aiMOOC

KI und Datenschutz – Cloud, On-Premises und lokale Sprachmodelle vergleichen

QR-Code

KI und Datenschutz – Cloud, On-Premises und lokale Sprachmodelle vergleichen

Einleitung

Wie viel Datenschutz eine KI-Lösung ermöglicht, entscheidet sich nicht am Etikett „Cloud“ oder „lokal“, sondern am tatsächlichen Datenfluss: Welche Daten verlassen welches Gerät? Wer kann darauf zugreifen? Wo werden Eingaben, Ausgaben und Protokolle gespeichert? Werden Daten für Training oder Produktverbesserung weiterverwendet? Wer kann löschen?

Dieser aiMOOC richtet sich an Schulleitungen, Datenschutzbeauftragte und schulische IT. Du vergleichst drei Betriebsformen:

Externer KI-Dienst: Verarbeitung in Infrastruktur eines externen Anbieters.
Schulisch kontrollierter Server: Verarbeitung auf eigener oder schulisch kontrollierter Serverinfrastruktur.
Lokales Sprachmodell: Inferenz direkt auf einem Endgerät oder vollständig lokal betriebenen System.

Wichtig: Die Kategorien überlappen. Ein lokales Sprachmodell kann auf einem On-Premises-Server laufen. Ein vermeintlich lokales Programm kann dennoch Telemetrie, Updates oder Cloud-Fallbacks nutzen. Entscheidend ist deshalb immer die überprüfte Architektur.

Stand der Quellenprüfung: 7. Oktober 2026. Konkrete schulrechtliche Rechtsgrundlagen unterscheiden sich zwischen den Bundesländern. Eine lokale Verarbeitung macht eine Verarbeitung nicht automatisch rechtmäßig.

Medienhinweis: Schon das Laden eines eingebetteten YouTube-Videos kann selbst eine Verbindung zu einem externen Plattformanbieter erzeugen. Das ist ein praktisches Beispiel dafür, warum Datenflüsse technisch und organisatorisch betrachtet werden müssen.

Drei Betriebsmodelle im Überblick

Fehler beim Erstellen des Vorschaubildes:

Betriebsmodell	Typischer Ort der Inferenz	Zentrale Datenschutzfrage	Typischer Verwaltungsansatz
Externe Cloud	Infrastruktur des Anbieters	Welche Daten gehen an Anbieter, Unterauftragnehmer oder in Drittländer?	Vertrag, Mandantenkonfiguration, Rollen, Anbieter-Dokumentation
On-Premises	Schulserver oder schulisch kontrolliertes Rechenzentrum	Wer darf intern auf Modell, Eingaben, Dokumente und Logs zugreifen?	Zentrale Administration, SSO, Rollen, Netzwerkregeln, Löschfristen
Vollständig lokal	Endgerät oder isolierter lokaler Rechner	Verlässt wirklich kein Inhaltsdatum das Gerät?	Gerätemanagement, lokale Rechte, Verschlüsselung, Update- und Backup-Regeln

Technisches Schaubild: Externe Cloud

Lehrkraft / Verwaltung
        │
        │ Prompt + Datei + Metadaten
        ▼
     Internet
        │
        ▼
  Externer KI-Dienst
        │
        ├── Modellinferenz
        ├── Sicherheits-/Missbrauchslogs
        ├── Eingabehistorie
        ├── Backups
        └── mögliche Unterauftragnehmer

Prüffrage: Kannst Du für jeden Pfeil Empfänger, Zweck, Speicherort, Rechtsgrundlage, Frist und Löschweg benennen?

Fehler beim Erstellen des Vorschaubildes:

Technisches Schaubild: On-Premises

Schulgerät
   │
   │ Schulnetz
   ▼
Firewall / Reverse Proxy
   │
   ▼
Schulisch kontrollierter KI-Server
   │
   ├── lokales Sprachmodell
   ├── zentrale Rollen
   ├── schulische Logs
   └── optionale interne Wissensbasis

Prüffrage: Ist der Server tatsächlich unter schulischer Kontrolle oder bestehen Fernwartung, Cloud-Backups, Telemetrie oder externe Modell-APIs?

