KI und Datenschutz in der Psychotherapie – ein Leitfaden

Lesemodi & Extras
👁️ — lesen mit

Hinweis zur Einordnung und Haftung

Dieser Beitrag bietet eine fachlich informierte Orientierung an der Schnittstelle von Datenschutzrecht, Strafrecht, Berufsrecht und psychotherapeutischer Praxis. Er stellt keine Rechtsberatung dar und ersetzt nicht die Prüfung im Einzelfall durch eine qualifizierte Rechtsberatung.

Der Text operiert auf drei Ebenen, die im Folgenden durchgängig unterschieden werden: (1) Gesichertes Recht – Gesetzestext und höchstrichterliche Rechtsprechung. (2) Autoritative Auslegung – Orientierungshilfen der Datenschutzkonferenz (DSK), Leitlinien des Europäischen Datenschutzausschusses (EDPB), Richtlinien der Kassenärztlichen Bundesvereinigung (KBV). Diese sind keine Gesetze, aber maßgebliche Behördeninterpretationen. (3) Eigene Subsumtion – die Anwendung dieser Normen auf den konkreten Gegenstand „KI-Textassistenz in der psychotherapeutischen Praxis“. Zu diesem spezifischen Anwendungsfeld gibt es bislang weder Rechtsprechung noch abschließende Behördenpositionen; die hier vorgenommene Einordnung ist die des Autors.

Stellen, an denen die dritte Ebene besonders prägend ist, werden im Text durch Wendungen wie „nach hier vertretener Auffassung“, „m. E.“ oder „nach der hier vorgeschlagenen Einordnung“ kenntlich gemacht. Der Autor übernimmt keine Haftung für Entscheidungen, die auf Grundlage dieses Beitrags getroffen werden.

Table of Contents

Eine Abendszene: wenn der Bericht nicht fertig wird

Es ist nach 20 Uhr. Der Praxisraum ist längst still, der Computer nicht. Auf dem Bildschirm ein halbfertiger Bericht: Biografie, Symptomatik, Psychodynamik – und diese merkwürdige Mischung aus Nähe und Formalität, die Gutachtertexte so unerquicklich macht. Man weiß, was man meint, aber nicht, wie man es auf gutachtertaugliche Art so formuliert, dass es weder übergriffig noch wolkig klingt.

Und dann ist da noch dieser Browser-Tab: ChatGPT, offen geblieben von der Recherche heute Nachmittag. Ach, das mach ich schnell mit der KI.

Ein Klick – und plötzlich ist da ein Dritter im Raum. Nicht als Mensch, nicht als Kollege, nicht als Supervisor. Sondern als Cloud-Instanz: unsichtbar, freundlich, schnell, ohne Ermüdung. In einem alten Film würde er vermutlich „Der Dritte Mann“ heißen – nur dass er nicht in Wien unter Kanaldeckeln verschwindet, sondern in Logfiles, Trainingspipelines und Subprozessor-Listen.

Die Versuchung ist banal: Es geht ja nur um Formulierungen. Die Gefahr ist auch banal: Es geht eben nie nur um Formulierungen.

Der PTV-3-Leitfaden verlangt für den Erstantrag sieben Punkte – von den soziodemographischen Daten über Symptomatik und Befund bis zur Psychodynamik, Diagnose und Prognose. Das ist keine Schreibarbeit, das ist Verdichtungsarbeit: Monate analytischer Beziehungserfahrung müssen in eine Form gebracht werden, die ein Gutachter lesen, prüfen und bewilligen kann. Eine wachsende Zahl von Kolleg:innen nutzt generative KI-Systeme für genau diese Aufgaben – meist ohne klares Bild davon, welche Daten dabei wohin fließen.

Der Rest dieses Textes ist der Versuch, diese Banalität ernst zu nehmen – ohne Alarmismus, aber auch ohne naives „Wird schon passen“. Ich schlage einen risikobasierten Orientierungsrahmen vor, der eine einzige Leitfrage operationalisiert: Welche KI-Nutzung ist bei welchen Daten in welchem Tool-Setup vertretbar – und wo beginnt der Bereich, in dem es datenschutz-, schweigepflicht- und berufsrechtlich kippt?

Die Antwort ist nicht binär. Zwischen „unbedenklich“ und „strafbar“ liegt ein breites Feld, das sich kartieren lässt. Ich werde zeigen, dass die entscheidende Variable nicht „KI“ ist, sondern der Datenweg: Was genau wird eingegeben? Wohin geht es? Wer kann darauf zugreifen? Wie lange bleibt es gespeichert? Und vor allem: Wie identifizierbar ist das, was man für „anonymisiert“ hält?

Drei Normschichten, ein Problem

Wenn Kolleg:innen über „Datenschutz“ sprechen, meinen sie oft „DSGVO“. In der Psychotherapie ist das aber nur eine Schicht. Darunter und darüber liegen mindestens zwei weitere – und genau die machen KI-Nutzung so tückisch, weil jede ihre eigene Logik hat. Alle drei müssen gleichzeitig erfüllt sein – es genügt nicht, nur eine zu beachten.

Die Schweigepflicht: § 203 StGB

Die älteste und härteste Norm ist die strafbewährte Schweigepflicht. § 203 StGB stellt das unbefugte „Offenbaren“ fremder Geheimnisse unter Strafe – mit Freiheitsstrafe bis zu einem Jahr oder Geldstrafe (Bundesministerium der Justiz, o. J.-a). Psychotherapeut:innen gehören als Berufsgeheimnissträger:innen zum geschützten Personenkreis.

