By · Last updated 2026-06-05

Zpět na blogGDPR a shoda

ÚOOÚ ČR: GDPR ve výrobním sektoru

Český ÚOOÚ vydal v roce 2024 celkem 58 rozhodnutí o vymáhání; výrobní sektor tvoří 34 % porušení. 67 % českých firem používá německé nástroje postrádající podporu českých identifikátorů.

June 5, 20268 min čtení
Czech Republic ÚOOÚrodné číslomanufacturing GDPRCentral Europe complianceCzech identifiers

Český Úřad pro ochranu osobních údajů (ÚOOÚ) vydal v roce 2024 celkem 58 rozhodnutí o vymáhání, přičemž organizace z výrobního a automobilového sektoru se podílely na 34 % — nejvyšší sektorové koncentraci v českém vymáhání GDPR.

Pro českou automobilovou ekonomiku — kde působí Škoda Auto, Foxconn, Toyota Manufacturing a desítky německých dodavatelů z automobilového průmyslu — vyžaduje shoda s GDPR konkrétní technické schopnosti, které většina nasazených nástrojů PII postrádá.

Problém německých nástrojů mateřských společností

Vzorec vymáhání ÚOOÚ odhaluje specifický způsob selhání: německé mateřské společnosti, které na české dceřiné společnosti uplatňují nástroje PII nakonfigurované pro německé prostředí.

Když nadnárodní automobilová skupina se sídlem v Mnichově nasadí standardní detekci PII do svých českých provozů:

  1. Nástroj je nakonfigurován pro německý jazyk a identifikátory (Steuernummer, Personalausweis, IBAN/DE)
  2. Záznamy zaměstnanců, smlouvy a zdravotní dokumenty v češtině jsou zpracovávány modely nakonfigurovanými pro němčinu
  3. Přesnost rozpoznávání pojmenovaných entit (NER) v češtině je o 23 % nižší než v německých ekvivalentech (technické pokyny ÚOOÚ, 2024)
  4. Rodné číslo není v dokumentech explicitně neoznačených jako české zachyceno
  5. Zdravotní a personální data českých zaměstnanců jsou zpracovávána bez ochrany na úrovni identifikátorů, kterou ÚOOÚ vyžaduje

67 % českých podniků nasazuje nástroje PII v německém nebo anglickém jazyce, které přehlížejí česky specifické identifikátory. ÚOOÚ činí odpovědným českého správce dat (místní dceřinou společnost) — nikoli dodavatele nástroje německé mateřské firmy.

Rodné číslo: speciální kategorie ze své podstaty

Rodné číslo je českým národním identifikátorem ve formátu RRMMDD/XXXX. Klíčové vlastnosti:

  • Číslice 3–4: Měsíc narození — ženám se přičítá 50 (žena narozená v lednu má 51, ne 01)
  • Oddělovač: Lomítko
  • Přípona: 3–4místná sekvence s kontrolní číslicí (modulo 11)

Kódování pohlaví — přičtení 50 pro ženy — činí z rodného čísla indikátor zvláštní kategorie podle článku 9 GDPR. Číslo ze své podstaty odhaluje pohlaví, a vyžaduje proto zvýšenou ochranu.

ÚOOÚ vyžaduje detekci rodného čísla s:

  • Správným zacházením s kódováním měsíce pro ženy (offset 50)
  • Validací kontrolní číslice modulem 11
  • Detekcí ve formátu 9místném (narozeni před rokem 1954) i 10místném

Nástroje, které detekují rodné číslo pouhým porovnáváním vzoru RRMMDD/XXXX bez zpracování genderového offsetu a validace kontrolního součtu, nesplňují technický standard ÚOOÚ.

Další české identifikátory ve výrobních dokumentech

Číslo občanského průkazu (OP): Průkaz totožnosti ve formátu XXXXXXXXX (9 alfanumerických znaků). Vyskytuje se v pracovních smlouvách, zdravotních záznamech a záznamech o návštěvách.

IČO: 8místné identifikační číslo osoby (právnické nebo fyzické). Vyskytuje se ve smlouvách s dodavateli spolu s osobními údaji zákonných zástupců.

DIČ: Formát CZ + rodné číslo (fyzické osoby) nebo CZ + IČO (společnosti). Osobní DIČ v dohodách o spolupráci s OSVČ vyžaduje detekci.

Český IBAN: CZ + 22 číslic. Běžně v mzdových záznamech a vyúčtováních výdajů.

Výzvy v oblasti shody specifické pro výrobu

Expozice českého výrobního sektoru z hlediska GDPR zahrnuje:

Záznamy zaměstnanců: Personální data českých zaměstnanců zahrnují rodné číslo, číslo průkazu totožnosti, čísla zdravotního pojištění a bankovní účty. Přeshraniční přenosy personálních dat do německých, japonských nebo amerických systémů mateřských společností vyžadují posouzení dopadu přenosu.

Sledovatelnost kvality výroby: Automobilové výrobní systémy často propojují záznamy kvality s konkrétními pracovníky. Tím vznikají osobní data v systémech klasifikovaných jako provozní technologie — podléhající GDPR přesto, že nejsou součástí tradičních HR systémů.

Zákaznická data v dealerstvích: Česká dealerská sítě VW Group, Toyota a dalších automobilových výrobců zpracovávají záznamy zákazníků z testovacích jízd, žádosti o financování a servisní historii obsahující rodná čísla.

Pro shodu s GDPR v českém výrobním sektoru je požadavkem: detekce rodného čísla se zpracováním genderového offsetu a validací kontrolního součtu, český NER pro zpracování dokumentů a podpora více jurisdikcí pro smíšené dokumentové pipeline v němčině, češtině a angličtině.

Zdroje:

Připraveni chránit svá data?

Začněte anonymizovat PII s více než 285 typy entit ve 48 jazycích.

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.