Presidio: 3-ukers oppsett vs. administrert PII
Microsoft Presidio har tusenvis av GitHub-stjerner og hundrevis av åpne saker. Oppsettskompleksitet, PySpark-integrasjonsomfang og Python-avhengigheter.
Fra 6 uker til 3 dager: Administrert PII-oppsett
Helse-SaaS-team bruker 6 uker på selvhosting av Presidio i produksjon for de bytter til administrert API. Det administrerte API-et erstatter distribusjonsprosjektet.
Gratis PII-deteksjon koster €13 000 per år
Selvhosting av Presidio krever 40-80 timers innledende oppsett og 5-10 timers lopende vedlikehold per måned. Med €100/time i ingeniorkostnader utgjor det €13 200+.
Presidios presisjonsproblem på 22,7 %
En benchmark fra 2024 viste at Presidios gjenkjenner for personnavn oppnår 22,7 % presisjon i forretningsdokumenter — det betyr at 77,3 % av deteksjonene er falske positiver.
Reproduserbart personvern: ML-forhansinnstillinger
Anonymisering av ML-treningsdata ma vaere konsistent og reproduserbar. Nar dataforsker A og B anvender ulike enhetstyper, er treningsdatasett inkonsistente.
GDPR Pipeline: Anonymiser For Lagring
dbt-kolonnetagger er ikke GDPR-samsvar. Raa kundedata treffer Snowflake-lageret ditt ikke-maskert for taggbaserte policyer gjelder.
FOIA: Redigering fra Uker til Timer
Den amerikanske foderalregjeringen brukte anslagsvis 500 millioner dollar pa FOIA-behandling i 2024, for det meste manuell redigering. ARPA-H sokte eksplisitt etter AI-redigeringsprogramvare.
GDPR ML Treningsdata Anonymisering
GDPR begrenser bruk av personopplysninger til ML-trening utover det opprinnelige innsamlingsformalet. Datavitere som stoler pa ad-hoc Python-skript skaper.
FOIA: 80 % raskere med satssladding
Amerikanske foderalebyraer mottok 1,5 millioner FOIA-foresporsler i regnskapsaret 2024 til en gjennomsnittlig kostnad pa 482 dollar per forespursel. Satssladding av PII reduserer behandlingstiden fra uker til dager.
Presidio vs. anonym.legal: Bygge vs. kjope
Microsoft Presidio er teknisk sett gratis, men koster 40-80 ingeniortimer a sette opp riktig. anonym.legal leverer samme ML-noyaktighet som en administrert SaaS-tjeneste.
Luftgapet personvern: Anonymiser frakoblet
FedRAMP- og ITAR-miljøer har en ting til felles — skyen er ikke et alternativ. Reversibel pseudonymisering under GDPR art.
Den falske positivt-avgiften pa PII-verktoy
Presidio GitHub-sak nr. 1071 dokumenterer systematiske falske positiver. En studie fra 2024 fant 22,7 % presisjon i blandede spraklige bedriftsdatasett.
Arabisk og hebraisk PII: Vestlige verktoy svikter
GDPR stopper ikke ved Bosporos. Arabisk og hebraisk PII i europeiske arbeidsflyter er systematisk ubeskyttet. XLM-RoBERTa tverrspraklig deteksjon og.
PII pa blandede sprak: Enspraklige verktoy feiler
72 % av EU-virksomheter behandler dokumenter pa 3 eller flere sprak samtidig. Blandede dokumenter gir 45 % hoyere PII-feiltakingsrate i enspraklige NER-verktoy.
APAC PII: Thai, indonesisk, vietnamesisk
Et Singapore-basert fintech som behandlet 500 000 manedlige supportchatter pa tvers av 12 APAC-sprak fant at engelskbaserte verktoay oversatte PII i 60 % av ikke-engelske meldinger.
Falske positive: Hvorfor ML-sladding feiler
Et benchmark fra 2024 fant at Presidio genererte 13 536 falske positive navnedeteksjoner pa tvers av 4 434 eksempler - og flagget pronomen, skipsnavn og land som personnavn.
ISO 27001 + ZK reduserer leverandorvurderingstid
En undersokelse fra 2025 fant at 'manglende anerkjent sikkerhetssertifisering' var den nest viktigste arsaken til at CISO-er diskvalifiserer SaaS-leverandorer. Her er hva ISO 27001 + ZK-kombinasjonen gir.
