Personenbezogene Daten in Prompts vermeiden

Lernziele

• Sie können den Begriff „personenbezogene Daten” (PII — Personally Identifiable Information) präzise definieren und in konkreten Prompt-Situationen identifizieren.
• Sie kennen den Unterschied zwischen Anonymisierung, Pseudonymisierung und k-Anonymität und können einschätzen, welche Technik für welchen Anwendungsfall geeignet ist.
• Sie kennen die sechs Prompt-Hygiene-Regeln und können diese in Ihrer täglichen KI-Nutzung anwenden.
• Sie verstehen die vier Risikokategorien für PII im KI-Kontext und können Szenarien den richtigen Kategorien zuordnen.
• Sie wissen, welche besonderen Kategorien nach Art. 9 DSGVO besonders hohen Schutz genießen und warum diese im KI-Kontext besondere Vorsicht erfordern.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Stellen Sie sich vor, Sie schreiben einem kompetenten Assistenten eine Nachricht: „Kannst du mir helfen, ein Feedback-Schreiben für unseren Mitarbeiter Michael Müller zu formulieren? Er hatte im letzten Jahr drei Fehltage wegen psychischer Probleme und seine Leistungen im Q3 waren unter Erwartung.” In diesem einen Satz haben Sie mehrere Arten von personenbezogenen Daten weitergegeben: Name, Fehlzeiten-Information (Gesundheitsdaten nach Art. 9 DSGVO), Leistungsdaten. Wenn dieser Assistent ein externer KI-Dienst ist — und kein unterzeichneter AVV vorliegt — haben Sie die DSGVO verletzt.

Das Problem ist nicht, dass KI-Tools böswillig sind. Das Problem ist, dass es intuitiv und bequem ist, den natürlichsprachlichen Stil beizubehalten, den man im menschlichen Gespräch verwenden würde. KI-Prompts fühlen sich wie Gespräche an — aber sie sind Dateneingaben in technische Systeme mit eigenen Datenschutz-Implikationen.

In dieser Einheit lernen Sie konkrete Techniken und Regeln, die Ihnen helfen, KI-Prompts datenschutzkonform zu gestalten. Nicht als Einschränkung, sondern als Kompetenz: Wer versteht, wie PII-freie Prompts formuliert werden, kann KI-Tools genauso effektiv nutzen — und tut es dabei rechtssicher.

Lerntext — Theorie und Konzepte

Was sind personenbezogene Daten (PII)?

Personenbezogene Daten (PII — Personally Identifiable Information) sind nach Art. 4 Nr. 1 DSGVO alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen. Die Reichweite ist sehr weit:

Direkte Identifikatoren (eindeutig zuordenbar): - Name (Vor- und Nachname) - E-Mail-Adresse - Telefonnummer - Geburtsdatum + Geburtsort (Kombination) - Personalausweisnummer, Steuer-ID, Sozialversicherungsnummer - IP-Adresse (unter bestimmten Umständen) - Standortdaten

Indirekte Identifikatoren (in Kombination zuordenbar): - Berufsbezeichnung + Unternehmen + Abteilung - Alter + Wohnort + Branche (Kombination kann identifizieren) - Interne Mitarbeiter-ID ohne Namen (wenn Rückschluss möglich) - Charakteristische Beschreibungen (“die einzige Frau im Führungskreis der Abteilung X”)

Besondere Kategorien nach Art. 9 DSGVO (erhöhter Schutz): - Gesundheitsdaten und medizinische Informationen - Biometrische Daten zur eindeutigen Identifizierung - Genetische Daten - Daten zu rassischer/ethnischer Herkunft - Politische Meinungen - Religiöse/weltanschauliche Überzeugungen - Gewerkschaftszugehörigkeit - Sexuelle Orientierung/Identität - Daten zu strafrechtlichen Verurteilungen

Merksatz

Die Frage lautet nicht: „Ist ein Name dabei?” — sondern: „Kann aus diesen Informationen auf eine Person rückgeschlossen werden?” Auch ohne Namen können Kombinationen aus Alter, Beruf, Standort und Beschreibung identifizierend wirken. Im Zweifel: Personenbezug annehmen.

Anonymisierung vs. Pseudonymisierung vs. k-Anonymität

Diese drei Konzepte werden häufig verwechselt. Sie haben fundamental unterschiedliche datenschutzrechtliche Bedeutungen:

Anonymisierung: Die vollständige und irreversible Entfernung aller direkten und indirekten Identifikatoren, so dass eine Rückidentifizierung auch mit zusätzlichem Wissen nicht mehr möglich ist. Anonymisierte Daten unterliegen nicht mehr der DSGVO. Das Problem: Echte Anonymisierung ist sehr schwer zu erreichen. Studien zeigen, dass vermeintlich anonymisierte Datensätze häufig durch Kombination mit öffentlich verfügbaren Daten re-identifiziert werden können.

Pseudonymisierung: Die Ersetzung direkter Identifikatoren durch künstliche Kennzeichen (Pseudonyme), so dass eine Rückidentifizierung nur noch mit zusätzlichen Informationen möglich ist (die separat gespeichert werden). Pseudonymisierte Daten sind weiterhin personenbezogene Daten im Sinne der DSGVO — die Pseudonymisierung ist jedoch ein wichtiges Datensicherheitsmaßnahme (Art. 32, Erwägungsgrund 26 DSGVO). Für KI-Prompts bedeutet dies: Ersetzen Sie den Namen „Michael Müller” durch „Mitarbeiter P-417” — das ist Pseudonymisierung und reduziert das Risiko, aber es sind weiterhin personenbezogene Daten.

k-Anonymität: Ein formales Modell, das sicherstellt, dass jede Person in einem Datensatz nicht von mindestens k-1 anderen Personen unterschieden werden kann. k-Anonymität ist ein Maß für Anonymisierungsqualität — ein Datensatz ist k-anonym, wenn jede Datensatzzeile mit mindestens k-1 anderen Zeilen identisch ist in Bezug auf die quasi-identifizierenden Attribute. In der Praxis wird k ≥ 5 als Mindestwert angesetzt, k ≥ 10 als guter Standard.

Abb. 14.1 — Prüfschema für PII-freie Prompt-Erstellung

Synthetische Daten als Alternative

Synthetische Daten sind künstlich generierte Datensätze, die die statistischen Eigenschaften realer Daten nachbilden, ohne aus echten Personen zu stammen. Sie sind eine wachsende Alternative zu echten Personendaten in KI-Trainings- und Test-Szenarien. Für den Prompt-Alltag bedeutet dies: Wenn Sie einem KI-Tool ein Beispiel geben wollen, wie eine Tabelle mit Mitarbeiterdaten aussieht — nutzen Sie synthetische Beispieldaten statt echter Namen und Daten.