Die zentrale Frage lautet: Ist die Eingabe von Patienteninhalten in ein extern betriebenes KI-System ein „Offenbaren“ im Sinne des Gesetzes? Nach hier vertretener Auffassung tendiert die Antwort Richtung Ja. „Offenbaren“ setzt voraus, dass ein Dritter Kenntnis erlangen kann – nicht, dass er es tatsächlich tut. Bei Cloud-basierten Sprachmodellen ist genau das naheliegend: Prompt-Historien können in Logs gespeichert, von Support-Mitarbeiter:innen eingesehen, für Modellverbesserungen genutzt oder in Drittländer übertragen werden (vgl. dazu die Analyse typischer Retention- und Zugriffslogiken bei EDPB Support Pool of Experts, 2024).

Die 2017er Neufassung des § 203 erlaubt die Einbindung „sonstiger mitwirkender Personen“ – etwa IT-Dienstleister –, setzt aber voraus, dass diese sorgfältig ausgewählt, schriftlich zur Geheimhaltung verpflichtet und überwacht werden (Bundesministerium der Justiz, o. J.-a; Psychotherapeutenkammer Bayern, 2014, § 8). In Bayern verlangt die Berufsordnung die schriftliche Verschwiegenheitsverpflichtung auch für sonstige Mitwirkende und fordert eine strikte Beschränkung der Informationsweitergabe auf das Erforderliche (Psychotherapeutenkammer Bayern, 2014). Für einen US-amerikanischen KI-Anbieter im Consumer-Tarif ist diese Kette m. E. kaum herstellbar.

Vier typische Fallstricke verdienen besondere Aufmerksamkeit: Erstens die Prompt-History als Dauer-Offenbarung: Wenn Eingaben dauerhaft gespeichert oder zur Modellverbesserung genutzt werden, ist die Offenbarung nicht punktuell, sondern strukturell (vgl. Datenschutzkonferenz, 2024, Abschn. 4). Zweitens Subprozessor-Ketten: Hosting, Monitoring und Support können faktisch weitere Zugangspunkte darstellen; ohne vertragliche und technische Kapselung ist das §-203- und Art.-28-kritisch (Europäisches Parlament & Rat, 2016, Art. 28). Drittens: „Pseudonymisiert“ ist nicht automatisch „nicht geheim“ – berufsrechtlich fordert Bayern für Supervision und Lehre Anonymisierung in einem strengen Sinn: Es dürfen „keinerlei Rückschlüsse“ möglich sein (Psychotherapeutenkammer Bayern, 2014, § 8). Viertens: Ein LLM ist keine kollegiale Beratung im Sinne menschlicher Berufsbindung; wer es für Supervision nutzt, erhöht die Rechtfertigungslast gegenüber Kammer und Staatsanwaltschaft.

Der Datenschutz: DSGVO

Die zweite Normschicht ist das Datenschutzrecht. Psychotherapeutische Dokumentation enthält regelmäßig Gesundheitsdaten im Sinne von Art. 9 DSGVO – eine „besondere Kategorie personenbezogener Daten“, deren Verarbeitung grundsätzlich verboten ist und nur unter engen Ausnahmen zulässig wird (Europäisches Parlament & Rat, 2016, Art. 9 Abs. 1–2). Die Eingabe in ein KI-System ist eine Verarbeitung. Die Übermittlung an einen Cloud-Dienst eine weitere. Für beides braucht es eine Rechtsgrundlage, eine Zweckbestimmung und angemessene technisch-organisatorische Maßnahmen.

Fünf DSGVO-Bausteine sind für die Praxis besonders relevant:

Grundsätze (Art. 5): Zweckbindung verlangt, dass die KI-Nutzung einem klar definierten Zweck dient, nicht bloß „praktisch“ ist. Datenminimierung verlangt, dass nur die für diesen Zweck erforderlichen Daten eingegeben werden – keine vollständigen Sitzungsprotokolle, wenn es um Formulierungshilfe geht. Die Rechenschaftspflicht verlangt, dass diese Abwägung dokumentiert werden kann (Europäisches Parlament & Rat, 2016, Art. 5).

Auftragsverarbeitung (Art. 28): Wird ein externer KI-Dienst genutzt, ist zu prüfen, ob der Anbieter als weisungsgebundener Auftragsverarbeiter eingebunden werden kann. Voraussetzung ist ein Auftragsverarbeitungsvertrag (AVV), der Subprozessoren, Löschung, Retention, technische Maßnahmen und Weisungsrechte regelt. Bei „offenen“ Systemen, die Eingaben zum Training nutzen, kann der Anbieter zum (Mit-)Verantwortlichen werden – was die Compliance-Anforderungen zusätzlich erhöht (Europäisches Parlament & Rat, 2016, Art. 28; Datenschutzkonferenz, 2024, Abschn. 4).

Technisch-organisatorische Maßnahmen (Art. 32): Die Sicherheitsanforderungen müssen risikobezogen bestimmt werden. Für KI-Systeme heißt das: Nicht nur Verschlüsselung und Zugriffskontrollen, sondern auch Schutz vor Datenabfluss über Logs, Fehlkonfigurationen, zu weite Admin-Zugriffe und promptbasierte Extraktion (Europäisches Parlament & Rat, 2016, Art. 32; EDPB Support Pool of Experts, 2024, Kap. 3–4).

