Datenschutz bei Upload sensibler Daten

Lernziele

Sie können selbstständig beurteilen, ob ein Datensatz oder ein Dokument für den Upload in externe KI-Tools geeignet ist, und Ihre Entscheidung mit den relevanten DSGVO-Grundsätzen (Art. 5, 6, 28, 32) begründen.

Sie können die drei Kategorien des Drei-Stufen-Freigabemodells (Grün / Gelb / Rot) auf konkrete Szenarien aus verschiedenen Branchen anwenden.

Sie können mindestens drei datenschutzkonforme Alternativen zum direkten Daten-Upload benennen und den jeweiligen Anwendungsfall erklären.

Sie können den Unterschied in der Datenverarbeitung zwischen kostenlosem ChatGPT, ChatGPT Plus/Team, ChatGPT Enterprise und Microsoft Copilot M365 in eigenen Worten erklären.

Sie können eine Anonymisierung einfacher Datensätze mit Excel oder einem KI-generierten Python-Skript durchführen.

Sie können die Anforderungen an einen Auftragsverarbeitungsvertrag (AVV) erklären und beschreiben, für welche Tools ein AVV verfügbar ist.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Ein Szenario, das sich regelmäßig ereignet: Ein Projektleiter hat einen Excel-Export aus dem CRM-System — Kundennamen, E-Mail-Adressen, Projektumsätze, Stundennachweise. Er möchte die Daten schnell analysieren und lädt sie in ChatGPT hoch. In 10 Minuten hat er seine Auswertung — aber er hat möglicherweise gerade personenbezogene Kundendaten ohne Rechtsgrundlage an einen US-amerikanischen Cloud-Dienstleister übermittelt.

Dieser Moment ist kein Einzelfall, sondern eine der häufigsten Compliance-Lücken im KI-Einsatz 2025/2026. Die Frage ist nicht, ob KI-Tools beim Datenhochladen hilfreich sind — natürlich sind sie es. Die Frage ist, wie man die Hilfe datenschutzkonform nutzt. Und die gute Nachricht: Es gibt für jeden Anwendungsfall eine praktikable datenschutzkonforme Lösung — man muss sie nur kennen.

Diese UE ist eine der wichtigsten Unterrichtseinheiten des gesamten Moduls, weil hier die technische Kompetenz aus UE 49–54 mit der rechtlichen Verantwortung verknüpft wird, die jeden Mitarbeitenden betrifft.

Lerntext — Theorie und Konzepte

Was passiert mit hochgeladenen Daten — je nach Tool

ChatGPT Free (kostenlos): Konversationen können standardmäßig für das Modell-Training genutzt werden. Ein expliziter Opt-out ist möglich, aber nicht standardmäßig aktiviert. Daten werden auf US-Servern gespeichert (relevant für CLOUD Act).

ChatGPT Plus / Team: Training-Nutzung ist für diese Pläne standardmäßig deaktiviert. Aber: Daten werden trotzdem auf OpenAI-Servern in den USA verarbeitet. Ein DSGVO-konformer Auftragsverarbeitungsvertrag (AVV) ist für Einzelnutzer des Plus-Plans nicht ohne weiteres abschließbar.

ChatGPT Enterprise: Kein Modell-Training mit Kundendaten, Daten bleiben im Kunden-Tenant, AVV-Abschluss möglich. Für Unternehmensnutzung mit sensiblen Daten die adäquate Lösung.

Microsoft Copilot M365: Verarbeitung im eigenen Microsoft-365-Tenant, DSGVO-AVV ist im M365-Vertrag standardmäßig enthalten. Für Mitarbeitende mit M365-Tenant die datenschutzsicherste Option für interne Analysen.

EU-konforme Alternativen: Langdock (deutsches Unternehmen, Datenspeicherung in der EU, DSGVO-AVV) und Le Chat von Mistral AI (Datenspeicherung in der EU) bieten datenschutzkonforme Alternativen.

Merksatz

Das Drei-Stufen-Freigabemodell (Grün / Gelb / Rot) ist das praktische Entscheidungswerkzeug für jeden Daten-Upload. Grün: unbedenklich. Gelb: prüfen und ggf. anonymisieren. Rot: nie ohne Enterprise-Vertrag in externe Tools hochladen.

DSGVO-Grundsätze im KI-Kontext

Art. 5 DSGVO — Grundsätze der Verarbeitung: - Zweckbindung: Upload in ein KI-Tool für Analysezwecke erfordert eine kompatible Rechtsgrundlage. - Datenminimierung: Nur die Daten verarbeiten, die für den Zweck notwendig sind. Kundennamen für eine Umsatz-Analyse oft nicht notwendig. - Speicherbegrenzung: Daten nicht länger gespeichern, als für den Zweck notwendig.

Art. 6 DSGVO — Rechtsgrundlage: Upload von Kundendaten erfordert eine Rechtsgrundlage — in der Regel entweder berechtigtes Interesse (mit Interessenabwägung) oder ausdrückliche Einwilligung.

Art. 28 DSGVO — Auftragsverarbeitung: Wenn ein externes KI-Tool personenbezogene Daten verarbeitet, handelt es als Auftragsverarbeiter. Das erfordert einen Auftragsverarbeitungsvertrag (AVV/DPA).

Art. 32 DSGVO — Technische und organisatorische Maßnahmen: Der Arbeitgeber ist verantwortlich für geeignete technische und organisatorische Schutzmaßnahmen.

Art. 44 ff. DSGVO — Drittlandübermittlung: US-Anbieter wie OpenAI speichern Daten in den USA. Seit dem EU-US Data Privacy Framework (2023) gilt die USA für zertifizierte US-Unternehmen als angemessenes Drittland. OpenAI ist zertifiziert.

Das Drei-Stufen-Freigabemodell

Abb. 55.1 — Drei-Stufen-Freigabemodell: Datenklassifizierung vor dem KI-Upload-Entscheidungsprozess

Rot — Nie ohne Enterprise-Vertrag extern hochladen: - Kundendaten mit vollständigen Personenidentifikatoren - Mitarbeiterdaten (Gehälter, Gesundheitsdaten, Beurteilungen) - Nicht-öffentliche Finanzdaten, Bankverbindungen - Besondere Kategorien nach Art. 9 DSGVO

Gelb — Prüfen und ggf. anonymisieren: - Projektdaten mit Kundennamen aber ohne detaillierte persönliche Informationen - Interne Prozessbeschreibungen mit Mitarbeiternamen - Angebote mit Preisinformationen und Kundenbezug

Grün — Grundsätzlich unbedenklich: - Öffentlich verfügbare Daten - Vollständig anonymisierte Datensätze ohne Re-Identifizierungsrisiko - Eigene Textentwürfe ohne Drittdaten - Aggregierte Statistiken ohne Personenbezug

Warnung

Personenbezogene Daten in externe KI-Tools ohne Enterprise-Vertrag hochladen ist ein DSGVO-Verstoß. Wer einen HubSpot-Export mit Kundennamen und E-Mail-Adressen in die kostenlose ChatGPT-Version lädt, übermittelt personenbezogene Daten ohne Rechtsgrundlage (Art. 6 DSGVO) und ohne Auftragsverarbeitungsvertrag (Art. 28 DSGVO) an einen US-amerikanischen Anbieter. Das ist keine Bagatelle — Bußgelder nach Art. 83 DSGVO können für Unternehmen bis zu 10 Mio. € oder 2 % des weltweiten Jahresumsatzes betragen. Die Unkenntnis der DSGVO schützt nicht vor Haftung. Nutzen Sie das Drei-Stufen-Modell konsequent, bevor Sie Daten hochladen.

