Lögfræðiteknik
Gagnavernd fyrir lögfræðiskrifstofur og lögfræðinga
20 greinar
Lögleg PII: Greining á trúnaðarvernd
Tilvísunarnúmer mála, skráningarnúmer lögfræðinga, dómsmálsnúmer og viðskiptavinarkóðar eru lagalega viðkvæmar auðkennisskrár sem hefðbundin PII-verkfæri gleyma.
PII-greining lækkar rafrænan uppgötvunarkostnað
Lögfræðingsstýrð PII-afkenning í rafrænum uppgötvunum kostar $1-2 á blaðsíðu. Dómsmál með 50.000 skjöl framleiðir $375.000+ í afkenningarkostnaði eingöngu.
Nafnlægar mannauðskannanir með afturkræfum persónuupplýsingum
Nafnlægar kannanir hvetja til heiðarlegrar tilkynningar um áreitni og siðabrot. Þegar alvarlegar ásakanir koma fram verður mannauðsdeild að rannsaka — en.
Afturkræf dulkoding fyrir lagalegar uppgöftanir
Þú dulbúðir skjölin. Dómarinn skipaði þér að afhenda frumrit. Hvað nú? GDPR sektir náðu 1,2 milljarði EUR árið 2024 — met.
Nafnleysi í töflureikni fyrir GDPR og CCPA
Excel-formúlur vísa í frumur með nöfnum viðskiptavina. Sniðmátaðar töflur geyma viðkvæm gögn. Loftbilsumhverfi er krafist hjá 67% stjórnvalda.
FOIA-biðlisti: Sjálfvirk eyðing hjá stjórnvöldum
Bandarískar FOIA-beiðnir náðu 1,5 milljón á fjárhagsárinu 2024 — 25% aukning. Biðlistar jukust um 33% í 267.056 beiðnir. Stjórnvöld eyðdu $723 milljónum í afgreiðslu.
Lagaleg þurrkögun: Vandamál með snið
73% lögfræðinga greinir frá skemmdum á sniði þegar notaðar eru þriðja aðila þurrkögunarverkfæri (Bloomberg Law 2024). Þurrkögun DOJ á Epstein-skrám.
Excel og GDPR: Áhætta persónuupplýsinga í töflureiknum
GDPR-beiðnir um aðgangur jukust um 180% frá 2021 til 2024 (EDPB). Meðaltal DSAR-úrvinnslu tekur 12 klukkustundir handvirkt. Mannauðsdeildir sem stjórna.
Að verja neitanir: AI-stig fyrir dómstól
Dómari spurði hvers vegna 47% skjals var neitað. Svarið 'AI-kerfið flaggaði það' er ekki lögfræðilega verjanlegt. Hér er hvernig verjanlegar sjálfvirkar neitanir líta út.
COPPA apríl 2026: Hvað EdTech-vettvangur verður að gera fyrir frestinn
Uppfærð COPPA-regla tekur gildi 22. apríl 2026. Reddit var sektað um 14,47 milljónir punda vegna bresta í gögnum barna. EdTech-vettvangur stendur frammi fyrir sömu áhættu.
Varanleg nafnleynd: Spoliation ahatta
34,8% ChatGPT-innslaga innihalda tiltaekar gogn (Cyberhaven). Lagfaeringin -- varanleg nafnleynd -- skapar sinn eigin laglegar ahattu: spoliation. GDPR gr.
80.000$ thykkjureikningurinn: Word innbott lagfaering
Vid $200-$400 i timan kostar 10.000 skjala framleidning $26.000-$80.000 i loerfaedatima (RAND). Bloomberg Law 2024 fann ad sjolfvaervirkni dregur saman tha timaramann verulega.
E-Discovery sakir: Gervigreind villa i thykkju
I Athletics Investment Group gegn Schnitzer Steel (2024) leiddi rangleg thykkja til sakir vid uppgefning. Med gervigreindar verkfaerum sem naed eingongu 22,7% naekvaemi standa lagateymi frammi vid raunverulega aborgun.
PII á mörgum kerfum: Office og LibreOffice
Hvernig fyrirtæki með blöndu af Microsoft Office og LibreOffice viðhalda samræmdri nafnleynd á persónugreinanlegum upplýsingum með anonym.legal.
PDF-ritskoðunargillan: Gögn afhjupuð
DOJ Epstein-skjölin, Manafort-málið og NSA-lekarnir eiga það sameiginlegt: yfirborðslæg ritskoðun sem lætur undirliggjandi texta vera aðgengilegan.
Blandað snið e-Discovery: Samræmisgloppan
E-Discovery-framleiðslur og GDPR DSARs spanna PDF, Word-skjöl, Excel og JSON-útflutning. Mismunandi tól fyrir hvert snið skapar samræmisgloppur sem.
Epstein-skjöl: Auðkennun er ekki afmáning
Útgáfa dómsmálaráðuneytis Bandaríkjanna á Epstein-skjölum í desember 2025 afhjúpaði alvarlegra afmáningarbilun: texti með svartri auðkenningu í PDF-skjölum er enn lesanlegur með afritunar-líming.
Trúnadarréttur lögfræðings og skjólstæðings & gervigreind 2026
Bandarískur dómstóll kvad upp dóm í febrúar 2026 um að samskipti við gervigreindarverkfæri beri ekki trúnaðarrétt lögfræðings og skjólstæðings.
Dómstólar sekta lögmenn fyrir afmáunarvillur
Að auðkenna texta í Word er ekki afmáun. Dómstólar sekta lögmenn fyrir tæknilegar villur sem afhjúpa forréttindaupplýsingar.
45 lausnarhugbúnaðarárásir á lögfræðistofur 2023
2023 sá met 45 lausnarhugbúnaðarárásir á lögfræðistofur og 1,6 milljón skrár í hættu. Lærðu hvers vegna lögfræðistofur eru aðalskotmark og hvernig þú verndar gögn skjólstæðinga.
Byrjaðu að Vernda Gögnin Þín Í Dag
285+ gerðir, 48 tungumál, öryggi fyrirtækja á upphafsverði.
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 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
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
- 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.