Bevor du teilst: KI-Datenschutz braucht mehr als ein Versprechen

Einleitung: Das Gespräch wird zu deinem Leben

Du öffnest einen KI-Assistenten, um eine schwierige Antwort zu formulieren. Du fügst die Nachricht ein, erklärst die Beziehung und ergänzt ein paar Details, die du sonst nirgends geteilt hast. An einem anderen Tag lädst du einen Vertrag hoch, besprichst eine unfertige Idee oder verbindest deinen Posteingang, damit der Assistent versteht, was deine Aufmerksamkeit braucht.

Nichts davon fühlt sich wie eine Veröffentlichung an. Du bittest um Hilfe.

Und doch können diese Informationen durch Infrastruktur, Speichersysteme, Prüfprozesse und rechtliche Verpflichtungen laufen, die im Gesprächsfenster weitgehend unsichtbar bleiben. Ein Assistent kann sich lange persönlich anfühlen, bevor sein Umgang mit deinen Daten diesem Eindruck tatsächlich entspricht.

Meine Position ist einfach: KI-Datenschutz sollte nicht nur davon abhängen, was ein Unternehmen verspricht, nachdem es deine Informationen erhalten hat. Er sollte auch davon abhängen, was seine Systeme davon abhalten, diese Informationen überhaupt erst an das Modell gelangen zu lassen. Richtlinien sind wichtig. Aber sie brauchen technische Schutzmechanismen im Hintergrund.

Ich habe diesen Artikel mit Unterstützung des Dvina-Teams vorbereitet. Er untersucht dokumentierte Vorfälle und aktuelle Praktiken bei ChatGPT, Claude, Cursor, Perplexity, Manus, Meta’s Muse und Dvina. Ziel ist es zu erklären, warum Datenschutz zu einer zentralen technischen Priorität werden muss, je stärker KI in unser Leben eingreift – und wie Dvina an diese Verantwortung herangeht.

Was uns die Vorfälle sagen

Die Sorge ist nicht hypothetisch. Aber unterschiedliche Arten von Belegen machen unterschiedliche Probleme sichtbar. Eine bestätigte Datenoffenlegung, eine autorisierte menschliche Überprüfung und ein Vorwurf des Missbrauchs von Forschung sollten nicht so dargestellt werden, als wären sie dasselbe Ereignis.

Die Offenlegung bei ChatGPT im Jahr 2023: ein Versagen des Systems selbst.

Am 20. März 2023 ermöglichte ein Softwarefehler einigen ChatGPT-Nutzern, Titel aus dem Gesprächsverlauf eines anderen aktiven Nutzers zu sehen. OpenAI erklärte, dass unter bestimmten Umständen auch die erste Nachricht einer neu erstellten Unterhaltung sichtbar gewesen sein könnte. Die Untersuchung ergab eine mögliche Offenlegung zahlungsbezogener Informationen bei 1,2 % der Plus-Abonnenten, die in einem bestimmten Zeitraum von neun Stunden aktiv waren. Vollständige Kartennummern wurden nicht offengelegt. OpenAI schloss die Sicherheitslücke und benachrichtigte die betroffenen Nutzer. 1

Die Lehre daraus ist nicht, dass dieselbe Schwachstelle weiterhin offen ist. Sondern dass ein Datenschutzversprechen allein ein System nicht daran hindern kann, Informationen an die falsche Person zurückzugeben. Abschottung, Zugriffskontrollen und die Menge identifizierbarer Informationen, die überhaupt offengelegt werden können, sind allesamt entscheidend.

Die Klage der New York Times: Löschung traf auf eine rechtliche Verpflichtung.

Im Jahr 2025 sah sich OpenAI mit einer gerichtlichen Anordnung konfrontiert, die die Aufbewahrung von Daten verlangte, die andernfalls gelöscht worden wären. In seinem Update vom Oktober hieß es, dass die weitreichende Verpflichtung, neue Daten auf unbestimmte Zeit aufzubewahren, am 26. September 2025 geendet habe, während ein begrenzter historischer Datenbestand weiterhin einer rechtlichen Aufbewahrungspflicht unterlag. Die ursprüngliche Aufbewahrungsanforderung schloss bestimmte Produkte und Vereinbarungen mit Zero Data Retention aus. 2