Datei:Server Rack (54126210834).jpg

Technisches Schaubild: vollständig lokal

Dienstgerät
   │
   ├── lokaler Prompt
   ├── lokales Modell
   ├── lokale Ausgabe
   └── lokaler Speicher
        │
        X  kein notwendiger Inhaltsdatenfluss ins Internet

Aber: „lokal“ gilt nur, wenn Cloud-Fallback, Telemetrie, Synchronisation und automatische Uploads ausgeschlossen oder kontrolliert sind.

Fehler beim Erstellen des Vorschaubildes:

Vergleichsmatrix für die Schulpraxis

Prüfdimension	Externe Cloud	On-Premises / schulisch kontrolliert	Vollständig lokal
Datenfluss	Schulnetz verlässt den Inhalt in der Regel.	Bleibt bei sauberer Architektur im kontrollierten Netz.	Kann vollständig auf dem Gerät bleiben.
Datenübermittlung	Anbieter und ggf. weitere Empfänger prüfen.	Externe Übermittlung nur, wenn Zusatzdienste eingebunden sind.	Keine notwendige Übermittlung bei echtem Offline-Betrieb.
Auftragsverarbeitung	Häufig relevant, wenn der Anbieter weisungsgebunden verarbeitet; Rollen müssen konkret geprüft werden.	Nicht nötig bei rein eigener Verarbeitung; externe Administration kann Auftragsverarbeitung auslösen.	Bei rein lokaler Eigenverarbeitung regelmäßig kein externer Auftragsverarbeiter.
Speicherorte	Vertrags- und Anbieterangaben prüfen; Region allein genügt nicht als Gesamtprüfung.	Durch Schule oder Schulträger festlegbar.	Gerät, lokaler Datenträger oder lokales Backup.
Protokollierung	Teilweise durch Anbieter vorgegeben.	Zentral konfigurierbar.	Sehr gut minimierbar, aber schwieriger schulweit nachweisbar, wenn Geräte unverwaltet sind.
Modelltraining	Muss getrennt von Speicherung und Logging geprüft werden.	Kann technisch ausgeschlossen werden, wenn nur Inferenz erfolgt.	Inferenz kann ohne Nachtraining erfolgen; das vortrainierte Modell bleibt davon getrennt zu bewerten.
Zugriffsrechte	Rollen des Anbieters plus schulische Rollen.	Fein steuerbar über SSO, Gruppen und Netzwerksegmente.	Geräteberechtigungen entscheidend.
Administration	Komfortabel, aber abhängig von Anbieterfunktionen.	Hohe Steuerbarkeit bei höherem Betriebsaufwand.	Geringe zentrale Steuerbarkeit ohne Gerätemanagement.
Löschung	Anbieterfristen, Historien, Logs und Backups prüfen.	Löschregeln für Datenbank, Logs, Backups und Wissensbasis selbst definierbar.	Dateien, Historien und lokale Caches müssen auf jedem Gerät kontrolliert werden.
Drittlandbezug	Je nach Anbieter, Konzernzugriff und Unterauftragnehmern möglich.	Kann vermieden werden, wenn Betrieb und Support entsprechend gestaltet sind.	Kann für Inhaltsdaten vollständig entfallen; Softwarebezug und Updates separat prüfen.
Entlastung	Wenig eigener Betrieb.	Zentrale Regeln und gemeinsame Schul-Workflows möglich.	Schnell für einzelne, klar begrenzte Aufgaben; Flottenbetrieb braucht Management.

Merksatz: Nicht „Cloud gegen lokal“ ist die Kernfrage, sondern Kontrolle über Datenflüsse, Zwecke, Zugriffe, Speicher und Löschung.

Datenschutzrechtliche Kernfragen

Datenfluss und Datenübermittlung

Bei personenbezogenen Daten gelten insbesondere die Grundsätze aus Art. 5 DSGVO: Rechtmäßigkeit, Transparenz, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität und Vertraulichkeit.