Datenschutzkonforme Alternativen

1. Anonymisierung vor Upload: Personenidentifikatoren durch Platzhalter ersetzen. Automatisch mit KI-generiertem Python-Skript: „Anonymisiere alle Werte in der Spalte ‘Name’ durch fortlaufende Kürzel (Kunde_001, Kunde_002). Entferne die Spalte ‘E-Mail’ vollständig.”

2. Lokale Modelle: Ollama oder LM Studio ermöglichen die Nutzung von Sprachmodellen vollständig auf dem eigenen Gerät.

3. Enterprise-Tools mit AVV: Microsoft Copilot M365, ChatGPT Enterprise, Claude Enterprise, Langdock.

4. API mit eigenem AVV: Direkter API-Aufruf mit abgeschlossenem Auftragsverarbeitungsvertrag.

Vertiefung — Grenzfälle und organisatorische Maßnahmen

Typische Grenzfälle: Projektbezeichnungen mit Firmennamen (Unternehmen sind keine natürlichen Personen, also kein DSGVO-Personenbezug — Ausnahme: Einzelkaufleute). Aggregierte Daten mit kleiner Gruppe (wenn eine Abteilung nur eine Person hat, ist der Abteilungs-Umsatz de facto personenbezogen). Pseudonymisierte Daten (gelten als Gelb, nicht als Grün, solange der Schlüssel existiert).

KI-Nutzungsrichtlinie im Unternehmen: Eine interne Richtlinie sollte regeln: genehmigte Tools, Datenkategorien und erlaubte Tools, Verantwortlichkeiten, Schulungs- und Nachweispflicht, Meldepflicht bei Datenschutzvorfällen.

Synthetische Daten: Für Tests und Schulungen kann KI selbst synthetische Datensätze erstellen, die realitätsnahe Strukturen haben, aber keine echten Personen enthalten.

Merksatz

Anonymisierung macht Gelb zu Grün — aber nur, wenn die Anonymisierung wirklich irreversibel ist. Bei kleinen Grundgesamtheiten (wenige Projekte, wenige Kunden) kann eine scheinbare Anonymisierung durch Kombination von Quasi-Identifikatoren rückgängig gemacht werden.

setzen (Kategorie wird zu Grün), anschließend Upload in ChatGPT Plus — für gelegentliche Analysen praktikabel. (2) Copilot in Excel einsetzen — Daten verbleiben im M365-Tenant, DSGVO-AVV bereits im M365-Vertrag abgedeckt — Standardlösung für Teams mit Copilot-Lizenz. (3) Nur aggregierte Pivot-Tabelle ohne Kundennamen exportieren und dann analysieren — für Trendauswertungen oft ausreichend. Die strategische Empfehlung: In IT-Dienstleistungsunternehmen mit M365-Ökosystem ist Copilot in Excel der Goldstandard für datenschutzkonforme KI-Datenanalysen — zero additional risk, zero additional effort for compliance, maximale Funktionalität.

Industrie & Fertigung

In Industrieunternehmen ist das Datenschutzszenario strukturell verschieden: Die sensibelsten Datensätze sind Produktions- und Qualitätsdaten, nicht primär personenbezogene Kundendaten. Ein Qualitätsingenieur exportiert die monatliche Fehlerquoten-Statistik aus dem MES (Manufacturing Execution System): Maschinenidentifikatoren, Schichtkennung, Fehlertypen, Ausschussmengen. Nach dem Drei-Stufen-Freigabemodell: Kategorie Grün (keine personenbezogenen Daten, keine Unternehmensgeheimnisse im wettbewerbssensiblen Sinne). Der Upload in ChatGPT Advanced Data Analysis ist ohne besondere Schutzmaßnahmen möglich. Kritisch wird es bei zwei Szenarien: (a) Der Datensatz enthält Schichtführer-Kürzel, die eindeutig bestimmten Mitarbeitenden zugeordnet werden können — dann Kategorie Gelb, Kürzel anonymisieren. (b) Es handelt sich um Rezeptur- oder Produktionsdaten, die als Geschäftsgeheimnis einzustufen sind — dann Kategorie Rot, nur in unternehmenseigener Infrastruktur oder Enterprise-Tools verarbeiten. Für Industrieunternehmen empfiehlt sich eine klare Datenklassifizierung nach Typ (Produktionsdaten, Personalddaten, Rezepturdaten, Kundendaten) mit jeweils eindeutiger Ampelzuordnung.

Finanzdienstleistung & Versicherung

Im Finanzsektor gelten besonders strenge regulatorische Anforderungen neben der DSGVO: MaRisk (Mindestanforderungen an das Risikomanagement), DORA (Digital Operational Resilience Act) ab 2025 und branchenspezifische Aufsichtspflichten. Ein Versicherungs-Sachbearbeiter möchte Schadensdaten für eine Trendanalyse in ChatGPT hochladen: Schadennummern, Schadendatum, Schadenhöhe, Schadentyp, PLZ des Ereignisorts. Schadennummern allein sind ohne Zuordnungstabelle pseudonymisiert (Kategorie Gelb). Die PLZ kombiniert mit Schadendatum und Betrag kann bei kleinen Kollektiven re-identifizierend wirken. Empfohlenes Vorgehen: Aggregierung auf PLZ-Zweistelligkeit, Entfernung der Schadennummern, dann Grün-Einstufung. Strategisch gilt: Finanzinstitute müssen darüber hinaus ihre IT-Dienstleister (inklusive KI-Tools) als Auslagerungspartner bei der Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) dokumentieren — ein relevanter Compliance-Aspekt bei der Einführung externer KI-Tools.

