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.
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.
Reproducerbar integritet: ML-förinställningar
Anonymisering av ML-träningsdata måste vara konsekvent och reproducerbar. Om datavetarna A och B tillämpar olika entitetstyper blir träningsdatauppsättningarna inkonsekventa.
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.
FOIA: 80 % snabbare med batchredigering
Amerikanska federala myndigheter tog emot 1,5 miljoner FOIA-förfrågningar under FY2024 till en genomsnittskostnad på 482 dollar per förfrågan. Batchredigering av personuppgifter minskar handläggningstiden från veckor till dagar och sänker kostnaderna med 80 % för stora svar.
Presidio vs. anonym.legal: Bygg själv eller köp färdigt?
Microsoft Presidio är tekniskt sett gratis men kostar 40–80 ingenjörstimmar att implementera korrekt. anonym.legal levererar samma ML-precision som en managed SaaS-lösning.
Luftgappad integritet: Anonymisera offline
FedRAMP- och ITAR-miljöer har en sak gemensamt — molnet är inget alternativ. Reversibel pseudonymisering under GDPR art.
Falskt positiva: PII-verktygens dolda kostnad
Presidio GitHub-ärende #1071 dokumenterar systematiska falskt positiva resultat. En studie från 2024 fann 22,7 % precision i flerspråkiga företagsdataset.
Arabiska & hebreiska personuppgifter: Västerländska verktyg misslyckas
GDPR tar inte slut vid Bosporen. Arabiska och hebreiska personuppgifter i EU-affärsflöden är systematiskt oskyddade. XLM-RoBERTa tvärspråkig identifiering och.
PII i flerspråkiga dokument: Enspråkiga verktyg misslyckas
72 % av EU-företag hanterar dokument på 3+ språk samtidigt. Flerspråkiga dokument ger 45 % högre andel missad PII i enspråkiga NER-verktyg.
APAC PII: Thai, indonesiska, vietnamesiska
Ett Singapore-baserat fintech-företag som behandlade 500 000 månatliga supportchattar på 12 APAC-språk fann att deras engelskspråkiga verktyg missade PII i 60 % av de icke-engelska interaktionerna.
Falska positiva: varför ML-redigering misslyckas
En benchmark från 2024 visade att Presidio genererade 13 536 falska positiva namnidentifieringar i 4 434 prover — flaggade pronomen, fartygsnamn och länder som personnamn.
ISO 27001 + ZK minskar leverantörsbedömningstiden
En undersökning från 2025 visade att 'avsaknad av erkänd säkerhetscertifiering' var den näst vanligaste anledningen till att CISO:er diskvalificerar SaaS-leverantörer. Så här fungerar ISO 27001 + ZK-kombinationen.
ZK-arkitektur förkortar säljcykler
Säkerhetsenkäter från företagskunder innehåller i genomsnitt 100+ frågor. Zero-knowledge-arkitektur besvarar de svåraste frågorna definitivt — och konverterar.
LastPass-intrånget: Lärdomar om leverantörssäkerhet
LastPass krypterade sina användares data. Valven exfiltrerades ändå. 600 000+ Okta-poster följde. SaaS-säkerhetsincidenter ökade 300 % från 2022 till 2024.
Utvärdering av ZK-påståenden efter LastPass
438 miljoner dollar stulna från LastPass-användare efter att deras 'krypterade' valv bröts. En ICO-böter på 1,2 miljoner pund följde. Här är checklistan för att utvärdera om en leverantör verkligen är nollkunskap.
LangChain CVE-2025-68664: Hur PII läcker genom din RAG-pipeline
CVSS 9,3. LangChains serialiseringsfunktioner exponerar miljövariabler och hemligheter för angriparkontrollerade LLM:er. Hur du detekterar och åtgärdar PII-läckor.
LibreOffice PII-anonymiseringstillägg
Steg-för-steg-guide för att anonymisera PII i LibreOffice-dokument med anonym.legal-tillägget.
LibreOffice vs Office: PII-redigering
Detaljerad jämförelse av PII-anonymiseringsmöjligheter i LibreOffice (anonym.legal-tillägg) vs. Microsoft Office (Office-tillägg).
Varför binär PII-detektering misslyckas vid compliance
Detekterad/inte detekterad är otillräckligt för compliancekontexter som kräver mänskligt omdöme. Här är varför konfidenspoängsättning omvandlar PII-anonymisering från en automatiserad process till ett försvarbara beslutsstödsystem.
Dokumentformatfragmentering i PII-verktyg
Ett enda DSAR-svar kan spänna över Word-kontrakt, PDF-fakturor, Excel-kundlistor och CSV-exporter. Att använda olika verktyg för varje format skapar luckor.
GDPR-logghantering: Behåll felsökningsförmågan
Applikationsloggar samlar tyst på sig användarens e-postadresser, IP-adresser och kontonummer. Här är hur du delar loggar med tredje parter, konsulter och observabilitetsplattformar.
GDPR i apploggar: JSON PII-efterlevnad
Applikationsloggar innehåller kunders e-postadresser, IP-adresser och kontonummer som GDPR Artikel 5(1)(e) kräver att hanteras.
PII mellan appar: Word, Chrome och AI
Kunddata rör sig från webbläsarforskning till Word-utkast till Claude-prompter. Varje appbyte är en potentiell läckagepunkt.
Plattformsöverskridande PII: Mac, Linux och Windows
Integritetschefer på Mac, juridik på Windows, datatekniker på Linux — alla behandlar samma data med olika verktyg. Här är varför OS-oberoende identifiering är avgörande.
Luftgapad PII: offline-first för försvar och sjukvård
41% av företags säkerhetspolicyer förbjuder molnbearbetning av sekretessbelagda dokument.
Reversibel vs permanent redaktion: rätt val
GDPR skiljer på anonymisering och pseudonymisering. Domstolar kräver originaldokument. Forskning behöver återidentifiering. Lär dig när du ska använda vilken metod.
Flerspråkig NER: engelska modeller misslyckas med arabiska
Engelska NER-modeller når 85–92% noggrannhet. Arabiska och kinesiska? Ofta 50–70%. Lär dig om de tekniska utmaningarna och hur du bygger verkligt.
Använd Claude och ChatGPT utan att läcka PII
En utvecklarguide för att använda AI-assistenter säkert. Konfigurera MCP Server-integration för transparent PII-skydd i Claude Desktop, Cursor och VS Code.
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.