Vor der Frage an eine KI anonymisieren oder pseudonymisieren
Ein Code statt eines Namens macht Daten nicht anonym. Was CNIL, ANSSI und das britische NCSC sagen, bevor Sie einen Text in eine KI einfügen.
Auf dieser Seite
In 30 Sekunden
- Wo es vorkommt
- Wenn man ein Dokument, manchmal ein sehr langes, in das Eingabefeld eines KI-Werkzeugs kopiert, um eine Antwort zu seinem Inhalt zu erhalten[3].
- Was auf dem Spiel steht
- Die Anfrage ist für die Organisation sichtbar, die das Werkzeug bereitstellt, sie wird gespeichert und so gut wie sicher zur Entwicklung des Dienstes oder des Modells verwendet[3].
Worum es geht
Einen Namen durch einen Code zu ersetzen, bevor man einen Text in ein KI-Werkzeug einfügt, vermittelt den Eindruck, die Person zu schützen. Für die CNIL ist dieser Schritt eine Pseudonymisierung, und pseudonymisierte Daten behalten ihren Personenbezug[1].
Der Schwachpunkt ist der Abgleich mit anderen Daten. Auch ohne Namen können Daten Dritter oder seltene Werte (ein Alter, eine Adresse) genügen, um jemanden wiederzufinden[1]. Die europäischen Datenschutzbehörden haben drei Kriterien festgelegt, um zu beurteilen, ob ein Datensatz wirklich anonym ist[1][2].
Direkte Fragen
Worin besteht der Unterschied zwischen Anonymisieren und Pseudonymisieren?
Die Anonymisierung macht es praktisch unmöglich, die Person mit irgendeinem Mittel zu identifizieren, und zwar unumkehrbar[1]. Die Pseudonymisierung ersetzt direkt identifizierende Daten (Name, Vorname) durch indirekt identifizierende Daten, etwa einen Alias oder eine fortlaufende Nummer[1].
Dieser Vorgang ist umkehrbar. Oft lässt sich die Identität der Personen über Daten Dritter wiederfinden, sodass die betroffenen Daten personenbezogen bleiben[1]. Die Gruppe G29, in der die europäischen Datenschutzbehörden zusammenarbeiten, erinnert daran, dass pseudonymisierte Daten keine anonymen Daten sind[2].
Ist der Text anonym, wenn ich einen Namen durch eine Nummer ersetze?
Nein. Die CNIL nennt als Beispiel eine Lebenslaufdatenbank, in der nur Name und Vornamen durch eine Nummer ersetzt wurden, die nur einer Person entspricht: Diese Datenbank erlaubt es, die Person herauszugreifen, sie ist also pseudonymisiert und nicht anonymisiert[1].
Welche drei Kriterien hat die G29?
Mit ihnen wird geprüft, ob ein Datensatz anonym ist[1][2]:
- Die Individualisierung: Lässt sich in den Daten eine einzelne Person herausgreifen?[1][2]
- Die Korrelation: Lassen sich getrennte Datensätze zu derselben Person miteinander verknüpfen?[1][2]
- Die Inferenz: Lassen sich Informationen über eine Person ableiten?[2] Die CNIL präzisiert: nahezu sicher[1].
Ein Datensatz, der weder Individualisierung noch Korrelation noch Inferenz erlaubt, ist a priori anonym. Wird auch nur eines dieser Kriterien nicht erfüllt, kann er erst nach einer detaillierten Analyse der Risiken einer Re-Identifizierung als anonym gelten[2].
Genügt es, ein paar Felder zu löschen?
Auch das nicht. Die CNIL rät, die direkt identifizierenden Elemente zu löschen, aber auch seltene Werte, die eine leichte Re-Identifizierung ermöglichen würden. Sie nennt das Alter, mit dem sich Hundertjährige sehr leicht wiederfinden lassen[1].
Behält das KI-Werkzeug, was ich ihm schreibe?
Das britische NCSC gab 2023 an, ein KI-Modell füge die Anfragen der Nutzenden nicht automatisch seinem Modell hinzu, die Anfragen seien aber für den Anbieter sichtbar und würden gespeichert[3]. Die ANSSI hält fest, dass bei den meisten Diensten die gesendeten Daten vom Anbieter gesammelt und genutzt werden, um die Modelle zu optimieren[4].
Wie es funktioniert
Die CNIL teilt die Anonymisierungstechniken in zwei Familien ein[1]. Die Randomisierung verändert Attribute so, dass sie weniger präzise werden, und erhält dabei die Gesamtverteilung; sie schützt vor Inferenz, und die CNIL nennt das Vertauschen von Geburtsdaten[1]. Die Generalisierung ändert die Größenordnung der Attribute, sodass sie einer Gruppe von Personen gemeinsam sind; sie verhindert die Individualisierung und begrenzt Korrelationen, zum Beispiel indem ein Geburtsdatum nur durch das Jahr ersetzt wird[1].
Die Prüfliste der CNIL für Entwickler von KI-Systemen geht in dieselbe Richtung: Sie empfiehlt, weniger eingreifende Formate zu bevorzugen, zum Beispiel eine Altersgruppe statt eines vollständigen Geburtsdatums[5].
