Aggregate über besondere Datenkategorien
KI-Auswertungen über sensible Daten: Wann ein Aggregat wirklich anonym ist
Eine Summe ist keine Anonymisierung. Ob eine Zahl über besondere Kategorien personenbezogener Daten nach Art. 9 DSGVO etwas über eine einzelne Person aussagt, hängt nicht an ihrer Form, sondern an der Grundgesamtheit dahinter – hinter jeder ausgegebenen Zahl müssen genug Menschen stehen, sonst ist das Aggregat eine Einzelauskunft in Tabellenform. Nowl setzt diese Untergrenze pro Aggregatzelle durch: gruppiert als Bedingung im Abfrageplan, ungruppiert als Messung vor der Ausführung.
| Prüfschritt | Ergebnis |
|---|---|
| Grundgesamtheit | gemessen, unter der Mindestgröße |
| Hauptabfrage | nicht ausgeführt |
| Ausgegebene Zahl | keine, auch keine Ersatzangabe |
- Meldung
- Sie nennt weder das Merkmal noch die Kategorie noch die gemessene Zahl. Auf dem eigenen Weg nennt sie den Ausweg: die Verteilung statt der einzelnen Zelle.
- Protokoll
- Kategorie, gemessene Größe und Schwelle stehen im Protokoll. Dort gehören sie hin – in der Antwort wären sie die Auskunft, die verhindert werden soll.
Beispiel mit erfundenen Zahlen · keine Kundendaten
Das Problem
Eine Zahl ist nicht deshalb anonym, weil sie eine Zahl ist.
Der verbreitete Schluss lautet: Einzelwerte sind personenbezogen, Aggregate nicht – eine Auswertung ist also unbedenklich, sobald nur noch Anzahlen, Summen und Durchschnitte herauskommen. Für große Mengen trägt das. Für kleine nicht: Eine Anzahl über eine Person ist dieselbe Aussage wie der Wert dieser Person, nur anders geschrieben.
Erwägungsgrund 26 DSGVO setzt den Maßstab nicht bei der Form der Ausgabe an, sondern bei der Identifizierbarkeit. Zu berücksichtigen sind danach alle Mittel, die „nach allgemeinem Ermessen wahrscheinlich genutzt werden“, um eine Person zu bestimmen – und dazu gehört das Wissen, das der Fragende ohnehin mitbringt. Wer weiß, dass in einer Abteilung genau eine Person neu angefangen hat, braucht keinen Namen in der Antwort.
Bei besonderen Kategorien nach Art. 9 DSGVO – Gesundheit, Religion, Gewerkschaftszugehörigkeit, ethnische Herkunft, politische Meinung, Sexualleben, genetische und biometrische Daten – wiegt das schwerer, weil dort schon die Zugehörigkeit zu einer Zeilenmenge die Aussage trägt. Eine Tabelle, in der Gewerkschaftsmitglieder geführt werden, sagt über jede Zeile darin etwas nach Art. 9 aus, ohne dass eine einzelne Spalte einen sensiblen Wert enthalten müsste.
Der Prüfgegenstand ist nicht die Abfrageform, sondern die Grundgesamtheit hinter der ausgegebenen Zahl.
Das klingt nach einer Feinheit und ist der Unterschied zwischen einer wirksamen und einer umgehbaren Schranke. Eine Regel, die an der Gruppierung hängt, lässt sich mit einem Filter umgehen; eine Regel, die an der gezählten Menge hängt, nicht. Beide Sätze beschreiben dieselbe Absicht – nur der zweite ist überprüfbar. Das Beispiel darunter rechnet die Umgehung durch.
Der Angriff
Zwei erlaubte Abfragen, eine Differenz, eine Person.
