By · Last updated 2026-06-05

Vissza a BlograGDPR & Megfelelés

ÚOOÚ Csehország: GDPR a gyártásban

A cseh ÚOOÚ 2024-ben 58 végrehajtási határozatot hozott; a jogsértések 34%-a a gyártóiparból eredt. A cseh cégek 67%-a olyan német eszközöket használ, amelyek nem támogatják a cseh azonosítókat.

June 5, 20268 perc olvasás
Czech Republic ÚOOÚrodné číslomanufacturing GDPRCentral Europe complianceCzech identifiers

ÚOOÚ és GDPR a cseh gyártóiparban

Az Úřad pro ochranu osobních údajů (ÚOOÚ) 2024-ben 58 végrehajtási határozatot hozott. A gyártó- és autóipari cégek ezek 34%-át tették ki. Ez a legsúlyosabb arány bármely ágazatban.

A Škoda Auto, a Toyota, a Foxconn és számos beszállító működik Csehországban. A GDPR-megfelelőség ott helyi adatokat kezelő eszközöket igényel. A legtöbb jelenleg használt eszköz ezt nem nyújtja.

Az anyavállalati eszközök problémája

Az ÚOOÚ adatai egyértelmű hibamodellt mutatnak. A külföldi anyavállalatok saját konfigurált személyes adatvédelmi eszközeiket erőltetik helyi leányvállalataikra.

Amikor egy nagyvállalat bevezeti szabványos eszközét a prágai irodában:

  1. Az eszköz külföldi azonosítókhoz van beállítva. A helyi azonosítókat nem fedi le.
  2. A munkaszerződések és HR-akták cseh nyelvűek. Az eszközt nem cseh szövegre tanították.
  3. A cseh szöveg NER-pontossága 23%-kal alacsonyabb, mint más nyelvű egyenértékű szövegeknél. (ÚOOÚ technikai útmutató, 2024)
  4. A rodné číslo nem kerül felismerésre a cseh nyelvűként nem jelölt aktákban.
  5. A munkavállalók egészségügyi és HR-adatai védelem nélkül mozognak, holott a hatóság ezt megköveteli.

A helyi cégek 67%-a olyan eszközöket alkalmaz, amelyek kihagyják az országspecifikus azonosítókat. Az ÚOOÚ a helyi adatkezelőt vonja felelősségre – nem a külföldi szállítót.

Rodné číslo: különleges kategóriájú adat

A rodné číslo születési szám. Formátuma: RRHHNN/XXXX.

  • A 3–4. jegy a születési hónapot kódolja. Nők esetén 50-et adnak hozzá. Az januárban született nő 51-et mutat, nem 01-et.
  • A dátumot egy perjel választja el az utótagtól.
  • Az utótag 3–4 jegyből áll, modulus-11 ellenőrzőjeggyel.

A nemkódolás különleges kategóriájú adattá teszi ezt a számot a GDPR 9. cikke szerint. Tervezés által felfedi a nemet. Fokozott védelemre szorul.

Három dolgot kell lefedni. Először a nőknél alkalmazott hónapeltolást – az 50-es szabályt. Másodszor a modulus-11 ellenőrzőjegy validációját. Harmadszor a 9 jegyű (1954 előtti) és 10 jegyű formátumokat egyaránt.

Egyedül mintaillesztés nem felel meg az ÚOOÚ normájának.

Egyéb fontosabb azonosítók

Číslo občanského průkazu (OP): Személyi igazolvány száma. Kilenc alfanumerikus karakter. Megtalálható szerződéseken, látogatói naplókban és egészségügyi aktákban.

IČO: Nyolc jegyű cégazonosító szám. Képviselők személyes adatai melletti szállítói szerződésekben szerepel.

DIČ: Formátuma CZ + születési szám (magánszemélyeknél) vagy CZ + IČO (cégeknél). A személyi DIČ szabadúszói szerződésekben jelenik meg.

IBAN: Formátuma CZ + 22 jegy. Bérszámfejtési aktákban és költségjelentésekben szokásos.

A gyártóipar kitettségi területei

HR-nyilvántartások: A helyi alkalmazottak bérszámfejtése születési számokat, személyi igazolvány-számokat és bankadatokat tartalmaz. A határokon átnyúló HR-adattovábbításhoz Transfer Impact Assessment szükséges.

Minőségi visszakövethetőség: Az autóipari gyártási rendszerek gyakran összekapcsolják a hibanyilvántartásokat az egyes dolgozókkal. Ez személyes adat az üzemeltetési technológián belül, és GDPR alá esik még a HR-rendszereken kívül is.

Kereskedői adatok: A nagy gyártói hálózatok próbaút-nyilvántartásokat, finanszírozási formanyomtatványokat és szerviztörténeteket dolgoznak fel. Ezek közül sok születési számokat tartalmaz.

A GDPR megfelelőségi útmutatóban és a többnyelvű személyes adat-felismerési áttekintőnkben megtalálható, hogyan vonatkoznak az azonosítóhiányok az EU különböző joghatóságaira. A teljes entitáslefedettségért lásd az entitások referenciáját.

Az alapvető igény egyértelmű. A születési szám felismerésének tartalmaznia kell a nemeltolás kezelését és az ellenőrzőösszeg-validációt. Natív NER szükséges a szövegfeldolgozáshoz. Vegyes nyelvű feldolgozási láncokat is kell támogatni.

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.