Die sechs Prompt-Hygiene-Regeln

Prompt-Hygiene bezeichnet die Praxis, KI-Eingaben so zu formulieren, dass sie rechtssicher sind und keine unnötigen personenbezogenen Daten enthalten. Sechs Regeln helfen dabei:

Regel 1 — Abstraktion vor Konkretion: Ersetzen Sie Eigennamen durch abstrakte Beschreibungen. Statt „Frau Schneider aus dem Team Marketing” schreiben Sie „eine Führungskraft aus dem Marketingbereich”.

Regel 2 — Minimierungsprüfung vor dem Abschicken: Vor dem Abschicken eines Prompts: Lesen Sie ihn nochmal. Welche Information ist für die gewünschte Antwort tatsächlich notwendig? Alles andere streichen.

Regel 3 — Pseudonymisierung statt Echtnamen: Wenn Sie eine Person erwähnen müssen, nutzen Sie Pseudonyme (P1, Mitarbeiter A, Kunde B). Notieren Sie den Schlüssel lokal — nicht im Prompt.

Regel 4 — Keine besonderen Kategorien nach Art. 9: Gesundheitsdaten, politische Meinungen, religiöse Überzeugungen, sexuelle Orientierung — diese Daten gehören nie in einen KI-Prompt an einen externen Dienst.

Regel 5 — Verlaufsprotokoll prüfen und löschen: Viele KI-Tools speichern den Gesprächsverlauf. Prüfen Sie die Einstellungen: Ist die Verlaufs-Speicherung aktiviert? Kann sie deaktiviert werden? Löschen Sie regelmäßig Verläufe, die personenbezogene Daten enthalten.

Regel 6 — Tool-Nutzungsbedingungen kennen: Lesen Sie die Datenschutzerklärung und Nutzungsbedingungen des KI-Tools. Werden eingegebene Daten für Training verwendet? Gibt es einen Enterprise-Modus ohne Daten-Training? Diese Unterschiede sind entscheidend.

Merksatz

Prompt-Hygiene ist keine Bürde — sie ist eine Kompetenz. Wer gelernt hat, Prompts PII-frei zu formulieren, erkennt dabei oft auch, was für das Ergebnis wirklich relevant ist. Das führt häufig zu besseren Prompts und besseren Ergebnissen.

Vier Risikokategorien für PII im KI-Kontext

Kategorie 1 — Direkte Eingabe (Hochrisiko): Direkte Eingabe von Namen, Geburtsdaten, Adressen, Kontonummern oder anderen direkten Identifikatoren in externe KI-Dienste. Höchstes Risiko — sofortige DSGVO-Verletzung, wenn kein AVV vorliegt.

Kategorie 2 — Indirekte Identifizierung (Mittleres Risiko): Kombination von Merkmalen, die zusammen eine Person identifizierbar machen, z. B. „Abteilungsleiter, 52 Jahre, seit 20 Jahren im Unternehmen, arbeitet in München.” Diese Kombination kann bei kleinen Unternehmen ausreichend sein, um die Person zu identifizieren.

Kategorie 3 — Metadaten (Niedriges bis mittleres Risiko): Unbeabsichtigt mitgesendete Metadaten (Dateinamen, Zeitstempel, eingebettete Autoren-Information in Dokumenten). Werden beim Hochladen von Dateien in KI-Tools relevant.

Kategorie 4 — Aggregation (Latentes Risiko): Einzelne harmlose Angaben werden durch Aggregation über mehrere Prompts oder Sitzungen identifizierend. Besonders bei Chat-Verläufen: Die Summe vieler scheinbar harmlosen Angaben kann ein Profil einer Person ergeben.

Bußgeld-Rahmen nach Art. 83 DSGVO

Verstöße gegen die Pflicht zur rechtmäßigen Datenverarbeitung (Art. 6), die Verarbeitung besonderer Datenkategorien ohne Grundlage (Art. 9) oder das Fehlen geeigneter TOMs (Art. 32) können nach Art. 83 Abs. 5 DSGVO mit Bußgeldern bis zu 20 Millionen Euro oder 4 % des weltweiten Jahresumsatzes geahndet werden — je nach dem, welcher Betrag höher ist.

Vertiefung — Praktische Anonymisierungstechniken für den Prompt-Alltag

Schritt-für-Schritt-Anonymisierung eines Prompts

Angenommen, Sie haben folgenden Prompt-Entwurf:

„Erstelle ein Leistungsbeurteilungs-Feedback für Thomas Bauer, 43 Jahre, Ingenieur bei unserem Kunden Firma XY GmbH in Dortmund. Er hatte letztes Jahr krankheitsbedingte Ausfälle und seine Projektlieferungen waren zweimal verspätet.”

Schritt 1 — PII identifizieren: Thomas Bauer (Name), 43 Jahre (Alter), Ingenieur (Beruf), Firma XY GmbH (Unternehmensname als Personen-Kontext), Dortmund (Ort), krankheitsbedingte Ausfälle (Gesundheitsdaten!), verspätete Lieferungen (Leistungsdaten).

Schritt 2 — Notwendigkeitsprüfung: Was braucht das KI-Tool wirklich? Name: nein. Alter: nein (nur grobe Kategorie, wenn überhaupt). Firma und Ort: nein. Krankheitsdaten: nein.

Schritt 3 — Umschreiben:

„Erstelle ein Leistungsbeurteilungs-Feedback für einen Ingenieur (Mittelkategorie Seniorität). Im vergangenen Jahr gab es gelegentliche Abwesenheiten sowie zwei Fälle verspäteter Projektlieferungen.”

Ergebnis: Alle direkten und indirekten Identifikatoren entfernt. Besondere Datenkategorie (Gesundheit) entfernt. Das KI-Tool erhält alle Informationen, die es für ein hilfreiches Feedback braucht — und keine Personendaten.

Tools und Techniken zur Unterstützung

Mehrere Tools können dabei helfen, Prompts auf PII zu prüfen:

• Microsoft Presidio: Open-Source-Tool zur automatischen PII-Erkennung in Texten (unterstützt Deutsch und Englisch). Kann vor dem Abschicken an KI-Tools eingesetzt werden.
• AWS Macie: Cloud-Dienst zur PII-Erkennung in gespeicherten Dokumenten und Datenbankeinträgen.
• spaCy + custom NER-Modelle: Named Entity Recognition-Bibliotheken für Python, die PII in Texten erkennen können.
• Unternehmenseigene Richtlinien: Am praktischsten: Ein einfaches interaktives Prompt-Template, das Mitarbeitende bei der PII-freien Formulierung unterstützt.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

IT-Beratungsunternehmen arbeiten täglich mit Kundensystem-Beschreibungen, Fehlerprotokollen (Log-Files) und Support-Tickets — alles davon kann personenbezogene Daten enthalten. Eine bewährte Praxis: Erstellen Sie ein internes „Prompt-Template-Repository” mit vordefinierten, bereits anonymisierten Prompt-Strukturen für häufige Anwendungsfälle (z. B. „Bug-Analyse-Prompt”, „Kundenmail-Antwort-Prompt”, „Technische Dokumentation-Prompt”). Mitarbeitende füllen nur die projektspezifischen, anonymisierten Lücken aus — die Grundstruktur ist bereits PII-frei gestaltet.

