InnoGE/deckname: das weltweit beste KI-Modell für deutsche Textanonymisierung

Warum wir InnoGE/deckname trainiert haben

Dieses Modell ist nicht am Reißbrett entstanden, sondern in unseren Projekten. Das Muster wiederholte sich über Jahre: Ein Team hat eine Aufgabe, die ein Sprachmodell in Minuten erledigen würde. Support-Postfächer sortieren, Verträge auswerten, Bewerbungen vorprüfen. Dann fällt der erste Blick in die Dokumente. Namen, Geburtsdaten, IBANs, Kundennummern. Spätestens im Gespräch mit dem Datenschutzbeauftragten ist das Projekt zu Ende.

Der Einwand ist berechtigt. Solche Texte in eine fremde Cloud zu geben, ist genau das Risiko, vor dem die DSGVO schützen soll. Was danach passiert, haben wir oft genug erlebt: Das Projekt wird verschoben, zusammengestrichen oder still am Datenschutz vorbei betrieben. Keine dieser Varianten hat uns gefallen. Also haben wir angefangen zu trainieren.

Überrascht hat uns dabei vor allem eines: dass niemand dieses Modell vor uns trainiert hat. An Anonymisierungswerkzeugen herrscht kein Mangel, und trotzdem blieb die Lücke offen. Warum, zeigt ein Blick auf den Markt.

Was der Markt bisher bietet

Textanonymisierung ist kein neues Feld. Wer heute danach sucht, findet fünf Lager, und jedes hat denselben blinden Fleck.

• Die Cloud-Dienste der Hyperscaler. AWS, Microsoft und Google erkennen personenbezogene Daten als API-Dienst, teils mit Hunderten Entitätstypen. Nur muss der Text dafür in deren Cloud, also genau dorthin, wo er nicht hin soll. Und Deutsch spielt eine Nebenrolle: Amazon Comprehend etwa erkennt personenbezogene Daten ausschließlich in englischen und spanischen Texten.

• Kommerzielle Spezialanbieter. Einige liefern ihre Erkennung auch als Container ins eigene Rechenzentrum. Bezahlt wird trotzdem nach Volumen, und die Modelle sind Generalisten für Dutzende Sprachen, keine Spezialisten für die Feinheiten deutscher Texte.

• Open-Source-Frameworks wie Microsoft Presidio. Kostenlos und flexibel, aber ein Baukasten, den man selbst bestücken muss. Die Erkennung hängt an generischen Sprachkomponenten, und auf Deutsch fällt sie steil ab: Auf deutschen Gerichtsentscheidungen erreicht Presidio in unserer Messung 12,1 F1, InnoGE/deckname 94,5.

• Offene PII-Spezialmodelle. Kleine Erkennungsmodelle wie die GLiNER-Familie oder Piiranha gelten als moderne Antwort auf Presidio. In unserer Messung fallen sie auf deutschen Texten alle durch: Das beste erreicht 54,5 F1 auf Nachrichtentexten, und Piiranha, oft als stärkstes mehrsprachiges Modell empfohlen, übersieht auf deutschen Rechtstexten über 90 Prozent der personenbezogenen Zeichen.

• Prompt-basierte Sprachmodelle. Die großen Frontier-Modelle kommen der Qualität am nächsten, deshalb haben wir sie am gründlichsten vermessen. Doch sie antworten in Sekunden statt Millisekunden, kosten bei jedem Dokument Tokens, und vor allem müssen sie die Rohdaten im Klartext sehen. Wer sein Anonymisierungsproblem an eine Cloud-KI delegiert, hat es nicht gelöst, sondern verschoben.

Fünf Lager, ein gemeinsamer blinder Fleck: Ein spezialisiertes Modell, das Deutsch wirklich beherrscht, Englisch gleich mit, vollständig on-premises läuft und sich an öffentlichen Benchmarks messen lässt, gab es nicht. Für Unternehmen, die digitale Souveränität ernst nehmen, war das die eigentliche Lücke. Heute schließen wir sie.

So funktioniert InnoGE/deckname

InnoGE/deckname ist kein Chatbot und kein weiteres Allzweckmodell. Wir haben es für eine einzige, scharf umrissene Aufgabe trainiert: personenbezogene Daten erkennen und durch Platzhalter oder Pseudonyme ersetzen. Deutsch und Englisch laufen durch dasselbe Modell, trainiert auf beiden Sprachen gemeinsam. Im Einsatz läuft es als Container in Ihrem Netz, hinter Ihrer Firewall, auf gewöhnlicher Server-Hardware.

Zwei Schichten, zwei Arten von Daten

Personenbezogene Daten sind unterschiedlich schwer zu finden. Eine IBAN folgt einem festen Aufbau, ein Nachname nicht. Deshalb behandelt InnoGE/deckname beides getrennt:

• Die Regelschicht findet strukturierte Angaben wie IBANs, Steuer-IDs, Karten- und Telefonnummern. Jeder Treffer wird über seine Prüfsumme nachgerechnet. Eine Zahlenreihe, die nur aussieht wie eine IBAN, wird nicht ersetzt, und das hält die Zahl der Fehlalarme niedrig.

