Insikter om Dataskydd
Expertartiklar om AI-säkerhet, GDPR-efterlevnad, skydd av hälsoinformation och bästa praxis för PII-anonymisering.
Alla Artiklar
Realtidsförebyggande sparar 2,2 miljoner dollar
IBM fann en kostnadsskillnad på 2,2 miljoner dollar mellan prevention och detektion. Här är matematiken som gör realtidsinterception av personuppgifter oumbärlig för säkerhetsteam.
GDPR Art. 32: Övervaka PII-exponering i AI-verktyg
Enterprise compliance-team behöver kvantitativa bevis på kontroller för personuppgifter i AI-verktyg. Nätverks-DLP missar webbläsarbaserade AI-interaktioner.
Realtidsskydd för personuppgifter vid AI-dataläckor
När en anställd skriver ett kundnamn i ChatGPT lämnar datan organisationens kontroll i realtid. Efterhandsdetektering via DLP kan inte ta tillbaka det som redan skickats.
Självdrift av PII misslyckas med efterlevnadsrevisioner
spaCy 3.4.4 producerar andra NER-resultat än spaCy 3.5.1. Finansiellt tjänsteföretag upptäcker att 3% av dokumenten anonymiserades på olika sätt i staging vs.
Presidio: 3-veckors installation vs hanterad PII
Microsoft Presidio har tusentals GitHub-stjärnor och hundratals öppna ärenden. Installationskomplexitet, PySpark-integrationskostnader och Python-beroenden.
6 veckor till 3 dagar: Hanterad PII-installation
Sjukvårds-SaaS-team spenderar 6 veckor på självdrift av Presidio i produktionsdriftsättning innan de byter till hanterat API. Det hanterade API:et ersätter driftsättningen.
Presidio missar 220+ GDPR-entiteter
Presidio levereras med ~40 standardentitetsigenkänningsprogram fokuserade på amerikanska identifierare. Europeiska organisationer behöver IBAN, Codice Fiscale.
Gratis PII-detektion kostar €13 000/år
Självdrift av Presidio kräver 40–80 timmars initial installation och 5–10 timmar per månad i löpande underhåll. Till €100 per timme för ingenjörsarbete är det €13 200+.
Presidios precisionsproblem på 22,7%
Ett riktmärke från 2024 visade att Presidios personnamnsigenkänning uppnår 22,7% precision i affärsdokument — vilket innebär att 77,3% av detektionerna är falska positiva.
Förkorta sekretessutbildning: Från veckor till timmar
Introduktion av sekretessverktyg tar vanligtvis 2–4 veckor, med 22% konfigurationsfelfrekvens under den första veckan. Delbara förinställningar minskar utbildningstiden till 1 dag och.
MSP:er: Standardisera anonymisering
MSP:er och compliance-konsulter som betjänar flera kundorganisationer kan inte manuellt omkonfigurera PII-verktyg per kund i stor skala.
Konfigurationsdrift: En dold GDPR-risk
Analytiker A ersätter namn med pseudonymer. Analytiker B maskerar dem. Din GDPR-revision hittar båda i samma datauppsättning. Konfigurationsdrift — där team.
Reproducerbar integritet: ML-förinställningar
Anonymisering av ML-träningsdata måste vara konsekvent och reproducerbar. Om datavetarna A och B tillämpar olika entitetstyper blir träningsdatauppsättningarna inkonsekventa.
Sekretess med flera ramverk med ett verktyg
Compliance-team som hanterar GDPR, HIPAA och CCPA måste tillämpa olika anonymiseringsstandarder beroende på dokumentets sammanhang.
Anonymiseringsförinställningar eliminerar inkonsekvens
När 8 paralegalarbetare konfigurerar PII-anonymisering oberoende av varandra är inkonsekvens oundviklig. GDPR-revisorer letar efter systematisk och konsekvent tillämpning.
HIPAA MRN-detektering utan regex-examen
Varje sjukhus MRN-format är unikt. Memorial använder MRN:XXXXXXX, St. Mary's använder PT-YYYYY, Universitetssjukhuset använder UHN-XXXXXXXXXX.
Juridisk PII: Privilegierad informationsdetektering
Ärendenummer, advokatlegitimationer, domstolsdiarier och klientärendes-ID är juridiskt känsliga identifierare som standardverktyg för PII missar.
GDPR och support-AI: anpassade identifierare spelar roll
Kundsupport-AI tar emot meddelanden med namn, e-post OCH order-ID:n. Standard-PII-verktyg tar bort e-postadresser men lämnar order-ID:n orörda.
EU:s nationella ID:n som ditt PII-verktyg inte detekterar
Steueridentifikationsnummer från Tyskland, Numéro fiscal från Frankrike, Codice Fiscale från Italien, NIF/NIE från Spanien — PII-verktyg byggda för den amerikanska marknaden hittar SSN men missar de flesta europeiska skatteidentifierare.
Bortom personnummer: anonymisera organisationens interna ID:n
Varje organisation har interna identifierare — anställnings-ID:n, kontonummer, order-ID:n — som är personidentifierbara i sitt sammanhang men som inte fångas av standard-PII-verktyg.
HIPAA: detektering av sjukhusspecifika MRN-format
HIPAA Safe Harbor kräver borttagning av journalnummer, men MRN-format är inte standardiserade. Epic, Cerner och Meditech använder alla olika format.
GDPR-säker datapipeline: anonymisera innan du lagrar
dbt-kolumntaggar är inte detsamma som GDPR-efterlevnad. Råkunddata matas in i Snowflake-datalagret omaskerat, innan taggbaserade policyer tillämpas.
FOIA: AI-redigering minskar handläggningstiden från veckor till timmar
Den amerikanska federala regeringen spenderade cirka 500 miljoner dollar på FOIA-ärendehandläggning 2024, huvudsakligen på manuell redigering. ARPA-H sökte uttryckligen AI-programvara för dokumentredigering.
GDPR-kompatibel anonymisering av ML-träningsdata
GDPR begränsar användningen av personuppgifter för ML-träning utöver det ursprungliga insamlingssyftet. Data scientists som förlitar sig på ad hoc-Python-skript skapar efterlevnadsrisker som är svåra att hantera.
Börja Skydda Din Data Idag
285+ entitetstyper, 48 språk, företagsklassad säkerhet till startpriser.
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.