Pseudonymisierung für LLM-Prompts: Ihr Text erreicht das Modell, Ihre Kundendaten nicht.
Persona erkennt personenbezogene Daten in Echtzeit und ersetzt sie durch konsistente Pseudonyme — bevor der Text Ihre Infrastruktur verlässt. Ein API-Aufruf, neun PII-Kategorien, vollständige Re-Identifikation.
So funktioniert Pseudonymisierung: ein Proxy-Schritt vor jedem LLM
Persona sitzt vor OpenAI, Anthropic, Mistral oder Ihrem eigenen Modell. Personenbezogene Daten werden ersetzt, die Antwort wird automatisch re-identifiziert — Ihr Code merkt davon nichts.
Persönliche Daten finden
Ein spezialisiertes Sprachmodell erkennt Namen, Nummern und Adressen zeichengenau — auch in deutschem Fließtext.
Durch Pseudonyme tauschen
Jede Person erhält ein stabiles Pseudonym und bleibt so im gesamten Text dieselbe — nur eben unkenntlich.
Antwort automatisch zurückübersetzen
Die LLM-Antwort läuft zurück durch Persona: Pseudonyme werden gegen die Originale getauscht — nur bei Ihnen, nie beim LLM.
Probieren Sie es aus. Direkt hier.
Läuft gegen das echte Modell auf unserer EU-Infrastruktur — begrenzt auf 600 Zeichen. Den vollen Zugriff gibt es nach der Registrierung im Playground — mit denselben Feldern.
Persönliche Daten in PDFs schwärzen
PDF auswählen, sensible Bereiche prüfen und mit schwarzen Balken herunterladen. Ohne Anmeldung, im ursprünglichen Seitenlayout.
Neun PII-Kategorien, die Persona in deutschem Text erkennt
Kein Regex-Flickenteppich: Ein trainiertes Modell versteht Kontext — es unterscheidet die Privatperson vom Amtsträger und die Kundennummer von der Bestellmenge.
Personen
Namen natürlicher Personen im Kontext — nicht jede Erwähnung von „Goethe“.
private_person§ 01E-Mail-Adressen
Private und geschäftliche Adressen, auch obfuskiert geschriebene.
private_email§ 02Telefonnummern
Mobil, Festnetz, international — in jedem Format.
private_phone§ 03Adressen
Straßen, Hausnummern, PLZ und Wohnorte natürlicher Personen.
private_address§ 04URLs & Profile
Persönliche Links, Social-Media-Profile, Kalender-Links.
private_url§ 05Datumsangaben
Geburtsdaten und identifizierende Termine — nicht jedes Datum.
private_date§ 06Kontonummern
IBAN, Kunden-, Versicherten- und Vertragsnummern.
account_number§ 07Geheimnisse
API-Keys, Passwörter und Tokens, die in Prompts landen.
secret§ 08Sonstige PII
Kennzeichen, Ausweisnummern, Gesundheitsdaten — der Auffangtatbestand.
other_pii§ 09Die Pseudonymisierungs-API: eine Anfrage, eine Antwort, fertig
Keine SDKs nötig, kein Vendor-Lock-in. Ein einziger HTTPS-Endpunkt, der sich in jede bestehende LLM-Pipeline einfügt.
/v1/pseudonymize
Text rein — maskierter Text, Spans und Mapping raus.
/v1/reidentify
LLM-Antwort plus Mapping rein, Originaltext raus.
p50-Latenz
Schnell genug für Streaming-Chats und Echtzeit.
Sensitivitätswert
Hochsensible Anfragen automatisch an On-Prem routen.
Auftragsverarbeitung
AV-Vertrag, Hosting in Deutschland, keine Speicherung.
# Text pseudonymisieren
curl https://persona-api.mind-verse.de/v1/pseudonymize \
-H "Authorization: Bearer $PERSONA_KEY" \
-H "Content-Type: application/json" \
-d '{
"text": "Rückruf für Jonas Bergmann unter 0176 22558899."