Datenschutz-Folgenabschätzung (Art. 35): Bei KI-Nutzung mit Gesundheitsdaten ist eine DSFA nach hier vertretener Auffassung vielfach verpflichtend. Die WP29-Leitlinien nennen neun Kriterien, von denen „innovative Technologie“, „schutzbedürftige Betroffene“ und „vertrauliche/höchst persönliche Daten“ im psychotherapeutischen Kontext regelmäßig kumulativ erfüllt sind – was nach den Leitlinien „in den meisten Fällen“ eine DSFA-Pflicht nahelegt (Working Party 29, 2017, S. 10–11). Ergänzend führen deutsche Aufsichtsbehörden KI-gestützte Konversationssysteme als typisches DSFA-Feld auf (Datenschutzkonferenz, 2018).

Drittlandtransfer (Art. 44 ff.): Sobald Daten den EWR verlassen oder ein Zugriff aus einem Drittland erfolgt, greifen die Voraussetzungen des Kapitels V der DSGVO (Europäisches Parlament & Rat, 2016, Art. 44). Der EU-US Data Privacy Framework (DPF) bildet seit Juli 2023 eine Rechtsgrundlage für Transfers an DPF-zertifizierte US-Unternehmen; das Gericht der Europäischen Union hat den Angemessenheitsbeschluss im September 2025 bestätigt. Gleichwohl bleibt politische Fragilität: Die dem DPF zugrunde liegende Executive Order könnte aufgehoben werden. Die EDPB-Empfehlungen 01/2020 operationalisieren das Vorgehen: Transfers vollständig kennen und mappen, Transferinstrument bestimmen, Wirksamkeit prüfen, gegebenenfalls zusätzliche Maßnahmen implementieren – oder den Transfer aussetzen (EDPB, 2021, Kap. 2–4). Praxen, die sich auf den DPF verlassen, sollten die zusätzliche Absicherung durch Standardvertragsklauseln m. E. nicht unterlassen.

Die Datenschutzkonferenz hat 2024 und 2025 in mehreren Orientierungshilfen die Erwartungen an verantwortliche Stellen konkretisiert: Die Orientierungshilfe KI und Datenschutz (Datenschutzkonferenz, 2024) unterscheidet praktisch zwischen „offenen“ und „geschlossenen“ Systemen und warnt vor unkontrolliertem Training und Prompt-Retention. Die Orientierungshilfe zu technisch-organisatorischen Maßnahmen bei KI-Systemen (Datenschutzkonferenz, 2025a) fordert Lebenszyklusbetrachtung von der Dateneingabe bis zur Löschung. Die Orientierungshilfe zu generativen Systemen mit RAG-Methode (Datenschutzkonferenz, 2025b) adressiert Mandantentrennung, Persistenzprobleme und Halluzinationsrisiken. Gemeinsamer Nenner: Zweckfestlegung vor Nutzung, keine Eingabe personenbezogener Daten in offene Systeme, kritische Prüfung der Ergebnisse, Dokumentation der Abwägung.

Berufsrecht und Dokumentationsrecht

Die dritte Normschicht ist das berufsrechtliche Gefüge. Die Berufsordnungen der Psychotherapeutenkammern konkretisieren die Schweigepflicht und fordern für Supervision und Intervision explizit Anonymisierung in einem strengen Sinne: Es dürfen „keinerlei Rückschlüsse“ auf die betroffene Person möglich sein; wenn Anonymisierung nicht sicher gelingt, braucht es eine ausdrückliche Entbindung (Psychotherapeutenkammer Bayern, 2014, § 8; vgl. Bundespsychotherapeutenkammer, 2018). Die Muster-Berufsordnung der BPtK spiegelt die gleichen Kernpflichten: Schweigepflicht, Dokumentation, Datensicherheit (Bundespsychotherapeutenkammer, 2018).

Dokumentationsrechtlich verlangt § 630f BGB die zeitnahe Dokumentation der Behandlung und fordert, dass Änderungen so erfolgen, dass der ursprüngliche Inhalt erkennbar bleibt (Bundesministerium der Justiz, o. J.-b). Das hat direkte Konsequenzen für KI-gestützte Texte: Wenn ein generatives Modell einen Entwurf liefert, der dann überarbeitet wird, muss die Endfassung als von der behandelnden Person verantworteter Text erkennbar sein – nicht als KI-Output. § 630g BGB gewährt Patient:innen ein Einsichtsrecht in die Dokumentation; der EuGH hat in der Rechtssache C-307/22 bestätigt, dass die Kopie medizinischer Unterlagen nach Art. 15 DSGVO unentgeltlich bereitzustellen ist.

Die KBV hat ergänzend eine IT-Sicherheitsrichtlinie nach § 390 SGB V erlassen, die Cloud-Anwendungen unter konkrete Mindestanforderungen stellt (Kassenärztliche Bundesvereinigung, 2025a). Die dort geforderten Nachweise und Prüfprozesse für Cloud-Dienste bilden den naheliegenden sektoralen Unterbau für die Argumentation zu technisch-organisatorischen Maßnahmen nach Art. 32 DSGVO. Im Dezember 2025 hat die KBV zudem ein PraxisWissen-Heft zu Künstlicher Intelligenz veröffentlicht, das Hinweise zum Einsatz in Praxen enthält (Kassenärztliche Bundesvereinigung, 2025b).

Der EU AI Act: Governance-Folie, nicht Papiertiger

Seit Februar 2025 ist die EU-KI-Verordnung schrittweise in Kraft; der Großteil der Pflichten greift ab dem 2. August 2026 (Europäisches Parlament & Rat, 2024, Art. 113). Für die niedergelassene Praxis ist die typische Rolle nicht „Anbieter“ eines KI-Systems, sondern „Betreiber“ – also Nutzer eines eingekauften Systems. Die detaillierten Betreiberpflichten beziehen sich auf Hochrisiko-KI-Systeme: menschliche Aufsicht, Monitoring, Protokollaufbewahrung (Europäisches Parlament & Rat, 2024, Art. 26).

