By · Last updated 2026-05-01

Til baka á BloggGDPR & Samræmi

Innri starfsmannanúmer eru einnig persónugreinanlegar upplýsingar

Sérhver stór stofnun hefur séreignarlegar innri auðkenningar sem tengja nafnlausar skrár aftur við raunverulegar manneskjur. 34% GDPR-sekta fela í sér ófullnægjandi tæknilegar ráðstafanir. Lærðu hvernig á að laga þetta.

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

Hvað er hlutgerviseðlis-PII?

GDPR 4. grein nær yfir öll gögn sem geta auðkennt einstakling. Gögnin þurfa ekki að nafngreina einhvern beint. Þau þurfa aðeins að gera auðkenningu mögulega í gegnum viðbótarskref.

Innri starfsmannanúmer eru skýrt dæmi. Taktu gildið "EMP-EU-123456." Þessi streng nafngreinir engan. En mannauðskerfið geymir einfalda uppflettitöflu. EMP-EU-123456 vísar á María Schmitt, eldri verkfræðing, Munchen. Allir með aðgang að þeirri töflu geta fundið hana. Samkvæmt GDPR eru auðkenningarnar persónugögn.

Sama regla á við um aðrar innri kóðar:

  • Viðskiptavinareikningsnúmer sem tengja CRM-skrár
  • Verkefnakóðar sem tengja viðskiptavinanöfn í samningskerfum
  • Mál tilvísunarnúmer í lagalegum skrám
  • Sjúkraskrárnúmer sem tengja sjúklingaskrár

Að fjarlægja nöfn og tölvupósta er ekki nóg. Ef innri auðkenningar eru eftir í skrá er endurauðkenning aðeins tvö skref í burtu.

Af hverju þetta bil leiðir til sekta

34% allra GDPR-sekta fela í sér ófullnægjandi tæknilegar ráðstafanir samkvæmt 32. grein. Þessi tala kemur frá DLA Piper 2025 GDPR ársskýrslu. Bilið við að greina hlutgerviseðlis innri auðkenningar fellur undir þennan flokk.

EDPB sá um yfir 900 samræmingsmekanismamál árið 2024. Þverlanda framkvæmd þýðir að eitt bil í samnýttum gagnasafni getur leitt til samhæfðrar aðgerðar í nokkrum ESB-aðildarríkjum.

Venjuleg PII-tæki finna alþjóðleg mynstur: nöfn, tölvupóstar, símanúmer, þjóðlegar auðkenningar. Þau þekkja ekki innri auðkenningarsnið þitt. Ekkert tæki gerir það fyrr en þú segir þvi frá. Þetta er bilið.

Hvernig kóðalaus mynstrunarsmíðari virkar

Alþjóðlegt flutningafyrirtæki þarf að nafnleysa starfsmannskrár fyrir ytri endurskoðun. Starfsmannanúmer þeirra nota þetta snið: EMP-[SVÆÐI]-[6 tölustafir]. Þrjú dæmi: EMP-EU-123456, EMP-APAC-789012, EMP-AMER-345678.

Samræmisteymið slær inn þrjú dæmi í gervigreindarmynstrunarhjálpina. Gervigreindin skilar:

  • Mynstur: EMP-[A-Z]{2,4}-\d{6}
  • Passar við öll þrjú dæmin
  • Lagt til eininganafn: EMPLOYEE-ID
  • Mælt með næsta skrefi: prófaðu með fleiri svæðiskóðum

Teymið prófar tíu fleiri dæmi. Mynstrið virkar á öllum.

Þeir vista sérsniðna eininguna í samnýttu GDPR-forsniðinu teymisins. Öll 47 skjölin í endurskoðunarpakkanum eru meðhöndluð í einni lotu. Sérhvert starfsmannanúmer er skipt út fyrir hlutverkamiðað merki. Endurskoðunarfyrirtækið fær skrár sem tengja ekki lengur við neinn einstakling.

Engin verkfræðiaðstoð þarf. Allt uppsetningin tekur undir klukkustund.

Hvað gerist næst

Þegar sérsniðna einingin er vistuð í samnýttu forsniðinu nota allir teymismeðlimir sömu uppsetninguna. Nýir starfsmenn fá hana á fyrsta degi. Lotuverkefni, API-köll og handvirkar hleðslur nota öll sama mynstrið.

Endurskoðunarslóðin sýnir hvaða forsniðið var notað fyrir hverja skrá. Ef persónuverndareftirlit biður um gögn um nafnleysingarferli þitt geturðu sýnt þau.

Fyrir fulla uppsetningarvinnuflæðisleiðina á sérsniðnum einingum, sjá sérsniðnar PII-auðkenningar fyrir skipulagsleg nafnleysingarverkefni. Til að halda þessari uppsetningu samræmdri yfir teymi, sjá nafnleysingarsamræmisforsniðin fyrir GDPR-endurskoðun.

Heimildir

Ertu tilbúinn að vernda gögnin þín?

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

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.