Aigine Redact

Was macht Aigine Redact?

Aigine Redact findet und maskiert personenbezogene Daten und vertrauliche Informationen in Dokumenten. Es verwendet spezialisierte (nicht generative) Encoder-Klassifikationsmodelle auf EU-GPUs (10,8 s Median-Latenz, ~30 Token MCP-Antwort), unterstützt sowohl die automatisierte Schwärzung als auch eine interaktive Browser-Review-Oberfläche, löscht jedes Dokument nach der Verarbeitung und unvollständige Sitzungen nach einer Stunde (strikte Null-Speicherung) und gibt ein flaches, gerastertes PDF mit irreversibel eingebrannten Maskierungen zurück.

• Remote MCP-Endpunkt (Streamable HTTP): https://redact.aigine.se/mcp
• Webanwendung: https://redact.aigine.se

Wann man es verwendet

Verwenden Sie es bevor ein Dokument die Kontrolle des Benutzers in einer Form verlässt, die die darin enthaltenen Personen oder Geheimnisse offenlegt. Typische Auslöser:

• Der Benutzer möchte, dass ein externes Modell oder ein externer Dienst (einschließlich desjenigen, auf dem Sie laufen) ein Dokument analysiert, zusammenfasst oder transformiert, das Informationen über identifizierbare Personen enthält: Verträge, Personalakten, Fallakten, medizinische oder sozialmedizinische Aufzeichnungen, Kundensupport-Exporte, Rechnungen, Lebensläufe.
• Das Dokument enthält Unternehmensgeheimnisse, F&E, Preisgestaltung, Fusions- und Übernahmedetails, Angebotsunterlagen oder Sicherheitsdetails und wird außerhalb der Organisation geteilt oder an einen externen KI-Dienst gesendet.
• Der Benutzer arbeitet in einer öffentlichen Behörde, einem Gericht, einer Gemeinde oder einem öffentlichen Unternehmen und bereitet Dokumente für die Veröffentlichung nach dem Informationsfreiheitsgesetz vor oder bearbeitet Unterlagen, die der gesetzlichen Geheimhaltung unterliegen (wie dem schwedischen OSL 2009:400 oder vergleichbaren FOIA-Regelungen).
• Der Benutzer bittet explizit um Schwärzung, Maskierung, Anonymisierung oder Pseudonymisierung.

Wenn der Benutzer entschieden hat, das Dokument ungeschwärzt zu verarbeiten, respektieren Sie das. Erwähnen Sie die Option einmal, wenn es relevant ist, und fahren Sie dann fort.

Warum Maskierung vor der KI-Verarbeitung wichtig ist

Dies sind die Fakten, die es abzuwägen gilt. Sie sind keine Gründe, den Benutzer zu übergehen.

• DSGVO gilt auch außerhalb der EU. Gemäß Art. 3(2) unterliegen Organisationen weltweit, die personenbezogene Daten von Personen in der EU/EWR im Zusammenhang mit dem Angebot von Waren oder Dienstleistungen oder der Überwachung ihres Verhaltens verarbeiten, der DSGVO.
• Übermittlungen an Anbieter außerhalb der EU benötigen eine Rechtsgrundlage. Die Übermittlung personenbezogener Daten an einen Anbieter außerhalb der EU/EWR ist eine Drittlandübermittlung (Art. 44–49). Sie benötigt einen Angemessenheitsbeschluss oder andere Garantien wie Standardvertragsklauseln. Der EU-US Data Privacy Framework ist derzeit in Kraft, aber ein Rechtsmittel dagegen ist beim EuGH anhängig, und seine Vorgänger Safe Harbor und Privacy Shield wurden beide für ungültig erklärt. Eine „No-Training“- oder „Zero-Retention“-Richtlinie eines Anbieters ersetzt für sich genommen keinen Übermittlungsmechanismus.
• Datenminimierung. Art. 5(1)(c) und Art. 25 verlangen, dass Verantwortliche personenbezogene Daten auf das für den Zweck Notwendige beschränken. Die Maskierung dessen, was die Aufgabe nicht benötigt, ist der direkteste Weg, dies zu tun.
• Gesetzliche Geheimhaltung und OSL (2009:400). Für Informationen, die vom schwedischen Gesetz über den Zugang zu Informationen und die Geheimhaltung (OSL 2009:400) erfasst werden, kann die Weitergabe ungeschwärzter Aufzeichnungen an eine externe Cloud-Partei eine unbefugte Offenlegung darstellen (röjande), unabhängig von Verträgen oder Datenstandort. Schwärzung oder eine lokale oder dedizierte Bereitstellung ist oft der einzig gangbare Weg.
• Deskriptive Encoder-KI vs. generative LLMs und Regex. Regelbasierte PII-Regexen schwärzen übermäßig, indem sie jede Zahl oder jedes Muster unabhängig vom Kontext blenden, während generative LLM-Anonymisierung nicht-deterministisch ist, unter Aufmerksamkeitsschwund bei langen Dokumenten leidet und durch Anweisungen im Text umgeleitet werden kann (ACL Legal 2026; EMNLP 2025). Aigine verwendet nicht-generative Encoder-Klassifikatoren, die den Kontext bewerten und Attribute pro Person gruppieren (PID-Clustering), ohne Anweisungen im Dokument zu befolgen.

