By · Last updated 2026-06-05

Retour au blogGDPR & Conformité

ÚOOÚ République tchèque : RGPD pour la fabrication en...

L'ÚOOÚ tchèque a émis 58 décisions d'exécution en 2024 ; la fabrication représente 34 % des violations.

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

ÚOOÚ et le RGPD dans l'industrie tchèque

L'Úřad pro ochranu osobních údajů (ÚOOÚ) a émis 58 décisions d'application en 2024. Les entreprises manufacturières et automobiles représentaient 34 % d'entre elles. C'est la part la plus élevée de tous les secteurs.

Škoda Auto, Toyota, Foxconn et de nombreux équipementiers opèrent en Tchéquie. La conformité au RGPD y nécessite des outils capables de traiter les données locales. La plupart des outils utilisés ne le font pas.

Le problème de l'outil de la maison mère

Les données de l'ÚOOÚ révèlent un schéma d'échec clair. Les sociétés mères à l'étranger déploient des outils PII configurés pour l'étranger dans leurs unités locales.

Quand un grand groupe déploie son outil standard dans un bureau à Prague :

  1. L'outil est configuré pour des identifiants étrangers. Il ne couvre pas les identifiants locaux.
  2. Les contrats de travail et les dossiers RH sont en tchèque. L'outil n'a pas été entraîné sur des textes tchèques.
  3. La précision NER pour le tchèque est inférieure de 23 % à celle de textes équivalents dans d'autres langues. (Guide technique ÚOOÚ, 2024)
  4. Le rodné číslo est manqué dans les fichiers non marqués comme tchèques.
  5. Les données de santé et RH des employés sont transférées sans la protection exigée par les autorités.

67 % des entreprises locales utilisent des outils qui manquent les identifiants spécifiques au pays. L'ÚOOÚ tient le responsable du traitement local pour responsable. Le fournisseur de l'outil de la société mère n'est pas mis en cause.

Rodné Číslo : données de catégorie spéciale

Le rodné číslo est un numéro de naissance. Il utilise le format AAMMJJ/XXXX.

  • Les chiffres 3–4 codent le mois de naissance. Pour les femmes, 50 est ajouté. Une femme née en janvier affiche 51, et non 01.
  • Une barre oblique sépare la date du suffixe.
  • Le suffixe comporte 3 à 4 chiffres avec un chiffre de contrôle modulo 11.

Le codage du genre fait de ce numéro une donnée de catégorie spéciale au sens de l'article 9 du RGPD. Il révèle le sexe par construction. Une protection renforcée s'applique.

Trois éléments doivent être couverts. Premièrement, le décalage mensuel pour les femmes — la règle des 50. Deuxièmement, la validation du chiffre de contrôle modulo 11. Troisièmement, les formats à 9 chiffres (avant 1954) et à 10 chiffres.

La reconnaissance de motifs seule ne satisfait pas aux exigences de l'ÚOOÚ.

Autres identifiants clés

Číslo občanského průkazu (OP) : Carte d'identité nationale. Neuf caractères alphanumériques. Présente sur les contrats, les registres de visiteurs et les dossiers médicaux.

IČO : Numéro d'identification d'entreprise à huit chiffres. Apparaît dans les contrats fournisseurs avec les données personnelles des représentants légaux.

DIČ : Format CZ + numéro de naissance (personnes physiques) ou CZ + IČO (sociétés). Le DIČ personnel figure dans les contrats de freelance.

IBAN : Format CZ + 22 chiffres. Courant dans les fiches de paie et les notes de frais.

Où l'industrie est exposée

Dossiers RH : La paie du personnel local inclut des numéros de naissance, des identifiants nationaux et des coordonnées bancaires. Les transferts RH transfrontaliers nécessitent des évaluations d'impact sur les transferts.

Traçabilité qualité : Les systèmes de production automobile associent souvent les enregistrements de défauts à des travailleurs individuels. Ce sont des données personnelles dans la technologie opérationnelle. Elles sont soumises au RGPD même en dehors des systèmes RH.

Données des concessionnaires : Les grands réseaux de constructeurs traitent des dossiers d'essais, des formulaires de financement et des historiques de service. Beaucoup contiennent des numéros de naissance.

Consultez notre guide de conformité RGPD et la vue d'ensemble de la détection PII multilingue pour comprendre comment les lacunes d'identification s'appliquent dans l'UE. Pour la couverture complète des entités, voir la référence des entités.

Le besoin fondamental est clair. La détection des numéros de naissance doit inclure la gestion du décalage de genre et la validation de la somme de contrôle. La NER native pour le traitement de texte est également requise. Les pipelines multilingues doivent être pris en charge.

Sources

Prêt à protéger vos données ?

Commencez à anonymiser les PII avec plus de 285 types d'entités dans 48 langues.

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.