Bei externen KI-Diensten muss die Schule nachvollziehen können, wohin Daten fließen. Ein Rechenzentrum in der EU beantwortet noch nicht automatisch Fragen zu Fernzugriffen, Unterauftragnehmern, Konzernstrukturen oder Weiterübermittlungen.

Bei Übermittlungen in Drittländer sind die Regeln des Kapitels V der DSGVO zu prüfen. Angemessenheitsbeschlüsse, Standardvertragsklauseln oder andere Instrumente ersetzen nicht die Prüfung des konkreten Datenflusses.

Auftragsverarbeitung ist eine Rollenfrage

Ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO ist relevant, wenn ein Dienstleister personenbezogene Daten im Auftrag und nach Weisung verarbeitet. Er ist kein pauschaler Freibrief.

Nutzt ein Anbieter Inhalte zusätzlich für eigene Zwecke, muss geprüft werden, ob diese Verarbeitung noch von einer Auftragsverarbeitung umfasst ist oder eine andere datenschutzrechtliche Rolle vorliegt.

Der EDSA betont, dass Verantwortliche die Identität der eingesetzten Auftrags- und Unterauftragsverarbeiter kennen und deren Garantien beurteilen können müssen.

Speicherort, Logging und Historie

„Kein Training mit Kundendaten“ bedeutet nicht automatisch:

keine Speicherung,
keine Protokollierung,
keine Missbrauchserkennung,
keine Backups,
keine Metadatenverarbeitung.

Die DSK behandelt Training und Eingabehistorie ausdrücklich als getrennte Prüfpunkte. Für Schulen ist deshalb entscheidend, welche Daten wie lange in Chatverläufen, Betriebslogs, Sicherheitslogs, Datenbanken und Sicherungskopien verbleiben.

Modelltraining und Inferenz unterscheiden

Training verändert Modellparameter anhand von Trainingsdaten. Inferenz nutzt ein vorhandenes Modell für eine konkrete Eingabe.

Ein lokal betriebenes Modell kann ohne Nachtraining arbeiten. Trotzdem kann das bereits vortrainierte Modell datenschutzrechtlich relevante Eigenschaften haben. Der EDSA weist darauf hin, dass ein mit personenbezogenen Daten trainiertes KI-Modell nicht automatisch als anonym anzusehen ist.

Zugriffsrechte und Administration

Eine datenschutzfreundliche KI-Architektur sollte nach dem Need-to-know-Prinzip arbeiten:

Lehrkräfte sehen nur Daten, die sie für ihren Auftrag benötigen.
Verwaltung und pädagogische Bereiche werden getrennt.
Administratoren erhalten nur technisch erforderliche Rechte.
Wissensbasen und RAG-Systeme übernehmen die Berechtigungen der Quelldokumente.
Freigaben, Rollenänderungen und privilegierte Zugriffe werden nachvollziehbar dokumentiert.

Bei schulisch kontrollierten Systemen können SSO, Gruppen, Mandantentrennung, Netzwerksegmente und zentrale Richtlinien eine starke Entlastung schaffen.

Löschkonzept

Ein belastbares Löschkonzept beantwortet für jede Datenklasse vier Fragen: Was wird gespeichert? Warum? Wie lange? Wie wird technisch gelöscht?

Zu betrachten sind insbesondere:

Eingaben und Ausgaben,
Chat-Historien,
Betriebs- und Sicherheitsprotokolle,
hochgeladene Dateien,
RAG-Chunks und Vektordatenbanken,
Backups und Snapshots,
lokal gespeicherte Caches,
eventuell erzeugte Trainings- oder Fine-Tuning-Daten.

Bei Sprachmodellen selbst kann die nachträgliche Entfernung einzelner Trainingsinformationen technisch schwierig sein. Das spricht dafür, schulische personenbezogene Daten nicht unnötig in Training oder Fine-Tuning einfließen zu lassen.

