Texte anonymisieren, bevor sie an ein Sprachmodell gehen: Methoden, Tools und DSGVO im Überblick
Wer Texte mit personenbezogenen Daten von ChatGPT, Claude oder einem anderen Sprachmodell verarbeiten lassen will, sollte Namen, Adressen und Kontonummern vorher durch Platzhalter ersetzen, und zwar dort, wo die Daten ohnehin liegen. Der Text bleibt dabei lesbar, das Modell kann damit arbeiten, und die Identität dahinter verlässt das Unternehmen nicht.
Dieser Leitfaden erklärt den Unterschied zwischen Anonymisierung und Pseudonymisierung, vergleicht die fünf gängigen Werkzeugklassen und zeigt, worauf es bei der Auswahl für deutsche Texte ankommt. Er ersetzt keine Rechtsberatung: Ob ein Ergebnis im rechtlichen Sinne anonym ist, bewertet Ihre Datenschutzorganisation.
Das Thema kurz und kompakt
Vorher ersetzen, nicht hinterher hoffen: Sobald ein Text mit Namen oder Kontonummern bei einem externen Sprachmodell liegt, hat ein Dritter die Daten. Die Bereinigung gehört deshalb vor den Versand.
Pseudonymisieren ist meist der praktische Weg: Platzhalter wie [PERSON_1] erhalten den Zusammenhang, die Zuordnung zu den Originalwerten bleibt lokal. Rechtlich bleibt das Ergebnis dabei personenbezogen, solange die Zuordnung existiert.
Die Wahl des Werkzeugs entscheidet über die Qualität: Die Erkennung auf deutschen Texten unterscheidet sich zwischen den Werkzeugklassen deutlich. Eine Messung mit eigenen Daten ist Pflicht, bevor man sich verlässt.
Warum Texte vor der KI-Nutzung bereinigt werden sollten
Wer personenbezogene Daten in ein externes Sprachmodell eingibt, gibt sie an einen Dritten weiter. Das ist nach der DSGVO nur mit Rechtsgrundlage zulässig, und je nach Anbieter kommen ein Auftragsverarbeitungsvertrag (Art. 28 DSGVO) und die Prüfung einer Übermittlung in Drittländer hinzu. In der Praxis scheitern KI-Projekte oft genau hier: Der erste Blick in die Dokumente zeigt Namen, Geburtsdaten, IBANs und Kundennummern, und im Gespräch mit dem Datenschutzbeauftragten ist das Vorhaben beendet.
Eine technische Lösung ist, die Daten zu ersetzen, bevor sie das Haus verlassen. Das passt zu den Grundsätzen der DSGVO: Datenschutz durch Technikgestaltung (Art. 25) und geeignete technische und organisatorische Maßnahmen (Art. 32). Wie wir das bei InnoGE einordnen, steht auf der Seite KI und Datenschutz.
Anonymisierung und Pseudonymisierung: der Unterschied
Anonymisierte Daten haben keinen Personenbezug mehr, pseudonymisierte Daten sind weiterhin personenbezogen. Das ergibt sich aus Art. 4 Nr. 5 DSGVO und Erwägungsgrund 26: Pseudonymisierung bedeutet, dass Daten ohne zusätzliche Informationen nicht mehr einer Person zugeordnet werden können, die Zusatzinformationen aber getrennt aufbewahrt werden. Solange diese Zuordnung existiert, bleibt die DSGVO anwendbar.
