Article

Generative AI und Pseudonymisierung sensibler Daten im Asset- und Wealth-Management

Sensible Daten im Asset- und Wealth-Management lassen sich zuverlässig für Tests, Integrationen und Analysen pseudonymisieren, indem Generative AI für die Datenmodellanalyse und Regeldefinition mit deterministischen, auditierbaren Transformationen kombiniert wird – für lückenlosen Datenschutz bei voller Datenkonsistenz.

Daten für Testumgebungen aufbereiten

Für Banken, Kapitalverwaltungsgesellschaften und Wealth-Management-Häuser sind Daten ein zentraler Erfolgsfaktor. Sie bilden das Fundament operativer Prozesse, ermöglichen fundierte Anwendungstests und bilden zunehmend die Basis für fortgeschrittene Analysen. Der Einsatz von Daten in Nicht-Produktionsumgebungen erfordert jedoch strenge Sicherheitsvorkehrungen, damit sensible Kunden- und Portfoliodaten während der Entwicklung, bei Systemintegrationstests (SIT) oder im Rahmen von User Acceptance Tests (UAT) niemals im Klartext offengelegt werden.

Die Aufbereitung geschützter Testdatensätze ist in der Praxis oft langwierig und komplex. Herkömmliche Verfahren sind zeitintensiv, müssen bei jeder Änderung des Datenmodells neu aufgesetzt werden und wahren häufig weder die Beziehungen zwischen Tabellen noch die fachliche Aussagekraft einzelner Werte. Das Resultat sind formal anonymisierte, aber wenig repräsentative Datensätze, die die Testabdeckung einschränken, Integrationsprojekte ausbremsen und realistische Testszenarien kaum reproduzierbar machen.

Noch anspruchsvoller wird es, wenn Testdaten mit externen Partnern oder Dienstleistern geteilt werden müssen. Jede zusätzliche Datenkopie erfordert verbindliche Regeln, nachvollziehbar dokumentierte Transformationen sowie lückenlose Kontrollen, die den Datenschutz vor der Weitergabe belegen.

Ein wirksamer Ansatz zur Pseudonymisierung sensibler Daten

Durch das Zusammenspiel aus fachlicher Expertise, generativer KI und deterministischen Transformationen lassen sich sensible Daten im Asset- und Wealth-Management zuverlässig pseudonymisieren, ohne ihren analytischen Wert einzubüßen. Generative KI unterstützt bei der Interpretation des Datenmodells, der Identifizierung personenbezogener Informationen und der Definition passender Transformationsregeln. Die eigentliche Ausführung der Pseudonymisierung erfolgt strikt getrennt und folgt klar definierten, versionierten und reproduzierbaren Logiken. Diese Aufgabenteilung erlaubt es, umfangreiche Datenbankschemata mit oft lückenhafter Dokumentation effizient zu erschließen, ohne dass das KI-Modell eigenmächtig über die Veränderung von Daten entscheidet. Alle in der Vorbereitungsphase erstellten Klassifizierungen, Regeln und Transformationsskripte können vor der Ausführung vom Kunden geprüft und freigegeben werden.

Zwei komplementäre Pipelines für Datenaufbereitung und Pseudonymisierung

Der Gesamtprozess gliedert sich in zwei klar abgegrenzte Pipelines mit definierten Verantwortlichkeiten: Die erste Pipeline bereitet das Datenmodell und das Regelwerk für die Pseudonymisierung vor; die zweite wendet die Transformationen an und erzeugt die erforderlichen Kontrollnachweise zur Überprüfung der Ergebnisse. Diese Trennung vereinfacht Steuerung, Auditierung und kontinuierliche Pflege erheblich.

Vorbereitung des Datenmodells

Die erste Pipeline analysiert das Datenbankschema sowie vorhandene Dokumentationen, um personenbezogene Daten (PII) gezielt zu identifizieren und zu klassifizieren. Generative KI interpretiert mehrdeutig benannte Spalten, Metadaten, Beschreibungen und Freitextkommentare und schlägt kontextgerechte Klassifizierungen vor. Zudem unterstützt sie bei der Erstellung des Regelwerks, der Codegenerierung und der Definition von Prüfmechanismen.

Dadurch sinkt der manuelle Aufwand bei der Prüfung komplexer Datenmodelle drastisch und die Bereitstellung von Testdatensätzen beschleunigt sich. Ändert sich das Schema zu einem späteren Zeitpunkt, konzentriert sich die Analyse gezielt auf die Neuerungen, anstatt den gesamten Prozess von vorne zu starten.