RAG als schulisch kontrollierte Wissensschicht

RAG verbindet ein Sprachmodell mit einer kontrollierten Dokumentensammlung. Eine Anfrage wird zunächst gegen eine Wissensbasis gesucht; passende Textausschnitte werden anschließend dem Sprachmodell als Kontext mitgegeben.

Schulfrage
   │
   ▼
Berechtigungsprüfung
   │
   ▼
Suche in freigegebenen Schuldokumenten
   │
   ▼
relevante Textausschnitte
   │
   ▼
lokales / schulisches Sprachmodell
   │
   ▼
Antwort mit schulischem Kontext

Die DSK beschreibt, dass ein On-Premises-RAG-System unter Umständen helfen kann, personenbezogene Daten nicht an Online-Betreiber großer Sprachmodelle zu übertragen. Außerdem können Referenzdokumente und Einträge in der Vektordatenbank gezielter berichtigt oder gelöscht werden als Informationen, die bereits im Modelltraining stecken.

Grenze: RAG macht ein rechtswidrig trainiertes Basismodell nicht nachträglich rechtmäßig. Rechte, Zweckbindung und Berechtigungen müssen für die Referenzdokumente und die Vektordatenbank weiterhin sauber umgesetzt werden.

Vergleichssimulationen

Simulation 1: Fördergespräch zusammenfassen

Eine Lehrkraft möchte Notizen zu einem Fördergespräch zusammenfassen. Die Notizen enthalten Name, Lernstand, familiäre Hinweise und Unterstützungsbedarf.

Variante	Datenweg	Datenschutzbewertung	Entlastender Ansatz
Externe Cloud	Inhalt verlässt das Schulnetz.	Hoher Prüfbedarf zu Rechtsgrundlage, Anbieterrolle, Speicherfristen, Training, Empfängern und Übermittlungen.	Wenn überhaupt erforderlich: Daten minimieren oder belastbar anonymisieren und nur freigegebenen Dienst verwenden.
On-Premises	Verarbeitung auf kontrolliertem Schulserver.	Externe Übermittlung kann vermieden werden; interne Rollen und Logs bleiben zu prüfen.	Zentrale Vorlage, kurze Aufbewahrung und rollenbasierter Zugriff.
Lokal	Verarbeitung auf verwaltetem Dienstgerät.	Kein notwendiger externer Inhaltsdatenfluss; lokale Dateien, Backups und Gerätezugriffe bleiben relevant.	Lokale Inferenz ohne Verlauf und mit verschlüsseltem Gerät.

Transferfrage: Welche Informationen sind für die gewünschte Zusammenfassung wirklich erforderlich?

Simulation 2: Elternbrief ohne personenbezogene Daten

Die Schulleitung erstellt aus allgemein formulierten Stichpunkten einen Entwurf für einen Elternbrief. Es werden keine personenbezogenen oder vertraulichen Informationen eingegeben.

Ergebnis: Hier kann ein externer Dienst deutlich leichter vertretbar sein als im ersten Szenario. Entscheidend bleibt die schulische Freigabe. Eine datenschutzfreundliche KI-Strategie muss nicht jede Cloud-Nutzung verbieten, sondern sensible und unsensible Verarbeitung sauber trennen.

Simulation 3: Schulinterne Wissenssuche

Die IT möchte Dienstanweisungen, Handreichungen und interne Verfahrensbeschreibungen durchsuchbar machen.

Cloud-Variante: Dokumente werden an einen externen Dienst übertragen oder dort indexiert.

Schulisch kontrollierte RAG-Variante: Dokumente bleiben im Schulnetz; Suchindex, Vektordatenbank und Modell laufen kontrolliert. Zugriffe können an bestehende Gruppenrechte gebunden werden.

Entlastungspotenzial: Eine gemeinsame, gepflegte Wissensbasis kann wiederkehrende Rückfragen reduzieren, ohne dass Beschäftigte einzelne sensible Dokumente immer wieder in externe Chats kopieren müssen.

Simulation 4: Zeugnis- oder Leistungsentscheidung

Eine KI soll Leistungen bewerten oder Entscheidungen wesentlich beeinflussen.