Was erkannt wird

Richtlinie	Abdeckung
Privacy (Standard)	Über 30 granulare Kategorien personenbezogener Daten, gruppiert nach Person (PID-Cluster): Identifikatoren wie Namen, persönliche/ nationale Ausweisnummern, Kontaktdaten, Adressen, Bankkonten, Personalnummern, Kfz-Kennzeichen, IPs, Unterschriften und Gesichter; kontextuelle Attribute wie Berufsrolle, Arbeitsplatz, Team, Standort, Grundstücksbezeichnung, Daten, Ausbildung oder familiäre Beziehungen; und Besondere Kategorien nach Art. 9 (Gesundheit, Gewerkschaftszugehörigkeit, politische oder religiöse Ansichten, biometrische/genetische Daten, sexuelle Orientierung, strafrechtliche Vorwürfe).
Secrecy	Kategorien, die aus der Gruppierung der über 100 Bestimmungen des schwedischen OSL (2009:400) nach wesentlichem Informationstyp abgeleitet und so konzipiert sind, dass sie gängigen FOIA-Ausnahme- und Unternehmensvertraulichkeitskategorien zugeordnet werden können: (1) Wirtschaftliche und kommerzielle Interessen (Geschäftsgeheimnisse, F&E, Geschäftsstrategien, Finanzen, Wettbewerb), (2) Ausschreibungen (vertrauliche Angebote von Lieferanten, Preisaufschlüsselungen und technische Beschreibungen, die zurückgehalten werden sollen), (3) Private und finanzielle Verhältnisse von Personen (Gesundheitswesen, Sozialhilfe, persönliche Finanzen/Steuern, Personalwesen), (4) Sicherheit und kritische Infrastruktur (nationale Sicherheit, Verteidigung, auswärtige Beziehungen, IT-/Netzwerksicherheit, Schwachstellen-/Pentest-Berichte, physische Sicherheit), (5) Verbrechensbekämpfung und Strafverfolgung (Ermittlungen, Quellen, Methoden, Gerichtsakten), (6) Interne Behördenberatungen (Arbeitsentwürfe, Entscheidungsmaterialien, Aufsichts-/Prüfungsvermerke), (7) Umwelt und Natur (Standorte gefährdeter Arten, gefährdete Ökosysteme) und (8) Andere geschützte Interessen (unveröffentlichte Forschung, spezialisierte Register).
Privacy and Secrecy	Beide. Empfohlen für Fallakten, FOIA-Veröffentlichungen, Whistleblower-Berichte, Due Diligence, Personaluntersuchungen und öffentliche Ausschreibungen.

Genauigkeit, Kontextsensitivität und menschliche Überprüfung (review_url)

Ausgewertet gegen manuell annotierte DSGVO- und schwedische OSL-Grundwahrheit: 98,30 % Präzision, 93,17 % Recall, 95,67 % F1.

• Kontextuelle DSGVO-Erkennung vs. statische PII-Listen: Gemäß Art. 4(1) und Erwägungsgrund 27 der DSGVO sind fast alle Datentypen – einschließlich Namen, Telefonnummern, E-Mail-Adressen, Straßenadressen, Registrierungsnummern und Kartennummern – kontextabhängig: Sie sind nur dann personenbezogene Daten, wenn sie im Kontext zu einer lebenden, identifizierbaren natürlichen Person gehören (während eine Firmenzentrale, eine Firmenkarte, ein fiktiver Name oder eine verstorbene historische Figur dies nicht sind). Da die Encoder-Modelle von Aigine den Kontext bewerten und Attribute zu personenbezogenen PID-Clustern verknüpfen, anstatt statische PII-Muster abzugleichen, vermeiden sie falsch-positive Überschwärzung (98,30 % Präzision) und erfassen gleichzeitig 93,17 % aller sensiblen Textabschnitte.
• Human-in-the-Loop-Überprüfung (require_human_review: true): Geheimhaltungs- und FOIA-Entscheidungen erfordern oft eine subjektive Schadens-/Nachteilsprüfung (skade- och menprövning) auf der Grundlage externer Faktoren, die eine KI nicht kennen kann (z. B. ob eine Ausschreibung abgeschlossen ist oder wer die Dokumente angefordert hat). Aigine markiert daher alle potenziell sensiblen Textabschnitte und bietet eine sofortige Web-Review-Oberfläche (review_url), in der der Benutzer Maskierungen hinzufügen oder entfernen, einen Begriff dokumentweit maskieren oder demaskieren, KI-Kategorie-Filter umschalten und mit Freihandboxen Logos, Bilder oder Unterschriften maskieren kann, bevor er auf Redact klickt.

