private-ai-bridge

Sensible Daten lokal verarbeiten — Cloud-KI nutzen ohne Datenleck

Ein Framework für Claude Code, das personenbezogene Daten ausschließlich auf deinem Rechner verarbeitet. Lokales LLM (Gemma 4 via Ollama) bleibt Wächter — Claude bekommt nur anonymisierte Aggregate.

DSGVO-konform. Datenschutz by Design. Open Source.

Eine technische Veröffentlichung von Thomas Schroffenegger, MSc MAS BEd.

Warum?

Cloud-KIs wie Claude sind unschlagbar bei kreativem Schreiben, Analyse und Code. Aber für viele Anwendungsfälle (Schulverwaltung, Personalwesen, Patientendaten) verbietet die DSGVO, personenbezogene Daten an Cloud-Anbieter zu senden.

private-ai-bridge löst das: Du bekommst Claudes Sprachstärke, ohne dass auch nur ein Name die Cloud sieht.

Wie funktioniert es?

┌──────┐   ┌──────────────┐   ┌──────────────┐
│ User │ → │ Gemma (lokal) │ → │ Claude (Cloud) │
└──────┘   └──────────────┘   └──────────────┘
              ↑                       ↓
              └─── Re-Mapping ────────┘

1. User stellt Aufgabe ("Schreibe Zeugnisbemerkungen für alle Schüler")
2. Claude erkennt: Datei enthält PII, ruft gemma_query Tool auf
3. Gemma liest Datei lokal, gibt anonymisierte Daten zurück
4. Claude verarbeitet anonymisierte Daten (z.B. schreibt Bemerkungen)
5. private-ai-bridge mappt Ergebnis lokal zurück zu echten Namen
6. User bekommt finales Ergebnis

Claude sieht nie einen Namen, eine Adresse oder eine E-Mail.

Quick Start

Installation

git clone https://github.com/harubert/private_ai_bridge.git
cd private_ai_bridge
./install.sh

Der Installer prüft deine Hardware und installiert das passende Gemma-Modell:

• 8 GB RAM: gemma:2b (klein, schnell)
• 16 GB RAM: gemma4:e4b (empfohlen)
• 32 GB RAM: gemma4:26b (beste Qualität)

Verwendung

cd private_ai_bridge
claude

Claude Code erkennt die .mcp.json automatisch. Sechs neue Tools stehen zur Verfügung:

Tool	Zweck
gemma_query	Lässt Gemma eine Datei lokal verarbeiten
pseudonymize	Ersetzt echte Werte durch Tokens [PERS_xxx]
depseudonymize	Wandelt Tokens zurück in Klartext
show_mappings	Zeigt aktuelle Zuordnungstabelle
show_audit_log	Audit-Log aller Verarbeitungen
system_status	Status der Ollama-Installation

Live-Demo

Eine vollständige Demo mit 7 Schülern und einer realistischen Aufgabe (Wintersportwoche planen) gibt es als interaktive Webseite:

cd publish && python3 -m http.server 8080
# Browser öffnen: http://localhost:8080

Drei Seiten:

• index.html — Konzept und Architektur
• demo.html — Schritt-für-Schritt-Walkthrough
• flow.html — Datenfluss-Visualisierung

Beispiel-Aufgabe: Wintersportwoche planen

Datei: examples/schueler/schueler.json (7 Schüler mit Sportwahl, Allergien, Medikamenten, Sozialermäßigungen)

User-Prompt an Claude:

"Plane die Wintersportwoche der 3a — Gruppen nach Sportwahl/Niveau, Begleitlehrer, Bus-Sitzplan, Notfall-Datenblätter, individuelle Eltern-Briefe und Förderanträge."