Eine spätere Entwicklung muss davon getrennt betrachtet werden: Im Dezember 2025 berichtete Reuters, dass ein Richter OpenAI im Urheberrechtsverfahren dazu verpflichtete, 20 Millionen anonymisierte Chatprotokolle vorzulegen, wobei er die Einwände des Unternehmens zurückwies und sich auf De-Identifizierung und Schutzvorkehrungen stützte. Dabei handelte es sich um eine Anordnung zur Beweisoffenlegung, nicht um die Veröffentlichung aller privaten Chats im Internet. 3

Zusammengenommen zeigen diese Ereignisse, warum eine Löschfunktion nicht jede Frage zu gespeicherten Informationen beantwortet. Sobald eine Kopie existiert, können Verpflichtungen außerhalb der Kontrolle des Nutzers beeinflussen, was mit ihr geschieht. Unnötige Speicherung zu reduzieren, verändert dieses Risiko, bevor ein Streitfall überhaupt beginnt.

Menschliche Prüfung: Zugriff kann auch ohne Sicherheitsverletzung erlaubt sein.

Die Verbraucherdokumentation von OpenAI erlaubt ausdrücklich einen begrenzten Zugriff durch autorisiertes Personal und Dienstleister zu festgelegten Zwecken, darunter Sicherheitsuntersuchungen, Support, rechtliche Angelegenheiten und zulässige Modellverbesserung. Die Verbraucherhinweise von Anthropic erlauben benannten Mitarbeitenden, Gespräche zur Durchsetzung der Nutzungsrichtlinien zu prüfen; ein gesonderter Zugriff ist mit ausdrücklich genehmigtem Feedback verbunden. 4, 8

Das sind dokumentierte Zugriffswege, keine Gerüchte. Sie belegen nicht, dass Mitarbeitende jedes Gespräch lesen. Sie belegen aber, dass eine privat wirkende Chat-Oberfläche nicht zwangsläufig eine technische Barriere gegen den Zugriff des Anbieters darstellt.

Die aktuelle Dokumentation von Anthropic ergänzt ein wichtiges Beispiel aus dem Unternehmensbereich. Die benannten Covered Models erfordern in bestimmten Bereitstellungen eine 30-tägige Aufbewahrung, obwohl dort zuvor Zero Data Retention galt, mit kontrollierter menschlicher Prüfung und Ausnahmen. Die Regel ist durch Modell-, Plattform- und Eignungsgrenzen eingeschränkt; sie ist keine pauschale Änderung für jedes Claude-Produkt. Verbraucherpläne werden als unberührt beschrieben, weil diese Oberflächen Eingaben und Ausgaben bereits speichern. 9

Sicherheitsüberwachung dient einem legitimen Zweck. Die technische Herausforderung besteht darin, diesen Zweck zu erfüllen und zugleich die sensiblen Informationen, die Überwachungssystemen und Prüfern zur Verfügung stehen, so weit wie möglich zu minimieren. Eine Sicherheitsbegründung lässt die Datenschutzfrage nicht verschwinden.

Die Mathematik-Kontroverse: ein ungeklärter Vorwurf, ein reales Vertrauensproblem

Die Kontroverse im September 2026 um OpenAIs Ankündigung zu Navier–Stokes warf eine andere Sorge auf: Was geschieht, wenn der Assistent, der bei privater Forschung hilft, zu einem Unternehmen gehört, das selbst Forschung betreibt?

Der Streit drehte sich um unveröffentlichte mathematische Arbeit und die Zuschreibung von Anerkennung. Berichte beschrieben, wie die Mathematiker Tristan Buckmaster und Levent Alpöge bei ihrer Arbeit KI-Tools nutzten und Buckmaster infrage stellte, ob ihr privates Material zu OpenAIs Ergebnis beigetragen habe. 10

OpenAI bestreitet diese Darstellung. In seiner veröffentlichten Stellungnahme heißt es, weder seine Forschenden noch seine Beauftragten hätten die Arbeit des Duos vor der Veröffentlichung gesehen. In einem Update vom 10. September erklärte das Unternehmen außerdem, eine Untersuchung habe jeden Einfluss von Buckmasters Codex-Prompts in den vorangegangenen zwei Monaten ausgeschlossen, auch über das Training. Diese zeitlich begrenzte Aussage ist spezifischer als die frühere Darstellung in einigen Berichten. 11

Die öffentlichen Darstellungen bleiben umstritten. Die hier geprüften Quellen belegen nicht unabhängig, dass OpenAI diese privaten Gespräche zur Erzielung seines Ergebnisses genutzt hat.

