---
title: "Sensible Daten und LLM-APIs: Schwärzen und Minimieren"
description: "So senden Sie Kunden-, Gesundheits- oder Finanzdaten sicher an eine LLM-API: Felder einstufen, umkehrbar pseudonymisieren, Zero Retention nutzen, Logs sauber halten."
url: https://broadrouter.com/de/blog/llm-api-sensitive-data/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/llm-api-sensitive-data/) (aktualisiert am 2026-11-15).

# Sensible Daten an LLM-APIs: schwärzen, minimieren, weniger loggen

Vom Team von BroadNet Inference · 5 Min. Lesezeit · Veröffentlicht 2026-11-14 · Aktualisiert 2026-11-15

Bevor Sie sensible Daten an eine LLM-API senden, legen Sie fest, welche Felder die Aufgabe braucht, und lassen den Rest weg. Ersetzen Sie Namen, Nummern und IDs vor der Anfrage durch umkehrbare Platzhalter und setzen Sie sie danach in Ihrem eigenen Code wieder ein. Nutzen Sie einen Anbieter mit Zero Data Retention, halten Sie Prompt-Inhalte aus Ihren eigenen Logs heraus und binden Sie API-Schlüssel an Ihre Server.

## Das Wichtigste in Kürze

-   Die meisten Lecks entstehen bei Ihnen selbst: in App-Logs, Tracing-Tools, Fehlerberichten und Analytics, nicht beim Modellanbieter.
-   Stufen Sie zuerst die Felder ein. Viele Aufgaben brauchen nie den Namen, die Telefonnummer oder die Kontonummer.
-   Umkehrbare Platzhalter wie \[PHONE\_1\] halten den Text für das Modell lesbar und lassen Sie die Werte danach wiederherstellen.
-   Zero Data Retention begrenzt, was der Anbieter speichert. Sie ersetzt weder Schwärzung noch Vertrag.
-   Behandeln Sie Sprache standardmäßig als sensibel: Eine einzige Sprachnachricht kann einen Namen, eine Nummer und ein Gesundheitsdetail enthalten.

**Auf dieser Seite**

1.  Was zählt bei einer LLM-API als sensible Daten?
2.  Schritt 1: Welche Felder braucht die Aufgabe wirklich?
3.  Schritt 2: Wie schwärzt man so, dass das Modell den Text noch versteht?
4.  Schritt 3: Was passiert mit den Daten beim Anbieter?
5.  Schritt 4: Wie hält man Prompts aus den eigenen Logs heraus?
6.  Schritt 5: Wie schützt man den Weg zur API?
7.  Schritt 6: Was sollte man in der Antwort prüfen?
8.  Brauchen sensible Audiodaten dieselbe Behandlung?
9.  Wo BroadNet Inference ins Bild passt

_[image: The word "PRIVATE" in bold letters, with the text "Control what AI sees." and "LSDF by BroadNet".]_

Support-Bots lesen Beschwerden mit Namen und Bestellnummern. Callcenter-Pipelines senden Transkripte mit Kartenziffern. Gesundheits-Apps senden Symptome. All das ist für ein Modell nützlich, und all das sind **sensible Daten**, sobald sie Ihre Server verlassen.

OWASP führt die [Offenlegung sensibler Informationen](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/) als LLM02 in seinen Top 10 für LLM-Anwendungen 2025. Die meisten Ratgeber konzentrieren sich darauf, was das Modell preisgeben könnte. Dieser Beitrag konzentriert sich auf den Teil, den Sie kontrollieren: **was Sie senden und was Sie aufbewahren**.

## Was zählt bei einer LLM-API als sensible Daten?

Sortieren Sie die Felder in drei Gruppen, bevor Sie einen Prompt schreiben:

| Gruppe | Beispiele | Standardregel |
| --- | --- | --- |
| Direkte Identifikatoren | Name, E-Mail, Telefon, Ausweisnummer, Kontonummer | Durch Platzhalter ersetzen |
| Besondere oder regulierte Daten | Gesundheit, Biometrie, Religion, Kartennummern, Zugangsdaten | Nicht senden, außer die Aufgabe erfordert es und Sie haben eine Rechtsgrundlage |
| Kontext | Produktnamen, Art des Anliegens, Daten, Beträge | Kann meist gesendet werden |

Nach der DSGVO brauchen besondere Kategorien (Artikel 9) eine spezifische Voraussetzung, bevor Sie sie überhaupt verarbeiten. Kartendaten und Secrets wie Passwörter oder API-Schlüssel sollten nie in einen Prompt gelangen.