}'import requests
r = requests.post(
"https://persona-api.mind-verse.de/v1/pseudonymize",
headers={"Authorization": f"Bearer {KEY}"},
json={"text": prompt},
)
data = r.json()
# pseudonymisierten Text ans LLM schicken …
antwort = llm(data["masked"])
# … und die Antwort re-identifizieren
for token, original in data["mapping"].items():
antwort = antwort.replace(token, original)const res = await fetch("https://persona-api.mind-verse.de/v1/pseudonymize", {
method: "POST",
headers: {
Authorization: `Bearer ${process.env.PERSONA_KEY}`,
"Content-Type": "application/json",
},
body: JSON.stringify({ text: prompt }),
});
const { masked, mapping, sensitivity } = await res.json();
// sensible Anfragen automatisch umleiten
const model = sensitivity > 0.8 ? onPremModel : cloudModel;
const antwort = await model.complete(masked);→ Antwort: { "masked", "spans[]", "mapping", "sensitivity" } — identisch zum Playground.
DSGVO-konform: Ihre Daten bleiben in Deutschland
Keine US-Cloud in der Verarbeitungskette: Das Erkennungsmodell läuft auf eigenen dedizierten Servern bei Hetzner in Falkenstein — Ihr Text wird analysiert, beantwortet und sofort vergessen.
Server bei Hetzner in Deutschland
Dedizierte Hardware im ISO-27001-zertifizierten Rechenzentrum Falkenstein — kein Hyperscaler, keine Übermittlung in Drittländer.
Die Analyse bleibt auf unserer Hardware
Das Erkennungsmodell läuft direkt auf dem Server. Für die Analyse wird kein externer KI-Dienst aufgerufen — Ihr Text verlässt die Maschine nicht.
Nichts wird gespeichert
Ihre Texte werden verarbeitet und sofort vergessen: keine Speicherung, kein Logging von Inhalten, kein Training mit Ihren Daten.
Immer verschlüsselt unterwegs
Jede Anfrage läuft ausschließlich über HTTPS mit moderner Transportverschlüsselung — von Ihnen bis auf unseren Server.
AV-Vertrag inklusive
Auftragsverarbeitungsvertrag nach Art. 28 DSGVO ab dem Pro-Plan — mit klar definierten technischen und organisatorischen Maßnahmen.
Kontodaten in Frankfurt
Registrierung, API-Keys und Abrechnung liegen in Frankfurt (eu-central-1). Ihre Texte landen dort nie — sie werden gar nicht erst gespeichert.
Verarbeitung, Speicherung und Serverstandort auf einen Blick
Nur EUPreise der Pseudonymisierungs-API — pro Anfrage, nicht pro Zeichen
Jeder Plan enthält alle neun Kategorien, Re-Identifikation und den Sensitivitätswert.
Starter
- ✓100 Anfragen / Monat
- ✓Alle 9 PII-Kategorien
- ✓Community-Support
- ✓Rate-Limit: 5 req/s
Pro
- ✓Alles aus Starter
- ✓99,9 % Uptime-SLA
- ✓AV-Vertrag inklusive
- ✓Rate-Limit: 100 req/s
- ✓Support < 24 h
Enterprise
- ✓Deployment in Ihrer VPC / on-prem
- ✓Eigene Kategorien & Fine-Tuning
- ✓Unbegrenzte Anfragen
- ✓Dedizierter Ansprechpartner
Häufige Fragen zur Pseudonymisierung
Ist Pseudonymisierung dasselbe wie Anonymisierung?
+
Nein. Pseudonymisierung (Art. 4 Nr. 5 DSGVO) ersetzt Identifikatoren so, dass die Zuordnung nur mit einer getrennt aufbewahrten Zusatzinformation möglich ist — genau das liefert Persona mit dem Mapping. Für LLM-Workflows ist das ideal: Das Modell arbeitet mit kohärentem Text, die Re-Identifikation bleibt bei Ihnen.
Speichert Persona meine Texte?
+
Nein. Die API ist zustandslos: Text kommt rein, Antwort geht raus, nichts wird persistiert. Das Mapping zwischen Pseudonym und Original liegt ausschließlich in Ihrer API-Response. Auch für Trainingszwecke werden keine Kundendaten verwendet.
Wo laufen die Server?