Eine Personalabteilung wertet die Gewerkschaftszugehörigkeit ihrer Beschäftigten aus – ein Merkmal nach Art. 9 DSGVO. Eingestellt ist eine Mindestgruppengröße von fünf: Jede ausgegebene Zahl soll über mindestens fünf Personen gehen. Beide Abfragen unten erfüllen diese Bedingung. Ihre Differenz erfüllt sie nicht.
| Abfrage A | Abfrage B | Differenz | |
|---|---|---|---|
| Frage | Wie viele im Einkauf sind gewerkschaftlich organisiert? | Wie viele im Einkauf mit Eintritt vor 2026 sind gewerkschaftlich organisiert? | – |
| Grundgesamtheit | 24 Beschäftigte | 23 Beschäftigte | 1 Person |
| Ergebnis | 6 | 5 | 1 |
| Für sich betrachtet | unauffällig: 6 ≥ 5 | unauffällig: 5 ≥ 5 | – |
| Aussage | eine Kennzahl über 24 Menschen | eine Kennzahl über 23 Menschen | Die Person, die 2026 im Einkauf angefangen hat, ist gewerkschaftlich organisiert. |
Abfrage A
- Frage
- Wie viele im Einkauf sind gewerkschaftlich organisiert?
- Grundgesamtheit
- 24 Beschäftigte
- Ergebnis
- 6
- Für sich betrachtet
- unauffällig: 6 ≥ 5
- Aussage
- eine Kennzahl über 24 Menschen
Abfrage B
- Frage
- Wie viele im Einkauf mit Eintritt vor 2026 sind gewerkschaftlich organisiert?
- Grundgesamtheit
- 23 Beschäftigte
- Ergebnis
- 5
- Für sich betrachtet
- unauffällig: 5 ≥ 5
- Aussage
- eine Kennzahl über 23 Menschen
Differenz
- Frage
- –
- Grundgesamtheit
- 1 Person
- Ergebnis
- 1
- Für sich betrachtet
- –
- Aussage
- Die Person, die 2026 im Einkauf angefangen hat, ist gewerkschaftlich organisiert.
Synthetisches Beispiel, branchenneutral gewählt. Die Zahlen sind erfunden und stammen aus keinem realen System.
Was daran allgemein ist
Die Schwelle stand auf dem Ergebnis, nicht auf dem, was es verrät.
Keine der beiden Abfragen ist für sich zu beanstanden. Beide liefern eine Zahl über mehr als zwanzig Menschen, beide liegen über der Mindestgruppengröße, beide stünden in jedem Protokoll als unauffällige Kennzahlabfrage. Erst ihre Differenz ist eine Einzelauskunft – und die Differenz bildet nicht das System, sondern der Fragende, im Kopf oder in einer Tabellenkalkulation.
Das ist der klassische Differencing-Angriff auf Aggregatstatistiken: Zwei Mengen, die sich um genau eine Person unterscheiden, werden getrennt abgefragt. Er ist so alt wie statistische Datenbanken, und er ist der Grund, warum k-Anonymität in der Fachliteratur als Mindestbedingung gilt und nicht als Lösung.
Die zweite Form desselben Angriffs braucht nicht einmal zwei Abfragen. Es genügt ein Filter, der die Grundgesamtheit so weit einschränkt, dass „die eine Gruppe“ eine Person ist – und diese Form ist die gefährlichere, weil sie in einer einzigen, harmlos aussehenden Frage steckt.
Gruppiert und gefiltert sind zwei Wege zu derselben Zelle. Wer nur den ersten absichert, sichert nichts ab.
Das ist keine theoretische Überlegung. Genau diese Lücke gab es in Nowl: Der gruppierte Weg trug seinen Schutz automatisch als Bedingung im Abfrageplan, der ungruppierte trug ihn nicht. Aufgefallen ist sie in einem technischen Retest, geschlossen wurde sie mit dem Verfahren, das der nächste Abschnitt beschreibt. Der Befund wurde einmal belegt und bewusst nicht an einer weiteren echten Person wiederholt; die Regressionstests arbeiten seither mit synthetischen Beständen.
Die Regel, die jetzt gilt
Dieselbe Untergrenze, zwei Mittel – und genau eines greift.
Hinter jeder ausgegebenen Zahl auf einem Art.-9-Merkmal mit Personenbezug stehen mindestens k Entitäten, unabhängig davon, wie die Abfrage aussieht. Dass es dafür zwei Mittel braucht, liegt an einer Eigenschaft von SQL: Eine HAVING-Bedingung ohne Gruppierung liefert null Zeilen, und eine leere Antwort ist von „es gibt keine“ nicht zu unterscheiden.