ZK-arkitektur forkorter salgssykluser
Leverandors sikkerhetsskjemaer i enterprise inneholder i snitt 100+ sporsmal. Zero-knowledge-arkitektur besvarer de vanskeligste definitiv - og konverterer.
LastPass-angrepet: Sikkerhetsleksjoner fra leverandører
LastPass krypterte brukernes data. Hvelvene ble likevel stjålet. 600 000+ Okta-poster fulgte. SaaS-sikkerhetshendelser økte 300 % fra 2022 til 2024.
Evaluering av ZK-påstander etter LastPass
438 millioner dollar ble stjålet fra LastPass-brukere etter at de 'krypterte' hvelv ble angrepet. En bot på 1,2 millioner pund fra ICO fulgte. Her er sjekklisten for å vurdere om en leverandørs nullkunnskapspåstand holder.
LangChain CVE-2025-68664: Slik lekker PII gjennom RAG-rorfilen din
CVSS 9,3. LangChains serialiseringsfunksjoner avslorer miljovariabler og hemmeligheter for angriperkontrollerte LLM-er. Slik oppdager og fikser du PII-lekkasjer.
LibreOffice PII-anonymiseringsutvidelse
Trinn-for-trinn-guide til anonymisering av PII i LibreOffice-dokumenter ved hjelp av anonym.legal-utvidelsen.
LibreOffice kontra Office: PII-redigering
Detaljert sammenligning av PII-anonymiseringskapasiteter i LibreOffice (anonym.legal-utvidelse) kontra Microsoft Office (Office Add-in).
Hvorfor binaer PII-oppdagelse svikter compliance
Oppdaget/ikke-oppdaget er utilstrekkelig for compliance-kontekster som krever menneskelig skjonn. Her er hvorfor konfidensskoring forvandler PII-anonymisering fra et binaeert gjett til en revisjonssikker kontroll.
Formatfragmentering i PII-verktoy
Et enkelt DSAR-svar kan spenne over Word-kontrakter, PDF-fakturaer, Excel-kundelister og CSV-eksporter. Bruk av forskjellige verktoy for hvert format skaper etterlevelseshuller.
GDPR-samsvar for logger: Behold feilsoking
Applikasjonslogger akkumulerer stille bruker-e-poster, IP-adresser og kontonummer. Her er hvordan du kan dele logger med tredjeparter, leverandorer og observasjonsplattformer uten a bryte GDPR.
GDPR i applogger: JSON og PII-samsvar
Applikasjonslogger inneholder kundenes e-postadresser, IP-er og kontonummer som GDPR artikkel 5(1)(e) krever at handteres. Her er en praktisk tilnarming for a oppna samsvar uten a miste observasjonsmuligheter.
PII på tvers av apper: Word, Chrome og KI
Kundedata flyter fra nettleserforskning til Word-utkast til Claude-ledetekster. Hvert kontekstbytte er et potensielt lekkasjepunkt.
PII pa tvers av plattformer: Mac, Linux og Windows
Personvernansvarlige pa Mac, jurister pa Windows, dataingeniorer pa Linux -- alle behandler de samme dataene med ulike verktoy. Her er hvorfor OS-agnostisk deteksjon er avgjorende.
Luftgappet PII: Frakoblet-forst for forsvar
41 % av bedriftssikkerhetspolicyer forbyr skybehandling av klassifiserte dokumenter. Leer hvordan offline-forst PII-anonymisering fungerer for forsvar, helse og regulerte bransjer.
Reversibel vs permanent redaksjon: Hva velger du?
GDPR skiller mellom anonymisering og pseudonymisering. Domstoler trenger originaler. Forskning krever re-identifisering. Laer nar du bor bruke hvilken metode.
Flerspraklig NER: Engelsk feiler pa arabisk
NER-modeller trent pa engelsk oppnar 85-92 % noyaktighet. Arabisk og kinesisk? Ofte 50-70 %. Laer om de tekniske utfordringene og hvordan du bygger ekte flerspraklig gjenkjenning.
Bruk Claude og ChatGPT uten a lekke personopplysninger
En utviklerguide til sikker bruk av KI-assistenter. Sett opp MCP Server-integrasjon for transparent personvern-beskyttelse i Claude Desktop, Cursor og VS Code.
Begynn å Beskytte Dataene Dine I Dag
285+ enhetstyper, 48 språk, bedriftskvalitetssikkerhet til oppstartspriser.
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.