Industrie & Fertigung

In der Fertigung werden Qualitätsdaten, Produktions-Logs und Wartungsberichte verarbeitet. Wenn diese Daten Rückschlüsse auf einzelne Maschinenbediener erlauben (z. B. „Schicht A, Meister Kramer, Fehlerquote 2,3 %“), entstehen PII-Risiken. Empfehlung: In der Daten-Vorbereitung für KI-Analysen immer einen Aggregationsschritt einbauen: Statt Einzelperson-Daten nur aggregierte Gruppen-Daten in KI-Tools eingeben. Eine einfache Faustregel: Kein Datenpunkt sollte weniger als 10 Personen aggregieren (k ≥ 10).

Finanzdienstleistung & Versicherung

Finanzdienstleister arbeiten mit hochsensiblen Daten: Kontonummern, Transaktionsdetails, Bonitätsinformationen. Hier gilt: Externe KI-SaaS-Dienste sollten für die Verarbeitung dieser Daten grundsätzlich nicht genutzt werden, ohne explizite Genehmigung der Compliance-Abteilung und vorhandenem AVV. Viele Finanzunternehmen setzen deshalb auf On-Premise-KI-Lösungen oder private Cloud-Deployments, bei denen die Daten das Unternehmensnetzwerk nie verlassen. Für den Prompt-Alltag: Nutzen Sie generalisierte Fallbeschreibungen ohne Kundenbezug für das Testing neuer KI-Workflows.

Öffentliche Verwaltung

Behörden verarbeiten im Rahmen ihrer gesetzlichen Aufgaben hochsensible Bürgerdaten: Sozialversicherungsnummern, Gesundheitsdaten, Familienstandsinformationen. Für KI-Einsatz gilt: Externe KI-Tools kommen für diese Daten grundsätzlich nicht in Betracht — nur sichere, geprüfte On-Premise-Lösungen oder explizit freigegebene Government-Cloud-Dienste mit spezifischem AVV und Sicherheitszertifizierung (z. B. BSI C5). Für den Schulungs- und Testbetrieb: Ausschließlich synthetische Bürgerdaten verwenden.

Technische Methoden der Datenanonymisierung

Anonymisierung ist das Ziel — aber wie gelangt man dahin? In der technischen Praxis stehen verschiedene Methoden zur Verfügung:

Datenmaskierung (Data Masking): Sensitive Daten werden durch fiktive, aber realistische Daten ersetzt. Beispiel: Der Name „Max Mustermann” wird durch „Jonas Richter” ersetzt; die IBAN wird durch eine fiktive, aber strukturell gültige IBAN ersetzt. Nützlich für Testumgebungen.

Tokenisierung: Sensitive Daten werden durch Token (zufällige Zeichenfolgen) ersetzt. Der Originalwert wird in einem gesicherten System gespeichert und kann bei Bedarf de-tokenisiert werden. Die Tokenisierung ist reversibel — und daher nur Pseudonymisierung, nicht echte Anonymisierung.

Generalisierung: Spezifische Werte werden durch allgemeinere Kategorien ersetzt. Statt Alter 37 → Altersgruppe 35–44. Statt PLZ 40213 (Düsseldorf Innenstadt) → Großstadt NRW. Gut geeignet für statistische Analysen, reduziert aber den Informationsgehalt.

Datenaggregation: Individuelle Datenpunkte werden zu Gruppenstatistiken zusammengefasst. Statt „Mitarbeiter A hat X Abschlüsse gemacht” → „Die Vertriebsabteilung hat durchschnittlich Y Abschlüsse”. Kein Rückschluss auf Einzelpersonen mehr möglich.

Differential Privacy: Ein mathematisch fundierter Ansatz, bei dem statistisches Rauschen zu den Ausgaben hinzugefügt wird, um Rückschlüsse auf Einzelpersonen zu verhindern. Apple und Google setzen Differential Privacy für die Verarbeitung von Telemetriedaten ein. Für den KI-Einsatz in Unternehmen noch selten, aber zunehmend relevant.

Synthetische Datengenerierung: Vollständig neue, realistische Datensätze werden aus dem statistischen Profil der Originaldaten generiert. Die synthetischen Daten enthalten keine echten Personeninformationen, haben aber ähnliche statistische Eigenschaften wie die Originaldaten. Zunehmend verbreitet für das Training von KI-Modellen in datenschutzsensitiven Bereichen (z. B. Gesundheitsdaten).

Merksatz

Anonymisierung ist kein binäres Konzept — es ist ein Spektrum. Vollständige Anonymisierung, die jeden Rückschluss auf Einzelpersonen ausschließt, ist schwer zu erreichen. Das Ziel ist es, das Re-Identifikationsrisiko auf ein vernachlässigbares Maß zu reduzieren — nicht auf null.

Re-Identifikationsrisiken und k-Anonymität

Ein vermeintlich anonymisierter Datensatz kann durch Kombination mit anderen Datenquellen re-identifiziert werden. Der sogenannte Mosaikeffekt beschreibt, wie harmlose Einzelinformationen zusammen zur Identifizierung führen können: Wohnort + Beruf + ungefähres Alter + Angaben zu einem ungewöhnlichen Hobby ergeben zusammen oft ein eindeutiges Profil.

k-Anonymität ist ein formales Konzept, das Re-Identifikationsrisiken quantifiziert: Ein Datensatz gilt als k-anonym, wenn jeder Datensatz zu mindestens k-1 anderen Datensätzen ununterscheidbar ist — d. h., jede Person ist mindestens in einer Gruppe von k Personen „versteckt”. Praktisch bedeutet das: Wenn nur eine Person in Ihrem Datensatz weiblich, über 60 Jahre alt und in IT-Management tätig ist, ist diese Person k=1 — also nicht anonym.

Für Prompt-Hygiene gilt analog: Wenn in einem Prompt genügend charakteristische Details kombiniert werden, kann ein LLM die betreffende Person identifizieren — selbst wenn kein Name genannt wird.