Anonymisierung und Pseudonymisierung im Vergleich
| Merkmal | Anonymisierung | Pseudonymisierung |
|---|---|---|
| Personenbezug | Nicht mehr herstellbar | Mit Zusatzinformationen herstellbar |
| DSGVO anwendbar | Nein, wenn die Anonymisierung wirksam ist | Ja |
| Rückführung auf die Person | Nicht möglich | Möglich, über eine getrennt gespeicherte Zuordnung |
| Typischer Einsatz | Statistik, Auswertungen, Training von Modellen | Verarbeitung durch externe Dienste, danach lokale Wiedereinsetzung der Originalwerte |
| Hürde in der Praxis | Restinformationen im Text können Personen weiterhin identifizieren | Die Zuordnung muss sicher getrennt und geschützt bleiben |
Personenbezug
- Anonymisierung
- Nicht mehr herstellbar
- Pseudonymisierung
- Mit Zusatzinformationen herstellbar
DSGVO anwendbar
- Anonymisierung
- Nein, wenn die Anonymisierung wirksam ist
- Pseudonymisierung
- Ja
Rückführung auf die Person
- Anonymisierung
- Nicht möglich
- Pseudonymisierung
- Möglich, über eine getrennt gespeicherte Zuordnung
Typischer Einsatz
- Anonymisierung
- Statistik, Auswertungen, Training von Modellen
- Pseudonymisierung
- Verarbeitung durch externe Dienste, danach lokale Wiedereinsetzung der Originalwerte
Hürde in der Praxis
- Anonymisierung
- Restinformationen im Text können Personen weiterhin identifizieren
- Pseudonymisierung
- Die Zuordnung muss sicher getrennt und geschützt bleiben
Welche Kategorie bei einem konkreten Text vorliegt, hängt vom Kontext ab: von der Restinformation im Text, vom Zusatzwissen der empfangenden Stelle und vom Zweck der Verarbeitung. Diese Bewertung kann kein Werkzeug übernehmen.
Fünf Werkzeugklassen im Vergleich
Wer Texte vor der KI-Nutzung bereinigen will, findet fünf Lager. Die Tabelle fasst Stärken und Grenzen zusammen. Die Angaben zur Erkennungsqualität stammen aus den Messungen, die wir im Juli 2026 auf öffentlichen deutschen Korpora durchgeführt haben, Details stehen im Launch-Artikel zu InnoGE/deckname. Benchmarks sind Ausschnitte, deshalb gilt: Mit eigenen Daten nachmessen.
Werkzeugklassen für die Textanonymisierung
| Werkzeugklasse | Beispiele | Stärken | Grenzen |
|---|---|---|---|
| Cloud-Dienste der Hyperscaler | AWS, Microsoft, Google | Viele Entitätstypen, einfache Anbindung als API | Der Text muss in deren Cloud. Die Sprachabdeckung für Deutsch ist je nach Dienst eingeschränkt, bitte aktuell prüfen. |
| Open-Source-Frameworks | Microsoft Presidio | Kostenlos, flexibel, selbst betreibbar | Ein Baukasten, der bestückt werden muss. In unserer Messung 12,1 F1 auf deutschen Rechtstexten. |
| Offene Spezialmodelle | GLiNER-Varianten, Piiranha | Klein und modern, selbst betreibbar | Auf deutschen Texten in unserer Messung schwach: das beste Modell 54,5 F1 auf Nachrichtentexten. |
| Prompt-basierte Sprachmodelle | GPT, Claude | Flexibel, gute Erkennung | Das Modell sieht die Rohdaten im Klartext, Antworten in Sekunden, Kosten pro Dokument. |
| Spezialisiertes On-Premises-Modell | InnoGE/deckname | Deutsch und Englisch, läuft im eigenen Netz auf normalen CPUs, Audit-Report, keine Kosten pro Anfrage | Version 1, Messwerte stammen von InnoGE selbst, auf Deutsch und Englisch beschränkt. Die rechtliche Bewertung bleibt beim Anwender. |
Cloud-Dienste der Hyperscaler
- Beispiele
- AWS, Microsoft, Google
- Stärken
- Viele Entitätstypen, einfache Anbindung als API
- Grenzen
- Der Text muss in deren Cloud. Die Sprachabdeckung für Deutsch ist je nach Dienst eingeschränkt, bitte aktuell prüfen.
