Coding-Agenten senden alles, was sie lesen, an das Sprachmodell des Anbieters: Quellcode, Konfigurationsdateien, Logausgaben, Datenbankinhalte. Sobald darunter personenbezogene Daten sind, greift die DSGVO. Viele Teams merken das erst, wenn ein Agent beim Debuggen einen Produktionsdump oder eine Logdatei mit Kundendaten einliest. Dieser Artikel ordnet ein, welche Daten problematisch sind, welche vertraglichen Grundlagen Sie brauchen und wie Sie mit technischen Regeln und Anonymisierung sicherstellen, dass nur in den Kontext gelangt, was dorthin gehört. Er ersetzt keine Rechtsberatung.
Welche Daten typischerweise im Kontext landen
Quellcode selbst ist in der Regel kein personenbezogenes Datum, kann aber Geschäftsgeheimnisse enthalten. Kritisch wird es bei allem, was echte Daten über Personen enthält: Testdaten, die aus der Produktion kopiert wurden, Logdateien mit E-Mail-Adressen oder IP-Adressen, Fehlermeldungen mit Kundennamen, Datenbankabfragen gegen Echtdaten, Support-Tickets oder Screenshots von Oberflächen mit Kundendaten.
Hinzu kommen Daten über Mitarbeitende, etwa in Commit-Historien oder internen Dokumenten. Auch hier gilt: Was der Agent liest, wird verarbeitet und gegebenenfalls beim Anbieter gespeichert.
Ein oft übersehener Weg sind MCP-Server und Werkzeuge mit Zugriff auf Ticketsysteme, Fehlertracker oder Kommunikationskanäle. Sie liefern dem Agenten wertvollen Kontext, enthalten aber häufig Namen, Kontaktdaten und Inhalte aus Kundenanfragen. Prüfen Sie deshalb für jede angebundene Quelle, welche Daten sie tatsächlich zurückgibt.
Rechtliche Grundlagen klären
Wenn personenbezogene Daten an einen KI-Anbieter übermittelt werden, brauchen Sie eine Rechtsgrundlage, einen Vertrag zur Auftragsverarbeitung und bei Übermittlungen in Drittländer geeignete Garantien. Die großen Anbieter bieten für Unternehmenspläne und API-Zugänge entsprechende Verträge an und sagen dort zu, Eingaben nicht zum Training zu verwenden. Bei privaten oder kostenlosen Konten gelten häufig andere Bedingungen.
Prüfen Sie außerdem Aufbewahrungsfristen, Optionen für eine Verarbeitung ohne Speicherung und die Möglichkeit, Daten in europäischen Regionen zu verarbeiten, etwa über Cloud-Plattformen wie Amazon Bedrock, Google Vertex AI oder Microsoft Azure. Binden Sie Ihren Datenschutzbeauftragten früh ein und dokumentieren Sie die Verarbeitung im Verzeichnis der Verarbeitungstätigkeiten. Je nach Einsatz können zudem Pflichten aus dem EU AI Act relevant werden, etwa zur KI-Kompetenz der Mitarbeitenden.
Technische Regeln für den Alltag
Die sicherste personenbezogene Information ist die, die gar nicht erst in den Kontext gelangt. Das erreichen Sie mit einer Kombination aus Umgebung, Regeln und Datenhygiene.
- Nutzen Sie ausschließlich Unternehmenskonten oder API-Zugänge mit Vertrag zur Auftragsverarbeitung, keine privaten Konten.
- Arbeiten Sie mit synthetischen oder anonymisierten Testdaten statt mit Kopien aus der Produktion.
- Sperren Sie per Deny-Regeln oder Ignore-Dateien den Zugriff auf Ordner mit Exporten, Dumps und Logdateien.
- Verbinden Sie Datenbank-MCP-Server nur mit Entwicklungsdatenbanken ohne Echtdaten.
- Halten Sie in der AGENTS.md oder CLAUDE.md fest, dass keine Produktionsdaten gelesen oder angefragt werden dürfen.
- Schulen Sie das Team darin, vor dem Einfügen von Logs oder Fehlermeldungen personenbezogene Daten zu entfernen.
Anonymisierung als Brücke
Manchmal braucht der Agent echte Strukturen, etwa um einen Fehler zu analysieren, der nur mit bestimmten Datenmustern auftritt. Dann hilft Anonymisierung: Namen, Adressen, E-Mail-Adressen, Telefonnummern und weitere Merkmale werden vor der Übergabe ersetzt, die Struktur der Daten bleibt erhalten. Das ermöglicht realistische Analysen, ohne Personen preiszugeben.
Manuell ist das fehleranfällig und langsam. Textwash Pro automatisiert die Anonymisierung von Texten und eignet sich, um Logauszüge, Tickets oder Dokumente vor der Verarbeitung durch KI zu bereinigen. Wichtig ist, dass die Anonymisierung vor dem Agenten stattfindet und nicht vom Agenten selbst erledigt wird, denn sonst hat er die Rohdaten bereits gesehen.
Für wiederkehrende Abläufe lohnt sich eine feste Station im Prozess: Exporte aus Support- oder Fehlersystemen durchlaufen vor der Weitergabe an Agenten automatisch die Anonymisierung und werden erst dann in einem freigegebenen Ordner abgelegt. So muss niemand im Alltag daran denken, und der Agent arbeitet nur mit bereinigten Daten.
Datenschutz als Teil des Playbooks
Datenschutz ist kein Hindernis für Coding-Agenten, sondern eine Frage klarer Regeln und Werkzeuge. In den Workshops und Playbooks von neooutput verankern unsere AI Code Engineers Datenschutzregeln direkt in Konfiguration, Regeldateien und Abläufe Ihres Teams und zeigen, wo automatische Anonymisierung mit Textwash Pro sinnvoll ist. Klären Sie Ihre Fragen in einem kostenlosen 15-Minuten-Erstgespräch.
Häufige Fragen
Ist Quellcode ein personenbezogenes Datum?
In der Regel nicht. Er kann aber personenbezogene Daten enthalten, etwa in Kommentaren, Testdaten oder Konfigurationen. Zudem ist Quellcode oft ein Geschäftsgeheimnis, dessen Weitergabe vertraglich geregelt sein sollte.
Reicht ein Unternehmenskonto beim Anbieter aus?
Es ist eine wichtige Voraussetzung, aber nicht ausreichend. Sie brauchen zusätzlich eine Rechtsgrundlage, die Dokumentation der Verarbeitung und technische Regeln, die verhindern, dass unnötig personenbezogene Daten in den Kontext gelangen.
Kann der Agent die Daten nicht einfach selbst anonymisieren?
Davon raten wir ab, denn dann hat der Agent die Rohdaten bereits gelesen und an das Modell übermittelt. Die Anonymisierung sollte vorher erfolgen, etwa automatisiert mit einem spezialisierten Werkzeug.