Datu Privātuma Ieskati
Ekspertu raksti par AI drošību, GDPR atbilstību, veselības aprūpes datu aizsardzību un PII anonimizācijas labākajām praksēm.
Visi Raksti
Vibe kodešana un PII nopluda: drošibas risks, par kuru neviens nerunā
MI generets kods reti ieklauj PII apstrade. 73% vibe kodeto lietotnu apstrada jutigo datu bez anonimizacijas. Lūk, kas izstradataajiem jazinaaa.
COPPA 2026. gada aprīlī: kas EdTech platformam jādara pirms termiņa
COPPA atjauninatais noteikums stājas spēkā 2026. gada 22. aprīlī. Reddit tika sodits ar 14,47 miljonu mārciņu sodu par bernu datu parkapumiem. EdTech platformas saskaras ar tadu pašu risku.
LangChain CVE-2025-68664: ka PII notec caur jusu RAG konveijeru
CVSS 9,3. LangChain serializacijas funkcijas paklauj vides mainigosanos un noslēpumus uzbruceja kontroletiem LLM. Ka detektēt un labot PII noteces.
MCP servera drošiba 2026: 8000 paklauti, 492 bez autentifikacijas
8000+ Modeļu konteksta protokola serveri ir publiski paklauti. 492 nav nekadas autentifikacijas. 36,7% ir neaizsargati pret SSRF. Aizsargajiet PII savos MCP riikos.
ES MI Akts 2026. gada augustā: apmācibas datu anonimizācija, lai izpilditu 10. pantu
ES MI Akta pilna izpilde sākas 2026. gada 2. augustā. Sodi lidzī 35 miljoniem eiro vai 7% no globāla apgrozijuma. 10. pants prasa apmācibas datu anonimizāciju.
Pastāvīga Anonimizācija: Pierādījumu Iznīcināšanas Risks
34,8% ChatGPT ievades satur sensitīvus datus (Cyberhaven). Labojums - pastāvīga anonimizācija - rada savus juridiskos riskus: pierādījumu iznīcināšanu. GDPR 4. pants.
80 000 USD Redakcijas Rēķins: Word Pievienojumprogrammas Risinājums
Par 200-400 USD/stundā 10 000 dokumentu ražošana izmaksā 26 000-80 000 USD advokātu laika (RAND). Bloomberg Law 2024 konstatēja, ka automatizācija saīsina šo termiņu.
Pārlūka DLP: Bloķēšana un anonimizācija 2026
Divas pieejas pārlūka DLP: bloķēšana novērš PII nosūtīšanu uz AI rīkiem; anonimizācija transformē datus pirms nosūtīšanas. Objektīvs salīdzinājums.
Samsung Trīs Reizes Pazaudēja Pirmkodu ChatGPT Dēļ
Trīs atsevišķas Samsung inženieru komandas ielīmēja patentētu kodu un konfidenciālus datus ChatGPT 2023. gada aprīlī. Katrs incidents atklāja atšķirīgu aspektu.
E-atklāšanas Sankcijas: AI Redakcija Neizdodas
Lietā Athletics Investment Group v. Schnitzer Steel (2024) nepareiza redakcija izraisīja atklāšanas sankcijas. Kad AI rīki sasniedz tikai 22,7% precizitāti, juridiskās komandas saskaras ar reālu atbildību.
SaaS Pārkāpumi Pieauga par 300%: Nepieciešams ZK
Conduent atklāja 25,9 miljonus ierakstu. NHS Digital: 9 miljoni pacientu. Uzbrucēji ielaužas SaaS piegādātājos 9 minūtēs. Kad jūsu piegādātājs ir uzbrukuma mērķis.
HIPAA mākonī: nulles zināšanas PHI aizsardzībai
Biznesa asociācijas līgumi nenovērš HIPAA pārkāpumus, kad jūsu mākoņa MI piegādātājs apstrādā PHI skaidrā tekstā. Lūk, ko nozīmē nulles zināšanu arhitektūra.
