտնիության թիմեր ու DPO-ներ ունեցող ֆիրմաները ստանում են մեծ տուգանքներ, երբ նրանց տեխնիկական դիզայնը չի համապատասխանում հայտարարություններին: Տե՛ս մեր դեպքերի ուսումնասիրությունները և ՀՏՀ-ն լրացուցիչ տեղեկությունների համար:

anonym.legal-ն օգտագործում է ԵՄ-ում հիմնված Hetzner սերվերներ՝ զրո-գիտակցության դիզայնով: Սերվերները պահում են միայն AES-256-GCM ծածկանշային տեքստ: Ամբողջական խախտումը ոչ մի ընթեռնելի գրառում չի բացահայտում: Desktop App-ն ամբողջ բովանդակությունը մշակում է սարքում՝ առանց արտաքին կապերի:

Աղբյուրներ

Հոդվածներ, որոնք կապված են

GDPR & Համապատասխանություն

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR & Համապատասխանություն

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR & Համապատասխանություն

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

Պատրաստ եք պաշտպանելու ձեր տվյալները?

Սկսեք PII անանոնիմացնել 285+ կազմակերպության տեսակներով 48 լեզուներով:

Սկսեք անվճար փորձաշրջանԴիտել առանձնահատկությունները

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.