Die Schutzschichten
Fünf Schichten, und jede schließt einen anderen Weg.
Beschrieben ist, was gebaut und durch Tests auf synthetischen Beständen abgesichert ist. Was fehlt, steht weiter unten unter „Grenzen“.
Freigabe statt Sperrliste
Abfragbar ist nur, was ein Mensch fachlich bestätigt hat und wozu eine Datenschutzaussage vorliegt. Beide Achsen müssen erfüllt sein: Eine bestätigte Bedeutung ohne Datenschutzanalyse gibt Zeilen heraus, die niemand darauf angesehen hat, und eine Einordnung an einem unbestätigten Feld schützt eine Spalte, von der niemand weiß, was in ihr steht. Ziel ist: Ein nie analysiertes Feld ist gesperrt und nicht erlaubt – die Freischaltung ist ein ausdrücklicher Vorgang je Element.
Gesperrt wird erst, wo beide Achsen zusammenkommen
Eine besondere Kategorie allein ist keine Auskunft über einen Menschen: Eine Schlüsseltabelle mit Krankheitsbezeichnungen führt keine Kranken. Gesperrt wird ein Abfrageplan erst, wenn er eine Art.-9-Kategorie mit Personenbezug verbindet. Das ist der Unterschied zu einer Prüfung am Spaltennamen, die beides gleich behandeln müsste – und dann die Liste der Krankheiten selbst unabfragbar macht.
k-Anonymität pro Aggregatzelle
Auf einem gesperrten Merkmal bleibt die reine Kennzahl erlaubt: Anzahl, Anzahl verschiedener Werte, Summe und Durchschnitt. Gruppiert ergänzt die Prüfschicht dafür automatisch eine Bedingung auf die Gruppengröße; ungruppiert zählt sie vorher die Grundgesamtheit und lehnt darunter ab. Gezählt werden Entitäten und nicht Verbundzeilen – sonst könnte eine Gruppe die Schwelle mit fünf Zeilen einer einzigen Person erfüllen.
Die Wege daneben sind mitgeschlossen
Minimum und Maximum sind ausgenommen: Sie fassen nichts zusammen, sondern reichen einen echten Zellwert durch. Bedingungen an der Kennzahl sind ausgenommen, weil sie innerhalb der Gruppe schneiden und dort eine einzelne Person übrig lassen können, während die Gruppengröße erfüllt bleibt. Eine Gruppierung oder Sortierung nach einem benennenden Merkmal ist ausgenommen, weil die Aggregation dann eine Verkleidung ist. Ausgegeben werden darf allein die Gruppierungsachse selbst – nichts daneben und nichts dahinter.
Protokoll je Auskunft, Ablehnungen eingeschlossen
Jede Auskunft erzeugt einen Eintrag: Projekt, Quelle, Wurzelbegriff, benutzte Tabellen, Zeilenzahl, Dauer, Zugangsweg und die Angabe, ob das Ergebnis an ein Sprachmodell übertragen wurde. Ergebniszeilen und Filterwerte stehen nicht darin – ein Protokoll, das personenbezogene Daten mitschreibt, verlagert das Problem nur. Fehlgeschlagene und abgelehnte Abfragen werden ebenfalls festgehalten; gerade sie sind die interessante Zeile, wenn hinterher gefragt wird, warum eine Auskunft ausblieb.
Die Schwelle k ist eine Entscheidung je Projekt und keine Einstellung der Software: Bei dreihundert Datensätzen bedeutet dieselbe Zahl etwas anderes als bei hunderttausend.
Technische Randbedingungen
Die Angaben, nach denen eine Prüfung fragt.
- Erlaubte Funktionen
- Anzahl, Anzahl verschiedener Werte, Summe und Durchschnitt. Minimum und Maximum ausdrücklich nicht – sie geben einen echten Zellwert weiter.
