Presidio: 3-nedeljno podesavanje vs upravljani PII
Microsoft Presidio ima hiljade GitHub zvezda i stotine otvorenih problema. Slozenost podesavanja, overhead integracije PySpark i Python zavisnosti.
Sa 6 nedelja na 3 dana: podesavanje upravljanog PII
Healthcare SaaS timovi provode 6 nedelja na deploymentu sopstveno hostovanog Presidio-a pre prelaska na upravljani API. Upravljani API zamenjuje deployment.
Besplatna detekcija PII kosta 13.000 EUR godisnje
Sopstveno hostovanje Presidio zahteva 40-80 sati pocetnog podesavanja i 5-10 sati/mesecno tekuceg odrzavanja. Po inzenjerskim stopama od 100 EUR/sat, to je 13.200+ EUR.
Presidio: problem preciznosti od 22,7%
Benchmark iz 2024. otkrio je da Presidio-v prepoznavac licnih imena postize preciznost od 22,7% u poslovnim dokumentima - sto znaci da je 77,3% detekcija laznih pozitiva.
Reproducibilna privatnost: ML predefinisani profili
Anonimizacija ML podataka za obuku mora biti dosledna i reproducibilna. Ako naucnici za podatke A i B primene razlicite vrste entiteta, skupovi podataka za obuku su nedosledni.
GDPR bezbedan cevovod: Anonimizirajte pre skladistenja
dbt oznake kolona nisu GDPR komplijans. Neobradjeni podaci o kupcima stizu u vas Snowflake magacin bez maski pre nego sto se primene politike zasnovane na oznakama.
FOIA: AI smanjuje redakciju sa nedelja na sate
Federalna vlada potrosila je procenjenih 500 miliona dolara na obradu FOIA zahteva u 2024. godini, uglavnom na rucnu redakciju. ARPA-H je eksplicitno trazio AI softver za redakciju kako bi resio rastuce zaostake.
GDPR anonimizacija podataka za ML treniranje
GDPR ogranicava koriscenje licnih podataka za ML treniranje izvan originalne svrhe prikupljanja. Naucnici podataka koji se oslanjaju na ad-hoc Python skripte stvaraju ozbiljne komplijans propuste koji DPO ne moze da sertifikuje.
FOIA: 80% brze sa batch redakcijom
Americke federalne agencije primile su 1,5 miliona FOIA zahteva u fiskalnoj godini 2024, s prosecnim troskom od 482 USD po zahtevu. Batch PII redakcija smanjuje vreme obrade s.
Presidio vs. anonym.legal: graditi ili kupiti
Microsoft Presidio je tehnicko besplatan ali kosta 40-80 inzenjerskih sati za ispravno implementaciju. anonym.legal isporucuje istu ML tacnost kao upravljani SaaS.
Privatnost u okruzenjima bez interneta: Anonimizacija offlajn
FedRAMP i ITAR okruzenja imaju jednu zajednicku stvar - oblak nije opcija. Reverzibilna pseudonimizacija prema GDPR cl. 4(5).
Porez na lažno pozitivne rezultate PII alata
Presidio GitHub issue #1071 dokumentuje sistematske lažno pozitivne rezultate. Istraživanje iz 2024. otkrilo je preciznost od 22,7% u mešovitim jezičkim poslovnim skupovima podataka.
Arapski i hebrejski PII: Zapadni alati ne funkcionišu
GDPR ne prestaje na Bosforu. Arapski i hebrejski PII u poslovnim procesima EU kompanija sistematski ostaje nezaštićen. XLM-RoBERTa višejezično prepoznavanje i regionalno specifični entiteti rešavaju ovaj problem.
PII u mesovitim jezicima: jednojezicni alati ne uspevaju
72% EU preduzeca obradjuje dokumente na 3+ jezika istovremeno. Dokumenti na mesovitim jezicima prouzrokuju 45% vecu stopu propustanja PII u jednojezicnim NER alatima.
APAC PII: Tajlandski, indonežanski, vijetnamski
Singapurska fintech kompanija koja obrađuje 500.000 mesečnih razgovora podrške u 12 APAC dijalekata otkrila je da njen alat samo za engleski propušta PII u 60% razgovora na nematičnim jezicima.
Lažno pozitivni: Zašto ML redakcija ne uspeva
Benchmark iz 2024. otkrio je da je Presidio generisao 13.536 lažno pozitivnih detekcija imena u 4.434 uzorka — označavajući zamenice, nazive plovila i nazive zemalja kao imena osoba. Evo šta to košta u pravnom i zdravstvenom okruženju.
