Sehen Sie zu, wie eine Anwältin, ein Steuerberater oder eine Ärztin eine KI an einem echten Fall tatsächlich einsetzt, und Ihnen fällt etwas auf, das die Anonymisierungswerkzeuge allesamt übersehen zu haben scheinen: Niemand arbeitet in einem einzigen Durchlauf. Man stellt eine Frage, liest die Antwort, schiebt eine schärfere Rückfrage nach, fügt ein zweites Dokument ein, kommt auf das erste zurück. Die Arbeit ist das Gespräch. Und nahezu jede Methode, personenbezogene Daten zu verbergen, bricht in dem Moment lautlos zusammen, in dem dieses Gespräch in Gang kommt.
Diese Beobachtung ist der eigentliche Grund, warum promptShield die Gestalt angenommen hat, die es hat. Benennen wir den Gedanken also klar, denn soweit wir sehen, hat sonst niemand sein Produkt darum herum gebaut: gesprächsstabile Anonymisierung — dieselbe Entität behält denselben Code, durchgehend über das gesamte Gespräch und über jede verknüpfte Datei hinweg, sodass die KI über das geschützte Dokument genauso nachdenkt, wie sie es über das echte täte, und Sie am Ende die realen Werte getreu wiederherstellen können.
Die Arbeit verläuft über mehrere Züge — also muss es der Schutz auch
Stellen Sie sich die realistische Fassung der Aufgabe vor. Sie haben einen Vertrag und seine drei Nachträge. Sie fügen den Vertrag anonymisiert ein und bitten das Modell, die Pflichten zusammenzufassen. Es tut es. Dann fügen Sie einen Nachtrag ein und fragen: „Ändert das die Zahlungsbedingungen des Käufers gegenüber dem Original?“ Und weiter: „Formuliere eine Klausel, die den Widerspruch zwischen Abschnitt 4 hier und Abschnitt 7 dort auflöst.“
Damit dabei etwas Brauchbares herauskommt, muss das Modell wissen, dass der „Käufer“ im Vertrag und der „Käufer“ im Nachtrag dieselbe juristische Person sind, dass die Adresse in Abschnitt 4 dieselbe ist wie die von vor drei Zügen, dass „die Beklagte“ und „Frau Laurent“ eine Partei sind und nicht zwei. Koreferenz — der Identitätsfaden, der sich durch den gesamten Austausch zieht — ist kein nettes Extra. Sie ist die Substanz fachlichen Denkens. Reißt sie, ist die Antwort der KI mit voller Überzeugung falsch, und zwar auf eine Weise, die kaum zu erkennen ist.
Eine Anonymisierung, die ein Dokument als „etwas, das man einmal säubert“ begreift, sieht das nie. Sie reinigt die Datei und gibt sie zurück. Aber die Fachperson hat keine Datei; sie hat einen Fall, eine Akte, einen Mandanten — einen Bestand zusammengehöriger Unterlagen, über die sie gemeinsam nachdenkt, im Dialog, über die Zeit. Die Arbeitseinheit ist nicht das Dokument. Sie ist das Gespräch.
Warum die naheliegenden Ansätze auseinanderfallen
Sobald man die Aufgabe als „die Identität über ein ganzes Gespräch hinweg kohärent halten“ fasst, entpuppen sich die gängigen Techniken als das falsche Werkzeug:
| Ansatz | Was er tut | Warum das Gespräch ihn aushebelt |
|---|---|---|
| Balkenschwärzung | Übermalt den Text auf der Seite | Das Modell kann über nichts nachdenken, was es nicht sieht: Kein späteres „der Käufer“ hat noch einen Bezug |
| Namen löschen | Entfernt die Entität ersatzlos | Verschiedene Personen fallen in dieselbe Lücke, und das Modell erfindet stillschweigend jemanden, der sie füllt |
| Pro Durchlauf ein neues Label | Vergibt bei jedem Durchgang ein neues Pseudonym | Der zweite Zug benennt alle um: Aus einer Person werden zwei, und nichts weist auf den Widerspruch hin |
| Suchen und Ersetzen | Ordnet einer Schreibweise eine Zeichenkette zu | Verfehlt gebeugte Formen, Initialen und Aliasse — und weiß nichts vom zweiten Dokument, das Sie einfügen |
| Tokenisierung je Dokument | Stabile Codes, aber nur innerhalb einer Datei | Vertrag und Nachtrag geben derselben Partei verschiedene Codes, das dokumentübergreifende Denken scheitert lautlos |
Das Muster ist in jeder Zeile dasselbe: Jeder Ansatz taugt dafür, „diesen einen Textblock zu säubern“, und jeder versagt in dem Moment, in dem die Arbeit zu einem Gespräch wird. Sie wurden für eine andere Arbeitseinheit gebaut als die, die Fachleute tatsächlich haben.
Was gesprächsstabile Anonymisierung voraussetzt
Die Lücke zu benennen ist leicht; sie zu schließen hat echte Voraussetzungen, und genau die machen daraus ein Produkt und kein Suchen-und-Ersetzen-Makro.
Eine stabile Identität. Dieselbe Entität muss jedes Mal, wenn sie auftaucht, demselben Code zugeordnet werden — nicht nur innerhalb eines Dokuments, sondern über das gesamte Gespräch und jede verknüpfte Datei hinweg. In promptShield erhält „John Smith“ denselben Code (sagen wir [P0ABCD]), ob er im Vertrag, in der Rechnung oder im E-Mail-Anhang steht, weil verknüpfte Dateien ein gemeinsames Code-Register teilen. Legen Sie sie in denselben Ordner, und die Verknüpfung geschieht automatisch — ohne jede Konfiguration.