Der Streit legt dennoch eine Frage offen, die klar beantwortet werden sollte: Wenn Menschen unfertige Arbeit in KI-Systeme einbringen, was schützt dann den Informationswert dieser Arbeit? Den Namen eines Autors aus einem Beweis zu entfernen, entfernt nicht den Beweis. Eine kommerzielle Strategie zu de-identifizieren, macht sie nicht zu öffentlichem Eigentum.

Deshalb braucht starker Datenschutz Schutz sowohl für die Identität als auch für den Inhalt. Nutzer sollten nachvollziehen können, ob ihr Material in Trainings-, Forschungs-, Evaluierungs- oder Prüfabläufe einfließen kann — und welche technischen Kontrollen diese Grenzen durchsetzen.

Vier Fragen, die niemals zu einer einzigen zusammengezogen werden sollten

Ein großer Teil der Verwirrung entsteht dadurch, dass „privat“ als eine einzige Eigenschaft behandelt wird. In der Praxis bestimmen vier getrennte Fragen, was mit einem Gespräch geschieht.

Training: Kann der Inhalt zur Entwicklung oder Verbesserung eines Modells beitragen? Ein Opt-out verändert eine erlaubte Nutzung von Informationen. Es verändert nicht zwangsläufig, ob die Informationen übertragen oder gespeichert wurden.

Zugriff: Welche Systeme und Personen können ihn einsehen? Verschlüsselung bei der Übertragung und Speicherung ist wichtig, verhindert aber nicht automatisch, dass ein autorisierter Dienst Inhalte zur Verarbeitung oder Prüfung entschlüsseln kann.

Aufbewahrung: Was bleibt erhalten, wo und wie lange? Einen Chat aus der Oberfläche zu entfernen, Produktionsdatensätze zu löschen, Backups ablaufen zu lassen und Daten vom künftigen Training auszuschließen, sind unterschiedliche Vorgänge.

Aktionen: Was kann ein verbundener Assistent lesen, ändern oder senden? Sobald er über Ihre Konten arbeiten kann, hängt der Datenschutz auch von Berechtigungen und Kontrollen für ausgehende Daten ab.

Ein sinnvoller Datenschutzvergleich hält diese Fragen getrennt. Ein kostenpflichtiges Abonnement, ein Trainingsschalter oder ein Label für private Aufgaben kann nicht alle vier beantworten.

Wie sich die Dienste vergleichen

Die folgende Tabelle konzentriert sich auf die individuelle Nutzung, sofern kein anderer Geltungsbereich angegeben ist. Sie fasst die geprüfte Dokumentation zusammen, nicht die Ergebnisse eines unabhängigen Sicherheitsaudits.

Service	Position zum Training	Die gesonderte Grenze, die man verstehen muss
ChatGPT	Individuelle Inhalte können zur Verbesserung verwendet werden; Kontrollen schließen neue Unterhaltungen und Codex-Aufgaben aus. Temporary Chat ist ausgenommen. 4, 5	Autorisierter Zugriff und Aufbewahrung bleiben davon getrennt. Codex hat außerdem eine eigene, separate Trainingseinstellung für die vollständige Umgebung.
Claude	Die Verbesserung des Verbrauchermodells hängt von der Entscheidung des Nutzers ab; für Feedback und sicherheitsbezogene Nutzungen gelten eigene Regeln. Incognito ist von der allgemeinen Verbesserung ausgenommen. 6	Ausnahmen bei Prüfung und Aufbewahrung gelten weiterhin. Für bestimmte kommerzielle Covered Models bestehen zusätzliche Aufbewahrungsanforderungen. 7–9
Cursor	Privacy Mode schließt Kundendaten vom Cursor-Training aus und beschreibt Vereinbarungen zur Nichtaufbewahrung bei Anbietern, vorbehaltlich der genannten Ausnahmen. 12	Anfragen laufen weiterhin über das Backend von Cursor. Missbrauchsuntersuchungen, Caching und modellspezifische Hinweise sind relevant.
Perplexity	Die Erfassung für das Training von Consumer-AI ist standardmäßig aktiviert, auch bei Pro und Max; Nutzer können sich mit Wirkung für die Zukunft abmelden. 13	Eine Abmeldung stoppt nicht die Verarbeitung für den Betrieb des Dienstes oder zur Einhaltung rechtlicher Vorgaben. Für Enterprise gelten andere Bedingungen.
Manus	In der Team-Dokumentation ist ein Opt-out für Training aufgeführt; diese Prüfung konnte die maßgebliche Trainingsregel für den Individualtarif nicht verifizieren. 15	Dass individuelle Aufgaben standardmäßig privat sind, beschreibt die Sichtbarkeit beim Teilen, nicht eine vollständige Beschränkung der Nutzung durch den Anbieter. 14
Meta’s Muse	Die Launch-Dokumentation beschreibt standardmäßiges Training auf bereinigten Interaktionsdaten mit einer Opt-out-Möglichkeit. 16	Eine Bereinigung vor dem Training ist nicht dasselbe wie eine Maskierung vor der Inferenz. Die Einschränkungen für Betreiber zum Start unterscheiden sich von der geplanten Confidential VM.
Dvina	Unterhaltungen, Dateien, Prompts und Workspace-Daten werden nicht zum Trainieren von KI-Modellen verwendet. 17, 18	Die automatische Maskierung greift an einer früheren Grenze: Erkannte personenbezogene Identifikatoren werden vor der Modellverarbeitung ersetzt.

