Generative KI eröffnet Unternehmen enorme Möglichkeiten. Dokumente lassen sich zusammenfassen, Inhalte strukturieren, Informationen extrahieren oder komplexe Texte analysieren. Gleichzeitig entsteht aber eine zentrale Frage:
Was passiert mit personenbezogenen Daten, wenn Dokumente an ein externes KI-Modell geschickt werden?
Genau hier setzt ein Ansatz an, der Datenschutz und moderne KI-Nutzung miteinander verbindet: lokale Anonymisierung vor der Übergabe an ein externes Modell.
Die Grundidee
Bevor ein Dokument die eigene Umgebung verlässt, wird es lokal analysiert. Personenbezogene Informationen wie Namen, Adressen, Telefonnummern oder E-Mail-Adressen werden erkannt und durch eindeutige Hashwerte ersetzt.
Wichtig ist dabei: Es wird nicht einfach nur geschwärzt.
Zusätzlich zum Hashwert bleibt die Kategorie der Information erhalten.
Aus:
Maximilian Schmidt
wird beispielsweise:
c7a8b9d2e1f0a3b4 [Vor- und Nachname]
Aus:
+49 (0)30 - 123 456 78
wird:
a9b8c7d6e5f4a3b2 [Telefon (Festnetz)]
Das externe KI-Modell sieht also nicht mehr den ursprünglichen personenbezogenen Wert, erkennt aber weiterhin, welche Rolle diese Information im Text spielt.
Warum das wichtig ist
Für ein Sprachmodell ist Kontext entscheidend.
Wenn personenbezogene Daten einfach vollständig entfernt würden, könnte ein Satz schnell an Bedeutung verlieren. Ein Modell kann zum Beispiel besser mit einem Text arbeiten, wenn klar bleibt, dass an einer bestimmten Stelle ein Name, eine Adresse oder eine Telefonnummer stand.
Genau deshalb ist die Kombination aus Hash + Kategorie so interessant.
Das Modell sieht etwa:
8f9a2b3c4d5e6f7g [Vor- und Nachname]
statt:
Maximilian Schmidt
Die konkrete Identität ist verschwunden, die semantische Information bleibt erhalten.
So kann die KI weiterhin Zusammenhänge verstehen, Inhalte klassifizieren oder Dokumente analysieren, ohne die ursprünglichen personenbezogenen Daten kennen zu müssen.
Der Workflow
Der Prozess lässt sich in wenigen Schritten beschreiben:
1. Dokument
Ein Dokument enthält möglicherweise sensible Mitarbeiter-, Kunden- oder Geschäftsdaten.
2. Lokale Sicherheitsinstanz
Eine lokale KI oder ein lokaler Analyseprozess untersucht den Inhalt und erkennt personenbezogene Informationen.
3. Anonymisierung
Die erkannten Werte werden durch eindeutige Hash- oder Pseudonymwerte ersetzt. Gleichzeitig bleibt die jeweilige Kategorie erhalten.
4. Lokales Mapping
Parallel entsteht ein Mapping zwischen Hash, Originalwert und Kategorie.
Zum Beispiel:
{
"mapping": {
"c7a8b9d2e1f0a3b4": {
"original": "Maximilian Schmidt",
"kategorie": "Vor- und Nachname"
},
"f5e4d3c2b1a09876": {
"original": "Sonnenallee 12, 10997 Berlin",
"kategorie": "Adresse"
},
"a9b8c7d6e5f4a3b2": {
"original": "+49 (0)30 - 123 456 78",
"kategorie": "Telefon (Festnetz)"
}
}
}Dieses Mapping bleibt innerhalb der eigenen Infrastruktur.
5. Externes KI-Modell
Erst das anonymisierte Dokument wird an das externe Modell übergeben.
Die Cloud-KI kann den Inhalt weiterhin analysieren, sieht aber nicht mehr die ursprünglichen personenbezogenen Werte.
Warum ein einheitliches JSON-Format sinnvoll ist
Ein entscheidender Punkt in solchen Architekturen ist nicht nur die Erkennung personenbezogener Daten, sondern auch eine stabile Schnittstelle.
