By · Last updated 2026-06-05

Zurück zum BlogDSGVO & Compliance

ANSPDCP und rumänische DSGVO: Warum die CNP-Erkennung...

ANSPDCP stellte fest, dass 78 % der Tools die rumänische CNP ohne ordnungsgemäße Validierung übersehen.

June 5, 20267 min Lesezeit
Romania ANSPDCPCNP checksum validationRomanian GDPRBPO complianceRomanian identifiers

ANSPDCP Rumänien: CNP-Erkennung und DSGVO-Prüfungen

Aktualisiert für 2026

Die rumänische Datenschutzbehörde ist ANSPDCP. Ihre Bewertung aus 2024 ergab, dass 78 % der PII-Tools den Cod Numeric Personal (CNP) nicht korrekt erkennen. Die meisten überspringen den Prüfsummen-Schritt. Diese Lücke schafft ein echtes Compliance-Risiko. Rumänien verarbeitet EU-Daten für viele westliche Kunden. Das Risiko ist weit verbreitet.

Rumäniens Nationaler Ausweis mit den Meisten Daten

Der CNP ist eine 13-stellige nationale Kennung. Jede Zifferngruppe enthält persönliche Daten:

  • Stelle 1: Geschlecht und Jahrhundertcode. Männlich 1900–1999 = 1. Weiblich 1900–1999 = 2. Männlich ab 2000 = 5. Weiblich ab 2000 = 6. Männlicher Ausländer mit Wohnsitz = 7. Weiblicher Ausländer mit Wohnsitz = 8. Sonstiger Bewohner = 9.
  • Stellen 2–3: Letzte zwei Ziffern des Geburtsjahrs.
  • Stellen 4–5: Geburtsmonat (01–12).
  • Stellen 6–7: Geburtstag (01–31).
  • Stellen 8–9: Kreiskennung. Umfasst 41 Kreise und die sechs Sektoren von Bukarest (Codes 01–52).
  • Stellen 10–12: Geburtsreihenfolge an diesem Tag und in diesem Kreis.
  • Stelle 13: Prüfziffer.

Stelle 1 allein gibt das biologische Geschlecht preis. Damit ist dieser Code nach DSGVO-Artikel 9 ein Datenelement besonderer Kategorie. Es braucht stärkeren Schutz als normale personenbezogene Daten.

So funktioniert die Prüfziffer: Nehmen Sie die ersten 12 Stellen. Multiplizieren Sie jede mit ihrer Gewichtung (2, 7, 9, 1, 4, 6, 3, 5, 8, 2, 7, 9). Addieren Sie die Ergebnisse. Teilen Sie durch 11 und nehmen den Rest. Ein Rest von 10 ergibt Prüfziffer 1. Ein Rest von 11 bedeutet, dass der Code ungültig ist. Jeder andere Rest ist die Prüfziffer.

Tools, die diesen Test überspringen, haben zwei Fehlerarten. Erstens wird jede 13-stellige Zeichenfolge als Treffer markiert (falsch positiv). Zweitens besteht eine beschädigte Nummer den Mustercheck, enthält aber fehlerhafte Daten. Diese Daten werden übersehen und nicht überprüft (falsch negativ).

NER-Probleme in Rumänischsprachigen Dokumenten

Das Erkennen von Kennungen ist nur ein Teil der Arbeit. Rumänische Texte bringen weitere Erkennungshürden.

Diakritika: Rumänisch verwendet ș, ț, ă, â und î. Tools, die auf anderen Sprachen trainiert wurden, erkennen Namen mit diesen Zeichen oft nicht. Alte Dokumente in Latin-2-Codierung verursachen weitere Fehler.

Adressformate: Straßentypen verwenden Kurzformen — Str., Bd., Al., Cal. Städte- und Gemeindenamen folgen lokalen Regeln. Parser für französische oder deutsche Adressen schneiden hier schlecht ab.

Namensbeugung: Namen ändern in der rumänischen Sprache ihre Form je nach Kasus. Derselbe Name sieht in verschiedenen Satzteilen unterschiedlich aus. NER-Modelle müssen dies verarbeiten, um Namen in einem Dokument zu verknüpfen.

Lesen Sie unseren APAC-PII-Erkennungsleitfaden darüber, wie Sprachlücken die Erkennung nicht-westlicher Schriften beeinflussen.

Wie ANSPDCP-Fälle Entstehen

ANSPDCP-Fälle zeigen drei Muster.

BPO-Datenpannenfälle: Gemeinsame Dateien enthalten Mitarbeiter-IDs und EU-Kundendaten ohne Verschlüsselung. Schlechte Protokolle verhindern, dass das Unternehmen feststellen kann, auf welche Datensätze zugegriffen wurde. Das verlängert die Untersuchung und erhöht das Bußgeld.

Gesundheitsdaten-Offenlegung: Patientenakten — nationale ID, Krankenkassennummer und Diagnose — gelangen an die falsche Person. Das PII-Tool unterstützte dieses Format nicht. Die Daten wurden ohne Maskierung weitergegeben.

Grenzüberschreitende Übertragungsfehler: Ein Outsourcing-Unternehmen überträgt ID-verknüpfte Datensätze an eine Partei außerhalb des EWR. Kein Transfer Impact Assessment. Keine Standard Contractual Clauses. Der Artikel-9-Status der Daten wandelt eine normale Lücke in einen schwerwiegenderen Verstoß um.

Drei Kontrollen für ANSPDCP-Compliance

Diese drei bilden die technische Mindestbasis:

  1. CNP-Erkennung mit Modulo-11-Validierung — Mustererkennung allein reicht nicht aus.
  2. Diakritika-fähiges NER — Deckt ș, ț, ă, â und î in UTF-8- und Latin-2-Quellen ab.
  3. Ausweis-Erkennung — Der nationale Ausweis erscheint neben dem CNP in vielen Dokumententypen.

Für einen umfassenderen Überblick darüber, wie nationale IDs DSGVO-Risiken schaffen, lesen Sie unseren Leitfaden zur EU-Steuer-ID-Erkennung.

Quellen

Bereit, Ihre Daten zu schützen?

Beginnen Sie mit der Anonymisierung von PII mit über 285 Entitätstypen in 48 Sprachen.

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.