## Schritt 1: Welche Felder braucht die Aufgabe wirklich?

Die beste Schwärzung ist, das Feld gar nicht zu senden. Fragen Sie, was die Aufgabe braucht:

1.  **Ein Ticket zusammenfassen?** Das Modell braucht die Beschwerde, nicht die Adresse des Kunden.
2.  **Die Absicht klassifizieren?** Es braucht den Nachrichtentext, nicht die Kontonummer.
3.  **Eine Antwort entwerfen?** Es braucht höchstens einen Vornamen, und ein Platzhalter tut es auch.

Bauen Sie Prompts aus ausgewählten Feldern, statt den ganzen Datensatz als JSON hineinzukippen. Das reduziert auch die [Input-Tokens](https://broadrouter.com/de/glossary/input-and-output-tokens/) und spart damit Geld.

## Schritt 2: Wie schwärzt man so, dass das Modell den Text noch versteht?

Ersetzen Sie jeden Wert durch einen typisierten, nummerierten Platzhalter. Das Modell behält die Satzstruktur, und Ihr Code setzt die Werte danach wieder ein.

```python
import os, re
from openai import OpenAI

PATTERNS = {   # order matters: IBAN before PHONE, or the phone pattern eats IBAN digits
    "EMAIL": r"[\w.+-]+@[\w-]+\.[\w.-]+",
    "IBAN":  r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b",
    "PHONE": r"\+?\d[\d\s-]{7,}\d",
}

def redact(text):
    mapping, n = {}, {}
    for kind, pat in PATTERNS.items():
        def sub(m):
            n[kind] = n.get(kind, 0) + 1
            key = f"[{kind}_{n[kind]}]"
            mapping[key] = m.group(0)
            return key
        text = re.sub(pat, sub, text)
    return text, mapping

def restore(text, mapping):
    for key, value in mapping.items():
        text = text.replace(key, value)
    return text

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
# Any OpenAI-compatible endpoint works; this uses Qwen3.8 27B on BroadNet Inference.

ticket = "Call me on +971 50 123 4567 or mail sara@example.com about my refund."
safe, mapping = redact(ticket)
reply = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    messages=[
        {"role": "system", "content": "Keep placeholders like [PHONE_1] exactly as written."},
        {"role": "user", "content": f"Draft a short reply to this ticket:\n{safe}"},
    ],
).choices[0].message.content
print(restore(reply, mapping))   # the mapping never left your server
```

Reguläre Ausdrücke erfassen strukturierte Werte. Für Namen und Adressen braucht es Entitätserkennung. Open-Source-Tools wie [Microsoft Presidio](https://microsoft.github.io/presidio/supported_entities) kombinieren Muster, Prüfsummen und Named-Entity-Modelle und lassen Sie eigene Erkenner ergänzen. Testen Sie jeden Detektor mit Ihren eigenen Daten: Arabische Namen, Telefonformate aus der Golfregion und Text mit gemischten Schriften sind genau die Stellen, an denen generische Detektoren danebenliegen.

Wenn Sie lieber einen Proxy betreiben, als die Schwärzung selbst zu schreiben, veröffentlicht BroadNet einen als Open Source: die [LLM Sensitive Data Firewall (LSDF)](https://github.com/brntech/lsdf) unter Apache-2.0. Sie sitzt vor jedem OpenAI-kompatiblen Endpunkt, auch vor Modellen, die BroadNet nicht hostet, und laut BroadNet prüft sie Anfragen, Antworten, gestreamte Chunks, gestreamte Tool-Call-Argumente, abgerufenen Kontext und Reasoning-Felder, mit einem eigenen Sanitizer für Traces und Logs. In der Auswertung von BroadNet vom Mai 2026 auf eigenen Korpora erreichten ihre Detektoren für breite PII einen Recall von 1.000 bei einem Credential-Replay mit 40 Fällen, 0.944 bei synthetischen klinischen Daten und 0.685 bei breiter englischer PII, gegenüber 0.194, 0.056 und 0.326 für Microsoft Presidio allein ([Bericht von BroadNet](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)). Das sind die Zahlen von BroadNet für das eigene Tool; lassen Sie das `monitor`\-Profil auf Ihrem Traffic laufen, bevor Sie irgendetwas erzwingen.

