Spostrzeżenia na temat prywatności danych
Eksperckie artykuły na temat bezpieczeństwa AI, zgodności z GDPR, ochrony danych w służbie zdrowia oraz najlepszych praktyk anonimizacji PII.
Wszystkie artykuły
Vibe coding i wycieki danych osobowych: zagrożenie, o którym nikt nie mówi
Kod generowany przez AI rzadko uwzględnia obsługę danych osobowych. 73% aplikacji tworzonych metodą vibe coding przetwarza wrażliwe dane bez anonimizacji. Oto, co powinni wiedzieć programiści.
COPPA kwiecień 2026: Co platformy EdTech muszą zrobić przed terminem
Zaktualizowane przepisy COPPA wchodzą w życie 22 kwietnia 2026 r. Reddit otrzymał karę 14,47 mln funtów za naruszenia dotyczące danych dzieci. Platformy EdTech stoją przed tym samym ryzykiem.
LangChain CVE-2025-68664: jak dane osobowe wyciekają przez Twój potok RAG
CVSS 9,3. Funkcje serializacji LangChain ujawniają zmienne środowiskowe i sekrety modelom LLM kontrolowanym przez atakującego. Jak wykryć i naprawić wycieki danych osobowych.
Bezpieczeństwo serwerów MCP 2026: 8 000 wystawionych, 492 bez uwierzytelniania
Ponad 8 000 serwerów Model Context Protocol jest publicznie dostępnych. 492 nie ma żadnego uwierzytelniania. 36,7% jest podatnych na SSRF. Jak chronić dane osobowe w narzędziach MCP.
Ustawa o AI UE — sierpień 2026: anonimizacja danych treningowych zgodnie z Artykułem 10
Pełne egzekwowanie Ustawy o AI UE rozpoczyna się 2 sierpnia 2026 r. Kary do 35 mln EUR lub 7% globalnych obrotów. Artykuł 10 wymaga anonimizacji danych treningowych.
Trwała anonimizacja: ryzyko zniszczenia dowodów
34,8% danych wprowadzanych do ChatGPT zawiera informacje wrażliwe (Cyberhaven). Rozwiązanie — trwała anonimizacja — samo w sobie rodzi ryzyko prawne: zniszczenie dowodów (spoliation). Art. 4 ust. 5 RODO.
Rachunek za redakcję: 80 tys. dolarów — rozwiązanie z dodatkiem do Worda
Przy stawkach od 200 do 400 dolarów za godzinę, produkcja 10 000 dokumentów kosztuje od 26 000 do 80 000 dolarów w czasie pracy prawników (RAND). Badania Bloomberg Law z 2024 r. pokazują, że automatyzacja skraca ten czas.
Przeglądarkowy DLP: blokowanie kontra anonimizacja – porównanie 2026
Dwa podejścia do przeglądarkowego DLP: blokowanie uniemożliwia przesyłanie danych osobowych do narzędzi AI; anonimizacja przekształca dane przed wysłaniem. Obiektywne porównanie.
Samsung trzykrotnie ujawnił kod źródłowy przez ChatGPT
Trzy oddzielne zespoły inżynierów Samsunga wkleiły zastrzeżony kod i poufne dane do ChatGPT w kwietniu 2023 roku. Każdy incydent ujawnił inny aspekt luki, która do dziś dotyczy przedsiębiorstw.
Sankcje w e-discovery: kiedy redakcja AI idzie za daleko
W sprawie Athletics Investment Group v. Schnitzer Steel (2024) niewłaściwa redakcja skutkowała sankcjami w postępowaniu odkrywczym. Gdy narzędzia AI osiągają zaledwie 22,7% precyzji, zespoły prawne narażają się na realne ryzyko odpowiedzialności.
Naruszenia SaaS wzrosły o 300%: zero-knowledge niezbędne
Conduent ujawnił 25,9 miliona rekordów. NHS Digital: 9 milionów pacjentów. Atakujący włamują się do dostawców SaaS w 9 minut. Gdy Twój dostawca staje się celem ataku, żaden wewnętrzny firewall nie pomoże.