+
Das API-Gateway und das Erkennungsmodell laufen auf dedizierten Hetzner-Servern in Falkenstein, Deutschland — in ISO-27001-zertifizierten Rechenzentren. Die Inferenz findet lokal auf dieser Hardware statt; es wird kein externer KI-Dienst aufgerufen. Konto- und Abrechnungsdaten liegen getrennt davon in Frankfurt (eu-central-1).
Wie gut funktioniert das mit deutschem Text?
+
Sehr gut — das Modell ist mehrsprachig trainiert und versteht deutsche Namens-, Datums- und Adressformate ebenso wie zusammengesetzte Kontexte. Anders als Regex-Lösungen erkennt es PII am Kontext, nicht am Muster.
Was bedeutet der Sensitivitätswert?
+
Ein Wert zwischen 0.0 und 1.0, der die Gesamtsensibilität eines Textes bewertet. Damit können Sie Richtlinien bauen: unkritische Anfragen an ein günstiges Cloud-LLM, hochsensible automatisch an Ihr On-Premise-Modell — oder ganz blocken.
Kann ich Persona on-premise betreiben?
+
Ja. Das Modell läuft auch auf CPU-Instanzen performant und wird im Enterprise-Plan als Container in Ihrer Infrastruktur deployt — ohne externe Abhängigkeiten.
Pseudonymisierung, DSGVO und KI — nachgeschlagen
Die rechtlichen und technischen Grundlagen hinter Persona, ohne Marketingsprache: was die DSGVO verlangt, was Pseudonymisierung von Anonymisierung unterscheidet und worauf es beim KI-Einsatz im Unternehmen ankommt.
PDF schwärzen online – kostenlos & ohne Anmeldung
Persönliche Daten in PDFs erkennen, prüfen und mit schwarzen Balken entfernen. Kostenloses PDF-Tool mit Vorschau, manueller Schwärzung und Download im Seitenlayout.
Weiterlesen →Pseudonymisierung: Definition, Verfahren, Beispiel
Pseudonymisierung nach Art. 4 Nr. 5 DSGVO: Definition, Verfahren im Vergleich, ein durchgerechnetes Beispiel und was der Zuordnungsschlüssel damit zu tun hat.
Weiterlesen →Pseudonymisierung vs. Anonymisierung: der Unterschied
Anonymisierung ist unumkehrbar, Pseudonymisierung nicht — und genau darauf kommt es an. Vergleichstabelle, DSGVO-Einordnung und dasselbe Beispiel in beiden Verfahren.
Weiterlesen →KI DSGVO-konform einsetzen: Kriterien und Prüffragen
Fünf Prüfkriterien für den DSGVO-konformen KI-Einsatz, die Fragen, die Sie jedem Anbieter stellen müssen, und die Maßnahme, die unabhängig vom Anbieter wirkt.
Weiterlesen →ChatGPT DSGVO-konform nutzen: die fünf Schritte
Was ChatGPT mit Ihren Daten macht, welcher Tarif in Frage kommt, warum es einen AV-Vertrag braucht — und wie personenbezogene Daten den Prompt gar nicht erst verlassen.
Weiterlesen →Text anonymisieren: kostenloses Tool im Browser
Text einfügen, personenbezogene Daten durch Pseudonyme ersetzen lassen — direkt im Browser, ohne Anmeldung und ohne dass der Text Ihr Gerät verlässt.
Weiterlesen →AV-Vertrag für KI-Dienste: Art. 28 DSGVO in der Praxis
Wann ein Auftragsverarbeitungsvertrag nötig ist, welche Pflichtinhalte Art. 28 Abs. 3 DSGVO verlangt und worauf bei KI- und LLM-Anbietern besonders zu achten ist.
Weiterlesen →Microsoft-Presidio-Alternative für deutschen Text
Presidio erkennt PII regel- und modellbasiert und maskiert sie. Wo es bei deutschem Freitext an Grenzen stößt, was der Betrieb kostet und wann eine API die bessere Wahl ist.
Weiterlesen →Der erste API-Aufruf dauert zwei Minuten.
Das Datenleck vermeiden Sie für immer.
100 Anfragen pro Monat kostenlos. Keine Kreditkarte, kein Vertrag.
Jetzt API-Key erhalten →