- Vorgabe für k
- Fünf. Der übliche Ausgangswert der k-Anonymität, nicht als Aussage über einen bestimmten Bestand gemeint.
- Einstellbereich
- Zwei bis zehntausend, je Projekt. Eins ist keine zulässige Eingabe: Bei k = 1 wäre jede Gruppe zulässig, also auch die mit einer Zeile – ein Ausschalter, der aussieht wie eine Zahl.
- Wer k gesetzt hat
- Die Schwelle liegt in der Datenbank und nicht in einer Konfigurationsdatei, mit Zeitpunkt und Benutzer. Die Oberfläche unterscheidet sichtbar zwischen einer Entscheidung und der geltenden Vorgabe – sonst bliebe offen, ob jemand hingesehen hat.
- Zeitpunkt der Prüfung
- Am Abfrageplan und vor dem Übersetzen. Wird abgelehnt, entsteht kein SQL für die Hauptabfrage und die Datenbank liefert keine Zeile – es gibt nichts, das ein späteres Netz noch auffangen müsste.
- Verhalten bei Unklarheit
- Eine Grundgesamtheit, die sich nicht ermitteln lässt, führt zur selben Ablehnung wie eine zu kleine. Wer nicht messen kann, weiß nicht, ob er darf.
- Was die Ablehnung preisgibt
- Nichts über den Bestand: kein Merkmal, keine Kategorie, keine gemessene Zahl – und keine Ersatzangabe wie „weniger als fünf“, die wie eine Messung aussähe. Auf dem eigenen Zugang nennt die Meldung zusätzlich den Ausweg, auf dem Zugang für fremde Dienste nicht.
- Stand
- In der Pilotphase in Erprobung. Gebaut und durch Regressionstests auf synthetischen Beständen abgesichert sind die Schranke bei gruppierten Abfragen und die Messung der Grundgesamtheit bei ungruppierten. Der Nachweis am laufenden Kundenbestand über beide Zugänge steht aus – solange er fehlt, ist die Schranke eine erprobte Maßnahme und keine Zusage für Ihren Bestand.
Grenzen
Was dieses Verfahren nicht leistet.
Kein Schutz gegen Differencing über mehrere Abfragen. Das Beispiel weiter oben ist damit ausdrücklich nicht abgewendet: Geprüft wird jede Abfrage für sich, und eine Folge für sich zulässiger Abfragen kann in der Zusammenschau mehr sagen als jede einzelne. Dagegen hilft nur eine Buchführung über alle erteilten Auskünfte je Empfänger mit einem Abfragebudget, und die ist nicht gebaut. Das Abfrageprotokoll macht eine solche Folge nachträglich prüfbar – es verhindert sie nicht.
Keine Zusage auf l-Diversität. Eine Gruppe von k Personen, in der nur eine das sensible Merkmal trägt, ist zulässig: Eine Summe oder ein Durchschnitt über eine dünn besetzte Spalte rechnet über weniger Zeilen, als die Gruppe hat. Das ist keine Identifikation – welche der fünf es ist, sagt die Antwort nicht –, aber es ist auch keine Gleichverteilung. Abwendbar wäre es nur, indem man Summe und Durchschnitt mitverbietet, und damit die anonymisierte Auswertung selbst.
Keine Aussage über die Erkennungsquote. Die Schranke wirkt auf Feldern, die als besondere Kategorie mit Personenbezug eingeordnet sind. Ob jedes solche Feld in einem gewachsenen Datenmodell erkannt und bestätigt wurde, ist eine Frage der Analyse und der Entscheidung im Haus – nicht der Schranke. Was nicht eingeordnet ist, ist nicht freigegeben und damit nicht abfragbar; das begrenzt den Schaden, ersetzt die Prüfung aber nicht.
Und keine Anonymisierung des übrigen Ergebnisses. Die Untergrenze gilt pro Aggregatzelle. Ob ein Ergebnis in Verbindung mit anderem Wissen wieder einer Person zuzuordnen ist, bleibt eine Bewertung, die ein Verfahren nicht abnehmen kann.
Einordnung
Eine technische Maßnahme ist kein Rechtsgutachten.
