By · Last updated 2026-06-05

Tillbaka till BloggenGDPR & Efterlevnad

Tjeckiskt Rodné Číslo: Könskodning och GDPR

Tjeckiska rodné číslo kodar kön via 50-offset månadsvärdekodning — vilket gör det till GDPR artikel 9 data i särskild kategori. 67 % av tjeckiska företag använder tyska verktyg.

June 5, 20267 min läsning
Czech ÚOOÚrodné číslo detectionCzech GDPR compliancemanufacturing data protectionCentral Europe

ÚOOÚ och Rodné Číslo: Könskodning under GDPR

Uppdaterat för 2026

Tjeckiens dataskyddsmyndighet är ÚOOÚ. Fullständigt namn: Úřad pro ochranu osobních údajů. Myndigheten fattade 58 beslut under 2024. Ett fynd återkommer i många ärenden. Rodné číslo (födelsenumret) bearbetades utan att identifieras. Det PII-verktyg som användes var byggt för tyska eller engelska. Det saknade helt logik för denna identifierartyp. ÚOOÚ är tydlig: verktyg måste identifiera rodné číslo med kontrollsummavalidering och korrekt könsoffsethantering.

Rodné Číslo: Uppgifter i särskild kategori per konstruktion

Rodné číslo, eller RČ, använder formatet RRMMDD/XXXX.

  • RR — de två sista siffrorna i födelseåret.
  • MM — födelsemånad. För kvinnor läggs 50 till. Månad 01 blir 51. Månad 12 blir 62.
  • DD — födelsedag.
  • XXXX — en kort sekvens på 3–4 siffror plus ett kontrollvärde (modulus 11).

Månadsförskjutningen för kvinnor gör detta nummer till en markör för biologiskt kön. Det är inte tillfälligt. Det civilrättsliga registreringssystemet använder det för administrativ sökning. GDPR artikel 9 täcker uppgifter som avslöjar personliga egenskaper. Kön är en av dem. ÚOOÚ:s ståndpunkt: varje dokument med ett rodné číslo innehåller data med koppling till särskild kategori. Starkare skydd gäller.

Hur kontrollvärdet fungerar: För 10-teckens nummer (utfärdade efter 1954) måste hela den 9-teckenslånga basen vara jämnt delbar med 11. För 9-teckens nummer (utfärdade före 1954) finns inget kontrollvärde. Verktyg måste hantera båda.

Vad ÚOOÚ anser vara tillräcklig identifiering

ÚOOÚ:s tekniska vägledning 2024 för PII-verktyg ställer tre krav.

Könsoffsethantering: Nummer med månadsvärden 51–62 är giltiga identifierare för kvinnor. Ett verktyg som behandlar dessa som ogiltiga datum missar ungefär hälften av den vuxna kvinnliga befolkningens primär-ID.

Formatvarianter: Födslar före 1954 ger 9-teckens nummer utan kontrollvärde. Födslar efter 1954 ger 10-teckens nummer med ett. Båda måste stödjas.

Kontextsignaler: I modersmålsspråkiga dokument förekommer identifieraren nära etiketter som 'Rodné číslo:', 'RČ:' eller 'r.č.:'. Språkmedveten NER hjälper till att hitta dessa signaler även i fritext.

Problemet med tyska moderbolag

67 % av företagen i landet driftsätter PII-verktyg konfigurerade för tyska eller engelska. ÚOOÚ konstaterade detta i en enkätundersökning. Felkedjan inom tillverkning är förutsägbar.

Ett tyskt moderbolag driftsätter ett skanningsverktyg. Det är konfigurerat för tyska identifierare. HR-data — avtal, hälsojournaler, löneregister — innehåller födelsenummer. Verktyget saknar logik för denna identifierartyp. Varje födelsenummer missas. Anställdas hälso- och lönedata rör sig utan de kontroller ÚOOÚ kräver. Vid en revision eller ett intrång kan det lokala företaget inte visa lämpliga tekniska åtgärder enligt GDPR artikel 32.

ÚOOÚ håller den lokala personuppgiftsansvarige ansvarig. Att moderbolaget valde verktyget är inte ett giltigt försvar. GDPR:s ansvarsskyldighetsregel tillåter det inte.

Efterlevnadschecklista för tillverkningsföretag

Dessa kontroller gäller för industriföretag med tyska moderbolagsverktyg.

  • Födelsenummerdetektion: Både 9-teckens och 10-teckens format. Könsoffset-månadshantering (50+). Modulus-11 kontrollvärde för 10-teckens varianter.
  • Modersmålsspråkig NER: spaCy cs_core_news eller en likvärdig modell. Generiska verktyg uppvisar 23 % lägre NER-noggrannhet för detta språk. Lokala modeller stänger luckan.
  • Číslo OP-detektion: Det nationella ID-kortet (občanský průkaz) är ett 9-teckens nummer. Det förekommer tillsammans med födelsenumret i många dokumenttyper.
  • IČO och DIČ: Företags-ID och skattenummer förekommer i avtal. Båda behöver täckning.
  • Flerspråkig pipeline: Blandade miljöer har dokument på det lokala språket, tyska och engelska. En enspråkig pipeline missar gränsöverskridande samförekomster.

ÚOOÚ:s tillsyn är konsekvent. Företag som kan uppvisa tekniska bevis vid en revision möter betydligt lägre böter. Företag som inte kan det har högre exponering.

För en bredare bild av hur nationella ID skapar GDPR-exponering, se vår EU-guide till nationellt skatte-ID.

För en liknande nordisk identifierare, se vår tekniska guide till Datatilsynet CPR.

Källor

Redo att skydda din data?

Börja anonymisera PII med 285+ entitetstyper på 48 språk.

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.