PII i flerspråkiga dokument: Varför enspråkiga verktyg missar.
Uppdaterad för 2026.
Dokument korsar språkgränser.
Ett schweiziskt läkemedelsföretags anställningskontrakt är inte skrivet på ett enda språk. Schweiz har fyra officiella språk. Schweiziska företag blandar tyska i huvudtexten, franska i juridiska klausuler och engelska i globala avsnitt. Detta kan förekomma i ett och samma stycke.
Ett belgiskt styrelseprotokoll har holländsk text, franska formella delar och engelska sammanfattningar. Ett globalt dataavtal kan ha engelska tekniska specifikationer och tyska rättighetsklausuler.
Detta är inte ovanligt. Det är normen för DACH- och EU-företag. Enspråkiga PII-verktyg misslyckas med dessa filer.
Luckan med 45 % missfrekvens.
Enspråkiga NER-verktyg har 45 % högre PII-missfrekvens på blandade filer. Detta jämfört med rena enfila filer.
Grundorsaken är designen. En modell tränad på tysk text känner till lokala namnformer och adressregler. När den träffar på ett franskt avsnitt är den utanför sitt träningsområde. Namn och ID i den delen identifieras sämre. Modellen är inte svag – den byggdes för ett annat språk.
EDPB 2024 fann att 72 % av EU-företag hanterar filer på tre eller fler språk samtidigt. Gartner 2024 fann att flerspråkiga HR-filer har 67 % mer PII per sida än enspråkiga. Mer PII plus fler missar förstärker luckan.
Se vår GDPR-guide för de regler som gäller.
Var fel klustrar sig.
Misslyckandet är inte jämnt fördelat i en fil. PII vid avsnittsbrytningar löper störst risk.
Betrakta denna klausul: tysk meningsstruktur, ett franskt anställdnamn och ett franskt födelsedatum – allt på en rad. NER-modellen ser det franska namnet där den förväntar sig ett lokalt namn. Den kanske inte flaggar det. En fransktränad modell ser de tyska kontextorden och kan inte läsa strukturen.
HR-filer gör detta kostsamt. Gartner fann 67 % mer PII per sida i blandade HR-filer. Fel vid avsnittsbrytningar skadar mest i den filtyp som innehåller mest personuppgifter.
Flerspråkiga modeller löser detta.
XLM-RoBERTa tränas på text från 100 språk samtidigt. Den använder inte en ny modell per språk. Den lär sig att namndetektering fungerar på samma sätt i olika språkliga sammanhang. Ett namn och dess kontext delar samma struktur på tyska, franska och engelska.
För blandade filer byter modellen inte vid en avsnittsbrytning. Den läser hela texten som ett block. Den tillämpar samma entitetsregler vid varje punkt.
Finjustering på tyska och franska lägger till precision för varje språk separat. Men den flerspråkiga basen fångar PII vid brytpunkter där enspråkiga modeller misslyckas.
För DACH-företag vars filer korsar språkliga avsnitt är detta en verklig vinst. Entiteter som missas vid brytpunkter av enspråkiga verktyg hittas av flerspråkiga modeller.
Se vår säkerhetssida för hur anonym.legal hanterar detta.
Åtgärder att vidta nu.
Kontrollera ditt verktygs räckvidd. Be din leverantör om recall-poäng per språkvariant. "Stöder många språk" kan innebära att text går genom maskinöversättning först. Det är inte inbyggd skanning.
Kartlägg dina filer per språk. Ett DACH-företag med 60 % tyska, 30 % franska och 10 % engelska har olika luckor.
Testa med avsnittsbrytningsprover. Bygg en testuppsättning med tio blandspråkiga klausulexempel. Kontrollera recall i hela filen, inte bara de huvudspråkliga delarna.
Granska dina DPIA:er. En DPIA byggd på enspråkiga underlag kan vara ofullständig. Åtgärda det innan en revision gör det.
För API-detaljer och entitetstäckning, se prissättningssidan.
anonym.legal använder XLM-RoBERTa plus inbyggda spaCy- och Stanza-modeller. Den hittar PII vid avsnittsbrytningar på tyska, franska, engelska och 45 fler språk.