Token-Zuordnung für DSGVO-KI-Workflows
Aktualisiert für 2026
Ihr Team nutzt KI für Kundenantworten. Ein Kunde schreibt. Sein Name wird anonymisiert, bevor die KI ihn sieht. Die KI erstellt eine Antwort mit einem Platzhalter. Der Mitarbeiter muss ihn manuell ersetzen. Bei 200 Vorgängen täglich summiert sich dieser Aufwand schnell.
Sitzungsbasierte Token-Zuordnung löst das. Sie stellt echte Namen automatisch wieder her.
Das Problem ohne Token-Zuordnung
Der Anonymisierungsschritt erzeugt einen Token. „Maria Schmidt" wird zu [CUSTOMER_1]. Claude entwirft: „Sehr geehrte(r) [CUSTOMER_1], wir entschuldigen uns für die Verzögerung."
Der Sachbearbeiter muss nun [CUSTOMER_1] durch „Maria Schmidt" ersetzen. In großem Maßstab macht dieser Schritt den Nutzen der KI-Unterstützung zunichte. Es ist Routinearbeit, die nicht verschwindet.
Wie Sitzungs-Token funktionieren
Die Sitzung speichert eine Zuordnungstabelle: [CUSTOMER_1] → „Maria Schmidt." Wenn Claude seinen Entwurf zurückgibt, liest die Auto-Decrypt-Ebene diese Tabelle und stellt den Namen wieder her. Der Mitarbeiter sieht „Sehr geehrte Maria Schmidt" — bereits korrekt. Kein manueller Schritt. Der DSGVO-Schutz läuft still im Hintergrund.
Warum Sitzungskonsistenz wichtig ist
Die Token-Tabelle muss über die gesamte Sitzung konsistent sein. Wenn „Maria Schmidt" in der Erstbeschwerde und in einer Folgenachricht auftaucht, müssen beide zu [CUSTOMER_1] aufgelöst werden. Ohne das behandelt Claude sie als zwei verschiedene Personen. Die Antwort wird inkohärent.
Eine Person erhält einen Token pro Sitzung. Claude kann das Gespräch dann korrekt verarbeiten.
DSGVO-Konformität durch Design
DSGVO Artikel 4(5) definiert Pseudonymisierung als risikomindernde Technik. Die EDPB-Leitlinien von 2022 verlangen eines: Der Schlüssel muss getrennt von den pseudonymisierten Daten aufbewahrt werden.
Sitzungs-Token-Tabellen erfüllen diese Anforderung. Die Zuordnung bleibt im Browser. Sie wird nie an Claude gesendet. Nach Ende der Sitzung ist sie weg. Keine personenbezogenen Daten erreichen externe Server. Die Frage nach Artikel 46 stellt sich nicht.
Versicherungsschäden: Ein konkretes Beispiel
Ein deutsches Versicherungsunternehmen bearbeitet Kundenbeschwerden per E-Mail. Jede E-Mail enthält einen Namen, eine Policennummer und eine Schadenshöhe.
Vor der KI-Verarbeitung anonymisiert die Chrome-Erweiterung oder der MCP-Server alle drei Felder. Claude sieht [CUSTOMER_1], [POLICY_2024-08847] und [AMOUNT_1]. Es erstellt eine Antwort mit diesen Token.
Die Auto-Decrypt-Ebene stellt dann alle drei Felder wieder her. Der Sachbearbeiter sieht den echten Namen und die Policennummer im Entwurf. Er prüft und sendet. Kein manueller Ersatz von Platzhaltern.
Das DSGVO-Ergebnis: Die an Claudes US-Server gesendeten Daten enthielten keine personenbezogenen Daten. Name und Policennummer des Kunden blieben in Deutschland im Browser des Sachbearbeiters.
Was der vollständige Ablauf erfordert
Drei Komponenten müssen zusammenwirken:
1. Konsistente Token. Jede Entität erhält pro Sitzung einen Token. Immer denselben.
2. Eine lokale Zuordnungstabelle. Sie liegt in der Sitzung. Sie wird nicht an die KI gesendet.
3. Auto-Decrypt bei der Ausgabe. Die Tabelle wird auf den KI-Entwurf angewendet, bevor der Mitarbeiter ihn sieht.
Ohne alle drei ersetzen Mitarbeiter Token manuell. Mit allen dreien läuft der Workflow eigenständig und ist standardmäßig DSGVO-konform.
Fazit
Dieser Ansatz schließt den Kreislauf in KI-gestützter Kundenarbeit. Anonymisierung schützt Daten, bevor sie die KI erreichen. Auto-Decryption setzt echte Namen in die Antwort zurück. Mitarbeiter sehen bei jedem Schritt korrekte Namen. Die DSGVO-Konformität bleibt durchgehend gewahrt.
Quellen
- EDPB-Leitlinien 01/2025 zur Pseudonymisierung — Anforderungen zur Pseudonymisierung, einschließlich der Trennung des Schlüssels von pseudonymisierten Daten. VERIFIZIERT-EXTERN.
- DSGVO Artikel 4(5) — Rechtliche Definition der Pseudonymisierung. VERIFIZIERT-EXTERN.
- IAPP: Top 10 operationale Auswirkungen der DSGVO — Nur 23 % der Anonymisierungstools bieten echte Reversibilität. GEKENNZEICHNET: genaue Zahl nicht unabhängig verifiziert; als Richtwert zu verstehen.