Praktische Checkliste für Prompt-Hygiene

Die sechs Prompt-Hygiene-Regeln in der Praxis:

1. Name-Prüfung: Enthält der Prompt einen Vor- oder Nachnamen, einen Benutzernamen oder eine E-Mail-Adresse? → Entfernen oder ersetzen.
2. Kontakt-Prüfung: Enthält der Prompt Telefonnummern, Adressen, IBANs, Sozialversicherungsnummern? → Entfernen oder maskieren.
3. Kombinations-Prüfung: Enthält der Prompt mehrere Details, die in Kombination auf eine Person zeigen? (Unternehmen + Abteilung + Projekt + spezifisches Problem) → Generalisieren.
4. Vertraulichkeits-Prüfung: Enthält der Prompt interne Informationen, die nicht öffentlich sein sollten? (→ UE 20 — Geschäftsgeheimnisse) → Wenn ja: Unternehmenseigenes oder lokal deployiertes KI-System verwenden.
5. Sensitivitäts-Prüfung: Enthält der Prompt Gesundheitsdaten, Angaben zur Religion, politischen Überzeugungen, sexuellen Orientierung oder anderen Art.-9-Daten? → Höchste Vorsicht; im Zweifel: nicht an externe KI-Dienste senden.
6. Output-Prüfung: Enthält der KI-Output personenbezogene Informationen, auch wenn der Input keine enthielt? (Kann vorkommen, wenn das Modell auf Basis von Prompts Rückschlüsse zieht.) → Prüfen und ggf. bereinigen vor Weitergabe.

Synthetische Daten — Chancen und Grenzen

Synthetische Daten sind künstlich generierte Datensätze, die die statistischen Eigenschaften realer Daten imitieren, ohne direkt auf reale Personen bezogen zu sein. Sie bieten eine vielversprechende Lösung für datenschutzkonforme KI-Entwicklung und -Nutzung.

Wie werden synthetische Daten erzeugt?

Statistische Modelle: Klassische statistische Methoden (z. B. Gaussian Mixture Models, Copula-Modelle) erstellen synthetische Daten auf Basis der statistischen Verteilungen des Originaldatensatzes.

Generative KI: Generative Adversarial Networks (GANs) oder Variational Autoencoders (VAEs) können realistische synthetische Datensätze erzeugen, die den Originaldaten ähneln. Besonders relevant für Bilder (synthetische Gesichter, Produktfotos), aber auch für Tabellendaten.

LLM-basierte Generierung: LLMs können synthetische Texte, Konversationen oder Szenarien generieren, die für das Training von Klassifikatoren genutzt werden.

Vorteile synthetischer Daten: - Datenschutzkonform (kein Personenbezug in den synthetischen Daten) - Beliebig skalierbar (kein Datenmangel) - Können Randfall-Szenarien überrepräsentieren (z. B. seltene Fehlerbilder in der Qualitätskontrolle) - Können für Bias-Korrekturen genutzt werden (z. B. unterrepräsentierte Gruppen im Datensatz ergänzen)

Grenzen synthetischer Daten: - Quality-Bottleneck: Wenn die Originaldaten Fehler oder Verzerrungen enthalten, werden diese in die synthetischen Daten übertragen - Validierungsproblematik: Modelle, die auf synthetischen Daten trainiert werden, müssen sorgfältig auf realen Daten validiert werden - Rechtliche Unsicherheit: Die DSGVO-Einstufung synthetischer Daten ist noch nicht abschließend geklärt

Prompt-Hygiene in der Teampraxis

Individuelle Prompt-Hygiene ist wichtig — aber in Teamsituationen entstehen zusätzliche Herausforderungen:

Geteilte Prompts: Wenn Teams Prompts teilen (z. B. über ein gemeinsames Prompt-Repository), müssen alle enthaltenen Daten geprüft werden. Ein Kollege könnte versehentlich einen Prompt mit PII erstellt haben, der dann von anderen weiterverwendet wird.

Prompt-Templates: Wenn Prompt-Templates automatisiert mit Daten befüllt werden (z. B. durch ein CRM-System), muss sichergestellt sein, dass die Templating-Logik keine PII einschleust.

KI-Integrations-Automatisierungen: Bei automatisierten Workflows (z. B. n8n, Zapier, Make), die KI-Aufrufe beinhalten, müssen alle Datenpunkte, die automatisch in Prompts einfließen, auf DSGVO-Konformität geprüft werden.

Merksatz

Prompt-Hygiene ist eine kollektive Praxis, keine individuelle. Eine einzige Person, die in ihrem Prompt PII einschleust, kann die DSGVO-Compliance der gesamten Organisation gefährden. Technische Guardrails (DLP-Systeme, Prompt-Screening) ergänzen die menschliche Sorgfalt.

Übung 1 — Prompt anonymisieren

Aufgabe: Anonymisieren Sie den folgenden Prompt. Identifizieren Sie zunächst alle PII-Elemente, prüfen Sie deren Notwendigkeit, und formulieren Sie den Prompt dann PII-frei um. Originaltext: „Helfe mir, eine E-Mail an unseren Kunden Schmidt & Partner GmbH zu schreiben. Ansprechpartner ist Herr Klaus Weber, 58 Jahre, Geschäftsführer. Er ist bekannt dafür, sehr konservativ und kritisch gegenüber Digitalisierung zu sein. Wir möchten ihm unser neues KI-Analyse-Tool vorstellen und ihn zu einem Webinar einladen.”

Zeitrahmen: 10 Minuten Einzelarbeit

Musterlösung Übung 1: PII identifiziert: Schmidt & Partner GmbH (Firmenname), Klaus Weber (Name), 58 Jahre (Alter). Zusätzlich: Die Charakterisierung „konservativ und kritisch” ist eine persönliche Einschätzung, die im Prompt erhalten bleiben kann, wenn die Person nicht identifizierbar ist. Anonymisierter Prompt: „Helfe mir, eine E-Mail an einen potenziellen Kunden zu schreiben — Geschäftsführer eines mittelständischen Unternehmens, der eher konservativ eingestellt ist und Digitalisierungs-Lösungen kritisch gegenübersteht. Wir möchten unser KI-Analyse-Tool vorstellen und zu einem Webinar einladen. Ton: respektvoll, sachlich, mit konkretem Nutzenversprechen.”

Übung 2 — Risikokategorien zuordnen

Aufgabe: Ordnen Sie die folgenden Prompt-Szenarien den vier Risikokategorien zu (Kategorie 1: Direkte Eingabe / Kategorie 2: Indirekte Identifizierung / Kategorie 3: Metadaten / Kategorie 4: Aggregation) und begründen Sie Ihre Zuordnung in einem Satz. (a) Prompt enthält den Namen und die Kontonummer eines Kunden. (b) Prompt beschreibt „unsere einzige Fachkraft für KI in der Hamburger Niederlassung, die über 50 Jahre alt ist.” (c) Prompt enthält ein hochgeladenes PDF-Dokument, das im Dokumenten-Header den Autorennamen enthält. (d) Über mehrere Chat-Sitzungen hinweg werden verschiedene Merkmale einer Person beschrieben, die zusammen ein vollständiges Profil ergeben.