Die ENISA hat der Pseudonymisierung zwei Berichte gewidmet: Der erste, im Januar 2019 veröffentlicht, untersucht das Konzept und verschiedene Techniken[6]; der zweite, vom Januar 2021, behandelt fortgeschrittene Lösungen für komplexere Szenarien[7].
Was Sie tun
- Fügen Sie nur das Nötige ein. Die ANSSI fordert vorsorglich, in Anfragen an einen generativen Online-KI-Dienst nie sensible Daten der Einrichtung aufzunehmen[4]. Zu diesen Daten zählt sie persönliche Informationen (Kontaktdaten, private Informationen), vertragliche, rechtliche und finanzielle Daten sowie IT-Geheimnisse wie Passwörter oder API-Schlüssel[4].
- Entfernen Sie Details, die sich abgleichen lassen: seltene Werte, genaues Alter, vollständiges Geburtsdatum[1][5]. Ein durch einen Code ersetzter Name genügt nicht[1].
- Senden Sie an ein öffentliches Werkzeug keine Anfrage, die ein Problem darstellen würde, wenn sie öffentlich würde. Das ist die Empfehlung des NCSC[3].
- Bei sensiblen Daten schließt die ANSSI öffentliche Werkzeuge wie ChatGPT, Gemini, Copilot, DeepL oder Perplexity aus[4]. Das NCSC weist darauf hin, dass es private Modelle gibt, die ein Cloud-Anbieter bereitstellt oder die intern betrieben werden, dass man bei einem Cloud-Modell aber die Nutzungsbedingungen und die Datenschutzrichtlinie verstehen muss[3].
Die Fallstricke
- Der Code, der den Namen ersetzt: Er individualisiert die Person, statt sie zu schützen[1].
- Der Abgleich mit anderen Daten. Eine Adressdatenbank kann nicht als anonym gelten, wenn andere Datenbanken dieselben Adressen mit identifizierenden Daten enthalten[1]. Die ANSSI nennt unter den Angriffen auf anonymisierte Daten auch die Re-Identifizierung durch Abgleich mit anderen Datensätzen[4].
- Die Inferenz. Im Beispiel der CNIL zeigt ein Datensatz zu Steuern, dass alle antwortenden Männer von 20 bis 25 Jahren nicht steuerpflichtig sind: Weiß man, dass Herr X, 24 Jahre alt, geantwortet hat, schließt man daraus, dass er nicht steuerpflichtig ist[1].
- Die Sensibilität, die sich aus der fragenden Person ergibt. Das NCSC nennt den Fall einer Führungskraft, die fragen würde, wie sich eine Person aus der Belegschaft entlassen lässt, und erinnert daran, dass sich Informationen von einer Anfrage zur nächsten unter derselben Kennung ansammeln[3].
- Die Lecks. Gespeicherte Anfragen können gehackt, weitergegeben oder versehentlich veröffentlicht werden, und der Betreiber des Werkzeugs kann von einer Organisation übernommen werden, deren Umgang mit der Privatsphäre ein anderer ist[3].
- Die Anonymität, die sich abnutzt. Anonymisierungs- und Re-Identifizierungstechniken entwickeln sich weiter, was von jedem, der behauptet, anonymisiert zu haben, eine regelmäßige Beobachtung verlangt[1][2].
Quellen
- CNIL, „L’anonymisation de données personnelles“, 19. Mai 2020. https://www.cnil.fr/fr/technologies/lanonymisation-de-donnees-personnelles (abgerufen am 14. November 2026)
- CNIL, „Le G29 publie un avis sur les techniques d’anonymisation“, 25. Januar 2016. https://www.cnil.fr/fr/le-g29-publie-un-avis-sur-les-techniques-danonymisation (abgerufen am 14. November 2026)
- NCSC (Royaume-Uni), „ChatGPT and large language models: what's the risk?“, 14. März 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (abgerufen am 14. November 2026)
- ANSSI, „Security recommendations for a generative AI system“, 29. April 2024. https://messervices.cyber.gouv.fr/documents-guides/security_recommandations_for_a_generative_ai_system.pdf (abgerufen am 14. November 2026)
- CNIL, „Développement des systèmes d'IA : Que faut-il vérifier ?“. https://www.cnil.fr/sites/default/files/2025-07/ia_liste_de_verification.pdf (abgerufen am 14. November 2026)
- ENISA, „Recommendations on shaping technology according to GDPR provisions - An overview on data pseudonymisation“, 28. Januar 2019. https://www.enisa.europa.eu/publications/recommendations-on-shaping-technology-according-to-gdpr-provisions (abgerufen am 14. November 2026)
- ENISA, „Data Pseudonymisation: Advanced Techniques and Use Cases“, 28. Januar 2021. https://www.enisa.europa.eu/publications/data-pseudonymisation-advanced-techniques-and-use-cases (abgerufen am 14. November 2026)
Diesen Artikel zitieren
Brain, „Vor der Frage an eine KI anonymisieren oder pseudonymisieren“, Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp308_de_2026,
author = {Brain},
title = {Vor der Frage an eine KI anonymisieren oder pseudonymisieren},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/de/articles/anonymisieren-pseudonymisieren-ki-reidentifizierung/},
note = {CC BY 4.0}
}