Ausführung der Pseudonymisierung

Die zweite Pipeline wendet die freigegebenen Regeln auf strukturierte Daten sowie relevante Freitextfelder an. Die Transformation arbeitet rein deterministisch: Bei identischem Regelwerk und gleichen Eingabedaten ist das Ergebnis exakt definiert und jederzeit reproduzierbar. In dieser Phase findet keine KI-Inferenz statt – das Modell trifft keinerlei autonome Entscheidungen darüber, welche Daten wie verändert werden. Während der Ausführung entstehen Prüfprotokolle, Kontrollpunkte und eine geschützte Zuordnungstabelle für eine eventuelle Re-Identifizierung. So kann der Kunde sämtliche Transformationen lückenlos nachvollziehen und nachweisen, dass die Vorgaben über den gesamten definierten Datenbestand hinweg korrekt umgesetzt wurden.

Semantische Konsistenz und referentielle Integrität

Damit ein Datensatz im Testbetrieb aussagekräftig bleibt, muss jedes Datenelement über alle Tabellen und Systeme hinweg konsistent transformiert werden. Nur so funktionieren Datenbank-Joins, Entitätsbeziehungen und durchgängige End-to-End-Prozesse auch nach der Pseudonymisierung reibungslos. Ebenso entscheidend ist die semantische Konsistenz: Ersetzungswerte müssen Formate, Wertebereiche, Plausibilitätsregeln sowie Abhängigkeiten zu anderen Feldern exakt einhalten. Eine Kontonummer, eine Transaktion oder eine Depotposition lässt sich nicht isoliert betrachten – ihre fachliche Bedeutung ergibt sich aus dem Geschäftsprozess und den Verknüpfungen im Datenmodell. Die gezielte Übersetzung dieser fachlichen Rahmenbedingungen aus dem Asset- und Wealth-Management in prüfbare Transformationsregeln führt zu einem realitätsnahen, aber geschützten Datensatz – als verlässliche Basis für tiefgehende und belastbare Tests.

Datenschutz und Modellauswahl

Die Lösung ist primär für den Betrieb On-Premises konzipiert. Produktivdaten, Transformationsregeln und Pseudonymisierungsschlüssel verbleiben vollständig in der Infrastruktur des Kunden. Dieser steuert sämtliche Zugriffsrechte und behält die alleinige Hoheit über die Informationen, die für eine Re-Identifizierung erforderlich wären. Alle Verarbeitungsschritte laufen auf einem Datenbankklon oder einer repräsentativen Kopie ab, sodass Produktivsysteme unberührt bleiben.

Je nach Sicherheitsvorgaben und IT-Richtlinien lässt sich auch ein hybrides Betriebsmodell umsetzen. Dabei unterstützen Cloud-Modelle ausgewählte Vorbereitungsschritte auf Basis freigegebener Metadaten oder bereits geschützter Informationen, während Echtdaten und Schlüssel konsequent innerhalb des kundeneigenen Sicherheitsperimeters verbleiben. Die Wahl des KI-Modells hat keinerlei Einfluss auf die deterministische Transformationspipeline.

Wie Pseudonymisierung Datenaufbereitung, Testing und Compliance verbessert

  • Schnellere und effizientere Datenaufbereitung
    Die automatisierte Analyse von Datenmodellen, PII-Klassifizierung und Regelgenerierung reduziert wiederkehrende manuelle Tätigkeiten und verkürzt die Bereitstellungszeit für Nicht-Produktionsumgebungen erheblich. Auch Anpassungen bei Schemaänderungen lassen sich deutlich schneller umsetzen.

  • Zuverlässigere und qualitativ hochwertigere Tests
    Durch den Erhalt von referentieller Integrität und semantischer Konsistenz arbeiten Testteams mit realistischen, in sich schlüssigen Szenarien. Beziehungen zwischen Entitäten bleiben intakt, Schnittstellen lassen sich verlässlich prüfen und das Risiko unvollständiger Transformationen, die Fehler verdecken oder verfälschte Testergebnisse erzeugen, sinkt deutlich.

  • Sicherere Zusammenarbeit mit externen Partnern
    Für SIT- und UAT-Phasen mit Bankpartnern oder Dienstleistern schafft der Ansatz einen geschützten, lückenlos dokumentierten Rahmen vor der Datenweitergabe und minimiert das Risiko, sensible Produktivdaten offenzulegen.