Zeitrahmen: 10 Minuten Einzel- oder Partnerarbeit

Musterlösung Übung 2: (a) Kategorie 1 — Direkte Eingabe. Name und Kontonummer sind direkte Identifikatoren. Unmittelbarer DSGVO-Verstoß ohne AVV. (b) Kategorie 2 — Indirekte Identifizierung. In einer Hamburger Niederlassung gibt es vermutlich nur eine Person mit diesen Merkmalen — die Kombination ist identifizierend. (c) Kategorie 3 — Metadaten. Das Dokument selbst ist harmlos, aber Metadaten (Autor) enthalten PII. Lösung: Metadaten vor dem Upload entfernen (z. B. über „Dokument prüfen”-Funktion in Office-Anwendungen). (d) Kategorie 4 — Aggregation. Einzelne Angaben sind harmlos, aber die Summe ergibt ein vollständiges Profil. Besonders relevant bei langen Chat-Verläufen.

Internationale Transfers von Daten an KI-Anbieter

Wenn ein Unternehmen in der EU einen KI-Dienst eines US-amerikanischen Anbieters nutzt (z. B. OpenAI, Google, Anthropic), werden Daten in die USA übermittelt. Dies unterliegt den Regelungen zu internationalen Datentransfers nach Kapitel V DSGVO.

Aktuelle Rechtslage (Stand 2024/2025): Seit Juli 2023 besteht ein EU-US Data Privacy Framework (DPF), das Datentransfers in die USA für zertifizierte US-Unternehmen erleichtert. OpenAI, Microsoft und Google sind für ihre relevanten Dienste zertifiziert. Zusätzlich stützen die Anbieter Transfers auf Standardvertragsklauseln (SCC).

Restrisiko: Das DPF ist — wie seine Vorgänger (Safe Harbor, Privacy Shield) — politisch und rechtlich nicht unumstritten. Es gibt Klagen, die das DPF vor dem EuGH anfechten könnten. Unternehmen mit hohem Risikoprofil (z. B. Gesundheitsdaten, Finanzdaten) sollten dies in ihrer DPIA berücksichtigen und ggf. EU-ansässige KI-Anbieter oder On-Premise-Lösungen prüfen.

Anonymisierung vs. Pseudonymisierung — Entscheidungsmatrix

Praktische Empfehlung: Für externe Cloud-KI-Dienste: Streben Sie echte Anonymisierung oder den Einsatz synthetischer Daten an. Wenn Pseudonymisierung eingesetzt wird, stellen Sie sicher, dass der Schlüssel nicht mit den Daten an den KI-Anbieter übermittelt wird.

Warnung — Compliance-Risiko

Bußgeld-Rahmen für PII-Verstöße beim KI-Einsatz

Die Eingabe personenbezogener Daten in externe KI-Dienste ohne gültige Rechtsgrundlage oder ohne AVV ist ein DSGVO-Verstoß — unabhängig davon, ob die Daten tatsächlich missbraucht werden. Der Verstoß liegt bereits in der unzulässigen Übermittlung.

Bußgeld nach Art. 83 Abs. 5 DSGVO: Bis zu 20 Millionen Euro oder 4 % des weltweiten Jahresumsatzes — je nachdem, welcher Betrag höher ist. Bei Verarbeitung besonderer Datenkategorien (Art. 9 DSGVO, z. B. Gesundheitsdaten) ohne ausdrückliche Einwilligung: gleicher Bußgeldrahmen, aber deutlich höhere Wahrscheinlichkeit der Verhängung.

Praxisbeispiel: Die Berliner Datenschutzbeauftragte hat Unternehmen wegen der Nutzung von KI-Tools ohne ausreichende Datenschutzvorkehrungen bereits verwarnt. In anderen EU-Ländern wurden konkrete Bußgelder verhängt. Die DSGVO-Aufsichtsbehörden sind aktiv.

Besonderes Risiko bei Gesundheitsdaten: Art. 9 DSGVO verlangt für besondere Kategorien eine explizite, ausdrückliche Einwilligung oder eine spezifische gesetzliche Grundlage. Ein scheinbar harmloses Erwähnen von „Krankentagen” oder „gesundheitlichen Einschränkungen” in einem KI-Prompt kann diesen erhöhten Schutzstandard verletzen.

Empfehlung: Implementieren Sie die sechs Prompt-Hygiene-Regeln als verbindliche Arbeitsanweisung. Schulen Sie alle Mitarbeitenden, die KI-Tools nutzen. Überprüfen Sie regelmäßig bestehende KI-Tool-Nutzungen auf DSGVO-Konformität.

Cheatsheet — PII in Prompts vermeiden

Sechs Prompt-Hygiene-Regeln: 1. Abstraktion vor Konkretion — Eigennamen durch Beschreibungen ersetzen 2. Minimierungsprüfung — vor Abschicken: Was ist wirklich notwendig? 3. Pseudonymisierung — Echtnamen durch P1, P2, Mitarbeiter A ersetzen 4. Keine Art.-9-Daten — Gesundheit, Religion, Sexualität nie in externe KI-Tools 5. Verlauf löschen — Gesprächsverläufe mit personenbezogenen Daten regelmäßig löschen 6. Tool-Bedingungen kennen — Daten-Training-Opt-out prüfen

Anonymisierung vs. Pseudonymisierung: - Anonymisierung: kein Personenbezug mehr → DSGVO gilt nicht mehr - Pseudonymisierung: Personenbezug nur mit Schlüssel → DSGVO gilt weiter, Risiko reduziert - k-Anonymität: keine Datensatz-Zeile ist mit weniger als k-1 anderen Zeilen identisch (k ≥ 5 Minimum)

Vier Risikokategorien: 1. Direkte Eingabe (Hochrisiko): Name, Geburtsdatum, Kontonummer 2. Indirekte Identifizierung (Mittel): Kombination von Merkmalen 3. Metadaten (Niedrig-Mittel): Dateinamen, Autoren-Tags 4. Aggregation (Latent): Summe vieler scheinbar harmloser Angaben

Prompt-Hygiene-Training in der Praxis

Prompt-Hygiene-Regeln sind nur so wirksam wie das Bewusstsein der Mitarbeitenden, die sie anwenden sollen. In der Praxis hat sich folgendes Trainingskonzept bewährt:

Negativ-Beispiele: Zeigen Sie konkrete Beispiele schlechter Prompts (mit PII oder Geschäftsgeheimnissen) und gute Alternativen. Menschen lernen durch Kontraste besser als durch abstrakte Regeln.

