Pseudonymisiert, anonymisiert, synthetisch: unser Vortrag an der Zürcher Datenschutztagung 2026
Am 24. September 2026 sprach Matthias Templ (FHNW, SwissAnon) an der 5. Zürcher Datenschutztagung in der Paulus Akademie Zürich. Das diesjährige Thema lautete «KI in der öffentlichen Verwaltung. Chancen nutzen, Daten schützen.» Organisiert wurde die Tagung von der ZHAW School of Management and Law in Zusammenarbeit mit der Datenschutzbeauftragten des Kantons Zürich.
Das Interesse war bemerkenswert: Die Tagung war ausgebucht, es gab sogar eine Warteliste. Eine Warteliste für eine Datenschutztagung, fast wie beim Anstehen für Tickets zu einem Fussballmatch, und ein Zeichen dafür, wie dringlich diese Fragen für die Verwaltung geworden sind.
Der Vortrag Pseudonymisierung, Anonymisierung und synthetische Daten: Was funktioniert bei KI wirklich? richtete sich an Datenschutzbeauftragte, Juristinnen und Juristen und die öffentliche Verwaltung. Die Kernpunkte:
- Daten ohne Namen sind noch keine anonymen Daten. Pseudonymisierte Daten bleiben Personendaten, auch im Prompt.
- Ob Daten anonym sind, entscheidet der Aufwand einer Re-Identifikation, und agentische KI hat diesen Aufwand auf wenige Dollar und Minuten pro Person gedrückt.
- Anonymisierung funktioniert, wenn man sie misst: mit Szenario und einer Risikozahl vorher und nachher.
- Synthetische Daten sind sehr nützlich für Test, Entwicklung und Schulung, aber sie verschieben das Risiko, statt es zu beseitigen.
- KI kann auch beim Anonymisieren helfen, wenn das Modell nie eine Datenzeile sieht und ein Mensch unterschreibt.
Herzlichen Dank an das Organisationsteam der ZHAW: an Dr. Michael Widmer, der die Tagung gemeinsam mit Dr. Dominika Blonski, Datenschutzbeauftragte des Kantons Zürich, leitete, und an Carole Del Degan für die Organisation. Danke für die Einladung und einen hervorragend organisierten Tag.
- Folien: swissanon.com/datenschutztagung2026
- Paper zur agentischen Re-Identifikation: Agentic AI-Powered Re-identification von Oscar Thees, Roman Müller und Matthias Templ (PSD 2026, Springer LNCS)