Die folgenden Details erläutern, an welchen Stellen diese Unterscheidungen im Alltag wichtig werden.

ChatGPT und Claude: Die von Ihnen ausgeführte Aktion ändert die Regel.

OpenAI erlaubt es Nutzern, das Training zu deaktivieren, ohne den gewöhnlichen Chatverlauf zu entfernen. Temporary Chat verändert die Behandlung einer Unterhaltung zusätzlich, doch die Dokumentation erlaubt weiterhin eine Missbrauchsprüfung und beschreibt eine Löschfrist von 30 Tagen. Codex-Nutzer sollten außerdem zwischen der kontoweiten Inhaltseinstellung und der separaten Einstellung für die vollständige Umgebung unterscheiden. 4, 5

Bei Claude verdient Feedback besondere Aufmerksamkeit. Anthropic sagt, dass ein Daumen hoch, Daumen runter oder ein Fehlerbericht die Speicherung der zugehörigen Unterhaltung für bis zu fünf Jahre umfassen kann und dass sie für Zwecke einschließlich Modelltraining verwendet werden kann. Die Aktivierung der allgemeinen Modellverbesserung erlaubt außerdem, dass geeignetes de-identifiziertes Material bis zu fünf Jahre in Trainingspipelines verbleibt. Das sind nicht dieselben Regeln wie bei der gewöhnlichen Löschung von Chats. 6, 7

Eine Person kann daher innerhalb eines Produkts mehrere Datenschutzentscheidungen treffen, ohne zu merken, dass es sich um getrennte Entscheidungen handelt. Das Produktdesign sollte diese Unterschiede am Nutzungspunkt klar machen.

Cursor und Perplexity: Ein Produktlabel ist keine Verarbeitungsgrenze.

Der Privacy Mode von Cursor bietet sinnvolle Beschränkungen für Training und Aufbewahrung durch Anbieter. Er macht den Editor nicht zu einer rein lokalen Lösung: Cursor sagt, dass Anfragen weiterhin über sein Backend laufen, selbst mit einem vom Nutzer bereitgestellten API-Schlüssel. Die Dokumentation beschreibt außerdem eine temporäre verschlüsselte Dateicache-Speicherung und Ausnahmen im Zusammenhang mit Missbrauchsuntersuchungen oder bestimmten Modellen. 12

Perplexity veranschaulicht eine andere Unterscheidung. Seine Free-, Pro- und Max-Konten unterliegen den Trainingskontrollen für Verbraucher, wobei die Erfassung standardmäßig aktiviert ist. Das veröffentlichte Opt-out gilt für künftig erhobene Daten, nicht für die rückwirkende Entfernung früherer Trainingsdaten. Der Kauf eines persönlichen Abonnements macht daraus kein Enterprise-Konto. 13

In beiden Fällen lautet die relevante Frage, was der gewählte Modus und das gewählte Konto ändern — nicht, was der Produktname nahezulegen scheint.

Manus und Muse: Auch private Workspaces brauchen explizite Grenzen.