Prompt-Testumgebung: Eine sichere Testumgebung, in der Mitarbeitende Prompts eingeben und automatisch auf PII geprüft werden, hilft, das Bewusstsein zu schärfen — ohne reale Risiken.

Micro-Learning: Kurze, monatliche Erinnerungen (1–2 Minuten) zu spezifischen Prompt-Hygiene-Aspekten halten das Thema präsent, ohne Schulungsmüdigkeit zu erzeugen.

Integration in Onboarding: Neue Mitarbeitende erhalten bereits im Onboarding eine Einheit zu Prompt-Hygiene — bevor sie zum ersten Mal ein KI-Tool nutzen.

Gamification: Einige Organisationen haben Prompt-Hygiene-Wettbewerbe eingeführt (z. B. wer entwickelt den besten anonymisierten Prompt für einen konkreten Anwendungsfall?) — mit überraschend hoher Beteiligung.

Prompt-Beispiel: Prompt-Anonymisierung — personenbezogene Daten entfernen

Rolle: Sie sind ein KI-Compliance-Spezialist und helfen Mitarbeitenden dabei, datenschutzkonforme Prompts zu formulieren, die denselben Arbeitsertrag liefern wie der ursprüngliche Prompt — ohne personenbezogene Daten.

Aufgabe: Analysieren Sie den folgenden Roh-Prompt auf personenbezogene Daten und erstellen Sie eine datenschutzkonforme Version. Erläutern Sie für jede vorgenommene Änderung, welche Datenkategorie entfernt oder pseudonymisiert wurde und warum.

Kontext: Roh-Prompt: [Fügen Sie hier Ihren Original-Prompt ein]

Format: Zweiteilige Antwort: (1) Markierter Original-Prompt mit farblichen Hervorhebungen der problematischen Stellen und kurzen Erläuterungen (als Fußnoten oder direkte Kommentare), (2) Bereinigter Prompt als fertiger Text. Abschließend eine kurze Bewertung: Welche DSGVO-Grundsätze wurden durch die Anonymisierung eingehalten?

Prompt-Beispiel: Unternehmens-Richtlinie zur sicheren KI-Prompt-Nutzung erstellen

Rolle: Sie sind ein erfahrener Compliance-Beauftragter und Autor von internen Richtlinien in einem mittelständischen Unternehmen.

Aufgabe: Formulieren Sie eine prägnante interne Richtlinie (maximal 1 DIN-A4-Seite) zur datenschutzkonformen Nutzung von KI-Tools durch Mitarbeitende. Die Richtlinie soll konkrete Verhaltensanweisungen enthalten, nicht abstrakte Verbote.

Kontext: Unternehmenskontext: [Branche, Größe, welche KI-Tools sind genehmigt, welche Daten verarbeiten Mitarbeitende typischerweise?]

Format: Richtlinien-Dokument mit: Titel, Geltungsbereich (1 Satz), 5–7 konkrete Verhaltensregeln (als nummerierte Do’s und Don’ts), einem Fallbeispiel als Illustration, Kontaktangabe für Rückfragen (Platzhalter), Versionsnummer und Datum. Formeller, sachlicher Ton, Sie-Form.

Branchen-Vignette — Prompt-Hygiene im Beratungsunternehmen

Ein Unternehmensberater erstellt täglich Memos und Berichte für Klientenunternehmen. Er nutzt ein zugelassenes KI-Tool, um Rohfassungen zu erstellen. Eines Tages gibt er folgenden Prompt ein: „Fasse folgende Erkenntnisse aus unserem Strategie-Interview mit dem CFO von [Klientenname] zusammen: [transkribierter Interview-Inhalt].”

Probleme identifiziert: (1) Der Klientenname im Prompt identifiziert die Geschäftsbeziehung — mögliches Geschäftsgeheimnis. (2) Personenbezogene Daten des CFO (namentliche Nennung, berufliche Position, geäußerte Meinungen) werden in ein externes KI-System eingegeben. (3) Der Interview-Inhalt kann strategisch sensible Informationen enthalten.

Datenschutzkonforme Alternative: Der Berater lernt, den Prompt zu anonymisieren: „Fasse folgende Erkenntnisse aus einem strategischen Interview mit einem Mitglied der Geschäftsführung eines Industrieunternehmens zusammen: [bereinigtes Transkript ohne Namen, Positionen und identifizierende Details].” Ergebnis: Derselbe Arbeitsertrag, aber DSGVO-konform und ohne Offenlegung von Geschäftsgeheimnissen.

Vertiefung II — Technische Maßnahmen zur Prompt-Anonymisierung

Neben manueller Anonymisierung gibt es technische Ansätze, die Organisationen bei der DSGVO-konformen KI-Nutzung unterstützen:

Differential Privacy: Eine mathematische Methode, die sicherstellt, dass Ausgaben eines KI-Systems keine Rückschlüsse auf einzelne Datenpunkte im Trainingsset erlauben. Relevant für Organisationen, die eigene KI-Modelle entwickeln oder fine-tunen.

PII-Erkennung und Redaktion: Spezialisierte Softwaretools (z. B. Microsoft Presidio, spaCy NER-Modelle) erkennen personenbezogene Informationen in Texten automatisch und ersetzten diese durch Platzhalter. Diese Tools können als Präprozessor vor der KI-Tool-Eingabe eingesetzt werden.

Privatheits-konforme Prompt-Templates: Organisationen können standardisierte Prompt-Templates entwickeln, die datenschutzkonforme Formulierungen vorgeben und personenbezogene Felder als explizite Platzhalter markieren.

Tokenisierung und Pseudonymisierung: Namen und andere Identifikationsmerkmale werden durch konsistente Pseudonyme ersetzt (z. B. „Kunde_A01”), sodass der Prompt seine Sinnhaftigkeit behält, ohne die Identität preiszugeben. Wichtig: Die Pseudonymisierungstabelle muss sicher und getrennt vom KI-Output gespeichert werden.

Übung 3 — Prompt-Anonymisierung in der Praxis

Aufgabe: Ihr Kollege hat folgenden Prompt formuliert: „Analysiere die Leistung von Mitarbeiterin Yasmin Özdemir (Personalnummer 4472, HR-Abteilung) in den letzten sechs Monaten auf Basis der beigefügten Beurteilungsbögen und erstelle einen Entwicklungsplan für das nächste Jahr.”

1. Identifizieren Sie alle personenbezogenen Datenelemente in diesem Prompt.
2. Formulieren Sie einen anonymisierten Alternativ-Prompt, der denselben Arbeitsertrag liefert.
3. Welche DSGVO-Vorschriften wären verletzt, wenn der Original-Prompt in einem nicht-genehmigten KI-Tool verwendet würde?

