By · Last updated 2026-05-01

Tillbaka till BloggenGDPR & Efterlevnad

Interna anställningsnummer är också personuppgifter

Varje stor organisation har egna interna identifierare som kopplar anonymiserade poster tillbaka till verkliga personer. 34 % av GDPR-böterna rör otillräckliga tekniska åtgärder.

May 1, 20268 min läsning
employee ID anonymizationproprietary identifier detectionquasi-PIIGDPR custom entitiesno-code pattern builder

Vad är kvasi-PII?

GDPR artikel 4 täcker alla uppgifter som kan identifiera en person. Uppgifterna behöver inte namnge någon direkt. Det räcker att identifiering är möjlig via ytterligare steg.

Interna anställningsnummer är ett tydligt exempel. Ta värdet "EMP-EU-123456." Den strängen namnger ingen. Men HR-systemet har en enkel uppslagstabell. EMP-EU-123456 pekar på Maria Schmidt, senior ingenjör, München. Den som har tillgång till den tabellen kan hitta henne. Enligt GDPR är ID:t en personuppgift.

Samma regel gäller för andra interna koder:

  • Kundkontonummer som kopplar till CRM-poster
  • Projektkoder som kopplar till kundnamn i kontraktssystem
  • Ärendenummer i juridiska filer
  • Journalnummer som kopplar till patientposter

Att ta bort namn och e-postadresser räcker inte. Om interna ID-nummer finns kvar i en fil är återidentifiering bara två steg bort.

Varför detta gap leder till böter

34 % av alla GDPR-böter rör otillräckliga tekniska åtgärder enligt artikel 32. Den siffran kommer från DLA Pipers GDPR Annual Report 2025. Underlåtenhet att detektera kvasi-identifierande interna identifierare faller i den kategorin.

EDPB hanterade över 900 ärenden i konsistensmekanismen 2024. Gränsöverskridande verkställighet innebär att en lucka i ett delat dataset kan leda till samordnad åtgärd i flera EU-medlemsstater.

Standard PII-verktyg hittar universella mönster: namn, e-postadresser, telefonnummer, nationella ID-nummer. De känner inte till ditt interna ID-format. Inget verktyg gör det förrän du berättar det. Det är gapet.

Hur den kodningsfria mönsterbyggaren fungerar

Ett globalt logistikföretag behöver anonymisera anställdas poster inför en extern revision. Deras anställningsnummer följer formatet EMP-[REGION]-[6 siffror]. Tre exempel: EMP-EU-123456, EMP-APAC-789012, EMP-AMER-345678.

Efterlevelnadsteamet matar in tre exempel i AI-mönsterhjälpen. AI:n returnerar:

  • Mönster: EMP-[A-Z]{2,4}-\d{6}
  • Matchar alla tre exempel
  • Föreslagen entitetsbenämning: EMPLOYEE-ID
  • Rekommenderat nästa steg: testa med fler regionkoder

Teamet testar ytterligare tio exempel. Mönstret fungerar för alla.

De sparar den anpassade entiteten till teamets delade GDPR-förval. Alla 47 dokument i revisionsunderlaget bearbetas i ett batch-jobb. Varje anställningsnummer ersätts med en rollbaserad etikett. Revisionsfirman får filer som inte längre kopplar till någon individ.

Ingen teknikhjälp behövs. Hela konfigurationen tar under en timme.

Vad händer sedan

När den anpassade entiteten har sparats till ett delat förval använder alla teammedlemmar samma konfiguration. Nyanställda får den från dag ett. Batch-jobb, API-anrop och manuella uppladdningar tillämpar alla samma mönster.

Revisionsloggen visar vilket förval som användes för varje fil. Om en dataskyddsmyndighet begär bevis på din anonymiseringsprocess kan du visa det.

För det fullständiga konfigurationsflödet för anpassade entiteter, se anpassade PII-identifierare för organisatorisk anonymisering. För att hålla konfigurationen konsekvent över team, se anonymiseringskonsistens-förval för GDPR-revision.

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.