Manus sagt, dass individuelle Aufgaben privat sind, sofern sie nicht geteilt werden. In der Team-Dokumentation wird außerdem erklärt, dass Eigentümer auf Inhalte von Teamsitzungen zugreifen können. Das sind nützliche Sichtbarkeitsregeln, aber sie legen nicht die Trainingsrichtlinie für Einzelpersonen fest. Die vollständige Datenschutzseite von Manus konnte für diese Prüfung nicht abgerufen werden, daher bleibt diese Frage ungeprüft, statt sie aus einem anderen Tarif abzuleiten. 14, 15

Die Launch-Dokumentation von Muse ist ungewöhnlich deutlich in der Unterscheidung zwischen betrieblichen Einschränkungen und technischer Verhinderung. Meta sagt, dass die Secure VM zum Start den Zugriff von Mitarbeitenden durch Richtlinien begrenzt, den Zugriff aber nicht verhindert, wenn er für den Betrieb, den Support oder die Absicherung des Dienstes erforderlich ist. Eine Confidential VM, die den Zugriff von Betreibern kryptografisch verhindern soll, wurde als bevorstehend und in begrenzten Tests beschrieben. Eine geplante Schutzmaßnahme sollte nicht so gezählt werden, als stünde sie bereits allen zur Verfügung. 16

Muse hält außerdem echte Connector-Zugangsdaten von seinem Hauptagenten fern und ordnet Aktionsfreigaben einer separaten Berechtigungsinstanz zu. Das veranschaulicht ein wertvolles Prinzip: Ein Agent sollte weder ein Geheimnis noch eine Berechtigung erhalten, nur weil es praktisch sein könnte. 16

Schutz an den Punkt vor der Offenlegung verlagern

Ein Trainingsausschluss regelt eine Nutzung von Daten. Maskierung verändert die für die Verarbeitung verfügbaren Daten. Eingeschränkte Aufbewahrung reduziert die verbleibenden Kopien. Berechtigungskontrollen begrenzen, was ein Agent tun kann. Diese Schutzmaßnahmen ergänzen einander, und die Phase, in der jede von ihnen greift, ist wichtig.

Betrachten wir eine anschauliche Anfrage: Verfasse eine Follow-up-Nachricht an einen Kunden unter einer bestimmten E-Mail-Adresse. Das Modell benötigt dafür möglicherweise den Zweck, den Ton und die relevanten Zusagen. Den echten Namen oder die Anschrift des Kunden braucht es zum Formulieren der Nachricht womöglich nicht. Werden solche erkannten Identifikatoren vor der Inferenz durch Platzhalter ersetzt, verringert das die Informationen, die das Modell erhält, während die nützliche Struktur der Aufgabe erhalten bleibt.

Das ist etwas anderes, als den Originaltext zu senden und zu versprechen, Identifikatoren erst vor einer späteren Verwendung zu entfernen.

Dasselbe Prinzip gilt nicht nur für personenbezogene Identifikatoren. Vertrauliche Forschung erfordert Kontrollen über den Forschungsinhalt selbst; verknüpfte Konten brauchen eng begrenzte Berechtigungen; gespeicherte Aufzeichnungen brauchen definierte Aufbewahrungsfristen und durchsetzbare Zugriffsbeschränkungen. Das Maskieren von Identitäten ist ein Bestandteil dieses Designs, kein Ersatz für den Schutz des eigentlichen Inhalts einer Erfindung oder eines Dokuments.

In der Branche gibt es dazu relevante Arbeit. OpenAI veröffentlichte im April 2026 einen lokal ausführbaren Privacy Filter, und die Dokumentation von Meta’s Muse beschreibt technische Isolation sowie ein stärkeres, noch in Entwicklung befindliches Design für vertrauliches Rechnen. Diese Bemühungen stützen das Argument, Datenschutz in das System hineinzukonstruieren. Die Veröffentlichung eines Tools oder eine Roadmap ist jedoch für sich genommen kein Beleg dafür, dass bereits jedes Gespräch von Verbrauchern den entsprechenden Schutz erhält. 16, 19

Maßstab sollte der Schutz sein, den eine Person in dem Produkt erhält, das sie heute verwendet.

Dvina: Datenschutz zum normalen Teil der Interaktion machen

Der Ansatz von Dvina bringt diesen früheren Schutz in die Assistentenerfahrung. Das dokumentierte Design erkennt sensible personenbezogene Informationen lokal, während Menschen tippen oder Inhalte hochladen, verschlüsselt erkannte personenbezogene Daten und ersetzt sie vor der Modellverarbeitung durch Platzhalter. Das Modell arbeitet mit diesen Platzhaltern statt mit den ursprünglich erkannten Identifikatoren. 17, 18

Der Unterschied ist praktisch. Nutzer sollten nicht jede Aufgabe unterbrechen müssen, um Namen und Kontaktdaten manuell zu entfernen, oder sich allein auf ein Versprechen verlassen müssen, was geschieht, nachdem das Modell sie bereits erhalten hat. Der Schutz sollte die Interaktion begleiten.

