By · Last updated 2026-06-05

Zurück zum BlogDSGVO & Compliance

ÚOOÚ Tschechische Republik: Rodné Číslo...

Das tschechische rodné číslo kodiert Geschlecht über eine 50-Offset-Monatskodierung – was es zu besonderen Daten gemäß Artikel 9 der GDPR macht.

June 5, 20267 min Lesezeit
Czech ÚOOÚrodné číslo detectionCzech GDPR compliancemanufacturing data protectionCentral Europe

ÚOOÚ und Rodné Číslo: Geschlechtskodierung unter der DSGVO

Aktualisiert für 2026

Die tschechische Datenschutzbehörde ist ÚOOÚ. Ausgeschrieben: Úřad pro ochranu osobních údajů. Sie erließ 2024 58 Durchsetzungsentscheidungen. Ein Befund taucht in vielen Fällen auf. Das rodné číslo (Geburtsnummer) wurde ohne Erkennung verarbeitet. Das eingesetzte PII-Tool war für Deutsch oder Englisch ausgelegt. Es hatte keine Logik für diesen Bezeichner. ÚOOÚ ist eindeutig: Tools müssen das rodné číslo mit Prüfsummenvalidierung und korrekter Geschlechts-Offset-Behandlung erkennen.

Rodné Číslo: Sonderkategorie-Daten durch Struktur

Das rodné číslo, kurz RČ, verwendet das Format RRMMDD/XXXX.

  • RR — letzte zwei Ziffern des Geburtsjahrs.
  • MM — Geburtsmonat. Bei Frauen wird 50 addiert. Monat 01 wird zu 51. Monat 12 wird zu 62.
  • DD — Geburtstag.
  • XXXX — eine kurze Folge von 3–4 Ziffern plus einem Prüfwert (Modulus 11).

Der Monats-Offset für Frauen macht diese Nummer zu einem strukturellen Merkmal für biologisches Geschlecht. Dieser Offset ist nicht zufällig. Das Zivilmeldesystem nutzt ihn für administrative Suchen. DSGVO-Artikel 9 erfasst Daten, die persönliche Merkmale offenbaren. Geschlecht ist eines davon. Laut ÚOOÚ: Jedes Dokument mit einem rodné číslo enthält de facto Daten mit besonderem Schutzbedarf. Erhöhter Schutz gilt.

Wie der Prüfwert funktioniert: Bei 10-stelligen Nummern (ausgegeben nach 1954) muss die 9-stellige Basis durch 11 teilbar sein. Bei 9-stelligen Nummern (vor 1954) existiert kein Prüfwert. Tools müssen beide Varianten unterstützen.

Was ÚOOÚ als Ausreichende Erkennung Bezeichnet

Die technische Leitlinie von ÚOOÚ aus 2024 für PII-Tools legt drei Anforderungen fest.

Geschlechts-Offset-Behandlung: Nummern mit Monatswerten 51–62 sind gültige Bezeichner für Frauen. Ein Tool, das diese als ungültige Datumsangaben behandelt, übersieht etwa die Hälfte der weiblichen Erwachsenenbevölkerung.

Formatvarianten: Geburten vor 1954 erzeugen 9-stellige Nummern ohne Prüfwert. Geburten nach 1954 erzeugen 10-stellige Nummern mit einem. Beide müssen unterstützt werden.

Kontextsignale: In muttersprachlichen Dokumenten erscheint der Bezeichner neben Labels wie "Rodné číslo:", "RČ:" oder "r.č.:". Sprachbewusstes NER hilft, diese Signale auch in Freitexten zu finden.

Das Problem mit der Deutschen Muttergesellschaft

67 % der Unternehmen im Land setzen PII-Tools ein, die für Deutsch oder Englisch konfiguriert sind. ÚOOÚ hat dies in einer Umfrage dokumentiert. Die Fehlerkette im Fertigungsbereich ist vorhersehbar.

Eine deutsche Muttergesellschaft setzt ein Scan-Tool ein. Es ist für deutsche Bezeichner konfiguriert. HR-Daten — Verträge, Gesundheitsakten, Gehaltsabrechnungen — enthalten Geburtsnummern. Das Tool hat keine Logik für diesen Bezeichnertyp. Jede Geburtsnummer wird übersehen. Gesundheits- und Gehaltsdaten der Mitarbeiter werden ohne die von ÚOOÚ geforderten Kontrollen weitergeleitet. Im Falle eines Audits oder Datenschutzvorfalls kann die lokale Filiale keine "angemessenen technischen Maßnahmen" nach DSGVO-Artikel 32 nachweisen.

ÚOOÚ hält den lokalen Verantwortlichen für die Kontrolle verantwortlich. "Unsere Muttergesellschaft hat das Tool ausgewählt" ist keine gültige Verteidigung. Die Rechenschaftspflicht der DSGVO lässt das nicht zu.

Compliance-Checkliste für Fertigungsunternehmen

Diese Kontrollen gelten für Industrieunternehmen mit Tools der deutschen Muttergesellschaft.

  • Erkennung von Geburtsnummern: Beide Formate — 9-stellig und 10-stellig. Geschlechts-Offset-Monatsbehandlung (50+). Modulus-11-Prüfwert für 10-stellige Varianten.
  • Muttersprachliches NER: spaCy cs_core_news oder ein gleichwertiges Modell. Allgemeine Tools zeigen 23 % geringere NER-Genauigkeit für diese Sprache. Sprachspezifische Modelle schließen die Lücke.
  • Číslo OP-Erkennung: Der občanský průkaz (Personalausweis) ist eine 9-stellige Nummer. Er erscheint neben der Geburtsnummer in vielen Dokumenttypen.
  • IČO und DIČ: Unternehmens-ID und Steuernummern erscheinen in Verträgen. Beide brauchen Abdeckung.
  • Mehrsprachige Pipeline: Gemischte Umgebungen haben Dokumente in der Landessprache, auf Deutsch und auf Englisch. Eine einsprachige Pipeline übersieht sprachübergreifende Vorkommnisse.

ÚOOÚ-Durchsetzung ist konsistent. Firmen, die technische Nachweise in einem Audit vorlegen, erhalten deutlich geringere Bußgelder. Firmen, die das nicht können, haben ein höheres Risiko.

Einen umfassenderen Überblick darüber, wie nationale Ausweise DSGVO-Risiken erzeugen, bietet unser Leitfaden zur EU-Steuer-ID-Erkennung.

Einen ähnlichen nordischen Bezeichner beschreibt unser Datatilsynet CPR-Leitfaden.

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.