Für „LLM als Schreibassistenz“ ist Hochrisiko m. E. im Regelfall nicht einschlägig – es sei denn, die KI steuert nicht nur Formulierungen, sondern automatisierte Bewertungen oder Selektionsentscheidungen mit erheblichen Auswirkungen. Relevant bleibt jedoch die AI-Literacy-Pflicht (Art. 4): Anbieter und Betreiber müssen sicherstellen, dass Personal, das mit KI-Systemen arbeitet, über ausreichende Kompetenz verfügt (Europäisches Parlament & Rat, 2024, Art. 4). Das ist keine Bürokratiehülse, sondern eine Selbstverpflichtung: Wer KI nutzt, muss verstehen, was dabei geschieht – technisch, rechtlich und klinisch.

Übersicht: Normen-Landkarte

Die folgende Tabelle fasst die relevanten Normen in ihrem Kern zusammen. Sie erhebt keinen Anspruch auf Vollständigkeit, sondern dient als Orientierung für die spätere Stufenlogik.

Norm / QuelleKerninhaltRelevanz für KI-Nutzung
§ 203 StGBStrafbewehrte Schweigepflicht; unbefugtes Offenbaren = bis 1 Jahr FreiheitsstrafeExternes LLM = „Dritter“; Offenbarung naheliegend bei unkontrollierter Retention/Training
DSGVO Art. 9Gesundheitsdaten: grundsätzlich Verarbeitungsverbot mit engen AusnahmenPsychotherapeutische Texte sind regelmäßig Art.-9-Material
DSGVO Art. 5Zweckbindung, Datenminimierung, RechenschaftspflichtKI-Nutzung muss zweckgebunden, dokumentiert und minimal sein
DSGVO Art. 28Auftragsverarbeitung: AVV, Subprozessoren, WeisungsrechtAVV für KI-Anbieter Pflicht; Training/Retention prüfen
DSGVO Art. 32Technisch-organisatorische Maßnahmen risikobasiertSchutz vor Log-Abfluss, Prompt-Extraktion, Fehlkonfiguration
DSGVO Art. 35DSFA bei voraussichtlich hohem RisikoBei KI + Gesundheitsdaten m.E. vielfach verpflichtend
DSGVO Art. 44 ff.Drittlandtransfer nur bei Angemessenheit/GarantienUS-Cloud: DPF-Status + SCC + Supplementary Measures prüfen
BGB § 630f/gZeitnahe Dokumentation; Änderungen nachvollziehbar; EinsichtsrechtKI-Output = Entwurf, nicht Akte; Versionierung im PVS
BO PTK Bayern § 8Schweigepflicht; Anonymisierung in Supervision; schriftl. Bindung DritterLLM-Nutzung ist keine „kollegiale Beratung“; strenge Anonymisierungsschwelle
KBV IT-SiRL § 390Cloud-Governance; Mindest-IT-SicherheitSektoraler Unterbau für Art.-32-TOMs bei Cloud-LLMs
AI Act Art. 4AI-Literacy-Pflicht für BetreiberWer KI nutzt, muss verstehen, was geschieht
DSK OH KI 2024„Offene“ vs. „geschlossene“ Systeme; Warnung vor Training/RetentionConsumer-LLMs = „offen“; keine Patientendaten
EDPB Opinion 28/2024KI-Modelle und personenbezogene Daten; Zweck-/Schutzkonzepte„Das Modell ist anonym“ ist keine Compliance-Abkürzung

Zwischenfazit: Drei Logiken, die gleichzeitig passen müssen

Die drei Normschichten sind nicht alternativ, sondern kumulativ. Ein AVV mit einem KI-Anbieter löst das DSGVO-Problem der Auftragsverarbeitung, aber nicht automatisch das Schweigepflichtproblem. Eine Einwilligung der Patient:in in die Datenverarbeitung befreit nicht von der strafbewährten Schweigepflicht, wenn die technische Absicherung fehlt. Berufsrechtliche Anonymisierungspflichten können strenger sein als das, was die DSGVO als „Pseudonymisierung“ genügen lässt.

Oder, als Merksatz: § 203 fragt nach Offenbarung, die DSGVO nach Rechtmäßigkeit, das Berufsrecht nach Anonymisierung – und alle drei müssen gleichzeitig passen. Die Praxis braucht deshalb ein Instrument, das alle drei Schichten gleichzeitig adressiert. Das ist das Stufenmodell, das ich im Folgenden entwickle.

Pseudonymisiert ist nicht anonym – und der biographische Fingerabdruck

Der häufigste Denkfehler in der Praxis lautet: „Ich habe den Namen entfernt, also ist es anonymisiert.“ Das ist falsch – und zwar nicht nur technisch, sondern rechtlich belastbar falsch.

Begriffsfeld: Anonymisierung, Pseudonymisierung, De-Identifikation

Anonymisierung bedeutet, dass die betroffene Person „nicht oder nicht mehr identifizierbar“ ist – unter Berücksichtigung „aller Mittel, die vernünftigerweise eingesetzt werden können“ (Europäisches Parlament & Rat, 2016, ErwG 26). Erst dann fallen die Daten aus dem DSGVO-Regime heraus.

Pseudonymisierung (Art. 4 Nr. 5 DSGVO) bedeutet, dass Zusatzinformationen getrennt gehalten werden – die Daten bleiben aber personenbezogen, die DSGVO gilt weiter. Der EDPB hat 2025 nochmals klargestellt: Pseudonymisierte Daten bleiben personenbezogen, selbst wenn die Zusatzinformationen bei einer anderen Stelle liegen (EDPB, 2025).

