Pseudonymisierung

Bei der Pseudonymisierung ersetzen Sie identifizierende Informationen (Namen, E-Mail-Adressen, Telefonnummern) vor der Verarbeitung durch Platzhalter und stellen die ursprünglichen Werte anschließend wieder her. Diese Seite ist die praktische Anleitung dazu.

In der Plattform gibt es zwei Wege:

• In Workflows bauen Sie die Kette selbst aus den Integrationen LLM-Datenanonymisierer und LLM-Datenanonymisierung aufheben.
• In Agenten ist sie ein eingebauter Schalter – die Plattform maskiert und stellt in jeder Runde der Konversation automatisch wieder her.

Die Kette

Eine typische pseudonymisierte Automation besteht aus vier Teilen:

Der Schritt mit der externen KI sieht nie die echten Namen, E-Mail-Adressen oder Telefonnummern. Die Zuordnung zwischen Platzhaltern und Originalwerten liegt im Speicher und wird am Ende vom Deanonymisierer verwendet.

Die beiden Bausteine sind unter LLM-Datenanonymisierer und LLM-Datenanonymisierung aufheben beschrieben. Diese Seite zeigt, wie Sie sie gut einsetzen.

Wann Sie pseudonymisieren sollten

Pseudonymisieren Sie, wenn:

• die Eingabe identifizierende Informationen enthält (Namen, E-Mail-Adressen, Telefonnummern, Anschriften),
• der Verarbeitungsschritt einen externen KI-Anbieter verwendet und
• die Ausgabe in einem Zusammenhang verwendet wird, in dem die echten Werte vorhanden sein müssen.

Trifft eine der drei Bedingungen nicht zu, brauchen Sie die Pseudonymisierung möglicherweise nicht. Zum Beispiel:

• Selbst betriebene Modelle erfordern sie nicht (die Daten bleiben in Ihrem Haus).
• Auswertungen und Zusammenfassungen, die sich nicht auf einzelne Personen beziehen müssen, können identifizierende Werte ganz weglassen.

Die Kette aufbauen

Ein kleiner, vollständiger Workflow:

1. Trigger – eingehendes Support-Ticket per Webhook.
2. LLM-Datenanonymisierer – Eingabe: der Ticket-Text aus dem Trigger. Ausgabe: anonymized_text. Die Standardeinstellungen reichen meist aus (Namen, E-Mail-Adressen, Telefonnummern, Anschriften). Beschreiben Sie unter Benutzerdefinierte Daten anonymisieren zusätzlich domänenspezifische Begriffe („Jeden internen Projektcodenamen durch einen Platzhalter ersetzen“).
3. KI-Aktion – Eingabe: anonymized_text. Verwenden Sie ein externes Modell, um zu klassifizieren, zusammenzufassen oder eine Antwort zu entwerfen.
4. LLM-Datenanonymisierung aufheben – Eingabe: die Antwort aus Schritt 3. Ausgabe: restored_text.
5. HTTP-Anfrage ausführen – sendet restored_text zurück an das Ticketsystem und spricht den Kunden mit seinem echten Namen an.

📷 SCREENSHOT: Ein Workflow mit vier Schritten: der Anonymisierer, ein LLM-Prompt, der Deanonymisierer und eine abschließende HTTP-Anfrage, mit sichtbaren Namen der Speicher-Eingaben und -Ausgaben.

Pseudonymisierung in Agenten

Agenten erhalten denselben Schutz, ohne dass Sie etwas verbinden müssen. Im Agenten-Editor sitzt direkt unter der Modellauswahl ein Schalter Pseudonymisierung; schalten Sie ihn ein, erscheinen dieselben Optionen wie beim Anonymisierer im Workflow (Schalter für die Kategorien, benutzerdefinierte Muster) und zusätzlich eine Auswahl für das Pseudonymisierungs-Modell.

Die Funktionsweise unterscheidet sich in einigen wichtigen Punkten von der Kette im Workflow:

• Unsichtbar an der Grenze zur KI. Maskiert wird unmittelbar vor dem Aufruf des Agentenmodells, wiederhergestellt unmittelbar danach. Der Verlauf der Konversation – im Posteingang und in den Laufdaten – zeigt immer die echten Werte. Benutzer sehen nie Platzhalter.
• Zuordnung je Konversation. Die Zuordnung der Platzhalter bleibt für die gesamte Konversation über alle Runden hinweg erhalten. Dieselbe Person behält denselben Platzhalter, sodass der Agent auch in langen Chats stimmig bleibt.
• Nur die neue Nachricht kostet einen KI-Aufruf. In jeder Runde prüft das Pseudonymisierungs-Modell nur die neueste Benutzernachricht; der frühere Verlauf wird anhand der Zuordnung maschinell erneut maskiert.
• Wissensabfragen werden maskiert, bevor sie einen Schritt zur Umformulierung der Abfrage erreichen. Die abgerufenen Inhalte aus der Wissensbasis selbst werden jedoch nicht maskiert – siehe die Einschränkungen.

Die wichtigste Entscheidung: Das Pseudonymisierungs-Modell sieht den Klartext. Wählen Sie dafür ein selbst betriebenes oder anderweitig vertrauenswürdiges Modell – typischerweise Ollama – und verwenden Sie das externe, leistungsfähigere Modell als Agentenmodell. Genau diese Aufteilung ist der Sinn der Funktion.

Die vollständige Feldreferenz finden Sie unter Agenten → Pseudonymisierung.