Öffentliche Verwaltung

In der öffentlichen Verwaltung treffen DSGVO und das Amtsgeheimnis zusammen. Ein Sachbearbeiter im Stadtplanungsamt möchte Bebauungsplan-Statistiken analysieren — Grundstücksflächen, Nutzungsarten, genehmigte Bauprojekte. Diese Daten sind in der Regel öffentlich und damit Kategorie Grün. Anders sieht es bei Sozialdaten (SGB-Daten), Steuerdaten oder personenbezogenen Antragsinformationen aus: Für diese gilt ein absolutes Weitergabeverbot ohne gesetzliche Grundlage. Praktische Empfehlung für die Verwaltung: Eine Dienstanweisung, die klar regelt, welche Datenarten in welchen Tools verarbeitet werden dürfen. Für Verwaltungen ohne M365-Lizenz bieten sich kommunale KI-Plattformen an — z. B. auf Basis des Sovereign AI Stack der öffentlichen Hand — als DSGVO-konforme Alternative zu US-amerikanischen Cloud-Diensten.

Übung 1 — Drei-Stufen-Klassifizierung von Szenarien

Übung 1

Aufgabe: Fünf Szenarien werden vorgestellt. Ordnen Sie jedes Szenario dem Drei-Stufen-Modell zu (Grün / Gelb / Rot) und begründen Sie Ihre Einschätzung mit dem relevanten DSGVO-Grundsatz.

Material: Szenario-Karten (vom Trainer bereitgestellt oder in der Gruppe oder allein vorgelesen).

Szenarien:

Szenario 1: CSV-Export aus Google Analytics — Seitenaufrufe und Klickpfade, keine personenbezogenen Daten, nur aggregierte Kennzahlen.

Szenario 2: CRM-Export mit 300 Kontakten — Name, E-Mail-Adresse, letzter Kontakttermin, Umsatz YTD.

Szenario 3: Internes Meeting-Protokoll — enthält Namen von Teilnehmenden und besprochene Projektentscheidungen (keine Kundendaten).

Szenario 4: HR-Bericht — Gehaltsdaten, Krankenstand-Statistiken, Bewertungen der Mitarbeitenden.

Szenario 5: Anonymisierter Projektdatensatz — Projekttyp, Laufzeit in Tagen, geplanter Umsatz, realisierter Umsatz. Kein Name, keine Kundennummer.

Musterlösung: - Szenario 1: Grün — keine personenbezogenen Daten. - Szenario 2: Rot ohne AVV / Gelb nach Anonymisierung — personenbezogene Daten, kein Enterprise-Vertrag vorhanden. - Szenario 3: Gelb — Mitarbeiternamen, Art. 6 Interessenabwägung, ggf. anonymisieren. - Szenario 4: Rot — Gesundheitsdaten Art. 9 DSGVO, Gehaltsdaten. - Szenario 5: Grün — keine personenbezogenen Daten, vollständig anonymisiert.

Diskussionsfrage für das Plenum: Szenario 3 ist besonders interessant: Wann ist ein internes Protokoll mit Mitarbeiternamen Kategorie Gelb und wann Rot? Kriterium: Werden in dem Protokoll besondere Kategorien nach Art. 9 DSGVO berührt (z. B. Gesundheitszustand, gewerkschaftliche Zugehörigkeit)?

Übung 2 — Anonymisierungs-Workflow

Übung 2

Aufgabe: Nehmen Sie einen Übungsdatensatz (der noch Kundennamen enthält) und führen Sie eine vollständige Anonymisierung durch — entweder manuell in Excel oder mit einem KI-generierten Python-Skript.

Material: Übungsdatei uebung_crm_export.csv (Trainer stellt bereit oder simulierte Namen nutzen), Excel oder ChatGPT Code Interpreter.

Schritt-für-Schritt:

Identifizieren Sie alle Spalten, die personenbezogene Daten enthalten (Name, E-Mail, Kundennummer).

Variante A — Excel: Erstellen Sie eine Hilfsspalte mit „Kunde 1”, „Kunde 2”, … und ersetzen Sie Originalnamen per SVERWEIS oder manuell.

Variante B — Code Interpreter: Formulieren Sie den Prompt: „Anonymisiere alle Werte in der Spalte ‘Kundenname’ durch fortlaufende Kürzel (Kunde_001, Kunde_002, …). Behalte gleiche Kürzel, wenn dieselbe Person mehrfach vorkommt. Entferne die Spalte ‘E-Mail’ vollständig. Exportiere den anonymisierten Datensatz als CSV.”

Prüfen Sie den anonymisierten Datensatz: Sind alle Personenidentifikatoren entfernt? Ist eine Re-Identifizierung noch möglich (z. B. durch Kombination mehrerer Felder)?

Notieren Sie: Welche Felder wurden anonymisiert, welche behalten?

Musterlösung: Vollständige Anonymisierung umfasst: Kundennamen ersetzen durch Kürzel, E-Mail-Adressen entfernen, Telefonnummern entfernen, Kundennummern durch neue interne IDs ersetzen. Felder, die behalten werden können: Branche, PLZ (fünfstellig), Umsatzkategorie, Projekttyp.

Cheat-Sheet — UE 55

Reflexionsfragen

Welche Datensätze, die Sie regelmäßig bearbeiten, würden nach dem Drei-Stufen-Modell in die Gelbe oder Rote Kategorie fallen?

Welche Maßnahme könnten Sie in Ihrem Arbeitsbereich morgen einführen, um DSGVO-konforme KI-Nutzung zu fördern?

Wie erklären Sie einer Kollegin oder einem Kollegen, warum ein HubSpot-Export nicht in die kostenlose ChatGPT-Version hochgeladen werden sollte?

Was sind die Grenzen der Anonymisierung — wann ist eine Re-Identifizierung trotzdem möglich?

Welche Unternehmensrichtlinien würden benötigt, um KI-Upload-Entscheidungen für alle Mitarbeitenden zu vereinheitlichen?

Vertiefung — Lokale KI-Modelle als ultimative Datenschutz-Lösung

Für Anwendungsfälle, bei denen keine Daten das eigene Gerät verlassen dürfen, bieten lokale Sprachmodelle eine vollständige Datenschutz-Lösung:

Ollama (ollama.com): Open-Source-Tool, das leistungsstarke LLMs (Llama 3, Mistral, Gemma) vollständig lokal auf MacOS, Linux oder Windows ausführt. Keine Internetverbindung erforderlich, keine Datenübertragung, keine Lizenzkosten. Installation in 5 Minuten. Modellqualität: für viele Geschäftsanwendungen ausreichend, aber nicht auf dem Niveau von GPT-4o oder Claude 3.7 Sonnet.

LM Studio (lmstudio.ai): Benutzerfreundlichere Alternative zu Ollama mit grafischer Oberfläche. Ideal für Nutzende ohne technischen Hintergrund.

Wichtige Einschränkungen lokaler Modelle: - Qualität: Für einfache Textaufgaben (Zusammenfassungen, Übersetzungen, einfache Analysen) ausreichend. Für komplexe Reasoning-Aufgaben schwächer als Cloud-Modelle. - Ressourcen: Erfordert leistungsfähige Hardware (mind. 16 GB RAM, Grafikkarte für größere Modelle). - Code Interpreter: Lokal verfügbar durch Kombination mit Python-Ausführungsumgebungen (z. B. Jan.ai), aber weniger komfortabel als ChatGPT Advanced Data Analysis.