Typisierte Codes. Ein Code ist [P0ABCD], [A1WXYZ], [B2KLMN] — der erste Buchstabe kennzeichnet den Typ (P für Person, A für Adresse, B für IBAN), damit das Modell weiterhin weiß, dass es über eine Person, eine Adresse, ein Konto nachdenkt, und eine wirklich brauchbare Antwort liefern kann, statt an gestaltlosem Rauschen zu ersticken. Ein dem Download beigefügter Hinweis fordert die KI auf, die Codes exakt so wiederzugeben, wie sie sind. Die Struktur, die der KI hilft, bleibt erhalten; verborgen wird allein die Identität.
Ein verlustfreier Rückweg. Die Identität zu verbergen ist nur die halbe Arbeit. Die Zuordnung vom Code zurück zum ursprünglichen Wert wird lokal vorgehalten, sodass Sie, wenn die Antwort der KI voller [P0ABCD] und [B2KLMN] zurückkommt, sie in einem Schritt dekodieren und ein Ergebnis erhalten, das sich liest, als hätten Sie nie anonymisiert. Erst stabile Codes machen dieses Dekodieren eindeutig: ein Code, ein Ursprungswert, jedes Mal.
Fügen Sie das zusammen, und Sie erhalten die Eigenschaft, auf die es ankommt: Die KI arbeitet am geschützten Dokument genauso wie am echten. Dasselbe Denken, dieselben Querverweise, dieselbe Kohärenz über mehrere Züge — ohne dass je eine reale Identität im Gespräch vorhanden wäre, und mit einer sauberen Wiederherstellung am Ende.
Die Schleife, von Anfang bis Ende
In der Praxis ist es eine einzige durchgehende Schleife, und sie folgt dem Rhythmus echter Arbeit, statt ihn zu unterbrechen:
- Kodieren. Jede Entität wird durch einen stabilen, typisierten Code ersetzt; verknüpfte Dateien teilen das Register; ein Mensch prüft die Erkennungen, bevor irgendetwas festgeschrieben wird. (Bei Dokumenten mit hohem Einsatz ist genau diese menschliche Prüfung der springende Punkt — siehe warum ein Mensch in der Schleife bleibt.)
- Sich austauschen. Fügen Sie die geschützte Fassung in ChatGPT, Claude oder ein beliebiges Modell ein. Stellen Sie Rückfragen. Fügen Sie weitere Dokumente aus demselben Vorgang ein. Greifen Sie zurück. Die Identitäten bleiben kohärent, solange das Gespräch läuft, weil die Codes nicht abdriften.
- Dekodieren. Holen Sie die Ausgabe der KI zurück und stellen Sie jeden Code in einem Schritt auf seinen realen Wert zurück — ein fertiges Dokument, das sich liest, als wären die echten Namen von Anfang an dort gewesen.
Und weil die gesamte Schleife auf Ihrem Rechner läuft, verlässt kein Teil des Vorgangs — weder die Originale noch die Code-Tabelle noch ein einziger Zug des geschützten Gesprächstextes — jemals Ihren Perimeter.
Die Kategorie, die wir beanspruchen
Reichlich Werkzeuge können einen Namen verbergen. Manche können das sogar konsistent, wenn man sie entsprechend konfiguriert. Was auf dem Markt fehlt, ist nicht die Fähigkeit für sich genommen — es ist ein Produkt, das um die Art herum gebaut ist, wie Fachleute tatsächlich mit KI arbeiten: iterativ, Zug um Zug, über verknüpfte Dateien hinweg, mit einem Menschen, der für das Ergebnis einsteht, und einem sauberen Rückweg am Ende. Genau dieser Workflow ist der, für den promptShield von Grund auf gedacht ist, und genau dieser Gedanke ist es, dem wir einen Namen geben möchten.
Nennen wir es gesprächsstabile Anonymisierung. Eine Entität, ein Code, durchgehend — damit Sie KI endlich an den Dokumenten einsetzen können, auf die es ankommt, so wie Sie ohnehin über sie denken: nicht als Dateien, die zu säubern sind, sondern als Fall, der zu bearbeiten ist.
Häufige Fragen
Warum muss derselbe Name jedes Mal denselben Code tragen?
Weil Fachleute nicht in einem Durchgang anonymisieren. Sie fragen nach, fügen ein zweites Dokument ein und denken über beide hinweg. Bekommt dieselbe Person je Runde einen anderen Code, liest die KI über zwei verschiedene Personen.
Was zerbricht, wenn die Codes zwischen Dokumenten wechseln?
Das dokumentübergreifende Denken. Vertrag und Nachtrag meinen nicht mehr dieselbe Partei, und jede Schlussfolgerung über beide ist falsch. Darum hält reversible Schwärzung einen stabilen Code je Entität statt einer neuen Bezeichnung pro Lauf.
Wird die Zuordnung irgendwo online gespeichert?
Nein. Das Code-Wert-Register bleibt auf dem Rechner, der es erzeugt hat — dieselbe Entwurfsentscheidung wie hinter der Engine, die wir genau dafür geschrieben haben.