Palantir, Nvidia und Booz Allen Hamilton verlangen einem Bericht zufolge stärkere Garantien für den Umgang mit vertraulichen Daten bei KI-Anbietern. Reuters berichtete am 14. September unter Berufung auf The Information: Palantir fordere von Anthropic eine unwiderrufliche Zusicherung zur Nicht-Speicherung, Nvidia beschränke dessen Modelle auf weniger sensible Aufgaben und Booz Allen untersage bestimmte proprietäre Cybersicherheitsarbeiten mit Anthropics kommerziellem Modell. Die beteiligten Unternehmen hätten Reuters zunächst keine Stellungnahme gegeben. Es handelt sich damit um berichtete Einschränkungen, nicht um einen öffentlich bestätigten vollständigen KI-Ausstieg. Reuters
Die Meldung lenkt den Blick auf eine Frage, die bei der Auswahl von KI-Werkzeugen häufig hinter Leistungsfähigkeit und Bedienkomfort zurücktritt: Was passiert mit den Informationen, nachdem sie an das System übermittelt wurden?
„Kein Training mit deinen Daten“ beantwortet nur eine Frage
Die Zusicherung, Eingaben nicht zum Training eines KI-Modells zu verwenden, ist wichtig. Sie sagt jedoch noch nicht, ob diese Eingaben gespeichert werden, wie lange sie verfügbar bleiben oder unter welchen Voraussetzungen sie überprüft werden dürfen.
Modelltraining und Datenspeicherung sind unterschiedliche Vorgänge. Ein Anbieter kann darauf verzichten, Informationen für die Weiterentwicklung seiner Modelle zu nutzen, und sie trotzdem aufbewahren – beispielsweise für den Gesprächsverlauf, technische Funktionen oder die Erkennung missbräuchlicher Nutzung.
Anthropics eigene Dokumentation macht diese Unterscheidung deutlich. Für bestimmte leistungsfähige Modelle verlangt das Unternehmen eine Speicherung über 30 Tage; eine sogenannte Zero Data Retention (keine dauerhafte Speicherung von Eingaben und Antworten nach Abschluss einer API-Anfrage) ist dort grundsätzlich nur mit ausdrücklicher Genehmigung verfügbar. Auch bei anderen Modellen hängt die Möglichkeit zur Nicht-Speicherung von der verwendeten Funktion und dem konkreten Zugang ab. Anthropic: API und Datenspeicherung
Ein allgemeiner Hinweis wie „Ihre Daten werden nicht für KI-Training verwendet“ reicht deshalb nicht aus, um den gesamten Umgang mit vertraulichen Informationen zu beurteilen.
Sicherheitsprüfung und Vertraulichkeit können in Konflikt geraten
Die Speicherung von Nutzungsdaten ist nicht automatisch ein Hinweis auf unlautere Absichten. Anbieter müssen ihre Systeme gegen Missbrauch absichern. Dafür kann es erforderlich sein, verdächtige Vorgänge zu untersuchen.
Anthropic beschreibt beispielsweise längere Aufbewahrungsfristen für Inhalte, die als mögliche Verstöße gegen seine Nutzungsregeln markiert werden. Auch Feedback und Fehlerberichte können eigenen Speicherbedingungen unterliegen. Anthropic: Aufbewahrung von Organisationsdaten
Hier entsteht ein Spannungsverhältnis: Was dem Anbieter bei der Absicherung seiner Dienste hilft, kann für eine Einrichtung zusätzliche Risiken schaffen. Vertrauliche Informationen bleiben möglicherweise länger außerhalb der eigenen Infrastruktur verfügbar, als Mitarbeitende erwarten.
Die entscheidende Frage lautet deshalb nicht, ob Sicherheitsprüfungen grundsätzlich sinnvoll sind. Entscheidend ist, welche Daten dafür benötigt werden, welche Zugriffe möglich sind und ob diese Verarbeitung mit dem vorgesehenen Einsatz vereinbar ist.
Ein kostenpflichtiger Zugang ist noch keine umfassende Datenschutzgarantie
Auch die Unterscheidung zwischen kostenlosem und kostenpflichtigem Angebot greift zu kurz. Ein bezahltes Abonnement kann andere Bedingungen bieten, garantiert aber nicht automatisch die Nicht-Speicherung sämtlicher Inhalte.
Ebenso wenig lassen sich die Regeln einer API (Programmierschnittstelle für die Einbindung eines Modells in andere Anwendungen) ohne Weiteres auf die Chatoberfläche desselben Anbieters übertragen. Gesprächsverläufe, hochgeladene Dateien und zusätzliche Werkzeuge können jeweils eigene Speicheranforderungen haben. Anthropic schließt beispielsweise mehrere Produktoberflächen und Funktionen ausdrücklich von seinen Zero-Data-Retention-Vereinbarungen aus. Anthropic: Geltungsbereich der Nicht-Speicherung
Für die Bewertung eines Angebots ist daher nicht allein der Produktname maßgeblich. Geprüft werden muss der tatsächlich verwendete Dienst mit seinen konkreten Einstellungen, Funktionen und Vertragsbedingungen.
Bibliotheken brauchen Vertraulichkeit, nicht nur gute Antworten
Für Bibliotheken ist diese Unterscheidung besonders relevant. Eine allgemeine Formulierungshilfe für einen Veranstaltungstext ist etwas anderes als die Auswertung einer Beschwerde, einer Veranstaltungsanmeldung oder eines internen Personalvorgangs.