Empfehlung für den Datenschutz-gesteuerten Einsatz: Lokale Modelle für: Zusammenfassungen interner Dokumente, Textentwürfe mit sensiblen Inhalten, Faktenextraktion aus vertraulichen PDFs. Cloud-Modelle für: Komplexe Code-Interpreter-Analysen (mit anonymisierten Daten), kreative Aufgaben, Aufgaben, die höchste Modellqualität erfordern.

Vertiefung — Datenschutz-Compliance im Alltag: Die drei häufigsten Graufälle

In der Praxis sind nicht alle Entscheidungen klar Grün oder Rot. Drei häufige Graufälle und ihre Auflösung:

Graufall 1 — Internes Meeting-Protokoll: Enthält Namen von Mitarbeitenden (keine Kunden), Projektstatus und Entscheidungen. Klassifizierung: Kategorie Gelb. Lösung: Namen durch Funktionsbezeichnungen ersetzen (Projektleiter A, Entwicklerin B). Dann: Grün.

Graufall 2 — Angebotstext mit Kundenname: Ein Angebotstext wird zur Textoptimierung in ChatGPT eingegeben. Er enthält den Firmennamen (kein personenbezogenes Datum, da keine natürliche Person). Klassifizierung: Je nach Inhalt Gelb. Wenn nur Firmenname und technische Spezifikationen, kein Personenbezug: Grün nach Prüfung. Wenn Ansprechpartner-Namen enthalten: Gelb → Namen entfernen.

Graufall 3 — Anonymisierter Datensatz mit kleiner Grundgesamtheit: Ein Datensatz mit 12 Projekten — alle Kundennamen entfernt, aber Branche + PLZ + Projektvolumen vorhanden. Re-Identifizierung möglich? Bei 12 Einträgen mit spezifischen Kombinationen: Ja, möglicherweise. Lösung: PLZ auf zweistellige Postleitzahl-Bezirke aggregieren, Volumen in Kategorie-Stufen (< 100k, 100k–500k, > 500k) umwandeln.

Erweiterte Reflexionsfragen — UE 55

Welche Daten-Upload-Gewohnheiten in Ihrem Team sollten nach dieser UE überprüft werden? Wie würden Sie das Gespräch darüber im Team anstoßen?

Wenn Sie eine neue KI-Tool-Einführung in Ihrer Abteilung verantworten würden — welche drei datenschutzrechtlichen Fragen würden Sie vor der Freigabe klären?

Wie verändert die Kenntnis der DSGVO-Anforderungen Ihr Vertrauen in die Nutzung von KI-Tools für Ihre Arbeit?

Prompt-Vorlage — Graufall-Entscheidung herbeiführen

Prompt: DSGVO-Graufall systematisch klären

„Ich habe einen Datenschutz-Graufall beim KI-Einsatz. Hilf mir bei der Entscheidung nach folgendem Schema:

Datenbeschreibung: [Welche Daten, welches Format, woher stammen sie?] Geplante Verwendung: [Welches KI-Tool, welcher Zweck?] Meine Unsicherheit: [Was genau ist unklar?]

Analysiere diesen Fall nach: (1) Ist ein Personenbezug nach DSGVO Art. 4 vorhanden? (2) Handelt es sich um besondere Kategorien nach Art. 9? (3) Gibt es eine Rechtsgrundlage nach Art. 6? (4) Ist ein Auftragsverarbeitungsvertrag nach Art. 28 notwendig? (5) Gibt es eine datenschutzkonforme Alternative?

Ergebnis: Ampelklassifizierung (Grün/Gelb/Rot) mit Begründung. Bei Gelb oder Rot: Konkrete Maßnahme, die Grün ermöglicht. Hinweis: Dies ist keine Rechtsberatung — bei komplexen Fällen Datenschutzbeauftragten einbeziehen.”

Vertiefung — Technische Datenschutzmaßnahmen für die KI-Nutzung

Neben organisatorischen Regeln (Was darf hochgeladen werden?) gibt es technische Maßnahmen, die den Datenschutz bei der KI-Nutzung stärken:

Maßnahme 1 — Lokale Modelle (On-Premise): Tools wie Ollama, LM Studio oder LocalAI ermöglichen den Betrieb von Sprachmodellen auf eigener Hardware. Kein Datentransfer in externe Cloud-Systeme. Geeignet für besonders sensible Daten.

Maßnahme 2 — Enterprise-Cloud mit Datenisolierung: Microsoft Azure OpenAI, Google Vertex AI, AWS Bedrock bieten Deployments, bei denen Eingabedaten nicht für das Training genutzt werden und im EU-Rechenzentrum verbleiben.

Maßnahme 3 — Pseudonymisierung vor dem Upload: Ein automatisches Skript ersetzt vor dem Upload Namen, E-Mails, IBAN und ähnliche Identifikatoren durch Platzhalter. Das Ergebnis wird nach der Analyse re-identifiziert.

Übung 6 — Datenschutz-Risikoklassifizierung für eigene Datensätze

Aufgabe: Klassifizieren Sie drei Datensätze aus Ihrem Arbeitsalltag nach Datenschutz-Risikoklassen.

Klassifikationsschema: - Klasse Grün: Öffentlich zugängliche oder vollständig anonymisierte Daten → Upload in externe Tools erlaubt - Klasse Gelb: Aggregierte Geschäftsdaten ohne Personenbezug → Nur datenschutzkonforme Enterprise-Tools - Klasse Rot: Personenbezogene Daten (DSGVO-relevant) → Nur lokale Modelle oder Pseudonymisierung

Auftrag: Welcher Klasse ordnen Sie zu: Ihre Kundenliste, Ihr Umsatzbericht, ein Mitarbeiter-Dienstplan, aggregierte Absatzdaten nach Produktkategorie?

Zeit: 15 Minuten

Erweiterte Reflexionsfragen — UE 55

Wie würden Sie als Führungskraft eine KI-Nutzungsrichtlinie für Ihr Team formulieren, die sowohl datenschutzkonform als auch praktisch nutzbar ist?

Welche Datenschutzregeln für KI-Nutzung gelten in Ihrer Organisation bereits — und wo sehen Sie Lücken?

Wenn ein Mitarbeiter aus Unwissenheit personenbezogene Daten in ein externes Tool hochlädt — wie sollte die Organisation damit umgehen: Sanktion oder Lernchance?