Zwei Regeln für Platzhalter:

-   **Halten Sie sie konsistent** innerhalb einer Unterhaltung, damit `[NAME_1]` in jedem Turn dieselbe Person ist.
-   **Weisen Sie das Modell an, sie** unverändert zu lassen, wie im System-Prompt oben.

## Schritt 3: Was passiert mit den Daten beim Anbieter?

Schwärzung reduziert, was hinausgeht. Was danach passiert, entscheidet der Anbieter. Fragen Sie:

-   Werden Inhalte nach der Anfrage gespeichert, und wie lange?
-   Werden sie für Training genutzt, und was ist die Voreinstellung?
-   Wer betreibt die Hardware, und wo?

Die Antworten der Anbieter fallen sehr unterschiedlich aus. Siehe [Datenspeicherung bei LLM-APIs im Vergleich](https://broadrouter.com/de/blog/llm-api-data-retention-compared/) für die offiziellen Formulierungen von fünf Anbietern, die [ZDR-Checkliste](https://broadrouter.com/de/blog/zero-data-retention-llm-api-checklist/) für die technischen Fragen und die [DSGVO-Checkliste](https://broadrouter.com/de/blog/gdpr-llm-api-checklist/) für die Vertragsseite.

## Schritt 4: Wie hält man Prompts aus den eigenen Logs heraus?

Im eigenen Stack bleiben Prompts am häufigsten liegen. Typische Lecks:

-   Debug-Logging des HTTP-Clients, das Request-Bodys ausgibt.
-   Tracing- und Observability-SDKs, die standardmäßig vollständige Prompts aufzeichnen.
-   Fehlerreporter, die den Payload der fehlgeschlagenen Anfrage anhängen.
-   Analytics-Events, die die Nachricht des Nutzers enthalten.
-   Retry-Queues und Dead-Letter-Queues, die ganze Anfragen speichern.

Loggen Sie stattdessen: Request-ID, Modell, Token-Zahlen für Prompt und Completion, Latenz, Statuscode und die ID Ihres eigenen Schwärzungs-Mappings (nie das Mapping selbst). Das reicht, um Kosten und Fehler zu debuggen. Der [Beitrag zum Usage-Logging](https://broadrouter.com/de/blog/llm-api-usage-logging/) enthält einen Wrapper, der genau diese Felder schreibt und die Kosten pro Aufruf berechnet.

## Schritt 5: Wie schützt man den Weg zur API?

-   Halten Sie Schlüssel auf Servern, nie im Browser- oder Mobile-Code. [Sicherheit von LLM-API-Schlüsseln](https://broadrouter.com/de/blog/llm-api-key-security/) behandelt Speicherung und Rotation.
-   Binden Sie Schlüssel mit [IP-Allowlists](https://broadrouter.com/de/guides/api-keys-ip-allow-lists/) an Ihre Egress-Adressen.
-   Verwenden Sie einen [API-Schlüssel](https://broadrouter.com/de/glossary/api-key/) pro Dienst, damit Sie einen widerrufen können, ohne alles anzuhalten.

## Schritt 6: Was sollte man in der Antwort prüfen?

Schwärzung schützt die Anfrage. Auch die Antwort braucht eine Prüfung, denn ein Modell kann Werte wiederholen, erraten oder rekonstruieren:

-   **Integrität der Platzhalter.** Suchen Sie nach `restore()` nach übrig gebliebenen Tokens wie `[PHONE_3]`, die nie in Ihrem Mapping standen. Sie bedeuten, dass das Modell einen erfunden hat.
-   **Neue PII in der Ausgabe.** Lassen Sie denselben Detektor über die Antwort laufen. Eine Antwort mit einer E-Mail-Adresse, die Sie nie gesendet haben, verdient einen zweiten Blick, bevor sie einen Kunden erreicht.
-   **Lecks zwischen Nutzern.** Wenn Sie Antworten cachen oder Gesprächszustand teilen, stellen Sie sicher, dass die wiederhergestellten Werte eines Nutzers nie in der Antwort an einen anderen auftauchen.