De-Identifikation ist kein DSGVO-Rechtsbegriff, sondern ein Sammelbegriff für Techniken, die direkte und indirekte Identifikatoren entfernen oder verändern. Je nach Qualität kann das Ergebnis Pseudonymisierung oder Anonymisierung sein – die Prüfung muss im Einzelfall erfolgen.

Drei Wege zur Re-Identifizierung

Für psychotherapeutische Texte ist die Unterscheidung zwischen Anonymisierung und Pseudonymisierung besonders brisant, weil Identifizierbarkeit in narrativen Kontexten nicht an einem einzelnen Datum hängt, sondern an Konstellationen. Die frühere Art.-29-Datenschutzgruppe hat drei Re-Identifizierungsrisiken beschrieben, die für therapeutische Texte wie maßgeschneidert sind (Article 29 Working Party, 2014):

Singling out – eine Person aus einem Datensatz herausgreifen können. Bereits drei Quasi-Identifikatoren (Geschlecht, Altersbereich, Berufsfeld) reichen in Kombination häufig aus, um eine Person in einem überschaubaren Umfeld eindeutig zuzuordnen (Sweeney, 2000).

Linkability – Datensätze miteinander verknüpfen. Spatio-temporale Marker (Ort plus Zeitpunkt plus Kontext) erzeugen hohe Unizität, wie die Re-Identifizierungsforschung empirisch gezeigt hat (de Montjoye et al., 2013).

Inference – Rückschlüsse auf eine Person ziehen. In psychodynamischen Texten ist das besonders relevant: Die Konstellation aus Beziehungsmuster, Abwehrorganisation, Krisenauslöser und biographischen Landmarken kann so spezifisch sein, dass sie wie ein Fingerabdruck wirkt – auch ohne Klarnamen.

Der biographische Fingerabdruck im Gutachterbericht

Genau das geschieht in einem psychodynamischen Gutachterbericht. Punkt 4 des PTV-3-Leitfadens – „Behandlungsrelevante Angaben zur Lebensgeschichte und zur Psychodynamik“ – verlangt eine Verdichtung biographischer und klinischer Informationen, die strukturell re-identifizierend wirkt. Nicht durch den Namen, sondern durch die Konstellation: Herkunftsfamilie, zentrale Beziehungserfahrungen, Konflikte, Abwehrorganisation, berufliche Entwicklung, Krisenauslöser. Dieses Geflecht ist der biographische Fingerabdruck – und er ist häufig einzigartig.

Drei konstruierte Vignetten sollen zeigen, wo der Kipppunkt liegt. Sie orientieren sich an der Struktur eines typischen PTV-Punkt-4-Texts und variieren ausschließlich den Grad der Abstraktion. Die Frage ist jedes Mal: Könnte jemand, der die Person kennt, sie wiedererkennen?

Vignette A – Abstrakt genug: kein Fingerabdruck

Erwachsene Person mittleren Alters mit depressiver Symptomatik auf dem Boden einer überwiegend narzisstischen Persönlichkeitsorganisation (OPD-Strukturniveau: mäßig integriert). Leitkonflikt: Selbstwert vs. Objektwert. Beziehungsgestaltung gekennzeichnet durch Überanpassung an idealisierte Objekte bei gleichzeitiger Entwertungstendenz gegenüber als defizitär erlebten Beziehungspartnern. Auslöser: berufliche Krisensituation.

Diese Formulierung bewegt sich auf der Ebene klinischer Kategorien. Kein Alter, kein Geschlecht, keine Branche, kein Ort, kein konkretes Ereignis. Die Beschreibung trifft auf Hunderte von Fällen zu. Singling out, linkability und inference sind nach hier vertretener Auffassung nicht plausibel. Das darf in ein KI-System – auch in ein Consumer-Tool, wenn es um reine Formulierungshilfe geht.

Vignette B – Grauzone: Merkmalskombination als Risikoverstärker

Frau, Ende 30, in leitender Position in einer kreativen Branche, alleinerziehend. Lebensgeschichtlich prägend: früher Verlust der Mutter in der Adoleszenz, Parentifizierung gegenüber jüngerem Geschwisterkind, narzisstisch bedürftige Vaterbeziehung. Aktueller Auslöser: Zusammenbruch der beruflichen Idealisierung nach Umstrukturierung. Konflikt: Versorgung vs. Autarkie. Depressive Dekompensation mit regressiven Tendenzen.

Hier fehlen Klarname, Adresse, Arbeitgeber. Und doch: „Ende 30, leitende Position, kreative Branche, alleinerziehend, Mutterverlust in der Adoleszenz“ – diese Kombination reduziert die in Frage kommende Population drastisch. In einer kleineren Stadt, in einem überschaubaren Berufsfeld ist das möglicherweise eine einzige Person. Die Re-Identifizierungsforschung zeigt: Bereits drei Quasi-Identifikatoren können in Kombination mit einem seltenen Marker ausreichen (Sweeney, 2000). Hier beginnt die Grauzone, die sorgfältige Abwägung und ein kontrolliertes Tool-Setup verlangt.

Vignette C – Der Fingerabdruck: praktisch identifizierend

Frau M., 38, Architektin in einem renommierten Münchner Büro, berichtet von einem Zusammenbruch im vergangenen Herbst nach der Kündigung durch ihren langjährigen Mentor. In der Sitzung sagt sie wörtlich: „Ich habe alles für diesen Mann getan, und am Ende war ich nichts.“ Die Mutter starb, als die Patientin 14 war. Der Vater, selbst Architekt, überließ ihr die Verantwortung für die jüngere Schwester. Die Patientin inszeniert in der Übertragung eine Idealisierung des Therapeuten bei gleichzeitiger Angst vor Enttäuschung.

