anonym.legal

By · Last updated 2026-05-04

Atpakaļ uz BloguGDPR un Atbilstība

VDAR tiesības uz dzēšanu: EDPB 2025. gada rīcība

EDPB 2025. gada Koordinētā izpildes ietvara ietvaros 32 DPA pārbaudīja atbilstību tiesībām uz dzēšanu. Deviņas DPA uzsāka formālas izmeklēšanas.

May 4, 20269 min lasīšanai
GDPR right to erasureEDPB coordinated enforcement 2025Article 17 compliancedata minimizationanonymization vs deletion

VDAR tiesības uz dzēšanu: EDPB 2025. gada atklājumi

Atjaunināts 2026. gadam

EDPB 2025. gada dzēšanas rīcība

Eiropas Datu aizsardzības padome 2025. gadā veica nozīmīgu rīcību. Tā aptvēra VDAR 17. pantu — tiesības uz dzēšanu. Tajā piedalījās 32 DPA no ES un EEZ. Visas rīkojās vienlaikus. Mērķis bija atrast plaši izplatītas kļūmes, nevis atsevišķus gadījumus.

Šī rīcība ir Koordinētais izpildes ietvars jeb CEF. Deviņas DPA kopš tā laika ir uzsākušas formālas izmeklēšanas, pamatojoties uz tā rezultātiem.

Septiņas atkārtojošās kļūmes

CEF ziņojumā tika nosauktas septiņas problēmas, kas konstatētas pārbaudītajās organizācijās:

  1. Vājas dzēšanas pieprasījumu apstrādes procedūras
  2. Pārāk plašs pamatotu pieprasījumu noraidījums
  3. Nesamērīgs slogs personām, kas iesniedz pieprasījumus
  4. Nespēja atrast visus personas ierakstus sistēmās
  5. Kavēšanās ārpus VDAR 30 dienu atbildes termiņa
  6. Nepietiekama atgriezeniskā saite personām par pieprasījumu rezultātiem
  7. Kļūdaina anonimizācija dzēšanas vietā. Organizācijas apgalvoja "anonimizāciju", bet atstāja ierakstus izsekojamus.

Septītais punkts ir vissarežģītākais. Tas skar jebkuru organizāciju, kas izmanto šo metodi saglabāto personas datu apjoma samazināšanai.

Anonimizācija pret dzēšanu

VDAR tiesības uz dzēšanu ne vienmēr nozīmē pilnīgu dzēšanu. 65. apsvērums pieļauj anonimizāciju, kad dzēšana nav iespējama. Rezerves lentes un analītikas sistēmas ir izplatīti piemēri.

CEF liecina, ka šī iespēja tiek ļaunprātīgi izmantota. Organizācijas apzīmē procesu par "anonimizāciju", lai izvairītos no patiesās dzēšanas. Taču process joprojām atstāj ierakstus, kas izsekojami reālām personām.

EDPB novilka skaidru robežu.

Patiesa anonimizācija nozīmē, ka saiti starp ierakstiem un personu nav iespējams atjaunot. Pārzinim nav iespējas to atkārtoti sasaistīt. Nevienai trešajai pusei nav iespējas to atkārtoti sasaistīt. Šādi ieraksti ir ārpus VDAR tvēruma. Pieprasījums ir izpildīts.

Pseidonimizācija ir atšķirīga. Atkārtota sasaistīšana ar pareizo atslēgu joprojām ir iespējama. Personas dati joprojām pastāv. Pieprasījums nav izpildīts. Ieraksti jādzēš vai atslēga jāiznīcina.

Divslāņu pieeja

Organizācijām, kas izmanto anonimizāciju analītikā, nepieciešami divi slāņi.

1. slānis — ievade: Šeit nonāk neapstrādātie personas dati. Šie dati ir pakļauti dzēšanas pieprasījumiem. Kad persona izmanto 17. panta tiesības, šajā slānī esošie dati tiek dzēsti.

2. slānis — analītika: Šajā slānī nonāk tikai anonimizētie rezultāti. Ja maskēšanas process bija pilnīgs un vienvirziena, šie rezultāti nav personas dati. Tie nemainās, kad pienāk dzēšanas pieprasījums.

Šī iestatīšana darbojas tikai tad, ja maskēšanas solis atbilst trim pārbaudēm.

Pirmkārt: vienvirziena. Atgriezeniski žetoni un šifrētas aizstāšanas neatbilst prasībām.

Otrkārt: pilnīga. Jāapstrādā visi identifikatoru tipi. Tikai vārdu noņemšana nav pietiekama.

Treškārt: dokumentēta. Organizācijai jāspēj parādīt DPA, kā metode darbojas.

Mazumtirgotājs, kas aizstāj klientu vārdus ar šifrētiem žetoniem, ir veicis pseidonimizāciju — nevis patieso dzēšanu. Analītikas slānis joprojām satur personas datus. Dzēšanas pieprasījumi joprojām attiecas uz tiem.

Mūsu VDAR atbilstības rokasgrāmata aptver juridisko pamatu katrai pieejai. Mūsu drošības atbilstības pārskats uzskaita nepieciešamās kontroles. Soli pa solim palīdzību skatiet mūsu VDAR anonimizācijas audita rokasgrāmatā.

Avoti

Saistītie Raksti

GDPR un Atbilstība

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 un Atbilstība

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 un Atbilstība

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.

Vai esat gatavi aizsargāt savus datus?

Sāciet PII anonimizāciju ar 285+ entitāšu veidiem 48 valodās.

Sākt Bezmaksas IzmēģinājumuSkatīt Funkcijas

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.