Auch Informationen ohne unmittelbar sichtbaren Namen können vertraulich sein. Eine Kombination aus Alter, Wohnort, familiärer Situation und einer ungewöhnlichen Anfrage kann eine Person unter Umständen erkennbar machen. Namen aus einem Dokument zu entfernen, ist deshalb nicht automatisch mit einer wirksamen Anonymisierung gleichzusetzen.
Hinzu kommt eine bibliothekarische Besonderheit: Rechercheinteressen können sehr persönlich sein. Wer nach Informationen zu Erkrankungen, politischen Konflikten, Schulden oder familiären Problemen sucht, sollte nicht damit rechnen müssen, dass diese Anliegen beiläufig in externe KI-Dienste übertragen werden.
Daraus folgt eine sinnvolle Unterscheidung nach Aufgaben und Datenarten. Öffentlich verfügbare Veranstaltungsinformationen können anders behandelt werden als Ausleihdaten, individuelle Beratungsanliegen oder interne Unterlagen. Die Leistungsfähigkeit eines Modells allein rechtfertigt nicht, ihm jede verfügbare Information zu überlassen.
Nicht jede Aufgabe braucht das leistungsfähigste Modell
Eine wichtige Konsequenz dieser Debatte betrifft die Auswahl der Technik. Das neueste oder leistungsfähigste Modell ist nicht zwangsläufig die beste Lösung für eine konkrete Aufgabe.
Wenn ein weniger leistungsfähiges System einen Text ausreichend gut strukturiert und zugleich besser zu den Anforderungen an Vertraulichkeit passt, kann es die geeignetere Wahl sein. Bei besonders sensiblen Vorgängen kann auch der Verzicht auf eine externe KI sachlich begründet sein.
Lokal betriebene Modelle können die Übermittlung an externe Anbieter reduzieren. Sie sind jedoch ebenfalls kein automatischer Freibrief: Auch innerhalb der eigenen Infrastruktur müssen Zugriffe, Protokolle und gespeicherte Dateien kontrolliert werden. Der Unterschied liegt darin, wo die Verarbeitung stattfindet und welche Kontrolle die Einrichtung darüber tatsächlich besitzt.
Lokale KI braucht eine realistische Infrastruktur
Für Bibliotheken ist der lokale Betrieb leistungsfähiger KI-Modelle vor allem eine Infrastrukturfrage. Die Verfügbarkeit frei nutzbarer Modelle bedeutet noch nicht, dass die vorhandenen Bibliotheksrechner sie mit ausreichender Geschwindigkeit betreiben können. Größere Modelle benötigen erhebliche Speicher- und Rechenkapazitäten; hinzu kommen Wartung, Sicherheitsupdates und die Anforderungen mehrerer gleichzeitiger Nutzender. Wie stark der Speicherbedarf mit der Modellgröße wächst, zeigen beispielsweise die Hardwareangaben von Google zu Gemma.
Kleinere Modelle können auf gewöhnlichen Rechnern für klar begrenzte Aufgaben durchaus hilfreich sein. Sie sind jedoch kein umfassender Ersatz für die Leistungsfähigkeit und den Funktionsumfang aktueller cloudbasierter Abo-Angebote. Leistungsfähigere selbst betriebene Lösungen erfordern zusätzliche Investitionen oder gemeinsam genutzte Infrastruktur, etwa über kommunale IT-Dienstleister oder Bibliotheksverbünde.
Daraus kann ein Spannungsfeld zwischen Vertraulichkeit und Leistungsfähigkeit entstehen: Sensible Inhalte bleiben in einer lokalen Umgebung, während anspruchsvollere Aufgaben mit externen Diensten bearbeitet werden. Ohne eine abgestimmte Strategie führt das möglicherweise zu einem unübersichtlichen Nebeneinander verschiedener Werkzeuge und wiederholten Modellwechseln. Dabei wechseln nicht nur die Möglichkeiten der Systeme, sondern auch die Bedingungen der Datenverarbeitung. Entscheidend sind deshalb nachvollziehbare Zuständigkeiten und klare Regeln dafür, welche Informationen in welcher Anwendung verarbeitet werden dürfen.
Datenschutzversprechen müssen zum konkreten Einsatz passen
Die berichteten Einschränkungen sollten weder als Beweis verstanden werden, dass sämtliche KI-Angebote unsicher sind, noch als bloßer Streit zwischen großen Unternehmen abgetan werden. Sie verdeutlichen vielmehr, dass selbst professionelle Nutzerinnen und Nutzer zusätzliche Garantien verlangen.
Für Bibliotheken liegt die zentrale Lehre in einer präziseren Bewertung: „Kein Training“, „verschlüsselte Übertragung“ und „keine Speicherung“ sind keine austauschbaren Aussagen. Jede beantwortet eine andere Frage.
Ein verantwortlicher KI-Einsatz beginnt deshalb nicht mit dem Vertrauen in ein bekanntes Anbieterlogo. Er beginnt mit der Entscheidung, welche Informationen für eine Aufgabe überhaupt benötigt werden – und unter welchen Bedingungen sie die eigene Einrichtung verlassen dürfen.