Deshalb sollte die lokale KI nicht jedes Mal ein anderes Ausgabeformat erzeugen.
Eine einfache Struktur wie
{
"mapping": {
"<hash>": {
"original": "<Originalwert>",
"kategorie": "<Kategorie>"
}
}
}hat mehrere Vorteile.
Sie lässt sich leicht validieren, automatisiert weiterverarbeiten und unabhängig vom eingesetzten Modell in bestehende Systeme integrieren.
Außerdem wird klar getrennt zwischen:
- Erkennung personenbezogener Daten
- Erzeugung des Mappings
- Anonymisierung des Dokuments
- Übergabe an das externe Modell
- optionaler späterer Re-Identifikation
Gerade diese Trennung macht den Prozess technisch beherrschbarer.
Ein wichtiger technischer Unterschied: Hashing vs. Pseudonymisierung
Im Alltag wird schnell von „Hashwerten“ gesprochen. Technisch sollte man hier aber genau sein.
Wenn ein Sprachmodell einfach eine zufällig aussehende Zeichenfolge erzeugt, ist das noch kein kryptografischer Hash.
Für eine produktive Implementierung ist es daher sinnvoll, die KI lediglich für Erkennung und Kategorisierung einzusetzen.
Die eigentliche Token- oder Hash-Erzeugung sollte deterministisch und lokal im Code erfolgen.
Das hat mehrere Vorteile:
- identische Werte erhalten zuverlässig identische Tokens
- Kollisionen lassen sich kontrollieren
- die Länge und das Format sind vorhersehbar
- kryptografische Verfahren können gezielt eingesetzt werden
- das LLM muss keine sicherheitskritische Funktion übernehmen
Eine mögliche Architektur wäre daher:
KI erkennt:Maximilian Schmidt → Vor- und Nachname
Lokale Anwendung erzeugt:c7a8b9d2e1f0a3b4
Dokument enthält anschließend:c7a8b9d2e1f0a3b4 [Vor- und Nachname]
Was dieser Ansatz nicht automatisch löst
Auch mit Anonymisierung verschwinden nicht alle Datenschutzrisiken.
Ein Dokument kann weiterhin indirekt identifizierbare Informationen enthalten. Eine ungewöhnliche Berufsbezeichnung, eine konkrete Projektbeschreibung oder eine Kombination aus Ort, Funktion und Datum kann unter Umständen ausreichen, um eine Person wiederzuerkennen.
Deshalb sollte eine robuste Lösung nicht nur offensichtliche Daten wie Namen und Telefonnummern erkennen, sondern auch den jeweiligen Nutzungskontext berücksichtigen.
Weitere wichtige Themen sind:
- sichere Speicherung des Mappings
- Zugriffskontrollen
- Logging
- Löschkonzepte
- Umgang mit mehrfach vorkommenden Werten
- konsistente Kategorien
- Qualität der PII-Erkennung
- Schutz vor Prompt Injection in Dokumenten
- klare Regeln für eine mögliche Re-Identifikation
Die Architektur ist also kein Ersatz für ein Datenschutzkonzept. Sie kann aber ein sehr wichtiger Baustein davon sein.
Datenschutz und Cloud-KI müssen kein Widerspruch sein
Die zentrale Idee ist erstaunlich einfach:
Die sensiblen Werte bleiben lokal. Der Kontext darf in die Cloud.
Statt personenbezogene Informationen vollständig zu entfernen, werden sie durch neutrale Tokens ersetzt und semantisch gekennzeichnet.
Damit kann ein externes KI-Modell weiterhin verstehen, ob es gerade mit einem Namen, einer Adresse oder einer Telefonnummer arbeitet, ohne den tatsächlichen Inhalt dieser Daten zu kennen.
Für Unternehmen entsteht damit ein interessanter Mittelweg:
Die Leistungsfähigkeit moderner Cloud-KI kann genutzt werden, während sensible Daten kontrollierter innerhalb der eigenen Infrastruktur bleiben.
Datenschutz und moderne KI müssen deshalb keine Gegensätze sein.
Oft ist die entscheidende Frage nicht, ob man externe KI nutzen kann, sondern wie der Datenfluss davor gestaltet wird.
