By · Last updated 2026-06-05

Tillbaka till BloggenGDPR & Efterlevnad

NAIH Ungern: AI-styrning & DPA-regler

NAIH kräver DPIA för alla AI-system som behandlar personuppgifter. Ungersk NER-noggrannhet är 67 % — långt under EU-snittet på 82 %.

June 5, 20268 min läsning
Hungary NAIHAI GDPR complianceTAJ-szám detectionCentral Europe DPAHungarian data protection

NAIH Ungern: AI-styrning och DPA-regler

Ungarns datamyndighet är NAIH — Nemzeti Adatvédelmi és Információszabadság Hatóság. Myndigheten har utfärdat den mest detaljerade AI-vägledningen av alla centraleuropeiska dataskyddsmyndigheter. 2024 utfärdade den 38 tillsynsbeslut. Den publicerade också regler som kräver DPIA för varje AI-system som hanterar personuppgifter. Dessa regler går längre än GDPR:s grundkrav.

NAIH:s AI-tillsynsregler

De flesta EU-dataskyddsmyndigheter publicerar bred AI-vägledning. Ungerns dataskyddsmyndighet gick längre. Dess vägledning från 2024 är operativt specifik.

DPIA krävs för alla AI-system: Varje AI-system som hanterar personuppgifter behöver en DPIA innan det driftsätts. Tillsynsmyndigheten kräver detta före driftsättning. Det gäller även när behandlingen inte är "högrisk" enligt GDPR artikel 35. Det är striktare än GDPR:s egna riskbaserade ansats.

Vad en NAIH DPIA måste innehålla:

  • En teknisk beskrivning av AI-modellens datainputs och -outputs
  • Bevis på att träningsdata anonymiserats eller hade en giltig rättslig grund
  • En bedömning av algoritmisk diskrimineringsrisk
  • Ett steg för mänsklig granskning av automatiserade beslut
  • Ett lagrings- och raderingsschema för AI-behandlade data

Årlig granskning: Myndigheten kräver att DPIA:er uppdateras varje år. Det gäller när ett AI-system omtränats eller förändrats väsentligt.

Ungern hanterade över 890 000 GDPR-dataförfrågningar 2024. Det är en stor volym för ett land med 10 miljoner invånare. Det signalerar aktivt rättighetsutövande och verkligt tryck på efterlevnadsteam.

NER-noggrannhetsluckan

Myndighetens granskning 2024 testade NER-modeller på ungersk text. De fick bara 67 % noggrannhet. EU-snittet är 82 %. Den 15-procentenheters klyftan har verkliga efterlevnadskostnader.

Ungerska är ett agglutinativt språk. Det bygger ord genom många suffix. Namn, adresser och ID:n på ungerska ser mycket annorlunda ut jämfört med data på engelska eller tyska. Verktyg tränade på dessa språk missar en stor andel personuppgifter på ungerska. Se vår guide om flerspråkig PII-detektering för hur denna lucka påverkar GDPR-efterlevnad över språk.

Tillsynsmyndigheten fann att generiska NLP-verktyg missar TAJ-szám i 61 % av dokumenten. Formatvariation och avsaknad av checksummastöd är de viktigaste orsakerna.

Ungerska nationella identifierare

Team som behandlar dokument i Ungern måste detektera dessa ID-typer korrekt. Se vår guide om EU:s nationella skatte-ID-detektering för fullständig EU-täckningskontext.

TAJ-szám (Társadalombiztosítási Azonosító Jel): Ett 9-siffrigt socialförsäkringsnummer. Det förekommer i hälso-, förmåns- och pensionsposter. Validering använder en viktad checksumma fastställd av Socialförsäkringsmyndigheten.

Adóazonosító jel: Ett 10-siffrigt personligt skatte-ID. Formatet är en 8-siffrig kärna plus 2 kontrollsiffror. Det förekommer i löner, skattedeklarationer och anställningskontrakt.

Személyi igazolvány-nummer: Det nationella ID-kortets nummer. Format och kontrollsifferregler följer den utfärdande myndigheten.

Útlevél szám: Passnumret. Format och kontrollsiffra följer också regler fastställda av den utfärdande myndigheten.

Ügyfélkapu-kontexten

Ungern kör de flesta offentliga tjänster via en plattform — Ügyfélkapu (Klientgatewayen). Över 4 miljoner medborgare använder den för skatt, förmåner, sjukvård och tillståndsgivning. Privata företag ansluter till Ügyfélkapu för lön, förmåner eller identitetskontroller. Dessa företag behandlar samma identifierare i ett reglerat sammanhang.

Myndigheten har funnit att dessa företag ofta använder internationella PII-verktyg. De flesta av dessa verktyg saknar stöd för identifierarna ovan. Det leder till missade uppgifter och direkt efterlevnadsrisk.

EU AI Act-överlapp

Ungern var tidigt ute med att integrera AI Act-regler i dataskyddsmyndighetens vägledning. Tillsynsmyndighetens hållning är tydlig.

Högrisk-AI-system listas i AI Act Bilaga III. De täcker jobb, kreditbedömning och samhällsviktiga tjänster. De kräver både AI Act-konformitetsbedömning och en NAIH DPIA.

Generella AI-modeller som behandlar data om personer i Ungern behöver också en NAIH DPIA. Det gäller även när modellen inte är listad som högrisk enligt AI Act.

För team som driftsätter AI i Ungern har kärnchecklistan tre punkter. Slutför en NAIH DPIA innan lansering. Kontrollera att ditt NER-verktyg täcker entiteterna ovan i ungersk text. Bekräfta TAJ-szám- och adóazonosító jel-detektering med checksummavalidering.

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.