Was passiert:

1. Claude klassifiziert die Teilaufgaben: Logistik (Cloud-tauglich) vs. sensible Dokumente (rein lokal)
2. Logistik (Gruppen, Bus, Lehrerplan): Claude bekommt von Gemma anonymisierte Profile (nur Sportwahl, Niveau, Größen, Flags wie "allergie_ja_nein")
3. Notfall-Datenblätter: Gemma generiert sie komplett lokal mit echten Allergien, Medikamenten, Notfallkontakten — Claude sieht das Dokument nie
4. Eltern-Briefe: Claude liefert Template, Gemma füllt lokal mit echten Namen + Sportwahl-spezifischer Packliste
5. Förderanträge: Komplett lokal mit Familien-Begründung

An Cloud gegangen: 7 anonymisierte Logistik-Profile Allergien/Medikamente/Namen in der Cloud: 0 Geschätzte Zeitersparnis: 6-8 Stunden manueller Arbeit

Sicherheitsstufen

Das Framework klassifiziert Daten in 4 Stufen:

Stufe	Beispiel	Behandlung
L1	Name, Email, Tel, SVNr, Adresse	Immer pseudonymisieren
L2	Geburtsdatum, PLZ	Pseudonymisieren in Kombination
L3	Noten, Bemerkungen	OK ohne Personenzuordnung
L4	Aggregate (Durchschnitt, Anzahl)	Unbedenklich

Architektur

private_ai_bridge/
├── server/                  # MCP-Server (Python)
│   ├── mcp_server.py        # Tool-Definitionen
│   ├── gemma_client.py      # Ollama-Wrapper
│   ├── pseudonymizer.py     # Tagged-Token-Mapping
│   └── audit_log.py         # DSGVO Art. 30 Logging
├── examples/                # Beispiel-Daten und Aufgaben
├── publish/                 # Landing Page für eigenen Server (Konzept/Demo/Flow) (Landing/Demo/Flow)
├── .mcp.json                # Claude-Code-Konfiguration
└── install.sh               # Setup mit Hardware-Test

Modell-Austauschbarkeit

Das Framework ist nicht an Gemma gebunden. Setze eine Umgebungsvariable, um andere Ollama-Modelle zu verwenden:

export PRIVATE_AI_BRIDGE_MODEL="llama3.2:3b"
# oder: mistral:7b, qwen2.5:14b, ...

DSGVO-Konformität

Das Framework unterstützt zentrale DSGVO-Anforderungen:

• Art. 5 (Datenminimierung): Cloud bekommt nur die nötigsten Felder
• Art. 25 (Privacy by Design): Standardmäßig keine PII in der Cloud
• Art. 30 (Verzeichnis): Audit-Log dokumentiert jede Verarbeitung
• Art. 32 (Sicherheit): Lokale Lookup-Tabelle, optional verschlüsselt
• Art. 17 (Löschung): clear_mappings löscht alle Zuordnungen

Lizenz

Duale Lizenzierung — siehe LICENSE für Übersicht.

Was	Lizenz	Datei
Code (server/, install.sh, alle .py)	MIT	LICENSE-CODE
Dokumentation, Webseite, Konzept (README.md, publish/, examples/, alle .md)	CC BY-SA 4.0	LICENSE-DOCS

Beide Lizenzen verlangen Namensnennung:

• MIT: implizit über den Copyright-Hinweis, der in allen Kopien bleiben muss
• CC BY-SA 4.0: explizit, plus Weitergabe unter gleichen Bedingungen (Share-Alike)

Mitwirken

Issues und Pull Requests willkommen. Insbesondere:

• Adapter für weitere lokale LLMs (llama.cpp, LM Studio, vLLM)
• Verbesserte PII-Erkennung
• Übersetzungen
• Use-Case-Beispiele aus anderen Domänen (Medizin, HR, Recht)

Inspiration

Entstanden aus dem Bedürfnis, Claude Code in einer österreichischen Mittelschule DSGVO-konform einsetzen zu können. Generalisiert für jeden Anwendungsfall mit sensiblen Daten.

Autor & Veröffentlichung

Konzept & Realisierung: Thomas Schroffenegger, MSc MAS BEd Erstveröffentlichung: April 2026 Lizenz: MIT (Code) + CC BY-SA 4.0 (Konzept/Doku) — beide mit Namensnennungspflicht

Bei Verwendung in wissenschaftlichen Arbeiten oder kommerziellen Projekten wird um Namensnennung gebeten:

Schroffenegger, T. (2026): private-ai-bridge — DSGVO-konformes Framework für Cloud-KI mit lokaler Datenfilterung. https://github.com/harubert/private_ai_bridge