Datenschutz vor dem Prompt: drei eigene Modelle für die DSGVO.

Die Grundform personenbezogener Daten: Namen von Menschen und Firmen sowie Adressen. Schwierig sind klein geschriebene Namen im Chat, Initialen, Namen in Tabellen und Namen, die auch gewöhnliche Wörter sind. Gemessen: wie viele markierte Werte gefunden werden und wie viele Treffer stimmen.

System	Art	Werte gefunden ↑	Precision ↑	Zeit je Text ↓
ALLSmartArt4 0,3Beigenes Modell	eigenes Modell	94,4 %656/695 · 92,4–95,9 %	94,4 %671/711 · 92,4–95,8 %	≈ 41 ms
GLiNEROpen Source	Open Source	86,6 %602/695 · 83,9–88,9 %	85,3 %628/736 · 82,6–87,7 %	≈ 58 ms

Deutlich vor GLiNER bei beiden Werten; die Intervalle überschneiden sich nicht. GLiNER so eingestellt, wie es bis 01.11.2026 bei uns live lief: urchade/gliner_multi-v2.1, Schwelle 0,5, mit denselben Regex- und Secrets-Stufen davor.

Personenbezogen ist ein Text nicht erst mit einem Namen. «Der Bürgermeister von Neukirchen» oder «die einzige Hebamme im Ort» zeigen auf genau einen Menschen. Gemessen: wie oft die Person nach dem Ersetzen noch erkennbar ist und wie oft harmlose Texte unnötig verändert werden.

System	Art	danach noch erkennbar ↓	Fehlalarme ↓	Zeit je Text ↓
ALLSmartArt4i 0,3Beigenes Modell	eigenes Modell	8,8 %10/113 · 4,9–15,5 %	2,7 %3/112 · 0,9–7,6 %	≈ 15 ms
Qwen 3.6 35BOpen Weights	Open Weights	11,5 %13/113 · 6,8–18,7 %	1,8 %2/112 · 0,5–6,3 %	≈ 75 ms

Gleich gut wie Qwen 3.6 35B: Beide Unterschiede liegen innerhalb der Messunsicherheit. ALLSmartArt4i ist im Median rund fünfmal schneller (15 ms gegen 75 ms zusätzlich für die Prüfung durch Qwen) und vor allem gleichmäßig: Mit Qwen kam bei jeder zwanzigsten Anfrage 2,7 s oder mehr dazu.

Art. 9 DSGVO schützt einige Angaben besonders streng: Gesundheit, rassische und ethnische Herkunft, politische Meinung, religiöse oder weltanschauliche Überzeugung, Gewerkschaftszugehörigkeit, Sexualleben und sexuelle Orientierung, genetische und biometrische Daten. Straftaten und Verurteilungen regelt Art. 10 gesondert; das Modell erkennt beide, auch wenn sie nur mittelbar im Text stehen, etwa über ein Medikament oder ein kirchliches Amt. Gemessen: wie viele heikle Texte erkannt werden und wie viele Treffer wirklich heikel sind (Precision).

System	Art	heikle Texte gefunden ↑	Precision ↑	Zeit je Text ↓
ALLSmartArt9-10 4,2B + 0,3Beigenes Modell	eigenes Modell	97,4 %147/151 · 93,4–99,0 %	95,5 %147/154 · 90,9–97,8 %	≈ 90 ms
Clef 27BOpen Weights	Open Weights	92,1 %139/151 · 86,6–95,4 %	98,6 %139/141 · 95,0–99,6 %	≈ 3,1 s
Clef Flash 9BOpen Weights	Open Weights	92,1 %139/151 · 86,6–95,4 %	90,3 %139/154 · 84,6–94,0 %	≈ 0,9 s
Jev (TypeSafe)Cloud-API, kommerziell	Cloud-API, kommerziell	97,4 %147/151 · 93,4–99,0 %	87,5 %147/168 · 81,6–91,7 %	≈ 190 ms

Gepaarte Vergleiche auf denselben 300 Texten: ALLSmartArt9-10 findet signifikant mehr heikle Texte als Clef 27B und Clef Flash (je p ≈ 0,02) und schlägt signifikant seltener falsch an als Clef Flash (p ≈ 0,04) und Jev (p ≈ 0,001). Jev findet gleich viele heikle Texte. Clef 27B hat die wenigsten Fehlalarme; der Unterschied zu ALLSmartArt9-10 ist nicht signifikant (p ≈ 0,06).