ข้อมูลเชิงลึกเกี่ยวกับความเป็นส่วนตัวของข้อมูล
บทความจากผู้เชี่ยวชาญเกี่ยวกับความปลอดภัยของ AI, การปฏิบัติตาม GDPR, การปกป้องข้อมูลด้านสุขภาพ, และแนวปฏิบัติที่ดีที่สุดในการทำให้ PII เป็นนิรนาม.
บทความทั้งหมด
การปฏิบัติตาม PII ทั่วโลก: GDPR, LGPD และ DPDP
Brazilian CPF, Indian Aadhaar และ US SSN มีรูปแบบและตรรกะการตรวจสอบที่แตกต่างกันอย่างสิ้นเชิง LGPD และ DPDP Act ของอินเดียเพิ่ม CPF และ Aadhaar เข้าสู่ขอบเขต
รหัสพนักงานภายในก็ถือเป็นข้อมูลส่วนบุคคลเช่นกัน
องค์กรขนาดใหญ่ทุกแห่งมีรหัสประจำตัวภายในที่เป็นกรรมสิทธิ์ซึ่งสามารถเชื่อมโยงบันทึกที่ไม่ระบุตัวตนกลับไปยังบุคคลจริงได้ 34% ของค่าปรับ GDPR เกี่ยวข้องกับมาตรการทางเทคนิคที่ไม่เพียงพอ
ตรวจจับ MRN แบบกำหนดเองสำหรับ HIPAA โดยไม่ต้องเขียนโค้ด
หมายเลขเวชระเบียน (MRN) เป็นรูปแบบเฉพาะของแต่ละโรงพยาบาล — ทุกระบบสุขภาพใช้รูปแบบที่แตกต่างกัน HIPAA Safe Harbor กำหนดให้ต้องลบ MRN ออก
ช่องโหว่รหัส EU: Steuer-ID, NIR, Personnummer
เครื่องมือ PII ที่สร้างจากสหรัฐฯ ถูกออกแบบมาสำหรับข้อมูลอเมริกัน German Steuer-ID, French NIR, Swedish Personnummer และ Norwegian Fødselsnummer ถูกมองข้ามไปอย่างสมบูรณ์
18 ตัวระบุ HIPAA ที่เครื่องมือของคุณพลาด
HIPAA ระบุ 18 ตัวระบุ PHI เครื่องมือทำให้ไม่เปิดเผยตัวตนส่วนใหญ่ตรวจจับได้แค่ 6 รายการ Medical Record Number แตกต่างกันตามสถาบันโดยไม่มีรูปแบบมาตรฐานในสหรัฐฯ
PII ทั่วโลก: SSN, CPF, Aadhaar และอื่นๆ
GDPR ครอบคลุม Steuer-ID ของเยอรมนี NIR ของฝรั่งเศส Personnummer ของสวีเดน และประเภทตัวระบุมากกว่า 267 ประเภทที่เครื่องมือส่วนใหญ่ไม่เคยรู้จัก
การเข้ารหัสแบบย้อนกลับได้สำหรับการติดต่อซ้ำในงานวิจัย
คุณไม่สามารถติดต่อ Patient_001 สำหรับการเยี่ยมติดตามผลได้ ปัจจุบัน IRB กำหนดให้มีโปรโตคอลการระบุตัวตนซ้ำที่บันทึกไว้ — พิสูจน์ว่าคุณสามารถทำได้ภายใต้เงื่อนไขที่ควบคุม
การแมปโทเค็นสำหรับเวิร์กโฟลว์ AI ที่สอดคล้อง GDPR
เมื่อชื่อลูกค้าถูกทำให้ไม่เปิดเผยตัวตนก่อนประมวลผล AI การตอบสนองของ AI จะมีโทเค็นที่ไม่ระบุตัวตน การตอบสนองขั้นสุดท้ายต้องมีชื่อจริง — ไม่ใช่โทเค็น
แบบสำรวจ HR ไม่ระบุตัวตนพร้อม PII แบบย้อนกลับได้