Prüfen Sie jeden Ausgabekanal, nicht nur die Chat-Antwort. Die [Safety-Map-Studie](https://broadrouter.com/de/blog/llm-safety-map-39-models/) von BroadNet fand sensible Werte, die über Tool-Call-Argumente abflossen, in 20 von 73 Läufen, die diese befüllten, und über das Reasoning-Feld in 29 von 43 Läufen, die es befüllten, während die sichtbare Antwort als sicher, verfehlt oder abgeschnitten bewertet wurde.

Testen Sie den ganzen Ablauf an einem festen Satz von 50 echten, sensiblen Beispielen, wann immer Sie Prompt, Modell oder Detektor ändern. Zählen Sie die übersehenen Werte, nicht nur die erkannten: Eine übersehene Kartennummer wiegt schwerer als hundert korrekte Platzhalter.

## Brauchen sensible Audiodaten dieselbe Behandlung?

Eine Sprachnachricht kann in zehn Sekunden einen Namen, eine Telefonnummer und ein Gesundheitsdetail enthalten. Transkripte erben all das. Schwärzen Sie das Transkript, bevor es zum Zusammenfassen an ein LLM geht, und bewahren Sie die rohen Audiodaten nur so lange auf wie nötig. Unsere [Pipeline zur Transkription von Callcenter-Aufzeichnungen](https://broadrouter.com/de/blog/transcribe-call-center-recordings/) zeigt die Schwärzung zwischen Transkriptions- und Zusammenfassungsschritt.

## Wo BroadNet Inference ins Bild passt

Die [Datenschutzerklärung](https://www.broadnet.ai/inference-privacy) von BroadNet sagt, dass das Gateway “keeps no prompts, messages, images, audio, responses or transcripts” (Übersetzung: keine Prompts, Nachrichten, Bilder, Audiodaten, Antworten oder Transkripte speichert) und dass Inferenzdaten nicht genutzt werden, “to train, fine-tune or evaluate models” (Übersetzung: um Modelle zu trainieren, feinabzustimmen oder zu evaluieren). Es speichert inhaltsfreie Datensätze wie Zeitangaben, Token-Zahlen und Kosten; die vollständige Liste steht auf der [Seite zu Zero Data Retention](https://broadrouter.com/de/privacy/). Schlüssel lassen sich auf Ihre IP-Adressen beschränken. [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/), im Beispiel oben verwendet, wurde von BroadNet auf Arabisch getestet, was zählt, wenn Ihre Platzhalter in arabischem Text stehen.

Das deckt die Seite des Anbieters ab. Es schwärzt nicht für Sie, und es räumt Ihre Logs nicht auf. Die Schritte 1, 2 und 4 bleiben bei jedem Anbieter Ihre Aufgabe, auch bei BroadNet. Wenn Sie für regulierte Daten einen schriftlichen AVV (DPA) oder eine Liste der Unterauftragsverarbeiter brauchen, fragen Sie BroadNet, bevor Sie die Daten senden; laut Erklärung ist die Liste der Unterauftragsverarbeiter auf Anfrage erhältlich.

Kostenlose Tools zum Thema (auf Englisch)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

[PII (personenbezogene Daten)](https://broadrouter.com/de/glossary/pii/)

PII (personally identifiable information) sind Informationen, mit denen sich die Identität einer Person unterscheiden oder zurückverfolgen lässt, etwa Name, Ausweisnummer oder biometrische Daten, plus weitere Informationen, die mit dieser Person verknüpft oder verknüpfbar sind. Der weitere Begriff der DSGVO lautet personenbezogene Daten. Bei LLMs entfernt PII-Schwärzung sie aus Prompts, bevor diese Ihre Systeme verlassen.