Die hier beschriebenen Maßnahmen sind technische Vorkehrungen zur Datenminimierung. Sie ersetzen keine Rechtsgrundlage, keine Einwilligung, kein Verarbeitungsverzeichnis und keine Datenschutz-Folgenabschätzung – und dieser Text behauptet nicht, dass eine Verarbeitung mit ihnen rechtmäßig ist.
Eine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO liegt insbesondere dann nahe, wenn besondere Kategorien umfangreich verarbeitet werden, wenn neue Technologien zum Einsatz kommen oder wenn Auswertungen Beschäftigte betreffen – bei KI-gestützten Auswertungen über Art.-9-Daten trifft das regelmäßig zusammen. Eine solche Bewertung braucht eine belegbare Beschreibung der Maßnahmen und ihrer Grenzen; deshalb steht der Abschnitt „Grenzen“ auf dieser Seite davor und nicht danach.
Keine Rechtsberatung, Einzelfall prüfen. Ob ein Verfahren im konkreten Fall ausreicht, entscheiden Ihre Datenschutzbeauftragten und gegebenenfalls Ihre Rechtsberatung – anhand Ihres Bestands, Ihrer Zwecke und Ihrer Empfänger.
Checkliste
8 Prüffragen, bevor KI Aggregate über sensible Daten ausgibt.
Die Fragen lassen sich ohne Produktwissen stellen – an ein eigenes Werkzeug ebenso wie an einen Anbieter. Sie sind so formuliert, dass eine ausweichende Antwort auffällt.
- 1
Ist festgelegt, welche Felder eine besondere Kategorie tragen – und wer das entschieden hat?
Eine Liste, die ein Anbieter mitbringt, ist ein Vorschlag: Ob ein Freitextfeld Gesundheitsdaten enthält, hängt davon ab, was die eigenen Anwender hineinschreiben. Verlangen Sie je Feld die Angabe, ob die Einordnung maschinell abgeleitet oder von einem Menschen bestätigt ist.
- 2
Trägt schon die Zeilenmenge die sensible Aussage?
Wer in einer Tabelle „Teilnehmende einer Suchtberatung“ steht, ist Klient dieser Beratung – ohne dass eine Spalte etwas dazu sagt. Eine Prüfung, die nur Spaltenwerte betrachtet, findet an so einer Abfrage nichts, und dann gehen Namen heraus.
- 3
Hängt die Schranke an der Abfrageform oder an der Grundgesamtheit?
Die entscheidende Gegenprobe: dieselbe fachliche Frage einmal als Verteilung und einmal als gefilterte Einzelkennzahl stellen. Sind beide geschützt, hängt die Regel an der Menge. Ist nur die erste geschützt, hängt sie an der Gruppierung – und ist mit einem Filter zu umgehen.
- 4
Wie groß ist k, wer hat es gesetzt, und ist eine Entscheidung von der Vorgabe zu unterscheiden?
Eine Schwelle ohne die Angabe, ob jemand sie verantwortet hat, lässt offen, ob überhaupt hingesehen wurde. Prüfen Sie außerdem, ob k auf einen Wert gesetzt werden kann, der die Schranke abschaltet.
- 5
Zählt die Schwelle Menschen oder Zeilen?
Sobald eine Abfrage über mehrere Tabellen geht, sind das verschiedene Zahlen. Zählt das Verfahren Verbundzeilen, kann eine Gruppe die Schwelle mit fünf Zeilen einer einzigen Person erfüllen – und sieht dabei unauffällig aus.
- 6
Was passiert, wenn die Prüfung selbst fehlschlägt?
Eine Messung, die nicht durchläuft, ist keine Erlaubnis. Fragen Sie nach dem Verhalten bei nicht erreichbarer Quelle, bei Zeitüberschreitung, bei einem Fehler im Zählpfad. „Dann läuft die Abfrage durch“ ist die Antwort, nach der Sie suchen.
- 7
Verrät die Ablehnung etwas?