Zeitrahmen: 8 Minuten Einzelarbeit, 5 Minuten Diskussion.

Musterlösung Übung 3: (a) Personenbezogene Daten: Name (Yasmin Özdemir), Personalnummer (4472), Abteilung (HR — ggf. in kleiner Abteilung identifizierend). (b) Anonymisierter Prompt: „Analysiere die Leistung einer Mitarbeiterin auf Basis der beigefügten Beurteilungsbögen (alle identifizierenden Angaben wurden entfernt) und erstelle einen Entwicklungsplan für das nächste Quartal.” (c) Verstöße: Art. 5 Abs. 1 lit. c (Datenminimierung — Personalnummer nicht erforderlich), Art. 6 DSGVO (Rechtsgrundlage für diese Nutzung), § 26 BDSG (Mitarbeiterdaten im Arbeitsverhältnis), Art. 28 DSGVO (kein AVV bei nicht-genehmigtem Tool).

Zusammenfassung UE 14

Personenbezogene Daten (PII) dürfen grundsätzlich nicht in externe Cloud-KI-Dienste eingegeben werden — es sei denn, ein DSGVO-konformer AVV ist vorhanden und die Datenkategorie lässt es zu. Art. 9 DSGVO schützt besonders sensible Kategorien (Gesundheit, Biometrie, Religion etc.) mit erhöhten Anforderungen. Die sechs Prompt-Hygiene-Regeln — Name-Prüfung, Kontakt-Prüfung, Kombinations-Prüfung, Vertraulichkeits-Prüfung, Sensitivitäts-Prüfung, Output-Prüfung — bilden das operative Kernstück dieser UE. Anonymisierung und Pseudonymisierung sind keine Synonyme: Nur echte Anonymisierung entbindet von der DSGVO. Synthetische Daten bieten einen vielversprechenden Mittelweg für datenschutzkonforme KI-Entwicklung. Bußgelder bis 20 Mio. € oder 4 % Umsatz bei DSGVO-Verstößen (Art. 83) unterstreichen die Dringlichkeit des Themas.

Querverweise zu anderen UEs

UE 14 (PII in Prompts) ist die operative Umsetzung der DSGVO-Grundlagen (UE 13). Die Prompt-Hygiene-Regeln ergänzen die Geschäftsgeheimnisschutz-Regeln aus UE 20 — gemeinsam bilden sie ein vollständiges Regelset für verantwortungsvolles Prompten. In der Fallstudie (UE 24) wird die Prompt-Hygiene-Perspektive als Teil von Block A (DSGVO) direkt angewendet.

Reflexionsfragen

1. Welche der sechs Prompt-Hygiene-Regeln erscheint Ihnen am schwierigsten im Alltag umzusetzen — und warum?
2. Haben Sie in Ihrem beruflichen Umfeld schon Situationen erlebt, in denen personenbezogene Daten unbedacht in digitale Systeme eingegeben wurden? Was war die Reaktion?
3. Wie könnte Ihre Organisation sicherstellen, dass Prompt-Hygiene zur alltäglichen Praxis wird — ohne dass sie als zusätzliche Bürde empfunden wird?
4. In welchen Bereichen Ihrer Abteilung oder Organisation ist das Risiko der unabsichtlichen PII-Eingabe in KI-Tools am höchsten?
5. Welchen Unterschied macht es für Ihr Risikobewusstsein, wenn Sie verstehen, dass Pseudonymisierung allein die DSGVO noch nicht erfüllt?
6. Gibt es in Ihrem Berufsalltag Prompt-Situationen, in denen vollständige Anonymisierung den Arbeitsertrag so stark mindert, dass das KI-Tool nicht mehr sinnvoll einsetzbar ist? Wie gehen Sie mit diesem Dilemma um?
7. Welche organisatorischen Maßnahmen (Schulung, Richtlinie, Kontrolle) würden in Ihrer Organisation am effektivsten dabei helfen, Prompt-Hygiene dauerhaft zu verankern?

Vier Risikokategorien für PII in KI-Prompts

Um Mitarbeitenden eine schnelle Einschätzung zu ermöglichen, wie riskant bestimmte Dateneingaben in KI-Systeme sind, lassen sich vier Risikokategorien definieren:

Kategorie 1 — Kein Risiko: Vollständig anonymisierte oder synthetische Daten, die keine Rückschlüsse auf reale Personen erlauben. KI-Nutzung uneingeschränkt möglich.

Kategorie 2 — Niedriges Risiko: Daten, die indirekt auf Personen hinweisen könnten (z. B. Berufsbezeichnung + Abteilung), aber ohne Namen oder Kontaktdaten. Bei Cloud-KI-Nutzung: AVV prüfen, ansonsten akzeptabel.

Kategorie 3 — Mittleres Risiko: Daten mit direktem Personenbezug (Name, E-Mail, Telefon) oder mit Beziehungen zu konkreten Personen (z. B. „Kunde X hat folgendes Problem…“). Nur in freigegebenen Cloud-KI-Tools mit AVV erlaubt. Keine Verwendung in nicht freigegebenen Tools.

Kategorie 4 — Hohes Risiko: Art.-9-Daten (Gesundheit, Biometrie, Religion, etc.), Finanzdaten, PII in Kombination mit vertraulichen Geschäftsinformationen. Nur in On-Premise- oder Private-Cloud-KI-Systemen erlaubt. Externe Cloud-KI-Nutzung verboten.

Diese vier Kategorien ergänzen die Informationsklassifizierungsmatrix (UE 20) und machen Entscheidungen für Mitarbeitende im Alltag greifbarer.

Merksatz zu UE 14: Der beste Datenschutz ist der, der gar nicht erst nötig wird, weil keine PII in den Prompt eingeflossen ist. Prompt-Hygiene ist präventiver Datenschutz.

Quellen & Weiterlesen

Ergänzung: Prompt-Hygiene-Schnellreferenz

Die folgende Schnellreferenz kann als Arbeitsblatt oder Bildschirm-Bookmark genutzt werden:

VOR dem Prompt — 3-Sekunden-Selbstcheck:

Drei goldene Regeln: 1. Minimieren: Geben Sie nur ein, was für die Aufgabe notwendig ist 2. Anonymisieren: Ersetzen Sie Namen durch Platzhalter (Kund:in A, Mitarbeiter:in B) 3. Prüfen: Kein Tool ohne geprüften AVV für personenbezogene Daten

Branchenspezifische Prompt-Risiken

Industrie und Fertigung: Konstruktionszeichnungen, Fertigungsverfahren und Prozessparameter sind oft Geschäftsgeheimnisse. Vor Eingabe in KI-Tools: Liegt der Inhalt über der Klassifizierungsstufe „Intern”?