Vertiefung — Datenschutz-Ampel für den Alltag: Entscheidungsbaum für Upload-Entscheidungen

Wann darf ich welchen Datensatz in welches KI-Tool hochladen? Ein einfacher Entscheidungsbaum:

Frage 1: Enthält der Datensatz Namen, E-Mail-Adressen, Telefonnummern, Geburtsdaten oder andere direkte Identifikatoren? - Ja → Rot: Nur lokale Modelle oder vollständige Pseudonymisierung vor Upload - Nein → Weiter zu Frage 2

Frage 2: Enthält der Datensatz Kombinationen aus indirekten Identifikatoren (z. B. PLZ + Alter + Geschlecht), die zur Re-Identifikation ausreichen könnten? - Ja → Gelb: Nur Enterprise-Tools mit AVV (Auftragsverarbeitungsvertrag) und EU-Datenspeicherung - Nein → Weiter zu Frage 3

Frage 3: Enthält der Datensatz vertrauliche Geschäftsinformationen (Preise, Margen, Kundenbeziehungen)? - Ja → Gelb: Enterprise-Tools mit entsprechenden Nutzungsbedingungen - Nein → Grün: Upload in gängige KI-Tools erlaubt

Merksatz

Im Zweifel gilt: Lieber einmal mehr anonymisieren als einmal zu wenig. Datenschutzverstöße sind mit der DSGVO-Sanktionsreglung verbunden — und beschädigen das Vertrauen der betroffenen Personen dauerhaft.

Praxis-Tipp — Anonymisierungsskript mit KI erstellen

KI kann ein Pseudonymisierungsskript für Ihren spezifischen Datensatz generieren:

Prompt: „Ich habe eine CSV-Datei mit folgenden Spalten: [Spaltenliste]. Spalten mit personenbezogenen Daten: [Namen der DSGVO-relevanten Spalten]. Erstelle ein Python-Skript, das: 1. Alle direkten Identifikatoren durch konsistente Pseudonyme ersetzt (gleiche Person → immer gleiches Pseudonym) 2. Eine Mapping-Tabelle speichert, um Pseudonyme später aufzulösen 3. Die Mapping-Tabelle verschlüsselt mit Passwort speichert 4. Die anonymisierte Version als neue CSV ausgibt.”

Abschluss-Checkliste UE 55 — Datenschutz: - [ ] Eigene Datensätze nach Ampel-Schema klassifiziert - [ ] Datenschutz-Entscheidungsbaum für das Team dokumentiert

Quellen

Vertiefung — Technische Schutzmaßnahmen und Governance-Strukturen

Das Drei-Stufen-Freigabemodell gibt die Entscheidungsregel — aber wie wird sichergestellt, dass diese Entscheidungsregel in der täglichen Praxis befolgt wird? Hier kommen technische Schutzmaßnahmen und organisatorische Governance-Strukturen ins Spiel.

Technische Schutzmaßnahmen:

Data Loss Prevention (DLP): DLP-Systeme überwachen automatisch, welche Daten aus einer Organisation herausgehen — per E-Mail, Cloud-Upload, USB oder API. Moderne DLP-Systeme können auch KI-Tool-Uploads überwachen und blockieren, wenn klassifizierte Datenmuster erkannt werden (z. B. Kreditkartennummern, Sozialversicherungsnummern, proprietäre Produktformeln). Microsoft Purview Information Protection ist ein Beispiel für ein DLP-System, das direkt in Microsoft 365 integriert ist.

Sensitivity Labels (Vertraulichkeitsstufen): Dokumente und Datensätze werden mit maschinenlesbaren Vertraulichkeitsstufen markiert (z. B. „Intern”, „Vertraulich”, „Streng Vertraulich”). KI-Tools, die diese Labels lesen können (z. B. Copilot in Microsoft 365), respektieren die Labels automatisch — und verweigern das Upload streng vertraulicher Dokumente.

Zero-Trust-Architektur: Das Zero-Trust-Prinzip besagt, dass kein Nutzer und kein System automatisch vertrauenswürdig ist — jede Anfrage muss explizit authentifiziert und autorisiert werden. Im KI-Kontext bedeutet das: Auch interne KI-Tools erhalten nur Zugriff auf die Daten, die für den jeweiligen Anwendungsfall freigegeben sind. Mitarbeitende haben nicht automatisch Zugriff auf alle Daten, die in der KI-Wissensbasis existieren.

Governance-Strukturen:

KI-Nutzungsrichtlinie (KI Policy): Eine schriftliche Richtlinie, die für alle Mitarbeitenden verbindlich regelt: Welche KI-Tools sind für welche Daten freigeschaltet? Wer ist verantwortlich für die Klassifizierung neuer Anwendungsfälle? Was sind die Konsequenzen bei Verstößen? Die KI Policy wird vom Datenschutzbeauftragten (DSB) und der IT-Sicherheit gemeinsam erstellt und regelmäßig aktualisiert.

KI-Beauftragter oder KI-Komittee: Für Organisationen ab mittlerer Größe (> 500 Mitarbeitende) ist ein dedizierter KI-Beauftragter oder ein KI-Governance-Komittee sinnvoll. Aufgaben: Neue KI-Tools prüfen und freigeben, Datenschutzfolgeabschätzungen für KI-Anwendungen durchführen (Art. 35 DSGVO), Schulungen für Mitarbeitende koordinieren, Vorfälle dokumentieren und reporten.

Datenschutzfolgeabschätzung (DSFA) für KI-Anwendungen: Wenn ein KI-Tool für Hochrisiko-Verarbeitungen eingesetzt wird (z. B. automatisierte Entscheidungen mit erheblichen Auswirkungen auf Personen), ist eine DSFA nach Art. 35 DSGVO Pflicht. Die DSFA analysiert die Risiken für die betroffenen Personen und die Maßnahmen, die diese Risiken mindern. KI kann bei der Erstellung der DSFA helfen — aber die Verantwortung trägt der Datenschutzbeauftragte.

Incident-Response-Prozess: Was passiert, wenn ein Datenschutzvorfall mit einem KI-Tool passiert (z. B. versehentlicher Upload personenbezogener Daten in ein nicht freigegebenes Tool)? Ein definierter Incident-Response-Prozess legt fest: Meldepflicht an den DSB, Benachrichtigung der Aufsichtsbehörde (bei erheblichem Risiko innerhalb von 72 Stunden nach Art. 33 DSGVO), Dokumentation des Vorfalls und der Maßnahmen.

Vertiefung — EU AI Act im Datenschutz-Kontext: Art. 4 KI-Kompetenz und Art. 9 Risikomanagement

Der EU AI Act (Verordnung 2024/1689, gültig ab August 2026) ergänzt die DSGVO um spezifische Anforderungen für KI-Systeme. Für Unternehmen, die KI-Tools für Datenanalysen einsetzen, sind zwei Artikel besonders relevant:

Art. 4 — Allgemeine KI-Kompetenz: Anbieter und Betreiber von KI-Systemen müssen sicherstellen, dass ihr Personal über ausreichende KI-Kenntnisse verfügt. Dies ist die Rechtsgrundlage für das gesamte Schulungsprogramm, in dem dieses Kursmodul verortet ist. Die Kompetenz muss nachweisbar sein — Teilnahmezertifikate und dokumentierte Lernziele sind für Compliance-Nachweise relevant.