Eine Ersatzangabe wie „weniger als fünf“ ist selbst eine Auskunft. Und eine Regelkennung in der Meldung sagt einem fremden Dienst, dass seine Abfrage Artikel 9 berührt hat – bei jeder anderen Ablehnung also, dass sie es nicht getan hat. Beides gehört ins Protokoll.
- 8
Gibt es eine Buchführung über die Folge von Abfragen – und wenn nein, ist das benannt?
Gegen Differencing über mehrere Abfragen hilft nur ein Abfragebudget je Empfänger. Kaum ein Werkzeug hat eines. Entscheidend ist deshalb nicht, ob die Antwort „ja“ lautet, sondern ob die Lücke offen benannt oder stillschweigend übergangen wird.
Quellen
Worauf sich dieser Text stützt.
Verweise auf die Primärtexte, geprüft am 20. September 2026.
- 1Art. 9 DSGVO – Verarbeitung besonderer Kategorien personenbezogener Daten
Verordnung (EU) 2016/679, Volltext
Die Aufzählung der besonderen Kategorien und das grundsätzliche Verarbeitungsverbot mit seinen zehn Ausnahmen.
- 2Erwägungsgrund 26 DSGVO – Keine Anwendung auf anonymisierte Daten
Verordnung (EU) 2016/679, Erwägungsgründe
Der Maßstab für Identifizierbarkeit: alle Mittel, die nach allgemeinem Ermessen wahrscheinlich genutzt werden – bewertet nach Kosten, Zeit und verfügbarer Technologie.
- 3Stellungnahme 5/2014 zu Anonymisierungstechniken (WP 216)
Artikel-29-Datenschutzgruppe, 10.04.2014, deutsche Fassung (PDF)
Behandelt Aggregation, k-Anonymität, l-Diversität und t-Closeness mit ihren Schwächen. Ergangen noch zur Richtlinie 95/46/EG und vom EDSA nicht als Leitlinie übernommen – als fachliche Darstellung trotzdem die meistzitierte Quelle.
- 4k-anonymity: a model for protecting privacy
Latanya Sweeney, International Journal on Uncertainty, Fuzziness and Knowledge-based Systems 10 (5), 2002, S. 557–570 (PDF, englisch)
Die Originalarbeit zum Begriff. Sie formuliert k-Anonymität als Mindestbedingung und benennt dort bereits, was sie nicht abdeckt.
Häufige Fragen
Fehlt Ihnen eine Frage? Ausführliche Antworten zu Betrieb und Datenzugriff stehen auf der Sicherheitsseite.
- Reicht es, einer KI nur Summen und Anzahlen statt Einzeldaten zu geben?
Nein, nicht allein. Die Form der Ausgabe sagt nichts darüber, wie viele Menschen hinter einer Zahl stehen. Eine Anzahl über eine Person ist dieselbe Aussage wie der Wert dieser Person.
Belastbar wird es erst mit einer Untergrenze pro ausgegebener Zelle – und mit der Prüfung, dass diese Untergrenze nicht an der Abfrageform hängt, sondern an der Menge, über die gerechnet wird.
- Welche Mindestgruppengröße ist die richtige?
Das ist eine Aussage über Ihren Bestand und nicht über die Software. Fünf ist der übliche Ausgangswert und in Nowl die Vorgabe; bei hunderttausend Datensätzen ist er nachsichtig, bei dreihundert knapp.
Deshalb ist die Schwelle je Projekt einstellbar, zwischen zwei und zehntausend. Eins ist keine zulässige Eingabe – dabei wäre jede Gruppe zulässig, auch die mit einer einzigen Zeile, und die Schranke wäre abgeschaltet, ohne dass es nach Abschalten aussieht.
- Verhindert k-Anonymität einen Differencing-Angriff?
Teilweise, und die Unterscheidung ist wichtig. Die Form, bei der ein Filter innerhalb einer einzigen Abfrage die Menge auf wenige Personen zusammenzieht, ist abgewendet: Die Grundgesamtheit wird vor der Ausführung gemessen, und darunter kommt keine Antwort.
Die Form über mehrere Abfragen ist nicht abgewendet. Zwei je für sich zulässige Kennzahlen, deren Mengen sich um eine Person unterscheiden, ergeben in der Differenz eine Einzelauskunft – und diese Differenz bildet der Fragende, nicht das System.
