Direkte und indirekte Identifikatoren
Nicht alle PII identifizieren eine Person auf dieselbe Weise. Praktiker unterscheiden zwei Kategorien, und die Unterscheidung ist von Bedeutung, weil indirekte Identifikatoren weit leichter übersehen werden.
Direkte Identifikatoren
Ein direkter Identifikator benennt eine bestimmte Person ohne jeden zusätzlichen Kontext. Eine Passnummer, eine Sozialversicherungs- oder nationale Versicherungsnummer, ein vollständiger rechtlicher Name in Verbindung mit einem Geburtsdatum, eine persönliche E-Mail-Adresse oder ein biometrisches Template verweisen jeweils für sich allein auf eine einzige Person. Dies sind die Muster, auf die die meisten Datenkontrollen ausgerichtet sind.
Indirekte Identifikatoren (Quasi-Identifikatoren)
Ein indirekter Identifikator weist für sich allein keine Person aus, wird aber identifizierend, wenn er mit anderen Daten kombiniert wird. Eine Postleitzahl, eine Berufsbezeichnung, ein Arbeitgeber, ein Geschlecht und ein Geburtsjahr sind je für sich unauffällig. Zusammen können sie eine Bevölkerung auf eine einzige Person eingrenzen. Re-Identifikationsforschung hat wiederholt gezeigt, dass eine kleine Zahl von Quasi-Identifikatoren oft ausreicht, um Personen in vermeintlich anonymisierten Datensätzen eindeutig zu identifizieren. Deshalb macht das bloße Entfernen von Namen Daten nicht zu nicht-personenbezogenen Daten.
PII im Vergleich zu verwandten Kategorien
„PII" ist ein Begriff aus der US-amerikanischen Datenschutzpraxis. Das europäische Datenschutzrecht verwendet das breitere Konzept der „personenbezogenen Daten", und die meisten Frameworks grenzen für besonders sensible Attribute eine strenger regulierte Teilmenge aus. Diese Kategorien überschneiden sich, sind aber nicht austauschbar, und ihre Vermischung führt zu unzureichendem Schutz.
| PII (US-Verwendung) | Personenbezogene Daten (DSGVO) | Sensible / besondere Kategorien von Daten | |
|---|---|---|---|
| Geltungsbereich | Daten, die eine bestimmte Person identifizieren | Alle Daten, die sich auf eine identifizierte oder identifizierbare Person beziehen | Eine definierte Teilmenge, die erhöhten Schutz erfordert |
| Umfang | Enger; auf identifizierende Attribute fokussiert | Breiter; umfasst Daten, die sich lediglich auf eine Person beziehen | Am engsten; eine aufgezählte Liste von Kategorien |
| Typische Beispiele | Name, SSN, Passnummer, E-Mail-Adresse | Die obigen plus IP-Adressen, Geräte-IDs, Standort, Online-Kennungen | Gesundheits-, biometrische, genetische, rassische oder ethnische, religiöse Daten, Daten zur sexuellen Orientierung |
| Indirekte Daten | Werden in Kombination oft als PII behandelt | Ausdrücklich erfasst, wenn eine Person identifizierbar ist | Erfasst, mit strengeren Bedingungen für die Verarbeitung |
Die praktische Erkenntnis: Die „personenbezogenen Daten" der DSGVO sind weiter gefasst als der klassische Begriff der PII — eine IP-Adresse oder eine Gerätekennung kann personenbezogenes Datum sein, selbst wenn sie nach einer engen US-Lesart nicht als PII gälte. Sensible oder besondere Kategorien von Daten (Gesundheit, Biometrie, ethnische Herkunft, Religion, sexuelle Orientierung und Ähnliches) bilden eine kleinere Menge, die nahezu jedes Framework einer strengeren Handhabung unterwirft. Im Zweifel behandeln Sie die breiteste anwendbare Definition als die maßgebliche.
Warum PII für AI relevant sind
AI-Tools haben einen neuen, hochvolumigen Pfad geschaffen, über den PII eine Organisation verlassen können — einen, für dessen Überwachung die meisten Datenkontrollen nie positioniert waren. Vier Expositionsmuster dominieren.