Klarname, Alter, Beruf, Stadt, konkreter Arbeitgeber-Typus, Jahreszeitanker, wörtliches Zitat, identifizierbare Dritte (Vater, Schwester, Mentor), spezifische Verlustgeschichte. Wer Frau M. kennt, erkennt sie sofort. Aber auch ohne den Namen: In einem überschaubaren Berufsfeld ist „38, Architektin, München, Kündigung nach langer Zusammenarbeit“ möglicherweise bereits eindeutig (vgl. Sweeney, 2000; de Montjoye et al., 2013). Das darf unter keinen Umständen in ein externes KI-System.

Grenzfälle: Wo das Kippen beginnt

Die Bewegung von A nach C zeigt die Kernlogik: Nicht ein einzelnes Merkmal macht den Fingerabdruck, sondern die Konstellation. Und genau das macht psychodynamische Texte besonders riskant – denn die Psychodynamik ist Konstellation.

Zwei Borderline-Fälle verdienen besondere Aufmerksamkeit:

OPD-Formulierung mit und ohne Lebenswelt. Eine reine OPD-Konflikt-/Strukturformulierung („Konflikt: Abhängigkeit vs. Autarkie; Struktur: mittlere Integration“) ist nach hier vertretener Auffassung nicht re-identifizierend – sie beschreibt einen Typus, keine Person. Sobald jedoch biographisch konkrete Szenen hinzutreten (Arbeitsplatz, Institution, Datum), kippt sie in den Graubereich. Die Risikoreduktion ist einfach: Lebensweltanker entfernen, nur Funktions- und Beziehungsbeschreibung in generischen Termen.

„Altersspanne + Beruf + Ereignis“. Die Kombination „Ende 30, leitende Funktion in einem sehr spezifischen Kulturhaus, nach einem öffentlich bekannten Vorfall“ erzeugt hohe Unizität, weil lokale Ereignisse wie „Zeit-Ort-Punkte“ wirken. Die Risikoreduktion: Beruf zu Berufsgruppe, Ereignis zu Kategorie, Ort zu Region, Datum zu Jahr (vgl. Article 29 Working Party, 2014; Meystre et al., 2010).

Oder, als Grundregel: So wie wir nicht jede Angst „Panik“ nennen sollten, sollten wir nicht jede Namensentfernung „Anonymisierung“ nennen. Die Prüfung muss feingliedriger sein – und genau dafür braucht es das Stufenmodell, das im nächsten Kapitel entwickelt wird.

Das Stufenmodell: Welche Daten dürfen wohin?

Wer nach der Lektüre des vorigen Kapitels den Eindruck hat, dass „Name weg“ nicht genügt, hat verstanden, warum ein feingliedrigeres Instrument nötig ist. Das folgende Stufenmodell ordnet psychotherapeutisches Textmaterial in zwölf Stufen (T0–T11) – nicht nach einem einzelnen Merkmal, sondern nach fünf Dimensionen, die zusammen bestimmen, wie riskant die KI-Verarbeitung ist.

Fünf Dimensionen statt einer Faustregel

Das Modell stützt sich auf fünf Dimensionen, die aus der DSGVO-Logik abgeleitet sind (Europäisches Parlament & Rat, 2016, insb. Art. 5, 9, ErwG 26; Article 29 Working Party, 2014). Sie sind als qualitative Prüfkriterien gedacht, nicht als numerisches Scoring – die Feinheit liegt im Urteilen, nicht im Rechnen:

Identifizierbarkeit – Wie leicht kann eine konkrete Person herausgegriffen oder zugeordnet werden? Hier wirken die drei Re-Identifizierungsrisiken (singling out, linkability, inference) zusammen mit dem Maßstab der „vernünftigerweise einsetzbaren Mittel“ (ErwG 26; Article 29 Working Party, 2014). Drei Quasi-Identifikatoren plus ein seltener Marker können ausreichen (Sweeney, 2000).

Sensitivität – Wie hoch ist das Schadenspotenzial bei Offenlegung? Orientiert an Art. 9 DSGVO und dem psychotherapeutischen „Intimitätsgrad“: Allgemeine Symptomkategorien sind weniger brisant als Trauma-, Suizidalitäts- oder forensische Inhalte; Drittbetroffenheit (Partner, Kinder, Arbeitgeber) erhöht die Sensitivität zusätzlich.

Kontextnähe – Wie nah ist das Material an konkreten Lebensweltmarkern (Zeit, Ort, Institution, Medienereignis)? Spatio-temporale Marker erzeugen hohe Unizität – wenige Punkte genügen (de Montjoye et al., 2013). Die Faustregel: Je konkreter Ort und Zeit, desto höher das Risiko.

Datenmenge – Wie viel Material fließt ein? Ein Stichwort-Tripel ist etwas anderes als ein kompletter Gutachtenentwurf. Mehr Text erhöht singling out und linkability und erlaubt stilometrische Rekonstruktion (vgl. Narayanan & Shmatikov, 2008).

Persistenz – Wie lange und wo wird das Material gespeichert? Flüchtige lokale Verarbeitung ohne Logs ist etwas anderes als Cloud-Speicherung mit unklarer Retention. Die DSK betont die Lebenszyklusbetrachtung von der Dateneingabe bis zur Löschung (Datenschutzkonferenz, 2025a). Unkontrollierte Persistenz – Prompt-Logs, Backups, Trainingspipelines – kann selbst bei moderater Identifizierbarkeit toxisch werden.

