Vpogledi v varstvo podatkov
Strokovni članki o varnosti umetne inteligence, skladnosti z GDPR, zaščiti podatkov v zdravstvu in najboljših praksah za anonimizacijo PII.
Vsi članki
Garante Italija: Skladnost AI in PII
Italijanski Garante je decembra 2024 oglobil OpenAI z 15 milijoni EUR in leta 2023 zacasno prepovedal ChatGPT. 63 % italijanskih podjetij nima politik upravljanja podatkov AI.
LGPD Brazilija: CPF, CNPJ in varstvo podatkov
LGPD pokriva 215 milijonov Brazilcev. ANPD je zacela z uveljavljanjem leta 2024. Orodja, usposobljena na anglescini, zaznavajo CPF le s 45-odstotno natancnostjo.
Nizozemski AP: Globa 290 milijonov EUR in izvajanje GDPR
Nizozemski AP je izdal najvecjo globo EU za prenos podatkov - 290 milijonov EUR proti Uberju. BSN (nizozemska EMSO) zahteva validacijo po metodi Elfproef, ki jo zamudi 56 % orodij.
UODO Poljska: PESEL, NIP in RODO
UODO je ugotovil, da 89 % uveljavljenih orodij ne zaznava poljske stevilke PESEL pravilno. Poljska dnevno obdeluje 2,3 milijona evidenc strank EU. Validacija kontrolne stevilke PESEL, NIP.
ANSPDCP Romunija: Zaznavanje CNP in kontrole GDPR
ANSPDCP je ugotovil, da 78 % orodij zamudi romunski CNP z ustrezno validacijo. CNP kodira spol, datum in okrozje rojstva - posledice posebnih kategorij po GDPR.
IMY Svedska: Personnummer in kontrole Luhn
IMY je ugotovil, da 45 % genericnih orodij zamudi svedski personnummer. Samordningsnummer (odmik 60) zamudi vecina implementacij. Svedska doseze 79 % uveljavljanja pravic po GDPR.
Danska CPR: Validacija po modulu 11 za GDPR
67 % orodij NLP zamudi validacijo danske stevilke CPR po modulu 11. Datatilsynet je leta 2024 sprejel 14 izvrsnih ukrepov v zdravstvu. Sekundarna uporaba zdravstvenih podatkov.
Cesko rodno cislo: Kodiranje spola in GDPR
Cesko rodno cislo kodira spol z odmikom meseca za 50 - kar ga uvrsca v posebno kategorijo po clenu 9 GDPR. 67 % ceskih podjetij uporablja nemska orodja.
NAIH Madzarska: TAJ-szam in Adoazonosito jel
Tocnost NER za madzarscino je 67 % v primerjavi s povprecjem EU 82 % - ocena NAIH za leto 2024. Vrzeli v zaznavanju utezene kontrolne vsote TAJ-szam in adoazonosito jel.
HDPA Grcija: zaznavanje AFM in AMKA
Generalna orodja zaznajo grski AFM le z 52-odstotno tocnostjo. HDPA je leta 2024 izdal 89 odlocb -- za 162 % vec kot leta 2022. Turizem in pomorstvo prinasata posebna tveganja.
Japonska stevilka My Number: Verhoeff in APPI
63 % genericnih orodij ne zazna stevilke My Number v japonskih dokumentih. My Number uporablja algoritem Verhoeff -- najzahtevnejso nacionalno ID kontrolno vsoto v Aziji.
Epsteinove datoteke: oznacevanje ni redakcija
Decembrska objava datotek DOJ Epstein iz leta 2025 je razkrila kriticno napako pri redakciji: besedilo, prekrito s crnim oznacevalcem v PDF-ju, ostane berljivo s kopiranjem in lepljenjem.
Privilegij odvetnik-stranka in umetna inteligenca v letu 2026
Februarja 2026 je zvezno sodisce v ZDA razsodilo, da komunikacije z umetno inteligenco ne uzivajo privilegija odvetnik-stranka.
Nicnoznanje proti nicnemu zaupanju: oblacno sifiranje
LastPass je sifriral podatke svojih uporabnikov -- in ukradenih je bilo 438 milijonov USD. Tukaj je razlika med strezniskim sifiranjem in pravim nicnoznanostnim sifiranjem.
PII v izoliranih omrezjih: pristop offline-first za obrambo
41 % politik podjetniske varnosti prepoveduje oblacno obdelavo tajnih dokumentov. Spoznajte, kako deluje anonimizacija PII brez internetne povezave.
Vecjezicno zaznavanje PII za GDPR
Nemski Steuer-ID, francoski NIR in svedski Personnummer zahtevajo razlicno logiko zaznavanja. Spoznajte, zakaj angleski modeli PII niso dovolj za skladnost GDPR.
Reverzibilna ali trajna redakcija: katera je prava?
GDPR razlikuje med anonimizacijo in psevdonimizacijo. Sodisca zahtevajo originale. Raziskave potrebujejo re-identifikacijo. Spoznajte, kdaj uporabiti kateri pristop.
Vecjezicni NER: angleski modeli odpadejo pri arabscini
Modeli NER, usposobljeni na anglescini, dosegajo natancnost 85-92 %. Arabscina in kitajscina? Pogosto 50-70 %. Spoznajte tehnicne izzive in kako graditi prave resitve.
94 % MSP napadenih: cenovno dostopna zasebnost
MSP se soocajo z enakimi groznajami kot velika podjetja, vendar si ne morejo privosciti orodij za 800+ USD/mesec. Tukaj je, kako dobiti zasebnostno zascito na ravni podjetij za 3 EUR/mesec.
Zaznavanje PHI: Snow Labs 96 % proti GPT-4o
Vsa orodja za de-identifikacijo niso enaka. Primerjave ECIR 2025 kazejo vrednosti F1 od 79 % do 96 %. Preberite, zakaj natancnost odloca in kako oceniti orodja.
Sodisca kaznujejo odvetnike za napake pri redakciji
Oznacevanje besedila v Wordu ni redakcija. Sodisca kaznujejo odvetnike za tehnicne napake, ki razkrivajo privilegirane informacije.
Uporabljajte Claude in ChatGPT brez razkrivanja osebnih podatkov
Razvijalski vodnik za varno uporabo pomoznikov AI. Nastavite integracijo streznika MCP za transparentno zascito osebnih podatkov v Claude Desktop, Cursor in VS Code.
900.000 uporabnikom so ukradli pogovore z AI
Dve zlonamerni razsiritve za Chrome sta ukradli pogovore ChatGPT od vec kot 900.000 uporabnikov. Ena je imela Googlov znacek 'Featured'.
7,42 mio USD: Stroški kršitev v zdravstvu so najvišji
Zdravstvo je ze 14 zaporednih let panoga z najvecjimi stroski krsitev podatkov. Preberite, zakaj so zdravstveni zapisi tako dragoceni in kako jih zascititi.
Začnite danes zaščititi svoje podatke
267+ tipov entitet, 48 jezikov, varnost na ravni podjetij po začetni ceni.
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.