Nutzer fügen PII in Prompts ein
Die häufigste Exposition ist zugleich die banalste: Ein Mitarbeiter fügt eine Kundenliste, ein Support-Transkript, einen Lebenslauf oder einen Vertrag in einen Chatbot ein, um ihn zusammenzufassen oder umzuschreiben. Die PII sind nun Prompt-Text, der an ein Drittanbieter-Modell übermittelt wird — außerhalb der Kanäle, die klassische Data Loss Prevention prüft.
Modell-Memorisierung und Training
Wenn Prompts zum Trainieren oder Feinabstimmen eines Modells verwendet werden, können darin enthaltene PII in den Parametern des Modells erhalten bleiben und unter bestimmten Bedingungen später wieder auftauchen. Selbst wenn ein Anbieter angibt, dass Eingaben nicht für das Training verwendet werden, kann eine Organisation, die ihre eigenen ausgehenden Prompts nicht prüfen kann, nicht verifizieren, welche PII sie wem gegenüber offengelegt hat.
Completions, die PII aus angebundenen Systemen zutage fördern
Da AI-Assistenten und -Agenten in interne Systeme eingebunden werden — CRMs, Ticketing-Tools, Wissensdatenbanken, Datenbanken — können Modell-Completions PII aus diesen Quellen an einen Nutzer zurückgeben, der sie nicht sehen sollte, oder sie in einen nachgelagerten Tool-Call zurückspiegeln. Die sensiblen Daten verlassen die Organisation nicht über einen Upload, sondern über die Ausgabe des Modells.
Regulatorische Exposition
PII sind das Objekt, zu dessen Schutz die meisten Datenschutzvorschriften geschaffen wurden. Ihr fehlerhafter Umgang über AI-Tools kann Frameworks wie die DSGVO in der EU, den CCPA/CPRA in Kalifornien und HIPAA für Gesundheitsdaten in den Vereinigten Staaten — neben anderen — berühren. Zu den Pflichten zählen häufig eine Rechtsgrundlage für die Verarbeitung, Datenminimierung, Zweckbindung und Meldung von Verletzungen. Ungeprüfte PII, die in externe Modelle fließen, untergraben die Fähigkeit einer Organisation, irgendeine dieser Pflichten nachzuweisen.
PII über AI-Oberflächen hinweg steuern
PII im AI-Zeitalter zu schützen bedeutet, Prüfung auf der Schicht zu ergänzen, auf der AI-Aktivität tatsächlich stattfindet, statt sich allein auf Netzwerk-Austritts- oder Endgeräte-Kontrollen zu verlassen:
- Prompt-Prüfung — PII werden im Prompt erkannt, bevor er an ein Modell übermittelt wird, und können bei Richtlinientreffer geschwärzt oder blockiert werden.
- Completion-Prüfung — Modell-Ausgaben werden geprüft, bevor sie den Nutzer erreichen, und erfassen PII, die aus angebundenen Systemen auftauchen.
- Governance von Agenten-Tool-Calls — Argumente, die autonome Agenten an externe Tools und APIs übergeben, werden vor der Ausführung geprüft.
- Semantische Erkennung — über Regex für strukturierte Identifikatoren hinaus hilft semantische Analyse, indirekte Identifikatoren und PII zu erfassen, die in freier natürlicher Sprache eingebettet sind.
- Audit-Trail — jede geprüfte Interaktion wird erfasst, sodass eine Organisation nachweisen kann, welche PII wo und unter welcher Richtlinie verarbeitet wurden.
Fragen, die eine PII-Governance-Fähigkeit beantwortet
- Werden PII in externe AI-Tools eingefügt? — Erkennung auf Prompt-Ebene mit Schwärzung oder Blockierung.
- Hat ein Modell personenbezogene Daten aus einer angebundenen Quelle zurückgegeben? — Completion-Prüfung vor der Anzeige.
- Welche PII hat dieser AI-Agent an eine externe API gesendet? — Prüfung der Tool-Call-Argumente und Audit.
- Welche Nutzer und Tools verarbeiten die meisten PII? — Nutzungsanalysen über AI-Oberflächen hinweg.