แบบสำรวจที่ไม่ระบุตัวตนส่งเสริมการรายงานเรื่องการคุกคามและการละเมิดจริยธรรมอย่างตรงไปตรงมา แต่เมื่อมีข้อกล่าวหาร้ายแรง ฝ่าย HR จำเป็นต้องสืบสวน — ขณะที่ความไม่เปิดเผยตัวตนทำให้ทำไม่ได้
การเข้ารหัสแบบย้อนกลับได้สำหรับการตรวจสอบทางการเงิน
คำตัดสินของ SDNY ในเดือนกุมภาพันธ์ 2026 ระบุว่าเอกสารที่ประมวลผลด้วย AI จะสูญเสียสิทธิ์ attorney-client หากไม่ได้ถูกทำให้ไม่เปิดเผยตัวตนก่อนประมวลผล
การเข้ารหัสแบบย้อนกลับได้สำหรับกระบวนการค้นพบทางกฎหมาย
คุณได้ปิดบังเอกสารแล้ว ผู้พิพากษาสั่งให้ส่งต้นฉบับ แล้วตอนนี้จะทำอย่างไร? ค่าปรับ GDPR แตะ 1.2 พันล้านยูโรในปี 2024 — สถิติสูงสุดเป็นประวัติการณ์
การถอดตัวตนแบบย้อนกลับได้สำหรับการวิจัยทางคลินิก
เมื่อการศึกษาพบความเสี่ยงของ biomarker ที่ไม่คาดคิดใน 47 จาก 5,000 ผู้เข้าร่วม นักวิจัยต้องติดต่อผู้ป่วยจริง แต่มีเพียง 23% ของเครื่องมือทำให้ไม่ระบุตัวตนที่เสนอ
HIPAA ChatGPT พร้อมการป้องกัน Browser
77% ของพนักงานแบ่งปันข้อมูลงานที่อ่อนไหวกับเครื่องมือ AI อย่างน้อยสัปดาห์ละครั้ง การสกัดกั้น PII แบบเรียลไทม์ใน browser ช่วยลดเหตุการณ์การรั่วไหล 94%
เครื่องมือความเป็นส่วนตัว AI ของคุณกำลังขโมยข้อมูลหรือเปล่า?
67% ของ Chrome extension ด้าน AI รวบรวมข้อมูลผู้ใช้ เหตุการณ์ในเดือนธันวาคม 2025 เห็นผู้ใช้ 900K คนถูกโจมตีโดย extension ที่แอบอ้างเป็นเครื่องมือความเป็นส่วนตัว
การเปิดเผย PII 3.8 ครั้งต่อวันในทีม Support
เจ้าหน้าที่ support ที่ใช้ ChatGPT ทำการวางข้อมูลอ่อนไหวเฉลี่ย 3.8 ครั้งต่อวัน สำหรับทีม 100 คน นั่นคือ 380 เหตุการณ์การเปิดเผย GDPR ต่อวัน
GDPR และ ChatGPT: การทำให้ไม่ระบุตัวตนแบบ JIT สำหรับ Support
Garante ของอิตาลีปรับ OpenAI €15M ในเดือนธันวาคม 2024 บริษัทในอิตาลี 63% ขาดนโยบายการใช้ AI ที่สอดคล้องกับ GDPR การตรวจสอบของสหภาพยุโรปปี 2024 พบว่า 63% ของข้อมูลผู้ใช้ ChatGPT
หลังเหตุการณ์ Extension 900K ผู้ใช้
ในเดือนมกราคม 2026 พบ Chrome extension ที่เป็นอันตราย 2 ตัวที่มีผู้ใช้กว่า 900,000 คน ขโมยบทสนทนา ChatGPT และ DeepSeek ทั้งหมดทุก 30 นาที
เหตุใดนโยบายจึงไม่หยุดการรั่วไหลข้อมูลส่วนบุคคลผ่าน ChatGPT
77% ของผู้ใช้ AI ในองค์กรคัดลอกและวางข้อมูลลงในคำขอ chatbot เกือบ 40% ของไฟล์ที่อัปโหลดมีข้อมูลส่วนบุคคลหรือข้อมูลการชำระเงิน มีการเสนออัปเดตกฎความปลอดภัย HIPAA
อธิปไตยข้อมูล: เหตุใดเครื่องมือ PII บนคลาวด์จึงไม่ผ่านเกณฑ์