[Token](https://broadrouter.com/de/glossary/token/)

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Auftragsverarbeitungsvertrag (AVV, DPA)](https://broadrouter.com/de/glossary/dpa/)

Ein Auftragsverarbeitungsvertrag (AVV, englisch Data Processing Agreement, DPA) ist der Vertrag zwischen Verantwortlichem und Auftragsverarbeiter, der regelt, wie dieser mit personenbezogenen Daten umgeht. Artikel 28 Absatz 3 DSGVO schreibt ihn vor und nennt seine Inhalte: dokumentierte Weisungen, Vertraulichkeit, Sicherheit, Regeln für Unterauftragsverarbeiter, Löschung oder Rückgabe der Daten und Audits.

[Unterauftragsverarbeiter (Subprocessor)](https://broadrouter.com/de/glossary/subprocessor/)

Ein Unterauftragsverarbeiter (Subprocessor) ist ein Dritter, den ein Auftragsverarbeiter mit der Verarbeitung personenbezogener Daten im Auftrag des Verantwortlichen betraut. Bei einer LLM-API können das GPU-Hosts, Partner-Inferenzanbieter und Backup-Kapazität sein. Nach Artikel 28 DSGVO brauchen sie die Genehmigung des Verantwortlichen und dieselben Datenschutzpflichten.

[Zero Data Retention (ZDR)](https://broadrouter.com/de/glossary/zero-data-retention/)

Zero Data Retention (ZDR) ist eine Datenrichtlinie, bei der ein KI-Anbieter Prompts und Outputs nur zur Bearbeitung einer Anfrage verarbeitet und diese Inhalte danach nicht speichert, weder in Logs noch in Caches oder Trainingsdaten. Inhaltsfreie Daten wie Token-Zahlen und Zeiten werden meist weiterhin aufbewahrt.

[API-Schlüssel (API Key)](https://broadrouter.com/de/glossary/api-key/)

Ein API-Schlüssel ist eine geheime Zeichenfolge, die einen Client beim Aufruf einer API identifiziert und autorisiert. LLM-APIs erwarten ihn meist im Header Authorization: Bearer, und wer den Schlüssel besitzt, kann Anfragen stellen, die dem Konto des Inhabers berechnet werden.

[DSGVO (GDPR)](https://broadrouter.com/de/glossary/gdpr/)

Die DSGVO (Datenschutz-Grundverordnung, Verordnung (EU) 2016/679, englisch GDPR) ist das EU-Gesetz zur Verarbeitung personenbezogener Daten. Sie gilt seit dem 25. Mai 2018 für Organisationen mit Sitz in der EU und für manche außerhalb. Bei LLM-APIs regelt sie Auftragsverarbeitungsverträge, internationale Übermittlungen und Datenminimierung.

[Input- und Output-Tokens](https://broadrouter.com/de/glossary/input-and-output-tokens/)

Input-Tokens sind die Tokens, die ein Sprachmodell in einer Anfrage liest, einschließlich System-Prompt, Gesprächsverlauf, Tool-Definitionen und Bildern. Output-Tokens sind die Tokens, die es als Antwort erzeugt, einschließlich Reasoning. LLM-APIs berechnen beide meist getrennt, und Output ist in der Regel teurer.

## Häufige Fragen

### Darf ich personenbezogene Daten an eine LLM-API schicken?

Mit den richtigen Kontrollen ja: ein Vertrag mit dem Anbieter, eine klare Richtlinie zu Speicherung und Training, Minimierung und Schwärzung vor der Anfrage und saubere Logs auf Ihrer Seite. Ohne diese Kontrollen sollten Sie keine rohen personenbezogenen Daten senden.

### Sollte ich Daten schwärzen, bevor ich sie an ChatGPT oder eine andere LLM-API schicke?

Schwärzen Sie alles, was die Aufgabe nicht braucht. Für Zusammenfassungen, Klassifizierung und Entwürfe lassen sich Namen und Nummern meist ohne Qualitätsverlust durch Platzhalter ersetzen und nach der Antwort wiederherstellen.

