Anonymiser un accord de niveau de service (SLA) avant audit DSI – Anonymisation conforme au RGPD selon Code civil art. 1217 et 1231-1 ; Code de commerce L110-1

L'accord de niveau de service (SLA) définit les engagements de disponibilité et de performance d'un prestataire au titre des sanctions de l'inexécution prévues à l'article 1217 du Code civil et de la responsabilité contractuelle encadrée par l'article 1231-1. Il identifie les responsables techniques et les interlocuteurs d'escalade. anonym.legal pseudonymise ces données pour les audits DSI et les revues fournisseurs.

Quand cela s'applique

Ce flux s'applique lorsqu'un SLA doit être soumis à un auditeur informatique, comparé avec des SLA de marché ou analysé par une direction des achats, sans révéler les noms des responsables techniques ou commerciaux désignés.

  1. Téléversez le SLA au format PDF ou DOCX.
  2. Le moteur identifie les noms, fonctions, adresses e-mail et numéros de téléphone des interlocuteurs techniques, commerciaux et d'escalade.
  3. Chaque individu reçoit un pseudonyme cohérent sur l'ensemble du document, y compris dans les matrices d'escalade.
  4. Les niveaux de service, indicateurs de performance (KPI), pénalités et plages horaires de support restent en clair.
  5. La correspondance réversible est chiffrée et stockée en hébergement UE.
  6. Exportez le SLA pseudonymisé pour l'audit DSI ou la revue comparative.

Ce que vous fournissez

  • SLA en PDF ou DOCX
  • Matrices d'escalade et annexes KPI
  • Indication des contacts à pseudonymiser

Limites & précautions

  • anonym.legal ne procède à aucune analyse des engagements de disponibilité ni de la cohérence des pénalités avec les pratiques de marché.
  • Les adresses IP et identifiants techniques (URLs d'endpoint) ne sont pas pseudonymisés par défaut — configurez l'option dédiée si requis.

FAQ

Les indicateurs de performance (KPI) et pénalités sont-ils préservés ?

Oui. Les taux de disponibilité, temps de réponse, fenêtres de maintenance et pénalités de non-respect des SLA ne sont pas des données personnelles et restent en clair pour l'analyse.

Peut-on comparer simultanément plusieurs SLA de prestataires différents ?

Oui. Téléversez les SLA dans un lot unique. Les pseudonymes permettent de distinguer les prestataires sans révéler leur identité réelle.

Comment gérer un SLA comportant une matrice d'escalade avec de nombreux contacts ?

Le moteur détecte automatiquement tous les individus nommés dans les matrices d'escalade et leur attribue des pseudonymes cohérents. Vérifiez le document exporté pour confirmer la couverture complète.

Contrats commerciaux

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.

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.