Art. 9 — Risikomanagementsystem für Hochrisiko-KI: Bestimmte KI-Anwendungen werden als „Hochrisiko” klassifiziert (z. B. KI in der Personalrekrutierung, im Kreditscoring, in der medizinischen Diagnostik). Für Hochrisiko-KI-Systeme ist ein kontinuierliches Risikomanagementsystem Pflicht. Datenanalyse-Tools (Excel, Code Interpreter, Power BI) fallen in der Regel nicht in diese Kategorie — aber wenn KI-Analysen als Grundlage für automatisierte Personalentscheidungen genutzt werden, kann das relevant werden.

Art. 13 — Transparenz: KI-Systeme müssen für die Nutzenden transparent sein — sie müssen wissen, dass sie mit einem KI-System interagieren. Im Reporting-Kontext: Wenn ein Management-Report KI-generierte Kommentare enthält, sollte das für die Empfänger erkennbar sein (z. B. durch eine Fußnote „Erstellt mit KI-Unterstützung, geprüft und freigegeben durch [Name]“).

Art. 22 DSGVO und automatisierte Entscheidungen: Wenn KI-Analysen zur Grundlage automatisierter Entscheidungen werden, die erhebliche Auswirkungen auf Personen haben, greift Art. 22 DSGVO: Betroffene haben das Recht, nicht ausschließlich einer automatisierten Entscheidung unterworfen zu werden. Im Personalbereich ist das besonders relevant — KI-gestützte Leistungsbeurteilungen müssen von einer Person überprüft und verantwortet werden.

Vertiefung — Die DSGVO-Grundlagen für den Praxis-Einsatz

Die Datenschutz-Grundverordnung (DSGVO, englisch GDPR) gilt seit Mai 2018 in der gesamten EU und regelt den Umgang mit personenbezogenen Daten. Für den KI-Einsatz im Unternehmen sind fünf Kernprinzipien besonders relevant:

1. Zweckbindung: Daten dürfen nur für den Zweck verwendet werden, für den sie erhoben wurden. Kundendaten, die für die Auftragsabwicklung erhoben wurden, dürfen nicht ohne weiteres für KI-Training oder unternehmensfremde KI-Dienste verwendet werden.

2. Datensparsamkeit: Es dürfen nur die Daten verarbeitet werden, die für den jeweiligen Zweck tatsächlich notwendig sind. Wer eine KI zur Vertragsanalyse einsetzt, muss prüfen, ob für diese Analyse alle Felder des Datensatzes notwendig sind — oder ob Anonymisierung ausreicht.

3. Rechenschaftspflicht: Unternehmen müssen nachweisen können, dass sie DSGVO-konform handeln. Das betrifft auch den KI-Einsatz: Dokumentation welche Daten mit welchen KI-Diensten verarbeitet wurden, Datenschutz-Folgenabschätzungen (DSFA) bei Hochrisiko-Verarbeitungen.

4. Übertragung in Drittländer: Wenn Daten an einen KI-Dienst übertragen werden, dessen Server sich außerhalb des EWR befinden (z. B. USA), braucht es eine Rechtsgrundlage: EU-US Data Privacy Framework (seit 2023), Standardvertragsklauseln (SCC) oder Binding Corporate Rules.

5. Betroffenenrechte: Personen haben das Recht auf Auskunft, Berichtigung, Löschung und Einschränkung der Verarbeitung. Wenn personenbezogene Daten in KI-Systemen verarbeitet wurden, müssen diese Rechte auch dort umsetzbar sein — was bei extern gehosteten LLMs technisch komplex ist.

Merksatz

Nicht jede Datenverarbeitung mit KI ist automatisch DSGVO-kritisch. Der Schlüssel ist die Frage: Enthält der Datensatz personenbezogene Daten? Wenn nein (z. B. reine Maschinendaten, anonymisierte Statistiken, öffentliche Unternehmensdaten) — unkritisch. Wenn ja — DSGVO-Anforderungen prüfen: Rechtsgrundlage, Zweckbindung, Datenschutzvereinbarungen mit KI-Dienstleistern.

Vertiefung — Anonymisierung, Pseudonymisierung und synthetische Daten

Drei Techniken erlauben es, den Informationsgehalt von Datensätzen für Analysezwecke zu erhalten, ohne personenbezogene Daten zu übertragen:

Anonymisierung: Vollständige Entfernung aller personenbezogenen Merkmale, sodass keine Rückidentifizierung möglich ist. Achtung: Echte Anonymisierung ist schwieriger als gedacht. Auch scheinbar harmlose Kombinationen (Postleitzahl + Geburtsdatum + Geschlecht) können zur Identifizierung führen. Anonymisierte Daten fallen nicht mehr unter die DSGVO.

Pseudonymisierung: Ersetzen direkter Identifikatoren (Name, E-Mail, Telefon) durch künstliche Kennziffern. Der Personenbezug bleibt technisch herstellbar (wenn Mapping-Tabelle vorhanden), ist aber deutlich erschwert. Pseudonymisierte Daten fallen weiterhin unter die DSGVO, bieten aber mehr Sicherheit bei externen Diensten. Geeignet für: Analysen, bei denen Wiederzuordnung später notwendig sein könnte.

Synthetische Daten: KI-generierte Daten, die dieselben statistischen Eigenschaften haben wie echte Daten, aber keine echten Personen repräsentieren. Synthetische Daten sind für KI-Training und Analyse ideal — sie fallen nicht unter die DSGVO und können frei weitergegeben werden. Nachteil: Synthetische Daten können Edge Cases und seltene Muster aus echten Daten nicht vollständig replizieren.

Prompt-Vorlage

Prompt: Datensatz auf Datenschutzrisiken prüfen

„Ich möchte folgenden Datensatz für eine KI-Analyse verwenden: [Spaltennamen und zwei Beispielzeilen]. Identifiziere: (1) Welche Felder sind personenbezogene Daten im Sinne der DSGVO? (2) Welche Felder sind besondere Kategorien personenbezogener Daten (Gesundheit, Religion, politische Meinung, etc.)? (3) Welche Felder kann ich ohne Bedenken übertragen? (4) Welche Felder sollte ich vor Übertragung anonymisieren oder pseudonymisieren? (5) Gibt es Feldkombinationen, die gemeinsam problematisch sind, auch wenn jedes Feld einzeln harmlos ist?”