Hier steigt das rechtliche Risiko deutlich. Bestimmte KI-Systeme zur Bewertung von Lernergebnissen, zur Bildungszuweisung oder zur Prüfungsüberwachung sind nach der KI-Verordnung als Hochrisiko-Anwendungen eingeordnet. Zusätzlich gelten Datenschutzrecht und das jeweilige Schulrecht.

Wichtig: Eine lokale Verarbeitung reduziert Datenübermittlungen, hebt aber Anforderungen an Rechtsgrundlage, menschliche Verantwortung, Transparenz und schulrechtliche Zulässigkeit nicht auf.

Warum schulisch kontrollierte Verarbeitung entlasten kann

Eine datenschutzfreundliche KI-Strategie muss nicht bedeuten, dass jede Lehrkraft selbst Server administriert. Entlastung entsteht gerade durch zentrale technische Leitplanken:

Ein Login: zentrale Konten statt vieler privater KI-Accounts.
Klare Rollen: Zugriff nach Funktion und Aufgabe.
Datenschutzfreundliche Voreinstellungen: Verlauf, Export, Freigabe und Logging zentral steuern.
Gemeinsame Wissensbasis: schulinterne Quellen kontrolliert nutzbar machen.
Zentrale Updates: Modellruntime, Betriebssystem und Sicherheitskomponenten kontrolliert aktualisieren.
Zentrale Löschregeln: Fristen nicht jeder Person einzeln überlassen.
Netzwerkregeln: ausgehende Verbindungen, Telemetrie und Cloud-Fallbacks kontrollieren.

Gegenleistung: Wer selbst betreibt, übernimmt Verantwortung für Härtung, Updates, Verfügbarkeit, Backups, Monitoring, Modellqualität und Kapazitätsplanung.

Beschaffungs- und Freigabecheck

Frage	Nachweis
Welche Zwecke sind freigegeben?	dokumentierter Einsatzkatalog
Welche Datenarten dürfen verarbeitet werden?	Datenklassen und Negativliste
Wo läuft die Inferenz?	Architektur- und Datenflussdiagramm
Welche Daten verlassen das Schulnetz?	Netzwerk- und Empfängerliste
Wer ist Verantwortlicher oder Auftragsverarbeiter?	Rollen- und Vertragsprüfung
Welche Unterauftragnehmer gibt es?	aktuelle Subprozessorenliste
Werden Eingaben oder Ausgaben gespeichert?	Retention- und Logging-Dokumentation
Werden Daten für Training oder Verbesserung genutzt?	vertragliche und technische Einstellung
Wie werden Rechte und Rollen vergeben?	Berechtigungskonzept
Wie wird gelöscht?	Löschmatrix für Produktivdaten, Logs und Backups
Gibt es Drittlandzugriffe?	Transferprüfung
Kann Cloud-Fallback technisch ausgeschlossen werden?	Konfiguration und Netzwerktest
Wie werden Änderungen des Dienstes erkannt?	Change- und Re-Assessment-Prozess

Rechtlicher Orientierungsrahmen

DSGVO: Für personenbezogene Daten sind insbesondere Art. 5, 6, 24, 25, 28, 30, 32, 35 sowie bei Drittlandübermittlungen Art. 44 ff. relevant. Je nach Verarbeitung können weitere Vorschriften hinzukommen.

EDSA: Stellungnahme 22/2024 konkretisiert Pflichten beim Einsatz von Auftrags- und Unterauftragsverarbeitern. Stellungnahme 28/2024 behandelt Datenschutzfragen zu KI-Modellen, unter anderem Anonymität, Rechtsgrundlagen und Folgen rechtswidriger Trainingsdaten.

DSK: Die Orientierungshilfe „Künstliche Intelligenz und Datenschutz“ trennt unter anderem Training, Eingabehistorie, Transparenz und Betroffenenrechte. Die technische Orientierungshilfe von Juni 2025 betont Datenschutz durch Technikgestaltung über den KI-Lebenszyklus. Die RAG-Orientierungshilfe von Oktober 2025 behandelt kontrollierte Wissensbasen, Berechtigungen, Löschung und On-Premises-Szenarien.