  • Breitere Nutzung geschützter Daten
    Entwicklungs- und Qualitätssicherungsteams greifen schneller auf konsistente Testdaten zu, ohne Klartextdaten aus der Produktion einsehen zu müssen. Sofern es die internen Richtlinien erlauben, lassen sich pseudonymisierte Daten zudem für weiterführende Analysen oder cloudbasierte Generative-AI-Anwendungen nutzen – während die Schlüssel zur Re-Identifizierung strikt getrennt und unter voller Kontrolle des Kunden bleiben.

Herausforderungen bei der Testdatenaufbereitung in SIT und UAT meistern

Bei der Begleitung von SIT- und UAT-Prozessen mit Bankpartnern für ein führendes Asset-Management-Unternehmen identifizierte Technology Reply eine wiederkehrende Engstelle bei der Bereitstellung von Testdatenströmen. Diese enthielten sensible Personen- und Portfolioinformationen und erforderten vor der Nutzung oder Weitergabe umfassende Schutzmaßnahmen. Die Aufbereitung umfasste zahlreiche manuelle Arbeitsschritte, was Durchlaufzeiten verlängerte und die Datenkonsistenz gefährdete. Daraus ergab sich der Bedarf an einem effizienteren, standardisierten und wiederholbaren Verfahren.

Als Antwort darauf kombinierte Technology Reply die durch generative KI gestützte Analyse des Datenmodells mit deterministischen Pseudonymisierungsregeln. Ziel war es, die Datenaufbereitung zu beschleunigen und gleichzeitig semantische Konsistenz sowie referentielle Integrität sicherzustellen. Sämtliche Daten, Transformationsregeln und Re-Identifizierungsschlüssel verbleiben dabei durchgehend in der Umgebung des Kunden. Über SIT und UAT hinaus schafft dieser Ansatz eine geschützte, konsistente Datengrundlage für fortgeschrittene KI-Analysen. Sofern regulatorisch und intern freigegeben, dienen die pseudonymisierten Datensätze zudem als Ausgangsbasis für die Generierung zusätzlicher synthetischer Daten – ohne jemals ursprüngliche Echtdaten preiszugeben.

Pseudonymisierung sensibler Daten im Asset- und Wealth-Management: vom Pilotprojekt in den Produktivbetrieb

Als bewährter Einstieg empfiehlt sich eine klar abgegrenzte Erstimplementierung, um fachliche Anforderungen zu erfassen, messbare Erfolgskriterien zu definieren und den Ansatz anhand des konkreten Datenmodells und der Compliance-Richtlinien des Kunden zu konfigurieren und zu validieren. Die Ergebnisse schaffen eine belastbare Grundlage für den schrittweisen Rollout auf weitere Systemumgebungen, Datenflüsse und Anwendungsfälle.

Technology Reply unterstützt Unternehmen dabei, ihre Testdatenaufbereitung zu optimieren und gleichzeitig höchste Datenschutzstandards einzuhalten. Ein strukturiertes Vorgehensmodell macht Einsparungen bei der Aufbereitungszeit sowie Verbesserungen bei Testabdeckung und Datenqualität messbar – und liefert einen maßgeschneiderten Umsetzungsfahrplan im Einklang mit bestehender Architektur, Governance und geschäftlichen Prioritäten.

Häufig gestellte Fragen

Technology Reply ist das auf Oracle-Technologien spezialisierte Unternehmen der Reply Gruppe und begleitet Organisationen bei ihrer datengestützten Transformation sowie beim Einsatz künstlicher Intelligenz. Mit über 25 Jahren Erfahrung beschleunigt Technology Reply Innovationen durch moderne Datenplattformen, cloud-native Architekturen und KI-Lösungen. Interdisziplinäre Teams steuern den gesamten Projektlebenszyklus – von der Strategie- und Architekturberatung über Entwicklung und Rollout bis hin zum operativen Betrieb – und schaffen skalierbare Lösungen, die langfristig mit den Anforderungen des Unternehmens wachsen. Als zentraler Partner für Oracle Cloud Infrastructure und Oracle-Technologien ist Technology Reply in den Bereichen Datenplattformen, Analytics, Integration, digitale Anwendungen und Enterprise-Architektur tätig. Auf Basis umfassender Expertise in Generative AI, Machine Learning und Agentic AI entwickelt das Unternehmen autonome Agenten, die Daten, Anwendungen und Workflows intelligent orchestrieren und so adaptive, datengestützte Geschäftsprozesse über verschiedene Branchen hinweg ermöglichen.