Branchen-Anwendungen — Datenschutz beim KI-Einsatz: Sektorspezifische Anforderungen

IT-Dienstleistung & Beratung: IT-Dienstleister haben typischerweise Zugang zu Kundensystemen und -daten durch Wartungsverträge. Die Frage, ob Kundendaten für interne KI-gestützte Analysen (z. B. Support-Ticket-Auswertung mit KI) verwendet werden dürfen, muss vertraglich und datenschutzrechtlich geklärt sein. Auftragsdatenverarbeitung (ADV-Vertrag) ist Pflicht, wenn Kundendaten verarbeitet werden. KI-Dienstleister müssen als Unterauftragnehmer in den ADV-Vertrag einbezogen sein.

Industrie & Fertigung: Produktionsdaten (Maschinenparameter, Qualitätsmessungen) sind in der Regel keine personenbezogenen Daten — außer wenn sie Rückschlüsse auf individuelle Mitarbeitende ermöglichen (z. B. Fehlerquoten einzelner Maschinenführer). Mitarbeitendenbezogene Produktionsdaten unterliegen dem Betriebsverfassungsgesetz (Mitbestimmung des Betriebsrats bei technischen Überwachungsmaßnahmen, § 87 BetrVG) und der DSGVO.

Finanzdienstleistung & Versicherung: Besonders strenge regulatorische Anforderungen: Bankgeheimnis, Versicherungsgeheimnis, MiFID-II-Aufzeichnungspflichten. Die BaFin hat spezifische Guidance zum KI-Einsatz in regulierten Instituten veröffentlicht. Externe KI-Dienste müssen im Rahmen der Auslagerungsanforderungen (§ 25b KWG) bewertet und genehmigt werden.

Öffentliche Verwaltung: Öffentliche Stellen unterliegen neben der DSGVO zusätzlichen bereichsspezifischen Regelungen (Sozialgesetzbuch, Polizeigesetze, Meldegesetze). Der Einsatz von KI-Diensten ausländischer Anbieter für besonders schützenswerte Verwaltungsdaten (Sozialleistungsdaten, Steuerdaten, Sicherheitsbehördendaten) ist regelmäßig unzulässig. Für diese Bereiche existieren und wachsen souveräne KI-Angebote der öffentlichen Hand (z. B. BundGPT-Initiativen).

Merksatz

Der wichtigste praktische Schritt für Datenschutz-Compliance beim KI-Einsatz: Prüfen Sie, ob Ihr KI-Dienstleister einen Vertrag zur Auftragsverarbeitung (AV-Vertrag) anbietet und ob er im EU-US Data Privacy Framework oder durch Standardvertragsklauseln abgesichert ist. Microsoft, Google und OpenAI bieten entsprechende Enterprise-Vereinbarungen an — Consumer-Accounts (kostenlose Zugänge) bieten diese Garantien in der Regel nicht.

Vertiefung — Der sichere KI-Einsatz Schritt für Schritt

Eine praktische Entscheidungslogik für den täglichen Umgang mit Daten und KI-Tools:

Schritt 1 — Datensatz klassifizieren: - Enthält der Datensatz Namen, E-Mail-Adressen, Telefonnummern, Geburtsdaten, Adressen? → Personenbezogene Daten — weiter mit Schritt 2. - Enthält er Gesundheitsdaten, politische Überzeugungen, Religionszugehörigkeit, biometrische Daten? → Besondere Kategorien — erhöhte Anforderungen, Rechtsabteilung einbeziehen. - Reine Unternehmensdaten ohne Personenbezug? → Unkritisch, weiter mit normaler KI-Analyse.

Schritt 2 — KI-Tool klassifizieren: - Unternehmenseigenes KI-System (on-premises oder EU-Cloud mit AV-Vertrag)? → In der Regel zulässig. - Microsoft Copilot / Azure OpenAI mit Enterprise-Agreement? → Mit AV-Vertrag in der Regel zulässig. - Freie Consumer-Dienste (ChatGPT kostenlos, Bard, etc.)? → Keine Datenverarbeitungsgarantien — personenbezogene Daten NICHT hochladen.

Schritt 3 — Minimierungsprinzip anwenden: - Welche Felder benötige ich für meine Analyse wirklich? Alle anderen entfernen oder anonymisieren. - Kann ich mit einer Stichprobe (anonymisierten Beispieldaten) testen, bevor ich den vollen Datensatz verarbeite?

Schritt 4 — Dokumentieren: - Welche Daten wurden mit welchem Tool verarbeitet? Kurze interne Notiz für den Fall einer späteren Datenschutzanfrage.

Merksatz

Datenschutz-Compliance beim KI-Einsatz ist keine Bürokratie, sondern Risikomanagement. Ein Datenschutzverstoß durch unkontrollierten Datei-Upload kann nicht nur Bußgelder nach sich ziehen (bis zu 4 % des weltweiten Jahresumsatzes nach DSGVO), sondern auch Reputationsschäden und den Verlust des Kundenvertrauens. Die Investition in eine klare interne Richtlinie ist gering im Vergleich zu möglichen Konsequenzen.

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 55

Zeitplanung (45 Min): - 0–5 Min: Einstieg mit dem Eröffnungsszenario (Projektleiter lädt CRM-Export hoch) — Frage an Plenum: Wer hätte das getan? - 5–20 Min: Input Drei-Stufen-Freigabemodell + DSGVO-Grundsätze (Art. 5, 6, 28, 32) — an Whiteboard visualisieren - 20–30 Min: Übung 1 — Klassifizierung (Einzelarbeit 5 Min, Auflösung in der Gruppe oder allein 5 Min) - 30–42 Min: Übung 2 — Anonymisierungs-Workflow (Variante A oder B je nach Verfügbarkeit) - 42–45 Min: Abschluss-Reflexion und Ausblick auf UE 56

Methodische Empfehlung: Das Eröffnungsszenario zuerst ohne Auflösung stehenlassen — „Was würden Sie in dieser Situation tun?” Erst nach der Diskussion die DSGVO-rechtliche Einordnung erklären. Das erhöht die kognitive Aktivierung erheblich.

Stolpersteine: - Teilnehmende neigen dazu, „Gelb” als grundsätzlich okay zu interpretieren — betonen: Gelb bedeutet immer erst prüfen und dann entscheiden, nicht automatisch hochladen. - Das Thema EU-US Data Privacy Framework (USA = angemessenes Drittland für zertifizierte Unternehmen) löst häufig Diskussionen aus — kurz erklären, dass dies die DSGVO-Anforderung erfüllt, aber interne Sicherheitsrichtlinien strenger sein können.

Differenzierung Power-User / Einsteiger: - Einsteiger: Fokus auf das Drei-Stufen-Modell und zwei Schutzmaßnahmen (Anonymisieren + Copilot M365) — das reicht für die Praxis. - Power-User: Diskussion über Art. 28 Auftragsverarbeitung, Re-Identifizierungsrisiken bei Pseudonymisierung, Microsoft Presidio als Enterprise-Lösung.

WarnungBox in dieser UE aktivieren: UE 55 ist die einzige UE, in der eine WarnungBox zwingend sinnvoll ist. Sie steht direkt nach dem Drei-Stufen-Freigabemodell.

