anonym.legal

By · Last updated 2026-04-14

Bloga DönGDPR & Uyumluluk

Veri Egemenliği: Bulut KKB Araçları Yetersiz Kalıyor

Veri koruma yasaları olan ülke sayısı 2011 ile 2025 arasında 76'dan 120'nin üzerine çıktı. Almanya'nın SGB V'i sağlık verilerini Alman kontrolündeki sistemlerle kısıtlıyor.

April 14, 20269 dk okuma
data sovereigntylocal-first processingSwiss banking secrecyGerman healthcare lawHIPAA local compliance

Veri Egemenliği: Bulut KKB Araçları Neden Yetersiz Kalıyor

2026 için güncellenmiştir

2011 ile 2025 arasında gizlilik yasası olan ülke sayısı 76'dan 120'nin üzerine çıktı. Yargı bölgeleri yakınlaşmıyor. Birbirinden uzaklaşıyor. Her yeni yasa, küresel temel çizginin üstüne yerel kurallar ekliyor. Merkezi sunucuları olan bulut araçları buna ayak uydurmakta zorlanıyor.

GDPR, AB gizliliği için bir taban belirledi. AB dışına aktarımlar bir yeterlilik kararı veya geçerli bir güvence gerektiriyor. Ama GDPR bir tavan değil, tabandır. Sağlık, bankacılık ve kamu sektörü kuralları daha ileri gidiyor. Bazı durumlarda bulut işlemeyi baştan olanaksız kılıyor.

Almanya: SGB V ve Sağlık Kayıtları

Almanya'nın Sozialgesetzbuch V (SGB V) yasal sağlık sigortasını düzenliyor. Hasta kayıtlarının nasıl işlendiğini kısıtlıyor. SGB V'e tabi sağlık dosyaları Alman kontrolündeki sistemlerde kalmalı. Bu kural, ABD merkezli bulut hizmetlerini — hatta AB'de barındırılanları bile — en katı hasta dosyalarına dokunmaktan engelliyor.

HHS OCR 2024'te 100 milyon dolardan fazla HIPAA cezası topladı. Rekor bir yıldı. Alman ve ABD eğilimleri aynı yönü gösteriyor. Sağlık kayıtları en güçlü kontrollere ihtiyaç duyuyor, zayıf olanlar ceza davet ediyor.

İsviçre: Bankacılık Gizliliği ve FINMA

İsviçre bankacılık gizliliği, İsviçre Bankacılık Kanunu'nun 47. Maddesi kapsamında işliyor. Bu bir medeni yasa değil, ceza yasasıdır. Müşteri bilgilerini rıza olmadan paylaşmak — işlem sırasında bir bulut satıcısıyla paylaşmak dahil — suç teşkil edebilir.

FINMA dış kaynak kullanımı kuralları, herhangi bir üçüncü tarafın İsviçre bankacılık kayıtlarını almasından önce onay ve müşteri rızası gerektiriyor. Yerel işleme sorunu ortadan kaldırıyor. Kayıtlar bankanın kendi sistemlerini asla terk etmiyorsa aktarım onayına gerek kalmıyor.

Yerel İşleme Modeli

LocalLLaMA topluluğu, işletmelerin neden yerel yapay zeka tercih ettiğini belgeledi: "İnce ayar kişisel veya hassas bilgiler içeriyorsa yerel olarak yapmak karmaşık hukuki çalışmaları önlüyor." Aynı mantık anonimleştirme için de geçerli. Kayıtları yerel işleyin ve tüm bir hukuki analiz kategorisini atlayın.

Tauri 2.0 ve Rust üzerine inşa edilmiş araçlar ağ monitörleri tarafından denetlenebilir. Bir güvenlik ekibi çalışma sırasında makineden hiçbir çağrı çıkmadığını doğrulayabilir. Bu kanıt düzenlenmiş sektörler için önem taşıyor. Bir SaaS gizlilik vaadi aynı şekilde doğrulanamaz. Yerel işlemenin sağlık denetimlerini nasıl desteklediği için HIPAA bulut uyumluluk kılavuzumuza bakın.

Parçalanma Neden Devam Edecek

120'nin üzerinde ülkenin gizlilik yasasına sahip olması istikrarlı bir durum değil. Daha fazla yasa geliyor. GDPR temel çizgisi ile sektör kuralları arasındaki uçurum kapanmıyor, genişliyor. Dosyaları merkezi bir sunucuya gönderen araçlar, her yeni yasa yerel kısıtlamalar ekledikçe daha fazla engelle karşılaşıyor.

Yerel-önce araçlar bu modeli tersine çeviriyor. Yazılım dosyaların bulunduğu yerde çalışıyor. Ağ üzerinden hiçbir şey taşınmıyor. Uyumluluk, sözleşmedeki bir vaat değil tasarımın bir özelliği oluyor. Almanya, İsviçre ve diğer katı pazarlardaki ekipler için bu dönüşüm tüm bir risk kategorisini kaldırıyor. Çok yargılı ihtiyaçların daha geniş bir görünümü için küresel gizlilik uyumluluk kılavuzumuza bakın.

Kaynaklar

İlgili Makaleler

GDPR & Uyumluluk

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR & Uyumluluk

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR & Uyumluluk

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

Verilerinizi korumaya hazır mısınız?

48 dilde 285+ varlık türü ile PII anonimleştirmeye başlayın.

Ücretsiz Deneme BaşlatÖzellikleri Görüntüle

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.