By · Last updated 2026-06-05

Vissza a BlograGDPR & Megfelelés

UODO Lengyelország: több GDPR-bírság, mint Franciaország

A lengyel UODO 2023-ban 8234 panaszt dolgozott fel és 47 bírságot szabott ki. A személyesadat-felismerő eszközök 89%-a nem képes helyesen azonosítani a lengyel PESEL-azonosítókat.

June 5, 20269 perc olvasás
GDPR enforcementPoland UODOPESEL detectionPolish data protectionCentral Europe compliance

UODO Lengyelország: több GDPR-bírság, mint Franciaország

Frissítve 2026-ra

Lengyelország felülmúlja súlyát

Lengyelország adatvédelmi hatósága az Urząd Ochrony Danych Osobowych (UODO). 2023-ban 47 GDPR-bírságot szabott ki. Összesen 2,8 millió eurót. Ugyanabban az évben 8234 panaszt kezelt. Egy főre vetítve ez a bírságolási arány felülmúlja Franciaországot, Németországot és a legtöbb nyugati társát.

A lengyelországi vállalatok számára ez élő kockázat — nem csupán papírmunka.

Miért érvényesít Lengyelország többet, mint Nyugat

Panaszkultúra. Lengyelországban 38 millió ember él erős digitális jogismerettel. Adatvédelmi szervezetek nagy mennyiségű panaszt nyújtanak be. A hatóság évente ezreket kezel.

BPO-szektori kitettség. Lengyelország az EU egyik vezető kiszervező központja. A lengyel call centerek Németország, Franciaország, az Egyesült Királyság és Hollandia ügyfeleinek adatait dolgozzák fel. Minden adatfolyam kétféle kockázatot teremt: Lengyelország adatvédelmi hatóságának intézkedési lehetőségét és az érintett polgárok vezető adatvédelmi hatóságának intézkedési lehetőségét.

Egészségügyi adatvédelmi incidensek. Az egészségügyi adatokkal kapcsolatos incidensjelentések 45%-kal emelkedtek 2024-ben. Az egészségügyi nyilvántartások különleges kategóriájú adatok a GDPR 9. cikke szerint. Ez magasabb bírságkockázatot jelent az egészségügyi adatfeldolgozók számára.

Hiányzó nyilvántartások. A lengyel vállalatok 34%-ának hiányzik az Adatkezelési Tevékenységek Nyilvántartása (ROPA). Az auditorok ezzel kezdik. Egy hiányzó ROPA mélyebb vizsgálatot von maga után.

A PESEL-probléma

A PESEL Lengyelország 11 jegyű nemzeti azonosítója. Az 1–6. számjegyek a születési dátumot kódolják. A 7–10. számjegyek sorszámok. Az utolsó számjegy egy ellenőrző jegyű. A Lengyel Digitalizációs Minisztérium súlyozási képletét alkalmazza.

Az általános személyesadat-felismerő eszközök kétféleképpen vétik el a PESEL-t.

Mintafelismerési hiba. A legtöbb eszköz az USA-ban vagy az Egyesült Királyságban alkalmazott azonosítóformátumokat ismeri. Az USA-ban a társadalombiztosítási szám 9 jegyű. Az Egyesült Királyságban a nemzeti biztosítási szám alfanumerikus. A PESEL 11 jegyű formátuma nincs benne az adatbázisukban. Elmulasztják.

Validálási hiba. Még ha egy eszköz meg is talál 11 számjegyet, nem tudja megerősíteni az ellenőrző jegyet. Ez hamis pozitív és hamis negatív eredményeket okoz. A felcserélt számjegyű valódi PESEL-ek átcsúsznak.

A PESEL szinte minden lengyel dokumentumban megjelenik: egészségügyi nyilvántartásokban, munkaügyi aktákban, adónyomtatványokon és biztosítási kötvényeken. Ha nem ismerik fel, a fő azonosító kitett marad.

A lengyel dokumentumokon tesztelt személyesadat-felismerő eszközök 89%-a nem képes helyesen felismerni a PESEL-t.

Más lengyel azonosítók, amelyeket az eszközök elmulasztanak

NIP (Numer Identyfikacji Podatkowej). 10 jegyű adóazonosító súlyozási ellenőrzőösszeggel. Megtalálható számlákon, szerződésekben és munkaügyi nyilvántartásokban.

REGON. 9 vagy 14 jegyű vállalati szám az összes lengyel vállalat számára. Megjelenik szállítói és vevői dokumentumokban.

Dowód osobisty. Lengyel személyi igazolvány XXX NNNNNN formátumban — három betű, majd hat szám — saját ellenőrző jeggyel. Banki, egészségügyi és kormányzati személyazonosítás-ellenőrzésekhez szükséges.

Mindhárom hasonló hiányosságokat mutat, mint a PESEL.

2024–2025-ös érvényesítési prioritások

Egészségügyi adatok. Az egészségügyi szolgáltatóktól érkező incidensjelentések 45%-kal emelkedtek 2024-ben. Proaktív auditok folynak. Általános megállapítások: gyenge hozzáférési vezérlők, titkosítás hiánya és hiányzó adatvédelmi hatásvizsgálatok.

Munkavállalói megfigyelés. A távmunka sok vállalatot arra késztetett, hogy billentyűzetfigyelőket és képernyőrögzítőket vezessen be. Ezek többsége sérti a GDPR célhoz kötöttségi szabályait. A munkavállalói adatokkal kapcsolatos esetek az érvényesítési intézkedések 28%-át teszik ki.

Alfeldolgozói láncok. Lengyelország kiszervező szektora összetett szállítói hálózatokat alkalmaz. Az auditok hiányzó adatfeldolgozási megállapodásokat találnak a főfeldolgozók és az alfeldolgozók között. Az alfeldolgozói eszközöknek szintén meg kell felelniük a GDPR 32. cikke szerinti szabványoknak.

Technikai intézkedések, amelyek átmennek az auditoron

A végrehajtási határozatok három szükséges vezérlőre mutatnak rá.

Titkosítás. Minden személyes adatot titkosítani kell tárolásban és átvitel közben egyaránt. A hozzáférési vezérlők önmagukban nem elegendők. Azokat a vállalatokat, amelyek kizárólag hozzáférési szabályokra támaszkodnak, megbírságolták.

Dokumentált anonimizálás. Az anonimizálást állító vállalatoknak igazolniuk kell azt. A hatóság technikai bizonyítékot kér arról, hogy az újra-azonosítás nem lehetséges.

Személyesadat-felismerési lefedettség. A biztosítékoknak le kell fedniük a lengyel azonosítókat. A PESEL ellenőrzőösszeg-validálással, a NIP, a REGON és a dowód osobisty mindegyikének felismerhetőnek kell lennie. Az angolra tanított eszközök nem felelnek meg ennek a követelménynek.

Lengyelország BPO-szektora naponta 2,3 millió EU-s ügyféladatot dolgoz fel. A lengyel-specifikus személyesadat-felismerés nélküli vállalatok súlyos bírságkockázatot hordoznak — mind a nemzeti adatvédelmi hatóságtól, mind az EU-szerte működő vezető adatvédelmi hatóságoktól.

A GDPR megfelelőségi útmutatónk lefedi a dokumentációs igényeket. A biztonsági megfelelőségi áttekintőnk magyarázza a technikai vezérlőket. A többnyelvű személyesadat-felismeréshez lásd a többnyelvű személyesadat-felismerési útmutatónkat.

Források

Készen áll az adatai védelmére?

Kezdje el a PII anonimizálását 285+ entitástípuson 48 nyelven.

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.