HIPAA w chmurze: architektura zero-knowledge dla PHI
Umowy z partnerami biznesowymi (BAA) nie zapobiegają naruszeniom HIPAA, gdy chmurowy dostawca AI przetwarza PHI w postaci jawnego tekstu. Oto co zapewnia architektura zero-knowledge i dlaczego BAA to za mało.
Rozszerzenie LibreOffice do anonimizacji danych osobowych
Przewodnik krok po kroku po anonimizacji danych osobowych w dokumentach LibreOffice za pomocą rozszerzenia anonym.legal.
LibreOffice vs. Microsoft Office: redagowanie danych osobowych – porównanie 2026
Szczegółowe porównanie możliwości anonimizacji danych osobowych w LibreOffice (rozszerzenie anonym.legal) i Microsoft Office (Dodatek do pakietu Office).
Anonimizacja open source: LibreOffice
Jak organizacje sektora publicznego wykorzystują LibreOffice z rozszerzeniem anonym.legal do anonimizacji dokumentów zgodnej z RODO.
Wieloplatformowa ochrona danych osobowych: Office i LibreOffice
Jak organizacje korzystające jednocześnie z Microsoft Office i LibreOffice zapewniają spójną anonimizację danych osobowych za pomocą anonym.legal.
Zakazy AI w przedsiębiorstwach: wydajność kontra ryzyko
27,4% treści wprowadzanych do korporacyjnych chatbotów AI zawiera dane wrażliwe – wzrost o 156% rok do roku. Jednak 71,6% pracowników objętych zakazami AI i tak korzysta z tych narzędzi przez konta prywatne.
Bezpieczne rozszerzenia Chrome dla AI w 2026 roku
W styczniu 2026 roku dwa złośliwe rozszerzenia Chrome z ponad 900 000 użytkowników zostały przyłapane na eksfiltracji rozmów z ChatGPT i DeepSeek co 30 minut. Oto jak rozróżnić bezpieczne od niebezpiecznych.
Przeglądarkowy DLP dla ChatGPT, Claude i Gemini – przewodnik 2026
Tradycyjny korporacyjny DLP był budowany z myślą o transferach plików i poczcie e-mail, nie o chatbotach AI. Ten przewodnik omawia natywną przeglądarkową ochronę przed utratą danych w ChatGPT.
Gdy CISO mówi nie przetwarzaniu PHI w chmurze
725 naruszeń danych medycznych w 2024 roku dotknęło 275 milionów rekordów. Przy średnim koszcie naruszenia wynoszącym 10,22 mln USD – najwyższym w jakiejkolwiek branży – dyrektorzy ds. bezpieczeństwa w ochronie zdrowia blokują narzędzia chmurowe dla danych PHI.
Kara 530 mln euro dla TikToka: RODO i suwerenność danych w nowej erze
Kara 530 mln euro nałożona na TikTok za transfery danych z UE do Chin wyznacza nową erę egzekwowania suwerenności danych. Łączne grzywny RODO przekroczyły 5,65 mld euro.
HHS 2025: notatki kliniczne AI wymagają ochrony PHI
Systemy transkrypcji AI mogą nieumyślnie przenosić PHI pacjenta A do dokumentacji pacjenta B. Oto dlaczego detekcja PHI przed zapisem do EHR jest właściwym środkiem kontroli.
Dlaczego binarna detekcja PII nie spełnia wymogów zgodności
Flagi wykryto/nie wykryto nie wystarczą do podejmowania obronialnych decyzji o redakcji. Ocena wiarygodności przekształca anonimizację PII z binarnego zgadywania w audytowalny środek kontroli.
Minimalizacja danych RODO: API czasu rzeczywistego
Artykuł 5(1)(c) RODO nakazuje zbieranie tylko niezbędnych danych. Integracja z API czasu rzeczywistego zapobiega nadmiernemu zbieraniu na etapie przesyłania formularza — zanim dane dotrą do bazy.
Zacznij chronić swoje dane już dziś
267+ typów podmiotów, 48 języków, bezpieczeństwo klasy przedsiębiorstw w cenach startowych.
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.