Die entscheidende Einsicht ist: Nicht eine einzelne Dimension bestimmt das Risiko, sondern die Kombination. Ein OPD-Stichpunkt (niedrige Identifizierbarkeit, niedrige Kontextnähe) in einem Consumer-Chatbot (hohe Persistenz) ist etwas anderes als derselbe Stichpunkt auf einem lokalen Rechner. Ein biographischer Marker (hohe Kontextnähe) in einem Enterprise-System mit AVV und 30-Tage-Löschung ist etwas anderes als im selben System ohne AVV.

Zwölf Stufen: von generisch bis unvertretbar

Die folgende Taxonomie ordnet psychotherapeutisches Textmaterial in zwölf Stufen. Jede Stufe beschreibt ein typisches Datenprofil, nicht einen einzelnen Text – derselbe Bericht kann je nach Bearbeitungsgrad auf unterschiedlichen Stufen landen. Die Zuordnung ist nach hier vertretener Auffassung ein Orientierungsinstrument, kein Automat: Sie ersetzt nicht die Einzelfallprüfung, strukturiert sie aber.

Die Stufen sind in vier farbcodierte Zonen gruppiert, die die praktische Handlungslogik verdichten:

Grün – Ohne Bauchschmerzen (T0–T1)

T0 – Nicht-personenbezogen, rein generisch. Kein Fallbezug, keine Praxis-Interna. Beispiele: „Formuliere einen neutralen Absatz zur Indikation einer tiefenpsychologisch fundierten Psychotherapie“; Gliederungsvorschläge für PTV-Berichte; psychoedukative Standardtexte. Alle fünf Dimensionen auf Minimum. Darf in alle Systeme, einschließlich Consumer-LLMs. Das Risiko ist hier ausschließlich ein Qualitätsrisiko (Halluzination, Fehlberatung), kein Datenschutzrisiko (vgl. Datenschutzkonferenz, 2024, Abschn. 4).

T1 – Effektiv anonymisiert, stark aggregiert oder abstrahiert. Verdichtete, nicht herausgreifbare Informationen ohne seltene Marker oder Szenen. Beispiele: Supervisionsnotizen in vollständig abstrahierter Form („In einer Stichprobe ambulanter Fälle traten häufig Konflikte auf der Achse Abhängigkeit/Autarkie auf“); Qualitätszirkel-Statistiken ohne Ausreißer. Darf in alle Systeme. Restrisiko: Inference bei sehr kleinen Gruppen oder Ausreißern – die Literatur warnt vor „anonymity-washing“ (Ohm, 2010; NIST, 2015). Empfohlene Kontrolle: bei kleinen Praxen prüfen, ob Ausreißer-Fälle die Anonymität unterlaufen.

Gelb – Nur mit konsequenter Abstraktion (T2–T3)

T2 – Niedrig re-identifizierbar, „klinisch grob“ pseudonymisiert. Fallbezug vorhanden, aber konsequent abstrahiert: keine Orte, keine Daten, keine Originalzitate, keine seltene Kombination. Quasi-Identifikatoren nur grob. Beispiel: „Erwachsene Person, depressive Symptomatik, Arbeitskonflikte, keine Orts-/Datumsdetails“ – im Wesentlichen das, was Vignette A zeigt. Vertretbar in Business-/Enterprise-LLMs mit AVV oder in DACH-Spezialtools mit überprüfbaren TOMs. DSGVO gilt weiter (Gesundheitsdaten, Pseudonymisierung), aber §-203-Risiko ist m. E. gering, wenn Re-Identifizierung nicht plausibel wird (Europäisches Parlament & Rat, 2016, Art. 4 Nr. 5; EDPB, 2025).

T3 – Moderat re-identifizierbar durch Kombinationen. Kein Klarname, aber genug Quasi-Identifikatoren, dass indirekte Identifizierung plausibel wird. Beispiel: „Ende 30, leitende Position in spezifischem Kulturbetrieb, öffentlich bekannter Vorfall“ – das Gebiet von Vignette B. Nur in kontrollierten Setups mit AVV, No-Training-Zusage und Retention-Kontrolle. Linkage-Angriffe über externe Wissensquellen werden bei dieser Merkmalsdichte relevant (Sweeney, 2000; de Montjoye et al., 2013). Empfohlene Risikoreduktion: Beruf zu Berufsgruppe, Ereignis zu Kategorie, Ort zu Region, Datum zu Jahr (vgl. Article 29 Working Party, 2014).

Orange – Nur in High-Control-Setups (T4–T6)

T4 – Hochwertige klinische Darstellung ohne direkte Identifikatoren. Reiches Fallmaterial: detaillierte Psychodynamik, Prozessmaterial, Konflikt-/Strukturhypothesen mit Therapieverlauf – aber keine konkreten Orts-/Datums-/Institutionsanker und keine wörtliche Rede. Die narrative Unizität steigt: Der Text wird „wiedererkennbar“, auch ohne Namen (vgl. Narayanan & Shmatikov, 2008). Nur lokale Systeme oder streng isolierte Enterprise-Umgebungen; DSFA naheliegend (Art. 35 DSGVO). Empfohlene Kontrolle: Segmentierung in Minimalpakete (Task-Splitting), keine Langzeitlogs.