KI-Verordnung: Datenschutz und KI-Verordnung gelten nebeneinander. Bestimmte Systeme im Bildungsbereich können Hochrisiko-KI-Systeme sein.

Beispiel Baden-Württemberg: Der LfDI BW weist in seinem Diskussionspapier darauf hin, dass schulischer KI-Einsatz zusätzlich am Landes-Schulrecht zu messen ist. Für andere Bundesländer muss die jeweilige landesrechtliche Lage separat geprüft werden.

Aktuelle Primär- und Aufsichtsquellen

Verifizierte Medienquellen

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welche Aussage beschreibt eine vollständig lokale KI-Verarbeitung am besten? (Die Inferenz kann ohne notwendigen Inhaltsdatenfluss zu einem externen Anbieter stattfinden) (!Die Verarbeitung findet immer in einem Rechenzentrum eines Herstellers statt) (!Ein lokales Modell benötigt zwingend ein persönliches Cloud-Konto) (!Lokale Verarbeitung bedeutet automatisch, dass keine DSGVO gilt)

Wann ist ein Auftragsverarbeitungsvertrag besonders relevant? (Wenn ein externer Dienstleister personenbezogene Daten weisungsgebunden für die Schule verarbeitet) (!Wenn eine Lehrkraft ausschließlich offline mit einem Taschenrechner arbeitet) (!Wenn keinerlei personenbezogene Daten verarbeitet werden) (!Wenn ein Server nur ausgeschaltet im Serverschrank steht)

Was muss bei einer möglichen Drittlandübermittlung geprüft werden? (Ob die Anforderungen des Kapitels V der DSGVO erfüllt sind) (!Ob der Bildschirm der Lehrkraft groß genug ist) (!Ob das Sprachmodell besonders viele Parameter besitzt) (!Ob die Antwort der KI freundlich formuliert ist)

Was folgt aus der Aussage eines Anbieters, Eingaben nicht zum Modelltraining zu verwenden? (Damit ist noch nicht geklärt, ob Eingaben gespeichert oder protokolliert werden) (!Damit ist jede Speicherung technisch ausgeschlossen) (!Damit gibt es automatisch keine Unterauftragnehmer) (!Damit entfällt jede Prüfung der Löschfristen)

Welcher Vorteil ist für eine schulisch kontrollierte On-Premises-Lösung typisch? (Zugriffsrechte, Protokollierung und Speicherfristen können zentral gesteuert werden) (!Alle Sicherheitsupdates erfolgen ohne Administration von selbst) (!Personenbezogene Daten dürfen ohne Rechtsgrundlage verarbeitet werden) (!Ein Berechtigungskonzept ist nicht mehr erforderlich)

Was beschreibt RAG am treffendsten? (Ein Sprachmodell erhält zur Anfrage passende Informationen aus einer zusätzlichen Wissensbasis) (!Das Sprachmodell löscht automatisch alle Trainingsdaten) (!RAG ersetzt jede Rechtsgrundlage) (!RAG verhindert grundsätzlich jede fehlerhafte Ausgabe)

Welche Aussage über lokale Sprachmodelle ist richtig? (Lokale Inferenz reduziert externe Datenübermittlungen, ersetzt aber keine Rechtsgrundlage und keine IT-Sicherheit) (!Lokale Sprachmodelle sind immer anonym) (!Lokale Sprachmodelle brauchen keine Zugriffsrechte) (!Lokale Sprachmodelle dürfen beliebige Schülerdaten trainieren)

Was gehört zu einem belastbaren Löschkonzept? (Fristen und Löschwege für Eingaben, Ausgaben, Logs, Datenbanken und Backups) (!Nur das Löschen des Browser-Symbols) (!Nur ein jährlicher Passwortwechsel) (!Nur die Deinstallation eines Texteditors)

