Der Einsatz von Cloud-LLMs setzt voraus, dass Unternehmensdaten an externe Dienste übermittelt werden. Enthalten diese personenbezogene Informationen, entsteht ein Zielkonflikt zwischen Datenschutz und Nutzbarkeit. Bestehende Verfahren beschränken sich häufig auf deren Erkennung und Maskierung. Dadurch können Angaben verloren gehen, die für die Bearbeitung einer Anfrage weiterhin benötigt werden. Die Herausforderung besteht darin, nur diejenigen Informationen offenzulegen, die tatsächlich erforderlich sind.

Die Arbeit entwickelt eine modulare Privacy-Pipeline, welche den gesamten Weg einer Anfrage vom Nutzerprompt bis zur fertigen Antwort begleitet. Personenbezogene Daten werden zunächst lokal identifiziert und schrittweise für die Übermittlung vorbereitet. Den Kern der Pipeline bildet die kontextabhängige Abstraktion, welche den Detaillierungsgrad einzelner Angaben gezielt an den Informationsbedarf der Anfrage anpasst. Die vorbereiteten Inhalte werden anschliessend an das Cloud-LLM übermittelt, bevor die erzeugte Antwort lokal wieder in ihren ursprünglichen Kontext zurückgeführt wird.

Die Untersuchung zeigt, dass sich Datenschutz und Nutzbarkeit nicht unabhängig voneinander betrachten lassen. Entscheidend ist nicht ein möglichst hohes Abstraktionsniveau, sondern welche Angaben für die jeweilige Aufgabe tatsächlich benötigt werden. Die fallbasierte Evaluation zeigt, dass die entwickelte Pipeline die Offenlegung personenbezogener Daten an ein Cloud-LLM grundsätzlich reduzieren und den erforderlichen Kontext teilweise erhalten kann. Gleichzeitig wurde deutlich, dass sich die Wirkung einzelner Schutzmassnahmen erst im Zusammenspiel der gesamten Verarbeitungskette beurteilen lässt. Änderungen an einzelnen Komponenten können nachgelagerte Verarbeitungsschritte beeinflussen und erschweren damit auch deren Evaluation. Der entwickelte Prototyp bildet eine zusätzliche Schutzschicht und eine modulare Grundlage für die systematische Weiterentwicklung und umfassendere Evaluation der Pipeline.