anonym.legal

By · Last updated 2026-05-06

Til baka á BloggGDPR & Samræmi

GDPR-þversagnin: Er nafnleysingjatækið þitt loglegt?

Sektarhneykslið 290 milljóna evra gegn Uber (hollenska PV-stofa 2024) snerist sérstaklega um flutning evrópskra bílstjóragagna til bandarískra netþjóna. Flestar bandarískar nafnleyngjatæki vinna úr gögnum.

May 6, 20268 mín lestur
GDPR anonymization paradoxUber Dutch AP fineUS server EU data transferzero-knowledge GDPR compliancedata residency

Þversögnin í reglufylgni

Uppfært fyrir 2026

Fyrirtæki nota nafnleyngjatæki til að uppfylla GDPR-reglur. Tækið á að vera lausnin. Það verndar persónuupplýsingar samkvæmt 32. grein. En ef tækið sendir persónugögn frá ESB til bandarískra netþjóna skapar það einmitt þá brot sem það var keypt til að koma í veg fyrir.

Í ágúst 2024 sektaði hollenska Persónuverndarstofa Uber um 290 milljónir evra. Þetta var stærsta sekt fyrir ESB-gagnaflutning sem þá hafði verið lögð á. Ástæðan: Uber sendi gögn evrópskra bílstjóra til bandarískra netþjóna. Nöfn, staðsetningarskrár, greiðsluupplýsingar og skilríkjaskjöl fóru öll yfir landamæri. Engin viðeigandi öryggisráðstafanir samkvæmt 46. grein voru til staðar. Hollenska PV-stofa úrskurðaði að notkun Uber á bandarískum netþjónum væri stöðugt GDPR-brot.

Sama rökfærsla á við um nafnleyngjatæki. Bandarískt SaaS-tæki sem flytur persónuupplýsingar frá ESB til bandarískra netþjóna gerir nákvæmlega það sama og hollenska PV-stofa refsaði fyrir. Tilgangurinn -- nafnlögun á móti ferðaþjónustu -- breytir ekki lögfræðilegri greiningu. Sjá yfirlit um reglufylgni okkar fyrir skýra samantekt.

Persónuverndarfulltrúar hafa tekið eftir þessu

Personuverndarfulltrúar hafa velt þessum málum upp frá Schrems II árið 2020. Sú dómsmál drap EU-US Privacy Shield samninginn. Það setti regluna að bandarískir netþjónar eru ekki öruggir fyrir persónuupplýsingar frá ESB nema sérstakar öryggisráðstafanir séu til staðar.

Hvert bandarískt tæki sem tekur við persónuupplýsingum frá ESB þarf gilt lagalegt grundvöll fyrir flutninginn skjalfestan. GDPR-sektir náðu samtals 5,65 milljörðum evra til 2025. Flutningsbrot eru að meðaltali 18 milljónir evra á hvert mál. Áhættan er raunveruleg. Hún hefur þegar leitt til stórra sekta. Hún mun leiða til fleiri.

Tvær leiðir til að leysa þversögnina

Tvær raunverulegar lausnir eru til. Í fyrsta lagi, vinna aðeins úr skjölum á netþjónum í ESB. Skrárnar yfirgefa aldrei ESB. Í öðru lagi, nota núll-þekkingararkitektúr. Engar persónulegar upplýsingar komast til netþjónsins yfirleitt.

ESB-hýsing ein og sér gæti ekki dugað. Bandarískt fyrirtæki með netþjóna í ESB getur enn verið beðið um að afhenda skrár. FISA 702. kafli og framkvæmdaskipun 12333 ná til bandarískra fyrirtækja og ESB-eininga þeirra. Bandarískt móðurfyrirtæki getur verið þvingað til að gefa aðgang -- jafnvel að skrám á ESB-netþjónum.

Núll-þekkingararkitektúr leysir þetta. Ef engar persónulegar upplýsingar komast til netþjónsins skiptir staðsetning netþjónsins ekki máli. Það sem kemur til netþjónsins -- dulkóðuð tókar, maskuð gildi, umbreytt úttak -- eru ekki persónuupplýsingar samkvæmt GDPR. Það fellur utan við flutningsreglurnar. Lestu um núll-þekkingaraðferð okkar og sjá verðlagsáætlanir þar á meðal skjáborðsforritið.

anonym.legal notar núll-þekkingararkitektúr. Netþjónninn sér aldrei meginmál með klartexta. Að fullu netþjónsögn skilar aðeins AES-256-GCM dulritun. Skjáborðsforritið keyrir aðeins á tæki þínu -- engar ytri tengingar.

Heimildir

Tengdar Greinar

GDPR & Samræmi

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 & Samræmi

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 & Samræmi

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.

Ertu tilbúinn að vernda gögnin þín?

Byrjaðu að anonymiza PII með 285+ gerðum í 48 tungumálum.

Byrjaðu Ókeypis PrufuSkoða Eiginleika

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.