ISO 27001 + ZK skraćuje vreme procene vendora
Istraživanje iz 2025. otkrilo je da je nedostatak priznatog bezbednosnog sertifikata drugi razlog zašto CISO-i diskvalifikuju SaaS vendore. Evo šta kombinacija ISO 27001 i zero-knowledge pruža.
ZK arhitektura skraćuje prodajne cikluse
Bezbednosni upitnici za vendore u enterprise okruženju sadrže u proseku 100+ pitanja. Zero-knowledge arhitektura daje definitivan odgovor na najteža pitanja — i pomaže pri konverziji.
LastPass proboj: Lekcije o bezbednosti dobavljača
LastPass je šifrovao podatke korisnika. Trezori su ipak bili eksfiltrirani. Sledilo je 600.000+ Okta zapisa. SaaS bezbednosni incidenti porasli su 300% od 2022. do 2024.
Procena ZK tvrdnji posle LastPass incidenta
438 miliona $ ukradeno od korisnika LastPass-a nakon sto su njihovi sifrovani trezori probijeni. Sledila je kazna ICO od 1,2 miliona funti. Kontrolna lista za procenu da li dobavljaceve zero-knowledge tvrdnje zaista vaze.
LangChain CVE-2025-68664: Kako PII curi kroz vas RAG cjevovod
CVSS 9.3. LangChain-ove funkcije za serijalizaciju izlazu varijable okruzenja i tajne napadacem kontrolisanim LLM-ovima. Kako detektovati i popraviti curenje PII-a.
LibreOffice ekstenzija za anonimizaciju PII
Vodic korak-po-korak za anonimizaciju PII u LibreOffice dokumentima koristeci anonym.legal ekstenziju.
LibreOffice vs Office: Redakcija PII
Detaljno poredjenje mogucnosti anonimizacije PII u LibreOffice (anonym.legal ekstenzija) vs. Microsoft Office (Office Add-in).
Zasto binarna detekcija licnih podataka ne zadovoljava uskladjenost
Oznake detektovano/nije detektovano nisu dovoljne za kontekste uskladjenosti koji zahtevaju ljudsku procenu. Evo zasto bodovanje pouzdanosti transformise anonimizaciju licnih podataka.
Fragmentacija formata dokumenata u alatima za PII
Jedan DSAR odgovor moze obuhvatiti Word ugovore, PDF fakture, Excel liste klijenata i CSV izvoze. Koristenje razlicitih alata za svaki format stvara praznine u uskladjenosti.
GDPR anonimizacija evidencija: Zadrzite mogucnost debagovanja
Aplikacijske evidencije neopazeno gomilaju email adrese korisnika, IP adrese i brojeve naloga. Evo kako deliti evidencije sa trecim stranama, izvrsioce i platforme za observabilnost bez GDPR izlozenosti.
GDPR u evidencijama aplikacija: Uskladjenost JSON PII
Evidencije aplikacija sadrze email adrese klijenata, IP adrese i brojeve naloga koje GDPR clan 5(1)(e) zahteva upravljati. Evo kako primeniti maskiranje bez gubitka mogucnosti debagovanja.
Medjuaplikacijska zastita LPI: Word, Chrome i AI
Podaci o klijentima prelaze iz pretrazivaca u Word dokumente, a zatim u Claude promptove. Svaki prelaz izmedju konteksta je potencijalna tacka curenja.
Medjuplatformski LPI: Mac, Linux i Windows
Sluzbeni za privatnost na Mac-u, pravni na Windows-u, inzenjeri podataka na Linux-u -- svi obraduju iste podatke razlicitim alatima. Evo zasto je detekcija agnosticna prema OS-u kljucna.
Air-Gap PII: Offline-first rešenje za odbrambeni sektor
41% politika bezbednosti preduzeća zabranjuje obradu klasifikovanih dokumenata u oblaku. Saznajte kako offline PII anonimizacija rešava problem.
Reverzibilna vs. trajna redakcija: Koji pristup odabrati
GDPR razlikuje anonimizaciju od pseudonimizacije. Sudovi zahtevaju originale. Istraživanje zahteva ponovnu identifikaciju. Saznajte kada koristiti svaki pristup.
Višejezični NER: Engleski modeli zakazuju kod arapskog
NER modeli za engleski dostižu tačnost 85-92%. Arapski i kineski? Često 50-70%. Saznajte o tehničkim izazovima i kako izgraditi zaista višejezičnu detekciju.
Koristite Claude i ChatGPT bez curenja LPP podataka
Vodič za programere o bezbednom korišćenju AI asistenta. Podesite MCP Server integraciju za transparentnu zaštitu LPP u Claude Desktop, Cursor i VS Code.
Započnite zaštitu svojih podataka danas
285+ tipova entiteta, 48 jezika, bezbednost na nivou preduzeća po start-up cenama.
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.