Open-Source-Frameworks
- Beispiele
- Microsoft Presidio
- Stärken
- Kostenlos, flexibel, selbst betreibbar
- Grenzen
- Ein Baukasten, der bestückt werden muss. In unserer Messung 12,1 F1 auf deutschen Rechtstexten.
Offene Spezialmodelle
- Beispiele
- GLiNER-Varianten, Piiranha
- Stärken
- Klein und modern, selbst betreibbar
- Grenzen
- Auf deutschen Texten in unserer Messung schwach: das beste Modell 54,5 F1 auf Nachrichtentexten.
Prompt-basierte Sprachmodelle
- Beispiele
- GPT, Claude
- Stärken
- Flexibel, gute Erkennung
- Grenzen
- Das Modell sieht die Rohdaten im Klartext, Antworten in Sekunden, Kosten pro Dokument.
Spezialisiertes On-Premises-Modell
- Beispiele
- InnoGE/deckname
- Stärken
- Deutsch und Englisch, läuft im eigenen Netz auf normalen CPUs, Audit-Report, keine Kosten pro Anfrage
- Grenzen
- Version 1, Messwerte stammen von InnoGE selbst, auf Deutsch und Englisch beschränkt. Die rechtliche Bewertung bleibt beim Anwender.
94,5 F1
InnoGE/deckname auf deutschen Rechtstexten (LER), Messung Juli 2026
12,1 F1
Microsoft Presidio auf denselben Rechtstexten, Messung Juli 2026
4,5- bis 16-fach
niedrigere PII-Leak-Rate von InnoGE/deckname gegenüber Presidio
2–4 CPU-Kerne
genügen für den Betrieb, eine GPU ist nicht nötig
Experten-Tipp von InnoGE: „Wer ein Cloud-Modell bittet, personenbezogene Daten zu entfernen, schickt ihm dafür zuerst die Rohdaten. Entscheidend ist nicht das Prompt, sondern der Ort der Verarbeitung."
Tim Geisendörfer
Founder & CEO
So sieht ein sauberer Ablauf aus
Ein sauberer Ablauf trennt Bereinigung, Verarbeitung und Wiedereinsetzung. Die Platzhalter bleiben im ganzen Text konsistent, sodass ein nachgelagertes Sprachmodell weiter damit arbeiten kann.
Lokal bereinigen: Ein Werkzeug im eigenen Netz erkennt personenbezogene Daten und ersetzt sie durch Platzhalter.
Bereinigten Text verarbeiten: Das Sprachmodell, extern oder intern, erhält nur den bereinigten Text.
Antwort lokal zuordnen: Mit der Zuordnung, die im eigenen Netz bleibt, werden die Originalwerte wieder eingesetzt.
Protokollieren: Jede Ersetzung wird festgehalten, damit der Vorgang gegenüber Aufsicht und Audit belegbar ist.
Beispiel: eine fiktive Kundenmail vor und nach der Bereinigung
| Original | Nach der Bereinigung |
|---|---|
| Sehr geehrte Damen und Herren, mein Name ist Katrin Brandmeier, meine Kundennummer lautet KD-448 271. Bitte buchen Sie den Beitrag künftig von meinem neuen Konto ab: DE89 3704 0044 0532 0130 00. Mit freundlichen Grüßen Katrin Brandmeier |
Sehr geehrte Damen und Herren, mein Name ist [PERSON_1], meine Kundennummer lautet [ID_1]. Bitte buchen Sie den Beitrag künftig von meinem neuen Konto ab: [IBAN_1]. Mit freundlichen Grüßen [PERSON_1] |
Sehr geehrte Damen und Herren,
mein Name ist Katrin Brandmeier, meine Kundennummer lautet KD-448 271. Bitte buchen Sie den Beitrag künftig von meinem neuen Konto ab: DE89 3704 0044 0532 0130 00.
Mit freundlichen Grüßen
Katrin Brandmeier
- Nach der Bereinigung
- Sehr geehrte Damen und Herren,
mein Name ist [PERSON_1], meine Kundennummer lautet [ID_1]. Bitte buchen Sie den Beitrag künftig von meinem neuen Konto ab: [IBAN_1].