จำนวนประเทศที่มีกฎหมายคุ้มครองข้อมูลเพิ่มขึ้นจาก 76 เป็นกว่า 120 ประเทศระหว่างปี 2011 ถึง 2025 SGB V ของเยอรมันจำกัดการประมวลผลข้อมูลทางการแพทย์ให้อยู่ในระบบที่อยู่ภายใต้การควบคุมของเยอรมัน
ความลับในเครือข่ายแบบ Air-Gapped: การทำ Anonymization โดยไม่ต้องใช้อินเทอร์เน็ต
สภาพแวดล้อม FedRAMP และ ITAR มีสิ่งหนึ่งที่เหมือนกัน — คลาวด์ไม่ใช่ตัวเลือก การทำ Pseudonymization แบบย้อนกลับได้ตาม GDPR มาตรา 4(5) และแนวทาง EDPB 05/2022
ห้องซื้อขาย: การทำ Anonymization แบบออฟไลน์ในอุตสาหกรรม Fintech
ห้องซื้อขายไม่สามารถใช้โซลูชัน SaaS บนคลาวด์สำหรับการยื่นเอกสารที่เกี่ยวข้อง ความเห็นทางการ ABA 512 กำหนดให้ป้องกันการเปิดเผยโดยไม่ตั้งใจในการค้นพบหลักฐานทางอิเล็กทรอนิกส์
การประมวลผลบันทึกทางคลินิก 50,000 รายการในท้องถิ่นตาม HIPAA
คำพิพากษา SDNY กุมภาพันธ์ 2026 ตัดสินว่าเอกสารที่ประมวลผลด้วย AI สูญเสียสิทธิ์ทนายความ-ลูกความหากไม่ได้ทำ anonymization ก่อนการประมวลผล
การทำ Anonymization ข้อมูลในสเปรดชีตสำหรับ GDPR และ CCPA
สูตร Excel อ้างอิงเซลล์ที่มีชื่อลูกค้า PivotTable แคชข้อมูลที่ละเอียดอ่อน 67% ของการจัดซื้อภาครัฐกำหนดให้ทำงานในสภาพแวดล้อมแบบ Air-Gapped
วิกฤต FOIA: การปิดบังข้อมูลอัตโนมัติในหน่วยงานรัฐ
ปีงบประมาณ 2024 หน่วยงานรัฐบาลกลางสหรัฐฯ ได้รับคำร้อง FOIA 1.5 ล้านรายการ — เพิ่มขึ้น 25% คงค้างพุ่งขึ้น 33% เป็น 267,056 รายการ รัฐบาลใช้จ่าย 723 ล้านดอลลาร์สำหรับการดำเนินการ
เริ่มปกป้องข้อมูลของคุณวันนี้
ประเภทเอนทิตีมากกว่า 267 ประเภท, 48 ภาษา, ความปลอดภัยระดับองค์กรในราคาสำหรับผู้เริ่มต้น.
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, held by our hosting provider.
- 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
Automated checks run on every release.
Each surface gets its own sweep script and report.
Human reviewers spot-check the output each week.
We test detection against sample documents before each release.
A failing unit or integration run stops the release.
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.
Paid plans can buy top-up credits.
Credits reset at the end of each cycle.
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.