By · Last updated 2026-04-14

Tillbaka till BloggenGDPR & Efterlevnad

Datasuveränitet: Molnbaserade PII-verktyg misslyckas

Länder med dataskyddslagar ökade från 76 till 120+ mellan 2011 och 2025. Tyska SGB V begränsar sjukvårdsdata till tyskkontrollerade system.

April 14, 20269 min läsning
data sovereigntylocal-first processingSwiss banking secrecyGerman healthcare lawHIPAA local compliance

Det allt stramare suveränitetslandskapet

Mellan 2011 och 2025 ökade antalet länder med dataskyddslagar från 76 till 120+. Riktningen är inte mot harmonisering — utan mot divergens. Varje jurisdiktion har lagt till krav som går utöver minimistandarden och skapat ett efterlevnadslandskap där molnbaserade PII-verktyg med centraliserad databearbetning möter allt större svårigheter att uppfylla de strängaste jurisdiktionskraven.

GDPR etablerade golvet för EU:s dataskydd: dataöverföringar utanför EU kräver adekvansbeslutar eller lämpliga skyddsåtgärder. Men GDPR-efterlevnad är ett minimum, inte ett tak. Landsspecifika krav inom hälso- och sjukvård, bank och offentlig sektor ställer krav som gör molnbearbetning omöjlig för vissa datakategorier.

Tyskland: SGB V och sjukvårdsdata

Tysklands socialförsäkringslag V (Sozialgesetzbuch V) reglerar lagstadgad sjukförsäkring och inkluderar databearbetningsbegränsningar för patientdata. Sjukvårdsdata som är föremål för SGB V måste bearbetas i system under tyskt kontroll — ett krav som i praktiken utesluter USA-baserade molntjänster (även EU-hostade sådana) från bearbetningskedjan för de strängaste kategorierna av patientdata.

HHS OCR samlade in över 100 miljoner dollar i HIPAA-böter under 2024 — ett rekordår — vilket visar att tillämpningen av integriteten för sjukvårdsdata intensifieras globalt, inte bara i Tyskland. De tyska och amerikanska tillsynstrenderna pekar i samma riktning: sjukvårdsdata kräver de högsta dataskyddsstandarderna, och organisationer som inte kan demonstrera teknisk efterlevnad möter allt större regulatorisk exponering.

Schweiz: Banksekretess och FINMA

Svenskt bankdata skyddas av artikel 47 i den schweiziska banklagen — en straffrättslig bestämmelse, inte enbart en civilrättslig reglering. Obehörigt utlämnande av klientinformation till parter som inte täcks av uttryckligt klientsamtycke, inklusive molntjänsteleverantörer som tar emot klientdata som en del av en bearbetningstransaktion, kan utgöra ett brott.

FINMA (Swiss Financial Market Supervisory Authority) riktlinjer för datautkontraktering kräver att alla tredje parter som tar emot schweizisk bankdata är föremål för uttryckligt regulatoriskt godkännande och klientsamtycke. En molnbaserad anonymiseringstjänst som tar emot klientdata som en del av en anonymiseringstransaktion skulle behöva uppfylla dessa krav. Lokal bearbetning — där klientdata aldrig lämnar bankens kontrollerade miljö — eliminerar den regulatoriska frågan helt.

LocalLLaMA-gemenskapsmönstret

LocalLLaMA-gemenskapen har dokumenterat det beslutsfattarmönster inom företags-IT som driver lokal AI-adoption: "Om fine-tuning-data inkluderar personlig eller känslig information undviker man komplicerat juridiskt arbete som normalt skulle krävas när man skickar data till externa AI-leverantörer." Denna observation gäller i lika hög grad för anonymisering: organisationer som bearbetar reglerad data lokalt eliminerar en hel kategori av juridisk analys (är denna överföring laglig?) snarare än att försöka göra överföringen laglig.

Arkitekturansatsen är konsekvent: Tauri 2.0 och Rust ger en binär som kan verifieras av nätverksövervakningsverktyg under säkerhetsbedömning för att bekräfta att inga externa anrop görs under bearbetning. Verifieringskravet spelar roll för reglerade branscher — ett säkerhetsteam som utför due diligence på ett databearbetningsverktyg behöver verifiera påståendet om lokal bearbetning, inte bara acceptera det. Arkitekturer som kan verifieras oberoende av nätverksövervakning är granskningsbara på ett sätt som SaaS-verktyg med integritetslöften inte kan vara.

Källor:

Redo att skydda din data?

Börja anonymisera PII med 285+ entitetstyper på 48 språk.

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 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.