LibreOffice PII anonimizācijas paplašinājums
Soli pa solim rokasgrāmata PII anonimizācijai LibreOffice dokumentos, izmantojot anonym.legal paplašinājumu.
LibreOffice vs Office: PII redakcija
Detalizēts PII anonimizācijas spēju salīdzinājums LibreOffice (anonym.legal paplašinājums) un Microsoft Office (Office pievienojumprogramma).
Atvērtā pirmkoda anonimizācija: LibreOffice
Kā valsts sektora organizācijas izmanto LibreOffice kopā ar anonym.legal paplašinājumu VDAR atbilstīgai dokumentu anonimizācijai.
Starpplatformu PII: Office un LibreOffice
Ka organizacijas ar jauktu Microsoft Office un LibreOffice vidi nodrosina konsekventa PII anonimizacija, izmantojot anonym.
Uzņēmumu MI aizliegumi: produktivitāte pret risku
27,4% uzņēmumu MI tērzēšanas bota satura satur sensitīvus datus — 156% pieaugums gadā. Tomēr 71% darbinieku apiet korporatīvos aizliegumus.
Drošas MI privātuma paplašinājumi 2026. gadā
2026. gada janvarī divi ļaunprātīgi Chrome paplašinājumi ar vairāk nekā 900 000 lietotāju tika pieķerti, zogot ChatGPT un DeepSeek sarakstes ik pēc 30 minūtēm.
Pārlūka DLP ChatGPT, Claude un Gemini
Tradicionālais uzņēmuma DLP tika veidots failu pārsūtīšanai un e-pastam, nevis AI tērzēšanas robotiem. Šī rokasgrāmata aptver pārlūkam vietēju datu noplūdes novēršanu ChatGPT.
Kad CISO saka nē mākoņa PHI apstrādei
725 veselības aprūpes datu pārkāpumi 2024. gadā skāra 275 miljonus ierakstu. Ar 10,22 miljonu dolāru vidējām pārkāpuma izmaksām — augstākajām jebkurā nozarē — veselības aprūpes CISO ir.
530 miljonu eiro TikTok sods: VDAR datu suverenitāte
TikTok 530 miljonu eiro VDAR sods par ES-Ķīnas datu pārsūtīšanu iezīmē jaunu datu suverenitātes izpildes laikmetu. Ar 5,65 miljardiem eiro kopējo sodu.
HHS 2025: AI klīniskajām piezīmēm nepieciešama PHI aizsardzība
AI transkripcijas sistēmas var netīši ievietot pacienta A PHI pacienta B ierakstā. Lūk, kāpēc reāllaika PHI atklāšana pirms EHR saglabāšanas ir galvenā kontrole.
Kāpēc bināra PII atklāšana neatbilst atbilstības prasībām
Atklāts/neatklāts karodziņš nav pietiekams atbilstības kontekstiem, kas prasa cilvēka spriedumu. Ticamības novērtēšana pārveido PII anonimizāciju no bināras minēšanas par revidējamu atbilstības kontroli.
VDAR datu minimizācija: Reāllaika API
VDAR 5. panta 1. punkta c) apakšpunkts prasa vākt tikai nepieciešamos datus. Reāllaika API integrācija novērš pārmērīgu vākšanu veidlapas iesniegšanas stadijā - pirms dati nonāk datu bāzē.
Sāciet Aizsargāt Savus Datus Šodien
267+ entitāšu veidi, 48 valodas, uzņēmuma līmeņa drošība par sākuma cenām.
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, held by our hosting provider.
- 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
Automated checks run on every release.
Each surface gets its own sweep script and report.
Human reviewers spot-check the output each week.
We test detection against sample documents before each release.
A failing unit or integration run stops the release.
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.
Paid plans can buy top-up credits.
Credits reset at the end of each cycle.
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.