Dagegen hülfe nur eine Buchführung über alle Auskünfte je Empfänger mit einem Abfragebudget. Sie ist nicht umgesetzt, und das ist hier als offene Grenze benannt statt überdeckt.
- Warum wird abgelehnt, statt „weniger als 5“ auszugeben?
Weil eine Ersatzangabe wie eine Messung aussieht und keine ist. Sie grenzt den wahren Wert auf eine kleine Spanne ein und sagt damit oft dasselbe wie die unterdrückte Zahl.
Eine leere Antwort wäre der andere Fehler: Sie ist von „es gibt keine“ nicht zu unterscheiden. Deshalb ist es eine ausdrückliche Ablehnung – und ihre Meldung nennt weder das Merkmal noch die Kategorie noch die gemessene Größe. Die stehen im Protokoll, wo sie hingehören.
- Wer entscheidet, welches Feld unter Artikel 9 fällt?
Ihr Haus. Die Analyse von Datenmodell und Sourcecode liefert einen Vorschlag samt Begründung; bestätigt, korrigiert oder übersteuert wird er von Ihrem Fachbereich und Ihren Datenschutzbeauftragten.
Die Richtung ist dabei festgelegt: Eine maschinell erkannte Höherstufung wirkt sofort und wird nicht maschinell wieder aufgehoben; eine Herabstufung ist eine Entscheidung, die Ihr Haus trifft und die im Protokoll festgehalten wird, und bleibt beim nächsten Prüflauf stehen. In der Pilotphase sind die Pflegewerkzeuge über denselben Zugang erreichbar wie die Fragen; eine Trennung von Fragen und Pflege nach Rollen ist in Arbeit. Ein Feld ohne Einordnung ist nicht freigegeben und damit nicht abfragbar.
Über den Autor
René Gerling
IT-Architekt und Gründer von Gerling Solutions
Seit über fünfzehn Jahren in gewachsenen Enterprise-Systemen unterwegs: Architektur, Modernisierung und Systemverantwortung für Anwendungen, die im Betrieb stehen und nicht stehenbleiben dürfen. Entwickelt mit Nowl eine semantische Schicht, die bestehende Unternehmenssoftware für KI-Systeme abfragbar macht – mit prüfbarer Herkunft jeder Antwort.
Dieser Text beschreibt ein Verfahren aus dieser Arbeit, einschließlich der Lücke, aus der es entstanden ist. Rückfragen und Widerspruch sind willkommen, besonders zu den benannten Grenzen.
Sicherheit & Datenschutz
Dieselbe Prüfung aus den anderen Richtungen.
- Nowl
Betrieb & Zugriff
Die acht Fragen, die Ihre IT-Sicherheit ohnehin stellt – Datenzugriff, Rechte, ausgehende Daten, Protokollierung.
- Nowl
Privacy Layer
Was aus einem Abfrageergebnis entfernt wird, bevor es ein externes Modell sieht – und was der Filter nicht leistet.
- Nowl
Datenbankzugriff
Warum das Sprachmodell keine Zugangsdaten erhält und die Grenze in der Architektur liegt.
- Nowl
Self-hosted
Welche Komponente wo läuft – und welcher Teil heute noch extern ist.
Verwandte Themen
Angrenzende Fragen, jeweils auf einer eigenen Seite beantwortet.
Privacy Layer
Was aus einem Abfrageergebnis entfernt wird, bevor es ein externes Modell sieht – und was der Filter nicht leistet.
Conversational BI
Auswertungen im Dialog statt im Report – und was mit dem vorhandenen BI-Werkzeug passiert.
KI für Unternehmens
Welche Ansätze es gibt, KI auf eigene Unternehmensdaten zu bringen – und woran sie in der Praxis scheitern.
Wenn Sie prüfen, ob eine Auswertung über Ihre sensiblen Felder tragfähig ist: Nennen Sie die Felder und die Frage, um die es geht – daran zeigt sich am schnellsten, ob das Verfahren in Ihrem Fall ausreicht.