By · Last updated 2026-04-13

Zurück zum BlogTechnisch

Luftdichtes Datenschutz: So anonymisieren Sie...

FedRAMP- und ITAR-Umgebungen haben eines gemeinsam – die Cloud ist keine Option. Umkehrbare Pseudonymisierung gemäß GDPR Art.

April 13, 20269 min Lesezeit
air-gapped anonymizationSCIF document processingITAR complianceFedRAMP offline toolsoffline PII detection

Die Air-Gap-Regel

Manche Netzwerke haben kein Internet. Nicht aus Richtliniengründen — aus technischen.

Ein SCIF (Sensitive Compartmented Information Facility) ist ein Faraday-abgeschirmter Raum. Kein Funksignal geht hinein oder heraus. ITAR (International Traffic in Arms Regulations) verbietet das Senden von kontrollierten technischen Inhalten an nicht genehmigte Parteien. Cloud-Anbieter sind nicht nach ITAR freigegeben. Für diese Stellen ist "Cloud-SaaS" kein Risiko — es ist eine Unmöglichkeit.

Für diese Umgebungen funktionieren Cloud-Tools schlicht nicht.

Ein Tool, das eine aktive Netzwerkverbindung braucht, kann hier nicht betrieben werden. Ein Tool, das eine Lizenz beim Server prüft, ist von vornherein ausgeschlossen. Ein Tool, das Dateien zur Erkennung an eine Cloud-API sendet, kann in einem SCIF nicht arbeiten. Das sind keine Ausnahmen. Das sind tägliche Bedingungen für Verteidigungsteams.

Der ITAR-Anwendungsfall

Eine Datenwissenschaftlerin bei einem Rüstungsunternehmen verarbeitet Personalakten nach ITAR. Sie muss Namen und Kennungen entfernen, bevor sie Dateien teilen kann. Ihr Netzwerk ist air-gapped.

Es gibt keine Cloud-Lösung. Der einzige Weg ist ein Tool, das auf dem lokalen Gerät läuft. Die Modelle müssen lokal gespeichert sein. Die anonymisierte Ausgabe darf keine externen Verbindungen nutzen.

Die Tauri 2.0-basierte Desktop-App macht genau das. Nach der Installation werden beim Verarbeiten von Dokumenten keine Netzwerkaufrufe gemacht. Die spaCy-NER-Modelle und Regex-Muster laufen alle auf der lokalen CPU. Die Ausgabe bleibt auf dem Gerät, bis der Nutzer sie exportiert.

Warum Reversibilität wichtig ist

Klassifizierte Vorgänge brauchen oft reversible Pseudonymisierung. Teams tauschen echte Namen gegen Codes. Die Daten bleiben nutzbar. Echte Identitäten bleiben geschützt.

DSGVO Artikel 4(5) definiert Pseudonymisierung als formelle Datenschutzmaßnahme. Sie senkt das Risiko. Pseudonymisierte Datensätze tragen weniger rechtliche Pflichten — wenn das Nachschlage-Token getrennt vom Datensatz aufbewahrt wird.

IAPP-Forschung (2024) ergab, dass nur 23 % der Tools echte Reversibilität unterstützen. Die meisten ersetzen dauerhaft oder maskieren. Einmal überschriebene Einträge sind verloren.

Manche Behördenteams teilen die Arbeit nach Zuständigkeit auf. Ein Team erhält die pseudonymisierten Dateien und führt die Analyse durch. Ein zweites Team hält das Token und identifiziert Einträge nur bei gesetzlicher Pflicht. Dieses geteilte Design ist der einzige sichere Ansatz für Mehrteam-Klassifizierungsworkflows.

Das Zero-Knowledge-Modell geht einen Schritt weiter. Das Nachschlage-Token wird auf dem Client-Gerät erstellt. Es wird nie gesendet. Auch unter Vorladung kann der Anbieter es nicht herausgeben. Er hatte es nie. Das erfüllt die Anforderungen an die Token-Verwahrung in vielen klassifizierten Umgebungen.

EDPB-Anforderungen zur Token-Trennung

EDPB-Leitlinien 05/2022 verlangen, dass das Pseudonymisierungs-Token getrennt aufbewahrt wird. Es darf nicht bei der Partei liegen, die die pseudonymisierten Datensätze erhält. Oder es muss hinter Kontrollen gesperrt sein, die verhindern, dass diese Partei Datensätze und Token gleichzeitig liest.

Drei Eigenschaften zusammen erfüllen diese Anforderung:

  • Token wird auf dem Client-Gerät erstellt — wird nie gesendet
  • Alle Verarbeitung läuft lokal — nichts verlässt den air-gapped Standort
  • Ausgabe und Token werden getrennt exportiert — zwei Dateien, zwei Wege

Dieses Design erfüllt die EDPB-Regel und die Air-Gap-Anforderung gleichzeitig.

Einen vollständigen Überblick gibt unsere Sicherheitsübersicht — sie zeigt, wie lokale Verarbeitung die Drittanbieter-Kette unterbricht. Unser Compliance-Leitfaden behandelt DSGVO-Übermittlungsregeln. Einrichtungshilfe finden Sie in unserem FAQ.

Die anonym.legal Desktop-App erkennt PII vollständig auf dem lokalen Gerät. Nach der Installation ist kein Internet erforderlich. Sie unterstützt Windows, macOS und Linux. Gebündelte NLP-Modelle decken 24 Sprachen ab.

Aktualisiert für 2026

Quellen

Bereit, Ihre Daten zu schützen?

Beginnen Sie mit der Anonymisierung von PII mit über 285 Entitätstypen in 48 Sprachen.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.