Dvina schließt außerdem Nutzerkonversationen, Dateien, Prompts und Workspace-Daten vom Modelltraining aus. Die Kombination ist entscheidend: Eine Zusage, nicht zu trainieren, beschränkt die Weiterverwendung, während der Schutz vor der Verarbeitung die personenbezogenen Informationen begrenzt, die dem Modell überhaupt erst offengelegt werden. 17, 18

Weitere Ebenen stützen diesen Ansatz. Dvina beschreibt verschlüsselte Speicherung von Konversationen, eine Trennung zwischen gespeicherten Nachrichten und der Identität des Nutzers sowie in der EU gehostete Daten mit Schutz auf DSGVO-Niveau. Jede dieser Maßnahmen adressiert einen anderen Teil des Verarbeitungsprozesses, statt die gesamte Last auf eine einzige Trainingseinstellung abzuwälzen. 17, 18

Die technische Unterscheidung ist präzise: Erkannte personenbezogene Identifikatoren werden in der Modelleingabe ersetzt, während die umgebende Aufgabe für die Verarbeitung verfügbar bleibt. Datenschutz wird damit Teil des Datenflusses, statt nur eine Präferenz zu sein, an deren Verwaltung Nutzer denken müssen.

Für mich ist das die nützlichere Richtung für KI: Menschen sollten aussagekräftigen Kontext in ihre Arbeit einbringen können, während das System so gestaltet ist, dass es weniger von ihrer Identität preisgibt, als die Aufgabe erfordert.

Fazit: Datenschutz wird bestimmen, wie weit Menschen KI in ihr Leben lassen

KI-Assistenten werden nützlicher, je mehr sie über unsere Umstände verstehen. Daraus entsteht die Verantwortung, die Informationen hinter diesem Verständnis zu schützen. Menschen um weitergehenden Zugriff zu bitten und als Antwort nur eine weitere Einstellungsseite anzubieten, reicht nicht aus.

Die Belege weisen auf mehrere unterschiedliche Risiken hin. Software kann Daten kontenübergreifend offenlegen. Gespeicherte Konversationen können Gegenstand rechtlicher Forderungen werden. Autorisierte Überprüfung kann auch ohne Sicherheitsverletzung stattfinden. Streitigkeiten über private Forschung können Vertrauen untergraben, selbst wenn die Behauptung nicht unabhängig belegt wurde.

Diese Risiken erfordern technische Entwicklungsarbeit, nicht nur bessere Formulierungen. Erkennung sensibler Daten, Schutz vor der Verarbeitung, Trennung von Identität, begrenzte Aufbewahrung und durchsetzbare Berechtigungen sollten als grundlegende Sicherheitsfähigkeiten für KI dauerhaft Aufmerksamkeit erhalten. Die Nützlichkeit eines Assistenten und der Schutz seiner Nutzer müssen gemeinsam vorankommen.

Mit Dvina helfen wir, diesen Wandel mit anzuführen, indem wir Schutz vor der Modellverarbeitung zu einem Teil des Fundaments des Produkts machen. Das Ziel ist nicht, durch stärkere Behauptungen um mehr Vertrauen zu bitten. Es geht darum, zu verringern, wie viel Vertrauen allein auf einem Versprechen beruhen muss.

Menschen sollten Hilfe suchen, eine Idee entwickeln und den nötigen Kontext teilen können, um voranzukommen, ohne jedes Gespräch als potenzielle Preisgabe ihrer Privatsphäre behandeln zu müssen. Dieses Vertrauen aufzubauen, ist eine der wichtigsten Aufgaben, die für KI vor uns liegen.

Quellen und Umfang

Quellen geprüft am 22 September 2026. Dieser Artikel stützt sich auf Dokumentation von Anbietern und zuordenbare Berichterstattung; er ist kein unabhängiges Sicherheitsaudit. Individuelle Tarife bilden den Hauptvergleichsrahmen. Ausnahmen für kommerzielle Angebote, APIs und bestimmte Modelle werden gesondert ausgewiesen. Der Abschnitt zur Mathematik unterscheidet zwischen berichteten Bedenken und der aktualisierten Antwort von OpenAI; keines von beidem wird als unabhängige Feststellung dargestellt. Manus’s Regel zum Training im Individualtarif bleibt unbestätigt, weil die vollständige Datenschutzrichtlinie nicht abgerufen werden konnte.