Zum Hauptinhalt springen

Datenschutz in Automationen

Mit dem AI Kit können Sie beliebige Daten ganz einfach durch ein KI-Modell schicken. Diese Bequemlichkeit hat eine Kehrseite – sensible Daten können an Orten landen, an denen Sie sie nicht haben wollten. Diese Seite beschreibt die Vorgehensweisen, die wir zum Schutz von Daten in Ihren Automationen empfehlen.

Dies ist keine Rechtsberatung. Wenden Sie sich bei konkreten regulatorischen Fragen (DSGVO, HIPAA, branchenspezifische Vorschriften) an Ihren Datenschutzbeauftragten oder Ihre Rechtsberatung.

Eine einfache Leitfrage: Wohin gehen meine Daten?​

Jeder Schritt einer Automation:

  • bleibt im AI Kit (Speicher, Dateien auf der lokalen Festplatte, Abfragen von Wissensbasen),
  • erreicht ein System, das Sie kontrollieren (Ihre Datenbank, Ihren Mailserver, Ihre interne HTTP-API), oder
  • erreicht einen Dritten (OpenAI, Anthropic, Mistral, Google, MinIO, wenn es anderswo gehostet wird).

Die ersten beiden sind in der Regel unproblematisch – Sie entscheiden, was aufbewahrt wird und wer Zugriff hat. Beim dritten liegen die meisten Datenschutzfragen.

Ordnen Sie beim Entwurf einer Automation jeden Schritt ein:

SchrittWohin gehen die Daten?Sensible Inhalte erlaubt?
KI-Aktion mit OpenAI / Anthropic / MistralDritterNur nach bewusster Prüfung
KI-Aktion mit selbst betriebenem OllamaBleibt lokalJa
Datenbankabfrage auf Ihre DatenbankIhr SystemJa
HTTP-Anfrage ausführen gegen eine öffentliche APIDritterWie in den Richtlinien der API
Datei schreibenBleibt lokalJa
E-Mail sendenHängt vom SMTP-Ziel abWie einen Dritten behandeln, wenn der SMTP-Host extern ist

Festlegen, was sensibel ist​

Was als „sensibel“ gilt, hängt von der Organisation und von den Vorschriften ab. Eine praktische Grundlage:

  • Personenbezogene Daten – Namen, E-Mail-Adressen, Telefonnummern, Anschriften, Personalnummern, Kundennummern.
  • Gesundheits-, Finanz- und Rechtsdaten – fast immer sensibel.
  • Interne Geschäftsdaten – Finanzprognosen, Strategiepapiere, unveröffentlichte Produktdetails.
  • Zugangsdaten – Passwörter, API-Schlüssel, Tokens. Nach jedem Maßstab immer sensibel.

Schreiben Sie für jede Automation einen Satz: „Diese Automation verarbeitet [Kategorie]. Sensibel: ja / nein.“ Lautet die Antwort ja, gelten die folgenden Abschnitte.

Bewährte Muster​

Muster A: alles lokal halten​

Verwenden Sie für alle KI-Schritte selbst betriebenes Ollama. Keine Daten verlassen Ihr Netzwerk.

  • Vorteile: die einfachste Datenschutzlage.
  • Nachteile: Open-Source-Modelle liegen bei den schwierigsten Aufgaben noch hinter proprietären Modellen. Die Kosten entstehen für Infrastruktur statt je Token.

Muster B: vor externer KI anonymisieren​

Entfernen Sie identifizierende Informationen aus den Daten, bevor sie einen externen Anbieter erreichen, und stellen Sie sie auf dem Rückweg wieder her. Die Integrationen LLM-Datenanonymisierer und LLM-Datenanonymisierung aufheben der Plattform sind genau dafür gedacht – siehe auch Pseudonymisierung.

Für Agenten steht dieses Muster als eingebauter Schalter zur Verfügung: Benutzernachrichten werden maskiert, bevor das Modell des Agenten sie sieht, und Antworten werden automatisch wiederhergestellt – in jeder Runde der Konversation.