Gesundheitswesen: Patientendaten unterliegen Art. 9 DSGVO. Auch anonymisierte Fallbeschreibungen können in kleinen Abteilungen re-identifizierbar sein. Grundregel: Keine echten Falldetails in externe KI-Tools.

Finanzdienstleistung: Kontonummern, Depotpositionen und Bonitätsinformationen sind hochsensibel. Zusätzlich gelten BaFin-Anforderungen (BAIT, VAIT), die strenge Kontrollen für externe SaaS-Dienste vorsehen.

Öffentliche Verwaltung: Verwaltungsdaten über Bürgerinnen und Bürger unterliegen dem Amtsgeheimnis. Im Zweifel gilt: Keine personenbezogenen Bürgerdaten in externe Systeme.

Bitkom: Leitfaden Datenschutz beim KI-Einsatz | Lehrbuch | https://www.bitkom.org/Bitkom/Publikationen/KI-Datenschutz-Praxisleitfaden |

KI-gestützte Datenschutzprüfung — Einsatz von KI für DSGVO-Compliance

Ironischerweise kann KI auch für die Datenschutz-Compliance eingesetzt werden. Spezialisierte Tools können:

PII-Detection: Automatische Erkennung personenbezogener Daten in Dokumenten, E-Mails und Datenbanken. Nützlich für die Inventarisierung von PII-haltigen Datenbeständen.

Prompt-Screening: Browser-Extensions oder API-Gateways, die Prompts vor dem Senden an externe KI-Dienste auf PII prüfen und ggf. anonymisieren. Damit wird Prompt-Hygiene technisch erzwungen — nicht nur durch Schulung.

DSGVO-Checklisten-Automatisierung: KI-gestützte Rechtsprüfungstools können bei der Erstellung von DPIAs und der Prüfung von AVVs unterstützen.

Betroffenenanfragen-Management: KI-Systeme können bei der Verarbeitung von Auskunfts- und Löschanträgen nach Art. 15 und 17 DSGVO unterstützen — durch automatische Suche in allen Systemen nach Daten der betreffenden Person.

Wichtige Einschränkung: KI-gestützte Datenschutz-Tools ersetzen keine rechtliche Prüfung. Sie sind Hilfsmittel, nicht Entscheidungsträger. Die finale Verantwortung für DSGVO-Compliance liegt beim Datenschutzbeauftragten und der Geschäftsführung.

Praxishinweis: Fuehren Sie quartalsweise eine Stichproben-Pruefung durch: Waehlen Sie 5 zufaellige Prompts aus dem letzten Monat und pruefen Sie diese auf PII und Vertraulichkeitsverletzungen. Diese Stichproben-Pruefung ist ein kostenguenstiges Audit-Instrument und zeigt, ob die Schulungen wirken.

Trainerhinweise

Timing: 45 Minuten. Empfohlen: 5 Minuten Einstieg (Prompt-Beispiel aus Einführungstext laut vorlesen), 15 Minuten Theorie (PII-Definition, Anonymisierung, Prompt-Hygiene-Regeln), 10 Minuten Übung 1 (Prompt anonymisieren), 10 Minuten Übung 2 (Risikokategorien), 5 Minuten Abschluss.

Methodik: Der Einstieg über den konkreten Prompt-Beispiel (Mitarbeiter-Feedback mit Gesundheitsdaten) schafft sofortige emotionale Relevanz — fast alle Teilnehmenden haben ähnliche Prompts schon formuliert oder gesehen. Diese Offenheit nutzen, ohne zu beschämen: „Das passiert täglich in Tausenden von Unternehmen. Heute lernen wir, wie wir es besser machen.”

Stolpersteine: (1) Teilnehmende fragen oft: „Was macht der KI-Anbieter wirklich mit meinen Daten?” — Die ehrliche Antwort: Das hängt von den Nutzungsbedingungen ab. Für Enterprise-Tarife (OpenAI, Azure) gilt: kein Training mit Kundendaten. Für Gratis-Versionen: oft Training möglich. Beides zeigen, klar differenzieren. (2) Pseudonymisierung wird oft mit Anonymisierung verwechselt — diesen Unterschied explizit betonen und anhand eines Beispiels verdeutlichen.

Diskussionsfragen: „Welche KI-Tools nutzen Sie aktuell? Haben Sie die Datenschutzeinstellungen je überprüft?” „Wo in Ihrer täglichen Arbeit begegnen Ihnen Szenarien wie die sechs Risikokategorien?”

Tafelbild: Zeigen Sie die drei Spalten: Original-Prompt (mit PII) → PII identifizieren → Anonymisierter Prompt. Lassen Sie die Gruppe gemeinsam einen Beispiel-Prompt durcharbeiten.

Materialliste: Übungsblätter mit Original-Prompts, Cheatsheet als Handout.

Übergang zu UE 15: „Sie wissen jetzt, wie DSGVO und PII-Hygiene zusammenhängen. In UE 15 verlassen wir die DSGVO und schauen uns das neue KI-Gesetz an: den EU AI Act. Was regelt er, wen betrifft er, und was sind die zentralen Stichtage für Unternehmen?”

Branchenauswahl-Tipp: Finanzdienstleister und Versicherungen: Betonen Sie, dass für diese Branche On-Premise-Lösungen oder Private-Cloud-Deployments oft die einzig DSGVO-konforme Option sind. Öffentliche Verwaltung: Synthetische Daten als Trainings- und Test-Alternative konkret vorstellen.

Anonymisierungsprojekte planen und umsetzen

Ein strukturiertes Anonymisierungsprojekt für KI-Anwendungen umfasst typischerweise folgende Phasen:

Phase 1 — Datenbestandsanalyse: Welche Daten sollen für die KI-Nutzung anonymisiert werden? Welche PII-Typen kommen vor?

Phase 2 — Methodeauswahl: Welche Anonymisierungsmethode ist für den Anwendungsfall am geeignetsten? (Generalisierung, Datenmaskierung, synthetische Generierung etc.)

Phase 3 — Re-Identifikations-Risikoanalyse: Wie hoch ist das Re-Identifikationsrisiko nach Anonymisierung? k-Anonymität berechnen.

Phase 4 — Implementierung: Technische Umsetzung der Anonymisierung, ggf. mit spezialisierten Tools (z. B. ARX Data Anonymization Tool — Open Source).

Phase 5 — Validierung: Prüfung, ob die Anonymisierung korrekt funktioniert und keine Re-Identifikation möglich ist.

Phase 6 — Dokumentation: Dokumentation des Anonymisierungsprozesses für DSGVO-Compliance-Zwecke.

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