anonym.legal

By · Last updated 2026-06-05

Назад к блогуGDPR и соблюдение

ÚOOÚ Чехии: GDPR в производственном секторе

Чешский ÚOOÚ вынес 58 решений о применении санкций в 2024 году; на производственный сектор приходится 34% нарушений. 67% чешских компаний используют инструменты без поддержки чешских идентификаторов.

June 5, 20268 мин чтения
Czech Republic ÚOOÚrodné číslomanufacturing GDPRCentral Europe complianceCzech identifiers

ÚOOÚ и GDPR в чешской промышленности

Úřad pro ochranu osobních údajů (ÚOOÚ) вынес 58 решений о применении санкций в 2024 году. На производственные и автомобильные компании пришлось 34% от их общего числа — больше, чем в любом другом секторе.

Skoda Auto, Toyota, Foxconn и многочисленные поставщики комплектующих работают в Чехии. Соответствие GDPR в этой среде требует инструментов, поддерживающих местные форматы данных. Большинство применяемых решений с этим не справляются.

Проблема инструментов материнских компаний

Данные ÚOOÚ выявляют устойчивую закономерность: зарубежные материнские компании внедряют в своих местных подразделениях инструменты обработки персональных данных, настроенные под иностранные реалии.

Когда крупный холдинг разворачивает в пражском офисе стандартный корпоративный инструмент, возникают следующие проблемы:

  1. Инструмент настроен на зарубежные идентификаторы и не охватывает местные.
  2. Трудовые договоры и кадровые документы составлены на чешском языке, на котором инструмент не обучен.
  3. Точность распознавания именованных сущностей (NER) для чешского текста на 23% ниже, чем для аналогичного текста на других языках (техническое руководство ÚOOÚ, 2024).
  4. Rodné číslo пропускается в файлах без явной пометки «чешский».
  5. Данные о здоровье и кадровые данные сотрудников перемещаются без требуемой нормативами защиты.

67% местных компаний используют инструменты, не распознающие специфические для страны идентификаторы. ÚOOÚ привлекает к ответственности местного контролёра, а не зарубежного вендора.

Rodné číslo: данные особой категории

Rodné číslo — это личный номер гражданина. Формат: RRMMDD/XXXX.

  • Цифры 3–4 кодируют месяц рождения. У женщин к месяцу прибавляется 50: женщина, рождённая в январе, имеет код 51, а не 01.
  • Косая черта разделяет дату и порядковый суффикс.
  • Суффикс состоит из 3–4 цифр с контрольной цифрой по алгоритму модуля 11.

Кодирование пола делает этот номер данными особой категории по смыслу Статьи 9 GDPR — он по конструкции раскрывает биологический пол. К таким данным применяется повышенный уровень защиты.

Необходимо обеспечить корректную обработку трёх аспектов: сдвига месяца для женщин (правило «+50»), контрольной цифры по модулю 11, а также обоих форматов — 9-значного (до 1954 года рождения) и 10-значного.

Простого сопоставления с шаблоном для соответствия стандарту ÚOOÚ недостаточно.

Другие ключевые идентификаторы

Číslo občanského průkazu (OP): национальное удостоверение личности. Девять буквенно-цифровых символов. Встречается в договорах, журналах посещений и медицинских картах.

IČO: восьмизначный регистрационный номер организации. Присутствует в договорах с поставщиками рядом с персональными данными законных представителей.

DIČ: формат CZ + rodné číslo (для физических лиц) или CZ + IČO (для юридических лиц). Личный DIČ встречается в договорах с самозанятыми.

IBAN: формат CZ + 22 цифры. Распространён в платёжных ведомостях и авансовых отчётах.

Уязвимости производственного сектора

Кадровые документы: расчёт заработной платы для местных сотрудников включает личные номера, удостоверения личности и банковские реквизиты. Трансграничные кадровые передачи требуют оценок воздействия передачи (TIA).

Отслеживание качества: производственные системы в автомобилестроении нередко связывают записи о дефектах с конкретными работниками. Это персональные данные внутри операционных технологий, подпадающие под GDPR вне зависимости от кадровых систем.

Данные дилерских сетей: крупные сети производителей обрабатывают записи о тест-драйвах, заявки на финансирование и историю обслуживания — во многих из них содержатся личные номера.

См. наш справочник по соответствию GDPR и обзор многоязычного обнаружения персональных данных о том, как пробелы в идентификаторах проявляются в разных юрисдикциях ЕС. Полный перечень сущностей см. в справочнике по сущностям.

Основное требование просто: обнаружение rodné číslo должно включать обработку гендерного сдвига и валидацию контрольной суммы, а также поддержку нативной NER для обработки текста и смешанных языковых пайплайнов.

Источники

Готовы защитить ваши данные?

Начните анонимизацию PII с 285+ типов сущностей на 48 языках.

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.