• Das trainierte Modell erkennt alles, was Kontext braucht: Personennamen, Adressen, Organisationen. Ob „Berger" ein Nachname, ein Ortsteil oder ein Bergsteiger ist, verrät nur der Zusammenhang. Genau darauf ist das Modell trainiert, und auf nichts anderes.

Erst zusammen ergibt das ein belastbares System. Regeln übersehen alles Unstrukturierte, und ein Modell allein verschenkt bei formatierten Daten die Eindeutigkeit, die eine Prüfsumme bietet. Beide Schichten gemeinsam decken ab, was in echten Dokumenten tatsächlich vorkommt.

Was die Messungen zeigen

Wer sein Modell das weltweit beste nennt, muss das belegen. Wir haben den Vergleich deshalb gesucht, mit den stärksten Systemen, die es gibt:

Auf öffentlichen deutschen Benchmark-Korpora aus Nachrichten- und Rechtstexten erkennt InnoGE/deckname (v1) personenbezogene Daten zuverlässiger als prompt-basierte Frontier-Modelle, gemessen im Juli 2026 gegen GPT-5.6, Claude Opus 5 und Claude Fable 5. Dabei antwortet es in Millisekunden statt in Sekunden, kostet einen Bruchteil und verarbeitet alles im eigenen Netz.

Gegenüber Microsoft Presidio, dem verbreitetsten Open-Source-Werkzeug, ist der Abstand noch größer: Auf denselben Korpora lässt Presidio 4,5- bis 16-mal mehr personenbezogene Zeichen durch. Auch die offenen PII-Spezialmodelle, darunter Piiranha und zwei GLiNER-Varianten, bleiben weit zurück, obwohl wir ihre Entitätstypen bewusst wohlwollend auf unsere abgebildet haben. Das beste von ihnen liegt auf Nachrichtentexten 32 F1-Punkte hinter InnoGE/deckname, auf Rechtstexten 73. Und wo einzelne dieser Modelle mit niedrigen Leak-Raten glänzen, erkaufen sie das durch Überschwärzen: Auf Gerichtsentscheidungen markieren sie Gerichtsnamen und Aktenzeichen fast wahllos, und der Text verliert seinen Nutzen.

Der grundsätzliche Punkt kommt dazu: Ein Cloud-Modell, das als Anonymisierer arbeiten soll, bekommt zwangsläufig die ungeschützten Rohdaten zu sehen. InnoGE/deckname braucht diesen Kompromiss nicht, weil es dort läuft, wo die Daten ohnehin liegen.

Warum wir zusätzlich an echten Daten messen

Öffentliche Benchmarks sind sauber kuratiert und dadurch ein wenig zu freundlich. Echte Geschäftstexte sehen anders aus: abgebrochene Sätze, halbe Adressen, Namen an Stellen, an denen niemand sie erwartet, Formatierung, die über Jahre gewachsen ist. Für Training und Evaluation von InnoGE/deckname haben wir deshalb einen eigenen Datensatz aus echten deutschen Geschäftstexten aufgebaut, mit einem von Menschen geprüften Goldstandard. Jede Modellversion muss sich daran beweisen, nicht nur an den öffentlichen Korpora.

Wofür Unternehmen InnoGE/deckname einsetzen

InnoGE/deckname ersetzt keines Ihrer Werkzeuge. Es sitzt davor und macht Wege frei, die bisher aus gutem Grund versperrt waren. Vier davon begegnen uns besonders häufig.

Als Schleuse vor Cloud-Sprachmodellen

Der wichtigste Einsatz ist zugleich der einfachste. InnoGE/deckname sitzt zwischen Ihren Systemen und dem Sprachmodell Ihrer Wahl. Jeder Text wird bereinigt, bevor er ChatGPT, Claude oder ein anderes Modell erreicht, und über die Platzhalter-Zuordnung beziehen Sie die Antwort anschließend wieder auf die Originaldaten. Weil die Schnittstelle OpenAI-kompatibel ist, genügt dafür im Code oft ein geänderter Endpunkt. Aus stillschweigend geduldeter KI-Nutzung wird ein offizieller, dokumentierter Prozess.

Kundenservice und Postfächer

In Support-Postfächern steckt enormes Automatisierungspotenzial, doch jede einzelne E-Mail enthält Namen, Anschriften und Vertragsnummern. Mit InnoGE/deckname davor lassen sich Anfragen automatisch klassifizieren, zusammenfassen und weiterleiten, ohne dass Kundendaten das Haus verlassen. Das funktioniert auch rückwirkend, denn ein bestehendes Postfach lässt sich in einem Durchlauf bereinigen und danach auswerten.