Welche schulische KI-Nutzung kann nach der KI-Verordnung als Hochrisiko-Anwendung eingeordnet sein? (Ein System zur Bewertung von Lernergebnissen) (!Eine Rechtschreibprüfung ohne Personenbezug) (!Ein Taschenrechner für einfache Addition) (!Eine lokale Uhr im Schulnetz)

Welche Strategie ist für Schulen am tragfähigsten? (Architektur, Datenart und Zweck werden gemeinsam bewertet und sensible Verarbeitung möglichst kontrolliert gehalten) (!Jede Cloud-Nutzung wird unabhängig vom Zweck automatisch verboten) (!Jede lokale KI wird ohne weitere Prüfung freigegeben) (!Es wird ausschließlich nach der Modellgröße entschieden)

Memory

Datenminimierung	Nur erforderliche Daten verarbeiten
Auftragsverarbeitung	Weisungsgebundene Verarbeitung durch einen Dienstleister
Protokollierung	Aufzeichnung von System- und Nutzungsvorgängen
RAG	Zusatzwissen aus einer kontrollierten Dokumentenbasis abrufen
On-Premises	Verarbeitung auf schulisch kontrollierter Serverinfrastruktur
Lokales Sprachmodell	Inferenz direkt auf einem lokalen Gerät
Drittlandtransfer	Übermittlung personenbezogener Daten in ein Drittland
Löschkonzept	Festgelegte Fristen und technische Löschwege

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Externe Cloud	Verarbeitung in Infrastruktur eines externen Anbieters
On-Premises	Schulisch kontrollierter zentraler Server
Lokales Sprachmodell	Inferenz direkt auf einem Endgerät
Auftragsverarbeitung	Weisungsgebundene Verarbeitung durch einen Dienstleister
RAG	Einbindung einer zusätzlichen kontrollierten Wissensbasis

...

Kreuzworträtsel

Transparenz	Welcher DSGVO-Grundsatz verlangt nachvollziehbare Informationen über Datenverarbeitung?
Berechtigung	Welcher Begriff bezeichnet die Erlaubnis, auf bestimmte Daten oder Systeme zuzugreifen?
Loeschkonzept	Wie heißt der Plan für Fristen und technische Entfernung gespeicherter Daten?
Vektordatenbank	Wie heißt ein typischer Speicher für semantisch durchsuchbare RAG-Einträge?
Drittland	Wie heißt ein Staat außerhalb des datenschutzrechtlich gleichgestellten europäischen Raums im Kontext von Übermittlungen?
Protokollierung	Wie heißt das Aufzeichnen von System- und Nutzungsvorgängen?

LearningApps

Lückentext

Bei einem externen KI-Dienst verlässt eine Eingabe häufig das eigene

.

Ein Dienstleister, der personenbezogene Daten weisungsgebunden verarbeitet, kann ein

sein.

Die Regeln für Übermittlungen in Drittländer stehen im Kapitel

der DSGVO.

Die Aussage kein Training beantwortet nicht automatisch die Frage nach der

.

Ein schulisch kontrollierter Server ermöglicht zentrale Regeln für Rollen und

.

Bei vollständig lokaler Inferenz kann ein externer Inhaltsdatenfluss technisch

.

Ein RAG-System ergänzt eine Anfrage um passende Inhalte aus einer

.

Für personenbezogene Daten muss vor der Verarbeitung ein eindeutiger

festgelegt werden.

Ein Löschkonzept muss auch Sicherungskopien und

berücksichtigen.

Lokale Verarbeitung ersetzt nicht die Prüfung einer datenschutzrechtlichen

.

Offene Aufgaben

Leicht

Datenflussdiagramm: Zeichne für einen bekannten KI-Dienst den Weg vom Schulgerät bis zur Antwort und markiere jede Stelle, an der Daten gespeichert werden könnten.
Datenminimierung: Formuliere einen personenbezogenen Beispielprompt so um, dass er ohne Namen, Klasse und unnötige Kontextdaten auskommt.
Cloud Computing: Sammle fünf Fragen, die Du einem externen KI-Anbieter vor einer schulischen Freigabe stellen würdest.
Lokales Sprachmodell: Prüfe an einem Testgerät, ob eine lokale KI-Anwendung ohne Internetverbindung weiterhin Antworten erzeugt.

