By · Last updated 2026-06-05

Voltar ao BlogGDPR & Conformidade

NAIH Hungria: TAJ-Szám, Adóazonosító Jel e Por que a...

A precisão do NER húngaro é 67% contra 82% da média da UE — avaliação de 2024 da NAIH.

June 5, 20267 min de leitura
Hungary NAIHTAJ-szám detectionHungarian NERHungarian GDPR complianceAI DPIA

NAIH Hungria: TAJ-Szám e requisitos técnicos do RGPD

Atualizado para 2026

A autoridade de proteção de dados da Hungria é a NAIH. Seu relatório de 2024 mostra que a precisão do NER para o húngaro é de apenas 67 %. A média europeia é de 82 %. Essa diferença cria risco real. Ferramentas criadas para inglês ou alemão frequentemente não detectam identificadores húngaros.

Por que o NER em húngaro tem menor precisão

Três características do húngaro prejudicam os modelos NLP comuns.

Aglutinação: O húngaro forma palavras adicionando sufixos às raízes. O mesmo nome aparece em muitas formas em uma frase. "Kovács Péter" como sujeito torna-se "Kovács Péternek" em outro papel gramatical. Os modelos NER devem associar todas essas formas a uma única pessoa.

Ordem dos nomes: Em húngaro, o sobrenome vem primeiro. A maioria dos modelos NLP espera o primeiro nome em primeiro lugar. Essa inversão causa falhas na detecção.

Caracteres especiais: O húngaro usa ő e ű. Essas letras diferem dos umlauts alemães. Combinações de codificação — Windows-1250 vs UTF-8 — também causam falhas.

Esses três fatores explicam a maior parte da diferença de precisão no relatório NAIH 2024.

TAJ-Szám: o número de segurança social húngaro

O TAJ-szám (Társadalombiztosítási Azonosító Jel) é um número de 9 dígitos. Aparece em registros de saúde, folhas de pagamento, benefícios sociais e contas de aposentadoria.

Dígito verificador: Multiplique os dígitos 1 a 8 pelos pesos 3, 7, 3, 7, 3, 7, 3, 7. Some os resultados. Calcule o módulo 10. O resultado é o dígito verificador.

Este algoritmo é específico da Hungria. Difere do algoritmo de Luhn usado em outros países.

De acordo com o relatório NAIH 2024, ferramentas genéricas detectam o TAJ-szám com apenas 61 % de precisão. O formato de 9 dígitos se assemelha a muitos outros números em documentos húngaros. Sem a etapa de verificação, há muitos falsos positivos.

Adóazonosító Jel: o número fiscal húngaro

O adóazonosító jel é um número de identificação fiscal pessoal de 10 dígitos. O primeiro dígito é sempre 8. Aparece em contratos de trabalho, declarações fiscais e documentos financeiros.

Dígito verificador: Tome os dígitos 2 a 9. Multiplique pelos pesos 9, 7, 3, 1, 9, 7, 3, 1. Some. Calcule o módulo 10. Esse é o dígito verificador. Um resultado de 0 significa que o dígito verificador é 0.

Os casos de fiscalização da NAIH mostram que esse número frequentemente é ignorado em documentos de RH processados por ferramentas configuradas para outros idiomas.

Consulte nosso guia de identificadores fiscais nacionais da UE para comparar esses números entre os estados-membros.

O requisito de AIPD da NAIH para sistemas de IA

O guia NAIH 2024 exige uma AIPD completa antes de implantar qualquer sistema de IA que processe dados pessoais. Isso é mais rígido do que o teste geral do RGPD. A AIPD deve cobrir:

  1. Fluxos de dados — dados de treinamento, entradas e saídas
  2. Base legal — documentada para cada atividade
  3. Precisão linguística — obrigatória para idiomas abaixo da média europeia
  4. Revisão humana — um mecanismo para verificar decisões automatizadas

A AIPD deve ser atualizada anualmente quando o sistema for retreinado.

Para equipes que implantam ferramentas de IA em dados húngaros, a ordem é fixa: primeiro a AIPD, depois a implantação.

Controles técnicos mínimos

Três controles formam a base da conformidade com a NAIH:

  1. Detecção do TAJ-szám com soma de verificação módulo 10 — a correspondência de padrões sozinha não é suficiente
  2. Detecção do adóazonosító jel com validação — crítico para RH e finanças
  3. NER húngaro com suporte a aglutinação — deve lidar com ő, ű e variantes de codificação

Nosso guia BFDI Alemanha compara como as APDs da Europa Central definem requisitos técnicos. Para uma lacuna linguística semelhante na região, veja nosso guia tcheco ÚOOÚ.

Fontes

Pronto para proteger seus dados?

Comece a anonimizar PII com mais de 285 tipos de entidades em 48 idiomas.

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.