Recht und Compliance

Verträge, Akten und Schriftsätze gehören zu den sensibelsten Textbeständen eines Unternehmens. In bereinigter Form lassen sie sich durchsuchen, zusammenfassen und vergleichen, auch mit Werkzeugen, die dafür bisher nicht infrage kamen. Der Audit-Report dokumentiert dabei jeden einzelnen Verarbeitungsschritt.

Daten für Analysen und eigenes Training

Wer historische Bestände für Auswertungen, Berichte oder das Training eigener Modelle nutzen will, braucht sie ohne Personenbezug. InnoGE/deckname macht solche Bestände nutzbar, ohne ihren Informationsgehalt zu zerstören. Struktur und Zusammenhang der Texte bleiben erhalten, nur die Identitäten verschwinden.

Integration und Betrieb: ein Container, eine API, Minuten bis zum Start

Ein Werkzeug, das vor allen anderen Systemen sitzt, darf weder Nadelöhr noch Großprojekt sein. InnoGE/deckname kommt deshalb als einzelner Docker-Container von rund einem Gigabyte. Ein Befehl startet ihn auf der Server-Hardware, die Sie ohnehin betreiben; 2 bis 4 CPU-Kerne und 3 GB Arbeitsspeicher genügen, und wenige Minuten später beantwortet das System die erste Anfrage. Auch der Betrieb ganz ohne Internetverbindung ist vorgesehen.

Die Schnittstelle ist OpenAI-kompatibel. Anwendungen, die heute mit einem Cloud-Sprachmodell sprechen, sprechen morgen mit InnoGE/deckname, im Code ändert sich kaum mehr als die Adresse.

Eigene Server sind dabei keine Pflicht. Wer das Modell nutzen will, ohne es selbst zu betreiben, bekommt es aus unserer eigenen KI-Infrastruktur: auf europäischen Servern eines deutschen Anbieters, ohne jede Verbindung zu US-Clouds, betrieben von dem Team, das das Modell trainiert hat.

Bestehende Bestände laufen so in einem Rutsch durch, statt tröpfchenweise durch eine bezahlte API. Und der Schritt passt auch in Pipelines, in denen eine Sekunde zusätzliche Latenz pro Dokument nicht vertretbar wäre. Wie sich so ein Betrieb architektonisch einordnet, beschreibt unser Beitrag zu On-Premise vs. Cloud ausführlicher.

Was InnoGE/deckname leistet, und was es nicht verspricht

Bei diesem Thema fallen im Markt gern große Worte. Wir verzichten bewusst darauf. Begriffe wie „anonym" haben im Datenschutzrecht eine präzise Bedeutung, und ein Versprechen, das ein Werkzeug nicht halten kann, schadet Ihnen im Ernstfall mehr, als es vorher genützt hat.

InnoGE/deckname erkennt und ersetzt personenbezogene Daten. Damit unterstützt es Ihre Anonymisierungs- und Pseudonymisierungsprozesse und lässt sich als technische und organisatorische Maßnahme nach Art. 25 und Art. 32 DSGVO in Ihr Datenschutzkonzept einordnen.

Ob ein Ergebnis im rechtlichen Sinne anonym oder pseudonym ist, hängt vom Kontext ab: von der Restinformation im Text, vom Zusatzwissen der empfangenden Stelle, vom Zweck der Verarbeitung. Diese Bewertung trifft Ihre Datenschutzorganisation, und kein Werkzeug kann sie ihr abnehmen. InnoGE/deckname liefert dafür die technische Grundlage, nämlich einen nachvollziehbaren, wiederholbaren und dokumentierten Verarbeitungsschritt, der dort läuft, wo Ihre Daten liegen.

Fazit

Der Konflikt zwischen dem Wunsch, moderne KI-Werkzeuge zu nutzen, und der Pflicht, personenbezogene Daten zu schützen, löst sich nicht durch Abwarten. Er löst sich an der Stelle, an der Texte das Unternehmen verlassen. Genau für diese Stelle haben wir InnoGE/deckname trainiert.

Das Ergebnis ist ein Modell, das auf öffentlichen deutschen Benchmarks jedes System schlägt, gegen das es angetreten ist, und dabei als erstes seiner Klasse vollständig in der eigenen Infrastruktur läuft. Es arbeitet in Millisekunden auf normalen CPUs, kostet nichts pro Anfrage, lässt keine Daten abfließen und belegt jede Ersetzung in einem Audit-Report. Sie können es lizenzieren und selbst betreiben, es in unserer KI-Infrastruktur nutzen oder von uns zur fertigen Lösung ausbauen lassen.

Am meisten überzeugt InnoGE/deckname aber nicht in unserem Text, sondern an Ihrem: Beispiel einfügen, Ergebnis ansehen, selbst urteilen.

FAQ: InnoGE/deckname und Textanonymisierung