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.
ChatGPT, Claude & Gemini ohne Klarnamen
Persona ersetzt personenbezogene Daten durch Platzhalter, bevor sie den Chat erreichen — und zeigt die Antwort wieder im Klartext. Für Chrome und Edge.
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.
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 →PII-Erkennung: personenbezogene Daten in Text finden
PII Detection für deutschen Text: Datenkategorien, Regeln und Sprachmodelle vergleichen, Treffer prüfen und die Erkennung vor LLM-Aufrufen integrieren.
Weiterlesen →Anonymisierung-API: Text für LLMs pseudonymisieren
Eine API für sensible Texte integrieren: Pseudonymisierung statt pauschaler Anonymität, Request-Beispiel, Mapping-Schutz und Fehlerbehandlung.
Weiterlesen →LLM-Datenschutz: Prompts, Kontext und Logs schützen
Datenschutz in LLM-Pipelines praktisch umsetzen: Datenflüsse erfassen, Prompts pseudonymisieren, Mappings schützen und Logs sowie Tool-Aufrufe prüfen.
Weiterlesen →RAG-Datenschutz: Dokumente, Embeddings und Retrieval
RAG-Pipelines mit persönlichen Daten planen: Pseudonymisierung vor Embeddings, Zugriffsfilter beim Retrieval und sichere Zuordnung in KI-Antworten.
Weiterlesen →PDF anonymisieren: Inhalte, Metadaten und Scans prüfen
PDFs vor der Weitergabe prüfen: Namen, Unterschriften, Textebenen und Metadaten entfernen. Anleitung mit Exportkontrolle und kostenlosem Schwärzungs-Tool.
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 →