Mit freundlichen Grüßen
[PERSON_1]
Alle Angaben im Beispiel sind frei erfunden.
Worauf es bei der Auswahl ankommt
Fünf Fragen helfen, Werkzeuge zu vergleichen, bevor man sich entscheidet:
-
Wo wird der Text verarbeitet?
Läuft die Erkennung im eigenen Netz, oder muss der Rohtext zuerst zu einem Dritten? Das entscheidet, ob das Datenschutzproblem gelöst oder nur verschoben ist.
-
Wie gut ist die Erkennung auf Deutsch?
Viele Werkzeuge sind auf Englisch entwickelt. Deutsche Namen, Adressen und Rechtstexte stellen andere Anforderungen.
-
Wurde mit eigenen Daten gemessen?
Öffentliche Benchmarks sind sauber kuratiert, echte Geschäftstexte sind es nicht. Ein Test mit einer Stichprobe aus dem eigenen Bestand ist unverzichtbar.
-
Ist jede Ersetzung nachvollziehbar?
Ein Protokoll, das festhält, was wo ersetzt wurde, macht den Prozess gegenüber Aufsicht und Audit belegbar.
-
Wie sind Kosten und Betrieb geregelt?
Abrechnung pro Anfrage oder pauschal, Betrieb im eigenen Rechenzentrum oder durch den Anbieter, Anforderungen an die Hardware.
Experten-Tipp von InnoGE: „Ein Werkzeug zur Anonymisierung ersetzt keinen Datenschutzprozess. Es macht ihn möglich, weil es das Risiko senkt und jeden Schritt dokumentierbar macht. Die rechtliche Bewertung bleibt bei Ihrer Datenschutzorganisation."
Tim Geisendörfer
Founder & CEO
Machen Sie die Probe mit eigenem Text
In der Browser-Demo bereinigt InnoGE/deckname bis zu 2.000 Zeichen sofort und ohne Anmeldung. Ganze Dokumente testen Sie 14 Tage kostenlos.
FAQ – Textanonymisierung vor der KI-Nutzung
Nur, wenn eine Rechtsgrundlage vorliegt und die Rahmenbedingungen geklärt sind, etwa ein Auftragsverarbeitungsvertrag und die Prüfung einer Übermittlung in Drittländer. In vielen Fällen ist es einfacher und sicherer, personenbezogene Daten vorher zu ersetzen. Die Bewertung im Einzelfall trifft Ihre Datenschutzorganisation.
Anonymisierte Daten haben keinen Personenbezug mehr. Pseudonymisierte Daten lassen sich mit Zusatzinformationen wieder einer Person zuordnen und bleiben deshalb personenbezogene Daten im Sinne der DSGVO.
Meist nicht. Neben Namen identifizieren auch Adressen, Kontonummern, Kundennummern und Kombinationen aus Angaben eine Person. Ein schwarzer Balken nimmt dem Text zudem den Zusammenhang, den ein Sprachmodell braucht. Platzhalter nach Typ erhalten die Lesbarkeit.
Es gibt Cloud-Dienste der Hyperscaler, Open-Source-Frameworks wie Microsoft Presidio, offene Spezialmodelle, prompt-basierte Sprachmodelle und spezialisierte Modelle wie InnoGE/deckname. Die Erkennung auf deutschen Texten unterscheidet sich deutlich, ein Test mit eigenen Daten ist deshalb sinnvoll.
Technisch ja, aber es muss dafür zuerst den unbereinigten Text sehen. Die Rohdaten liegen damit bereits bei einem Dritten, genau das soll die Anonymisierung verhindern.
In der Browser-Demo auf der Deckname-Seite bis 2.000 Zeichen ohne Anmeldung, ganze Dokumente im kostenlosen Test über die Landingpage. Preise und Betriebsmodelle stehen unter Kosten und Preise.