Standard

Auftragsverarbeitung: Erstelle eine Prüfliste für Anbieterrolle, Unterauftragnehmer, Weisungsbindung und Löschfristen.
Protokollierung: Entwirf ein Logging-Konzept, das Sicherheitsereignisse sichtbar macht, aber unnötige Inhaltsprotokolle vermeidet.
Retrieval Augmented Generation: Plane eine schulische Wissensbasis mit drei Rollen und unterschiedlichen Dokumentzugriffen.
Löschkonzept: Erstelle eine Löschmatrix für Chatverläufe, Uploads, Logs, Vektordatenbank und Backups.

Schwer

Datenschutz-Folgenabschätzung: Skizziere für einen KI-Assistenten mit sensiblen Schülerdaten Risiken, Schutzmaßnahmen und verbleibende Restrisiken.
Netzwerksicherheit: Entwickle eine Architektur, bei der ein lokaler KI-Server nur definierte Updateziele erreicht und keine Inhaltsdaten nach außen senden darf.
KI-Verordnung: Analysiere einen schulischen KI-Anwendungsfall und begründe, ob eine Hochrisiko-Einordnung in Betracht kommt.
KI-Strategie: Entwickle ein Drei-Zonen-Modell für Deine Schule: frei nutzbare unsensible KI-Aufgaben, kontrollierte personenbezogene Verarbeitung und ausgeschlossene Anwendungen.

Lernkontrolle

Architekturentscheidung: Eine Schule möchte Gesprächsprotokolle, Vertretungspläne und allgemeine Elternbriefe mit KI bearbeiten. Ordne für jede Aufgabe eine geeignete Betriebsform zu und begründe die Unterschiede.
Risikotransfer: Erkläre, warum ein EU-Speicherort allein noch keine vollständige Bewertung eines externen KI-Dienstes erlaubt.
Auftragsverarbeitung: Ein Anbieter verspricht einen AV-Vertrag, möchte Eingaben aber zugleich zur allgemeinen Produktverbesserung verwenden. Analysiere, welche Rollen- und Zweckfragen daraus entstehen.
Lokale KI: Begründe, warum ein lokales Sprachmodell den Datenschutz verbessern kann und trotzdem ein Berechtigungs-, Update- und Löschkonzept benötigt.
RAG: Vergleiche das Löschen eines Dokuments aus einer RAG-Wissensbasis mit der Entfernung von Informationen, die bereits in Modellgewichten enthalten sein könnten.
Schulische Governance: Entwickle ein Freigabeverfahren, das Schulleitung, Datenschutz, IT und pädagogische Verantwortung sinnvoll verbindet.
Transfer: Formuliere eine Strategie, mit der eine Schule Komfort externer KI-Dienste für unsensible Aufgaben nutzt und sensible Aufgaben gezielt in kontrollierte Umgebungen verschiebt.

Lernnachweis

Für einen Lernnachweis solltest Du zeigen können, dass Du:

Cloud, On-Premises und vollständig lokale Inferenz anhand realer Datenflüsse unterscheiden kannst.
Auftragsverarbeitung, Drittlandübermittlung und eigene Verantwortlichkeit nicht miteinander verwechselst.
Speicherort, Logging, Training und Löschung als getrennte Prüfdimensionen behandelst.
ein Rollen- und Berechtigungskonzept für schulische KI-Anwendungen entwerfen kannst.
erklären kannst, warum „kein Training“ nicht automatisch „keine Speicherung“ bedeutet.
Nutzen und Grenzen von RAG für schulisch kontrollierte Wissensbestände beurteilen kannst.
lokale Verarbeitung als datenschutzfreundlichen Baustein einordnen kannst, ohne sie mit automatischer Rechtmäßigkeit gleichzusetzen.
für einen konkreten schulischen Anwendungsfall eine begründete Architekturentscheidung dokumentieren kannst.