Tipp zur Branchenauswahl: In Gruppen mit Finanzdienstleistern oder Versicherungen: BaFin-Regulatorik und MaRisk kurz erwähnen. In Gruppen mit öffentlicher Verwaltung: Amtsgeheimnis und SGB-Regelungen ansprechen.

Übergang zu UE 56: „Wir wissen jetzt, welche Daten wir datenschutzkonform analysieren können. In UE 56 schauen wir uns an, wie KI dabei hilft, den Controller-Alltag zu beschleunigen — Forecasts, Varianzanalysen, Kommentierungen.”

Vertiefung — Praktische Datenschutz-Checkliste für den KI-Alltag

Die folgende Checkliste ist als schnelle Entscheidungshilfe gedacht — für den Moment, in dem Sie kurz davor sind, eine Datei hochzuladen oder Text in ein KI-Tool einzugeben:

Checkliste vor jedem KI-Upload oder KI-Eingabe:

☐ Identifikatoren prüfen: Enthält die Datei Namen, E-Mail-Adressen, Telefonnummern, Geburtsdaten, Personalnummern, Kundennummern, IP-Adressen oder Standortdaten?

☐ Besondere Kategorien prüfen (Art. 9 DSGVO): Enthält die Datei Gesundheitsdaten, biometrische Daten, religiöse Überzeugungen, politische Meinungen, gewerkschaftliche Zugehörigkeit oder Daten zu Sexualität?

☐ Tool-Klassifizierung: Nutze ich ein Consumer-Tool (kein AVV) oder ein Enterprise-Tool (mit AVV)?

☐ Minimierungsprinzip: Brauche ich wirklich alle Spalten/Felder — oder kann ich nicht benötigte vorher entfernen?

☐ Anonymisierung möglich? Kann ich Identifikatoren durch Kürzel ersetzen, ohne den Analysewert zu verlieren?

☐ Interne Richtlinie: Hat mein Arbeitgeber eine KI-Nutzungsrichtlinie, die diesen Fall regelt?

Wenn alle Kästchen mit Ja/Nein beantwortet und grün sind: Upload erlaubt. Bei einem offenen Kästchen: Erst klären.

Prompt-Vorlage — Anonymisierungsskript generieren lassen

Prompt: Python-Anonymisierungsskript für einen CSV-Datensatz

„Ich habe einen CSV-Datensatz mit folgenden Spalten: [Spaltennamen und Beschreibung]. Folgende Spalten enthalten personenbezogene Daten: [Liste].

Erstelle ein Python-Skript, das: 1. Die Spalte ‘[Namensspalte]’ durch fortlaufende Kürzel ersetzt (‘Person_001’, ‘Person_002’, …), wobei gleiche Personen dasselbe Kürzel erhalten. 2. Die Spalten ‘[E-Mail]’, ‘[Telefon]’ vollständig entfernt. 3. Die Spalte ‘[Geburtsdatum]’ durch das Geburtsjahr ersetzt (nur Jahr behalten, Tag und Monat entfernen). 4. Den anonymisierten Datensatz als ’[Dateiname]_anon.csv’ speichert. 5. Am Ende protokolliert: Anzahl einzigartiger Personen erkannt, Anzahl entfernter Spalten.

Das Skript soll mit pandas arbeiten und vollständige Fehlerbehandlung enthalten (fehlende Werte, leere Zellen).”

Zusatzübung — KI-Nutzungsrichtlinie für die eigene Abteilung entwerfen

Zusatzübung — Abteilungsspezifische KI-Nutzungsrichtlinie (Entwurf)

Aufgabe: Entwerfen Sie mit KI-Unterstützung eine erste Version einer KI-Nutzungsrichtlinie speziell für Ihre Abteilung. Diese Richtlinie soll praktisch umsetzbar, nicht zu lang (max. 1 Seite A4) und sofort verständlich sein.

Schritt-für-Schritt: 1. Überlegen Sie: Welche Datentypen verarbeitet Ihre Abteilung regelmäßig? (Kundendaten, Personaldata, Produktionsdaten, Finanzdaten, Verwaltungsdaten) 2. Prompt an ChatGPT: „Erstelle eine praktische KI-Nutzungsrichtlinie für eine Abteilung mit folgenden Merkmalen: [Abteilungstyp, Branche, ca. Mitarbeiterzahl]. Die Richtlinie soll auf maximal einer A4-Seite passen und folgende Punkte abdecken: (a) Genehmigte KI-Tools nach Datenkategorie (Tabelle), (b) Verbote (max. 3 klare Verbote), (c) Verantwortlichkeiten (wer entscheidet bei Unklarheiten?), (d) Meldepflicht bei Datenschutzvorfällen. Stil: sachlich, klar, keine juristischen Fachbegriffe.” 3. Prüfen Sie den Entwurf: Was ist richtig? Was fehlt oder ist für Ihren Kontext nicht passend? 4. Überarbeiten Sie den Entwurf mit einem Feedback-Prompt. 5. Teilen Sie den Entwurf (optional) mit einer Kollegin oder einem Kollegen zur Rückmeldung.

Erwartetes Ergebnis: Ein erster überarbeiteter Entwurf einer praxistauglichen KI-Nutzungsrichtlinie.

Branchen-Vignette — Gesundheitswesen: Datenschutz als absolute Grenze

Ein Verwaltungsmitarbeiter in einem Krankenhaus möchte Patientenentlassungsdaten für eine Belegungsanalyse aufbereiten. Der Datensatz enthält Diagnose-IDs (ICD-Codes), Aufnahme- und Entlassungsdaten, Station und Altersgruppe — keine Namen. Er fragt sich, ob dieser Datensatz in ChatGPT Plus analysiert werden darf.

Datenschutz-Analyse: ICD-Codes sind Gesundheitsdaten nach Art. 9 DSGVO (besondere Kategorien). Auch ohne Namen können kleine Stichprobengrößen (bestimmte seltene Diagnosen auf einer bestimmten Station in einem bestimmten Monat) re-identifizierend wirken. Entscheidung nach dem Drei-Stufen-Modell: Kategorie Rot ohne Enterprise-Vereinbarung.

Datenschutzkonforme Alternative: Daten ausschließlich in der unternehmenseigenen Microsoft-Azure-Umgebung (mit AVV und ISO-27001-Zertifizierung) oder in einem vom Datenschutzbeauftragten freigegebenen On-Premises-System analysieren. Für erste Analysen: Vollständig synthetische Daten mit KI generieren lassen, die dieselbe statistische Struktur haben, aber keinerlei Bezug zu echten Patienten.

Materialliste: Szenario-Karten (5 Szenarien, laminiert oder auf Handout), Übungsdatei uebung_crm_export.csv, Whiteboard oder Flipchart für Drei-Stufen-Visualisierung.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.