Anonymiser les entretiens annuels d'évaluation pour benchmarking RH – Anonymisation conforme au RGPD selon Code du travail L1222-2

Les comptes rendus d'entretien annuel d'évaluation contiennent des appréciations personnelles sur les performances et les objectifs d'un salarié identifié, données encadrées par le principe de loyauté posé à l'article L1222-2 du Code du travail. anonym.legal pseudonymise ces données afin que les entretiens puissent être analysés statistiquement ou partagés avec des cabinets de conseil sans révéler l'identité des salariés.

Quand cela s'applique

Ce flux s'applique lorsque des entretiens annuels doivent être transmis à des consultants RH pour calibrage de politique de performance, partagés avec des avocats en cas de litige sur une décision managériale, ou utilisés comme supports de formation des managers.

  1. Téléversez les comptes rendus d'entretien au format PDF, DOCX ou via export SIRH.
  2. Le moteur détecte les données personnelles : noms du salarié et du manager, intitulé de poste, département et appréciations nominatives.
  3. Chaque individu nommé reçoit un pseudonyme cohérent sur l'ensemble du document.
  4. Les objectifs fixés, les niveaux d'évaluation, les plans de développement et les formations envisagées sont conservés.
  5. La correspondance réversible est chiffrée et stockée en hébergement UE.
  6. Les entretiens pseudonymisés sont exportés pour analyse ou partage.
  7. Pour le benchmarking de politique RH, un traitement en lot compare les niveaux de performance sans exposer les identités.

Ce que vous fournissez

  • Comptes rendus d'entretien annuel en PDF, DOCX ou export SIRH
  • Champs à pseudonymiser (nom salarié, nom manager, poste, département)
  • Période d'évaluation concernée

Limites & précautions

  • anonym.legal ne supprime pas les biais dans les appréciations ni n'évalue la légitimité des décisions managériales ; cela relève d'un audit RH spécialisé.
  • Une appréciation très circonstanciée décrivant un projet unique peut rester identifiante ; une relecture manuelle est recommandée.
  • Les formulaires sous format propriétaire nécessitent une conversion avant traitement.

FAQ

Les niveaux de note (A, B, C ou 1 à 5) sont-ils conservés dans la version pseudonymisée ?

Oui. Les échelles d'évaluation et les niveaux de performance sont traités comme des données structurelles non personnelles et sont conservés intégralement, permettant un benchmarking statistique sans identifier les salariés.

Peut-on pseudonymiser aussi le nom du manager évaluateur ?

Oui. Le nom du manager est identifié et pseudonymisé au même titre que celui du salarié, ce qui permet de partager des analyses de cohérence managériale sans exposer les identités des évaluateurs.

Ce traitement nécessite-t-il une information préalable des salariés ?

La pseudonymisation à des fins d'analyse interne ou de conseil externe constitue un traitement de données personnelles. Votre DPO pourra confirmer si ce traitement est couvert par l'information générale sur la gestion du personnel ou nécessite une information spécifique au titre des articles 13 et 14 du RGPD.

Droit social

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.