Was standardmäßig anonymisiert wird

Kategorie	Standard	Hinweise
Namen	An	Vor- und Nachnamen von Personen.
E-Mail-Adressen	An	An jeder Stelle im Text.
Telefonnummern	An	Einschließlich internationaler Formate.
Postadressen	An	Muster aus Straße, Ort und Postleitzahl.
Ortsangaben	Aus	Städte, Länder – nur einschalten, wenn sogar Orte sensibel sind.
Social-Media-Handles	Aus	@-Erwähnungen und Links zu sozialen Netzwerken.
Benutzerdefinierte Muster	Leer	Je Automation festlegen.

Kategorien, die nicht anonymisiert werden sollen, können Sie abschalten. Braucht die KI in einem Workflow zum Beispiel ausdrücklich den Ort, um eine Entscheidung zu treffen, lassen Sie die Ortsangaben ausgeschaltet.

Benutzerdefinierte Muster

Die Beschreibung benutzerdefinierter Muster ist ein frei formulierter Satz, den der Anonymisierer an die KI übergibt. Beispiele:

• „Jeden internen Projektcodenamen wie ‚Projekt Aurora‘ durch einen Platzhalter ersetzen.“
• „Jedes Aktenzeichen der Form CF- gefolgt von Ziffern maskieren.“
• „Alle Geldbeträge über 10.000 € maskieren.“

Den Abgleich übernimmt die KI. Formulieren Sie die Beschreibung genau; je präziser der Wortlaut, desto zuverlässiger die Maskierung.

Gezielt deanonymisieren

Der Deanonymisierer hat den Parameter Nur bestimmte Kategorien wiederherstellen. Verwenden Sie ihn, wenn einige Platzhalter in der endgültigen Ausgabe erhalten bleiben sollen:

• Namen wiederherstellen, E-Mail-Adressen aber maskiert lassen, wenn das Ergebnis einer Support-Mitarbeiterin oder einem Support-Mitarbeiter angezeigt wird.
• Postadressen wiederherstellen, Telefonnummern aber in einer öffentlichen Antwort maskiert lassen.

Fallstricke und wie Sie sie vermeiden

Die Zuordnung überdauert den Workflow nicht

Der Anonymisierer legt die Zuordnung von Platzhaltern zu Originalwerten nur für den aktuellen Lauf im Speicher des Workflows ab. Läuft der Deanonymisierer in einem anderen Lauf (anderer Job), ist die Zuordnung verloren, und die Platzhalter gehen unverändert durch. Halten Sie Anonymisierer und Deanonymisierer immer im selben Lauf.

Mehrere KI-Aufrufe zwischen Anonymisieren und Deanonymisieren

Mehrere Aufrufe externer KI zwischen den beiden Endpunkten sind kein Problem – die Platzhalter bleiben stabil, und die Zuordnung bleibt im Speicher, bis der Deanonymisierer sie verwendet. Achten Sie nur darauf, dass jeder externe Aufruf ausschließlich den anonymisierten Text liest.

Übersprungene Schritte durch Bedingungen

Hängt ein Schritt „KI-Aktion“ an einer Bedingung und wird übersprungen, hat der Workflow die Zuordnung trotzdem. Der Deanonymisierer am Ende richtet bei der ursprünglichen Eingabe keinen Schaden an (er reicht sie einfach durch). Das ist eine nützliche Eigenschaft: Sie können robuste Workflows bauen, die vorsorglich anonymisieren, auch wenn nur einige Zweige tatsächlich an eine externe KI gehen.

Unvollständige Wiederherstellung

Die KI erfindet manchmal neue Schreibweisen von Namen („Herr X“ wird zu „Hr. X“ oder „X, Herr“). Der Deanonymisierer ist tolerant, aber nicht unfehlbar. Machen Sie Stichproben.

Empfehlungen

• ✅ Standardmäßig an: Jeder Workflow, der Kundendaten an eine externe KI sendet, sollte als Rückgrat Anonymisieren → externe KI → Deanonymisieren haben.
• ✅ Schalten Sie bei Agenten mit externen Modellen den eingebauten Schalter für die Pseudonymisierung ein – und geben Sie ihm ein selbst betriebenes Pseudonymisierungs-Modell.
• ✅ Nutzen Sie benutzerdefinierte Muster großzügig. Branchenspezifische Begriffe (Aktenzeichen, Projektcodes, Kontonummern) sind in den Standardeinstellungen nicht enthalten.
• ✅ Testen Sie pseudonymisierte Workflows mit realistischen Daten. Der Anonymisierer arbeitet statistisch; Sie sollten sehen, was er tatsächlich tut.
• ✅ Kombinieren Sie die Pseudonymisierung bei hochsensiblen Datensätzen mit einem selbst betriebenen Modell als Rückfallebene. Doppelt hält besser.
• ⚠️ Ortsangaben sind standardmäßig ausgeschaltet. Schalten Sie sie nur ein, wenn schon das Bekanntwerden eines Orts in Ihrem Zusammenhang ein Problem ist.
• ❌ Verlassen Sie sich nicht auf die Pseudonymisierung, um Vorschriften zu erfüllen, die „keine Übermittlung personenbezogener Daten“ verlangen. Das letzte Wort haben hier die Nutzungsbedingungen des Anbieters, Ihr Vertrag und Ihr Datenschutzbeauftragter.
• ❌ Speichern Sie die Zuordnung von Platzhaltern zu Originalwerten nicht außerhalb der Plattform. Behandeln Sie sie als flüchtig.

Nächste Schritte

• LLM-Datenanonymisierer – die Feldreferenz.
• LLM-Datenanonymisierung aufheben – die zugehörige Feldreferenz.
• Agenten → Pseudonymisierung – die eingebaute Variante für Agenten.
• Datenschutz in Automationen – das Gesamtbild.