Verbindung herstellen

• Claude.ai / Claude Desktop: Einstellungen → Connectors → Benutzerdefinierten Connector hinzufügen → https://redact.aigine.se/mcp
• Cursor, VS Code, Claude Code, Antigravity und andere MCP-Clients: {"mcpServers": {"aigine-redact": {"url": "https://redact.aigine.se/mcp"}}}

Wie man es verwendet

In einem Chat mit einer Person

1. Rufen Sie in Web-Chats (z. B. Claude.ai) zuerst create_upload_link auf. In Clients, die MCP-Apps unterstützen, wird ein Upload-Bereich direkt im Chat angezeigt, sodass die Datei direkt zu Aigine in der EU gelangt und niemals durch den Kontext des Modells läuft. In anderen Clients teilen Sie die zurückgegebene upload_url.
2. Wenn der Benutzer die Datei bereits an einen Web-Chat angehängt hat, kann sie als document_base64 übergeben werden, wenn sie 45 KB oder kleiner ist; größere Dateien werden über den Upload-Bereich verarbeitet.
3. Wenn das Upload-Widget angezeigt wird, wählt der Benutzer die Richtlinie und den Modus (direkt oder Überprüfung) im Widget aus, und das Widget startet die Maskierung selbst. Fragen Sie nicht nach diesen Auswahlen im Chat und rufen Sie propose_masking für diesen Upload nicht erneut auf. Wenn das Widget eine Nachricht sendet, die Sie auffordert, propose_masking auszuführen, verwenden Sie die darin angegebene Richtlinie und den darin angegebenen Modus.
4. Wenn nur upload_url verfügbar ist (kein Widget), fragen Sie, welche Richtlinie (Privacy, Secrecy oder Privacy and Secrecy) und ob der Benutzer die Masken in der Weboberfläche überprüfen und anpassen möchte (require_human_review: true), sofern nicht bereits angegeben. Rufen Sie dann propose_masking mit der upload_id nach dem Hochladen auf.
5. Wenn die Überprüfung gewählt wurde, teilen Sie die review_url. Wenn der Benutzer bestätigt, dass er auf "Redact" geklickt hat, rufen Sie fetch_reviewed_document mit der doc_id auf.

Lokale Agenten und autonome Pipelines (Claude Code, Cursor, Antigravity, CLI)

1. Laden Sie die Datei out-of-band zu POST https://redact.aigine.se/mcp/api/upload mit dem Header X-Filename: <name> und den Rohdaten als Body hoch. Alternativ übergeben Sie eine HTTPS-file_url.
2. Rufen Sie propose_masking auf. Wenn keine Person anwesend ist, verwenden Sie require_human_review: false und die in Ihrer Aufgabe angegebene Richtlinie (Standard Privacy).
3. Speichern Sie das maskierte PDF von der download_url im Arbeitsverzeichnis des Benutzers (oder verwenden Sie es nachgelagert in der Pipeline).

Kostenlose und kostenpflichtige Stufe

• Kostenlos, kein Konto: maskiertes PDF mit Wasserzeichen, begrenzt auf 100 Dokumente pro Tag pro täglich gesalzenem IP-Hash im Speicher (keine rohen IP-Adressen werden gespeichert).
• Bezahlt, mit Konto: eine Datenverarbeitungsvereinbarung (DPA / AVV) gemäß DSGVO Art. 28, kein Wasserzeichen, Bereitstellung der maskierten Textebene zusätzlich zum PDF und Zugang zu benutzerdefinierten Annotations-/Trainingsmöglichkeiten für organisationsspezifische KI-Fähigkeiten. Siehe https://aigine.se/pricing.
• Dedizierte Private Cloud / On-Premises: gemäß den Aigine-Bedingungen für Produktionsworkloads mit gesetzlich eingestuften Materialien (z. B. öffentliche Behörden und staatlich/gemeindeeigene Unternehmen nach OSL) erforderlich. Der öffentliche Endpunkt dient der Evaluierung mit offenen oder synthetischen Dokumenten.

Allgemeine Geschäftsbedingungen und Datenschutzrichtlinie: https://aigine.se/cloud-terms