### Was ist der Unterschied zwischen Schwärzung und Pseudonymisierung?

Schwärzung entfernt einen Wert endgültig. Pseudonymisierung ersetzt ihn durch einen Platzhalter, den Sie mit einem bei Ihnen verwahrten Schlüssel zurückführen können. Nach der DSGVO sind pseudonymisierte Daten weiterhin personenbezogene Daten und müssen weiterhin geschützt werden.

### Heißt Zero Data Retention, dass ich alles senden kann?

Nein. Zero Data Retention bedeutet, dass der Anbieter Inhalte nach der Anfrage nicht speichert. Die Daten verlassen trotzdem Ihre Systeme und werden vom Anbieter verarbeitet, Minimierung und rechtliche Prüfung gelten also weiterhin.

### Wie verhindere ich, dass Prompts in meinen eigenen Logs landen?

Loggen Sie Request-IDs, Modell, Token-Zahlen, Latenz und Status, nie Nachrichteninhalte. Prüfen Sie das Debug-Logging des HTTP-Clients, Tracing-SDKs und Fehlerreporter, die Request-Bodys oft standardmäßig mitschneiden.

## Weiterlesen

-   [PDPL in Saudi-Arabien und den VAE: Checkliste für LLM-API-Transfers](https://broadrouter.com/de/blog/saudi-uae-pdpl-llm-api-checklist/)
-   [Die Safety Map: Wie 39 LLMs mit sensiblen Daten umgehen](https://broadrouter.com/de/blog/llm-safety-map-39-models/)
-   [LLM auf Sicherheit bei sensiblen Daten testen: BroadNets Methode](https://broadrouter.com/de/blog/llm-sensitive-data-safety-evaluation-method/)
-   [LLM-API mit Zero Data Retention: Checkliste mit 10 Fragen](https://broadrouter.com/de/blog/zero-data-retention-llm-api-checklist/)
-   [DSGVO und LLM-APIs: 15 Fragen an Ihren Anbieter](https://broadrouter.com/de/blog/gdpr-llm-api-checklist/)
-   [Datenspeicherung bei LLM-APIs: OpenAI, Anthropic, Gemini, Mistral](https://broadrouter.com/de/blog/llm-api-data-retention-compared/)
-   [Callcenter-Aufzeichnungen transkribieren: Pipeline, auch für Arabisch](https://broadrouter.com/de/blog/transcribe-call-center-recordings/)
-   [LLM-API-Schlüssel absichern: Speicherung, Rotation, IP-Allowlists](https://broadrouter.com/de/blog/llm-api-key-security/)
-   [Ägyptens Datenschutzgesetz (Gesetz 151 von 2020) und LLM-APIs](https://broadrouter.com/de/blog/egypt-data-protection-law-llm-api/)
-   [Anleitung: API-Schlüssel per IP-Allowlist an Ihre Server binden](https://broadrouter.com/de/guides/api-keys-ip-allow-lists/)
-   [Anleitung: OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-llm-api-sensitive-data&utm_content=page-cta) ·

**Quellen**

-   [BroadNet: die LLM Sensitive Data Firewall (LSDF), Open Source, mit Recall-Tabelle vom Mai 2026 (abgerufen am 2026-11-15) (auf Englisch)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [LSDF-Repository auf GitHub, Apache-2.0 (abgerufen am 2026-11-15)](https://github.com/brntech/lsdf)
-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, Zenodo-Preprint (abgerufen am 2026-11-15)](https://doi.org/10.5281/zenodo.19688433)
-   [OWASP GenAI Security Project, LLM02:2025 Offenlegung sensibler Informationen](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/)
-   [Microsoft Presidio, SDK zur PII-Erkennung und Anonymisierung, unterstützte Entitäten](https://microsoft.github.io/presidio/supported_entities)
-   [Verordnung (EU) 2016/679 (DSGVO), Artikel 5 und 9, EUR-Lex](https://eur-lex.europa.eu/eli/reg/2016/679/oj)
-   [Datenschutzerklärung von BroadNet Inference (gültig ab September 2026, abgerufen am 2026-11-14) (auf Englisch)](https://www.broadnet.ai/inference-privacy)
-   [API-Referenz von BroadNet Inference (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-llm-api-sensitive-data&utm_content=sources)
