By · Last updated 2026-06-05

Voltar ao BlogGDPR & Conformidade

ÚOOÚ República Tcheca: GDPR para Manufatura da Europa...

O ÚOOÚ tcheco emitiu 58 decisões de aplicação em 2024; a manufatura representa 34% das violações.

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

ÚOOÚ e o RGPD na indústria manufatureira checa

O Úřad pro ochranu osobních údajů (ÚOOÚ) emitiu 58 decisões de aplicação em 2024. Empresas dos setores manufatureiro e automotivo representaram 34% delas. É a maior participação de qualquer setor.

Škoda Auto, Toyota, Foxconn e muitos fornecedores de nível operam na Tchéquia. A conformidade com o RGPD ali requer ferramentas que lidem com dados locais. A maioria das ferramentas em uso não faz isso.

O problema da ferramenta da empresa-mãe

Os dados da ÚOOÚ mostram um padrão claro de falha. Empresas-mãe no exterior implantam ferramentas PII configuradas para uso externo em suas unidades locais.

Quando um grande grupo implementa sua ferramenta padrão em um escritório em Praga:

  1. A ferramenta está configurada para identificadores estrangeiros. Ela não cobre os locais.
  2. Contratos de trabalho e arquivos de RH estão em tcheco. A ferramenta não foi treinada com textos em tcheco.
  3. A precisão de NER para o tcheco é 23% menor do que para textos equivalentes em outros idiomas. (Guia técnico da ÚOOÚ, 2024)
  4. O rodné číslo não é detectado em arquivos não marcados como tchecos.
  5. Dados de saúde e RH dos funcionários são transferidos sem a proteção exigida pelos reguladores.

67% das empresas locais dependem de ferramentas que não identificam identificadores específicos do país. A ÚOOÚ responsabiliza o controlador local. Ela não responsabiliza o fornecedor da ferramenta da empresa-mãe.

Rodné Číslo: dados de categoria especial

O rodné číslo é um número de nascimento. Ele usa o formato AAMMDD/XXXX.

  • Os dígitos 3–4 codificam o mês de nascimento. Para mulheres, 50 é somado. Uma mulher nascida em janeiro exibe 51, não 01.
  • Uma barra separa a data do sufixo.
  • O sufixo tem 3–4 dígitos com um dígito verificador módulo 11.

A codificação de gênero torna esse número um dado de categoria especial nos termos do Artigo 9 do RGPD. Ele revela o sexo por design. Proteção reforçada se aplica.

Três aspectos devem ser cobertos. Primeiro, o deslocamento mensal para mulheres — a regra dos 50. Segundo, a validação do dígito verificador módulo 11. Terceiro, tanto o formato de 9 dígitos (antes de 1954) quanto o de 10 dígitos.

A correspondência de padrões sozinha não atende ao padrão da ÚOOÚ.

Outros identificadores importantes

Číslo občanského průkazu (OP): Cartão de identidade nacional. Nove caracteres alfanuméricos. Encontrado em contratos, registros de visitantes e prontuários médicos.

IČO: Número de identificação empresarial de oito dígitos. Aparece em contratos com fornecedores ao lado de dados pessoais de representantes legais.

DIČ: Formato CZ + número de nascimento (pessoas físicas) ou CZ + IČO (empresas). O DIČ pessoal aparece em contratos de trabalho autônomo.

IBAN: Formato CZ + 22 dígitos. Comum em folhas de pagamento e relatórios de despesas.

Onde a indústria está exposta

Registros de RH: A folha de pagamento de funcionários locais inclui números de nascimento, documentos nacionais e dados bancários. Transferências de RH transfronteiriças requerem Avaliações de Impacto de Transferência.

Rastreabilidade de qualidade: Sistemas de produção automotiva frequentemente vinculam registros de defeitos a trabalhadores individuais. São dados pessoais dentro da tecnologia operacional. Estão sujeitos ao RGPD mesmo fora dos sistemas de RH.

Dados de concessionárias: Grandes redes de fabricantes processam registros de test-drive, formulários de financiamento e históricos de serviço. Muitos contêm números de nascimento.

Consulte nosso guia de conformidade com o RGPD e a visão geral da detecção multilíngue de PII para entender como as lacunas de identificadores se aplicam em toda a UE. Para cobertura completa de entidades, veja a referência de entidades.

A necessidade central é simples. A detecção de números de nascimento deve incluir o tratamento do deslocamento de gênero e a validação de soma de verificação. NER nativo para processamento de texto também é necessário. Pipelines multilíngues devem ser suportados.

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.