  • Vorteile: Sie können die besten Modelle am Markt nutzen und personenbezogene Daten trotzdem intern halten.
  • Nachteile: Anonymisierung arbeitet statistisch, nicht perfekt. Verlassen Sie sich bei sehr risikoreichen Daten nicht allein darauf.

Muster C: externe KI nur für bereits öffentliche Daten​

Manche Automationen arbeiten mit Daten, die ohnehin öffentlich sind – Pressemitteilungen, öffentliche Webseiten, allgemeine Vorlagen. Hier ist externe KI ohne weitere Vorkehrungen in Ordnung.

  • Vorteile: einfach, schnell.
  • Nachteile: Sie müssen tatsächlich prüfen, dass die Daten öffentlich sind.

Muster D: hybrid​

Verschiedene Schritte verwenden verschiedene Anbieter. Sortieren Sie mit einem kleinen externen Modell auf bereits anonymisierten Daten vor und geben Sie die sensiblen Teile dann an ein selbst betriebenes Modell weiter.

Anti-Muster​

  • ❌ Vollständige Benutzerdatensätze ohne Anonymisierung an ein externes LLM senden. Die Daten liegen danach in den Protokollen des Anbieters.
  • ❌ Debug-Schritte vom Typ AI action verwenden, die den gesamten Speicher ausgeben, um „zu sehen, was passiert“. Dieser Speicher kann alles enthalten, was die vorherigen Schritte erzeugt haben.
  • ❌ Kundendaten in Wissensbasen ablegen, um „den Agenten darauf aufmerksam zu machen“, ohne ein Konzept für die Zugriffskontrolle. Das Wissen ist für jeden Agenten durchsuchbar, der damit verbunden ist.
  • ❌ Vollständige Anfrage-Inhalte über die Speicher-Ausgabe eines Schritts „HTTP-Anfrage ausführen“ protokollieren. Die Protokolle landen in den Details der Läufe, und die liegen im Datenvolume.

Übergreifende Vorgehensweisen​

  • Minimieren. Senden Sie nur, was der Schritt tatsächlich braucht. Reicht ein einzelnes Feld, senden Sie nicht den ganzen Datensatz.
  • Dokumentieren. Halten Sie die Datenschutzeigenschaften im Beschreibungsfeld der Automation fest. Wer sie später pflegt, wird es Ihnen danken.
  • Prüfen. Öffnen Sie regelmäßig einige Läufe in der Jobs-Ansicht und prüfen Sie, was tatsächlich gesendet wird. Abweichungen schleichen sich ein.
  • Weniger aufbewahren. Die Plattform räumt abgeschlossene Workflow-Läufe nach Zeitplan auf und Agenten-Konversationen nach 60 Tagen ohne Aktivität. Verkürzen Sie diesen Zeitraum für sensible Agentendaten mit AGENT_JOB_RETENTION.

Empfehlungen​

  • ✅ Versehen Sie jede Automation, die mehr als vollständig öffentliche Daten verarbeitet, mit einer einzeiligen Datenschutzeinstufung.
  • ✅ Verwenden Sie für sensible Workflows standardmäßig selbst betriebenes Ollama. Wechseln Sie nur dann zu externen Anbietern, wenn der Qualitätsunterschied ins Gewicht fällt.
  • ✅ Kombinieren Sie Anonymisierer und Deanonymisierer in jeder Automation, die personenbezogenen Text an eine externe KI sendet.
  • ✅ Beschränken Sie, wer Automationen bearbeiten darf. Der Editor ist privilegiert – siehe Administration → Benutzer verwalten.
  • ⚠️ Cloud-KI-Anbieter bewahren Prompts unter Umständen eine Zeit lang auf, die von Ihrem Vertrag mit ihnen abhängt. Lesen Sie den Vertrag; verlassen Sie sich nicht auf Annahmen.
  • ❌ Halten Sie selbst betriebene Modelle nicht für „automatisch sicher“. Ein selbst betriebenes Modell auf einem Server, den jeder im Unternehmen erreichen kann, ist nicht vertraulicher als ein externes.

Nächste Schritte​