T5 – Hoch re-identifizierbar durch Szenik, Dritte, zeit-/ortnahe Marker. Wörtliche Rede, konkrete Ereignisketten, identifizierbare Dritte („einzige X im Ort“), seltene Lebensereignisse. Hier kippt es: Singling out wird wahrscheinlich, §-203-Risiko steigt, weil „fremde Geheimnisse“ faktisch offenbart werden können (Bundesministerium der Justiz, o. J.-a). Nur lokal und nur mit vorheriger De-Identifikation auf T2-Niveau. Empfohlene Kontrolle: systematische Entnennung aller Dritten, Entfernen wörtlicher Rede, Elimination seltener Ereignisse vor der KI-Eingabe.

T6 – Direkte Identifikatoren im Minimalumfang. Ein Satz mit Klarnamen oder Initialen – wirkt klein, ist strafrechtlich groß: § 203 ist bereits bei minimaler Offenbarung erfüllt. Grundregel: Direkte Identifikatoren grundsätzlich vor jeder KI-Interaktion entfernen. Wenn KI zwingend nötig: nur in Umgebung ohne externe Kenntnismöglichkeit und ohne zusätzliche Speicherung.

Rot – Praktisch „Nein“ für externe KI (T7–T11)

T7 – Direkt identifizierend + klinisch relevante Behandlungsdokumentation. Verlaufsdokumentation über mehrere Sitzungen mit Termindaten, Diagnosen, Umfeld – die „normale“ Akte. Maximales Datenschutz- und §-203-Kollisionspotenzial bei externer Verarbeitung. Keine externe KI. Wenn KI: nur auf T0-Material (Checklisten, Gliederungen) oder strikt lokal (Europäisches Parlament & Rat, 2016, Art. 32, 35).

T8 – Direkt identifizierend + hochsensitiv (Trauma, Forensik, Existenzrisiken). Missbrauchserleben, strafrechtliche Sachverhalte, hochstigmatisierende Diagnostik, Suizidalität, Fremdgefährdung. Neben DSGVO und § 203: gravierendes Schädigungspotenzial durch Fehlklassifikationen oder Halluzinationen. Keine externe KI; keine Volltexte; nur strukturierte Extrakte auf T0-Niveau.

T9 – Volle Aktennähe. Komplette Gutachtenentwürfe inklusive Biografie, Terminen, Institutionen, Zitaten, Fremddokumenten – Vignette C in Reinform. Die „high-dimensionality“-Problematik: Je mehr Merkmale, desto wahrscheinlicher Unizität und Re-Identifikation (Narayanan & Shmatikov, 2008). Keine externe KI.

T10 – Persistenz dominiert. Selbst bei moderater Identifizierbarkeit wird Material toxisch, wenn Speicherung und Löschung nicht kontrollierbar sind – etwa bei KI-Systemen ohne klare Retention-Fristen, bei Logging in Drittländern oder bei Trainingsverwendung ohne Opt-out. Die DSK-RAG-Orientierungshilfe betont: Löschbarkeit in Vektordatenbanken ist möglich, aber im Sprachmodell selbst bleibt Löschung ein strukturelles Problem (Datenschutzkonferenz, 2025b). Nur mit nachweisbarer Retention-Kontrolle und vertraglich gesicherter Löschung.

T11 – Unvertretbares Kollisionsniveau. Maximale Identifizierbarkeit + maximale Sensitivität + maximale Persistenz + Drittbetroffenheit. Volltexte mit Korrespondenz, Verwahrt-Informationen, identifizierbaren Dritten, hochsensiblen Inhalten. KI nur ohne Falltext: Schema, Checklisten, Argumentationslogik auf T0-Niveau.

Die Stufentabelle im Überblick

Die folgende Tabelle fasst die zwölf Stufen mit Zone, typischen Beispielen und empfohlenen Setups zusammen:

StufeZoneTypische BeispieleEmpfohlenes Setup
T0GrünAllg. Formulierungshilfen, PTV-Gliederung, Psychoedukation ohne FallbezugAlle Systeme; Qualitätskontrolle
T1GrünAggregierte Supervisionsstatistik, QZ-Daten ohne AusreißerAlle Systeme; Ausreißer-Prüfung
T2GelbAbstrahierte Verlaufsnotiz ohne Identifikatoren (Vignette A)Business/Enterprise mit AVV oder DACH-Tool mit TOMs
T3GelbPseudonymisiert mit Quasi-Identifikatoren (Vignette B)Kontrolliertes Setup mit AVV, No-Training, Retention-Kontrolle
T4OrangeReiche Psychodynamik ohne LebensweltankerLokal/isoliert; DSFA; Task-Splitting
T5OrangeSzenik, Zitate, identifizierbare DritteNur lokal nach De-ID auf T2
T6OrangeKlarnamen/Initialen (Minimalmenge)Identifikatoren vor KI entfernen
T7RotBehandlungsdoku mit Terminen, Diagnosen, UmfeldKeine externe KI
T8RotHochsensitiv: Trauma, Forensik, SuizidalitätKeine externe KI; nur T0-Extrakte
T9RotKompletter Gutachtenentwurf (Vignette C)Keine externe KI
T10RotMaterial mit unkontrollierbarer PersistenzNur mit nachweisbarer Löschkontrolle
T11RotMaximales Kollisionsniveau (Akte + Korrespondenz + Dritte)KI nur auf T0-Niveau (Schema/Checklisten)

Ampelzonen und Wenn-dann-Regeln

Die vier Zonen verdichten die Stufenlogik zu einer Handlungsanleitung:

Grün (T0–T1): KI kann genutzt werden für Struktur, sprachliche Klarheit, Vorlagen, allgemeine Psychoedukation. Tool-Typ: auch externe Tools möglich. Governance: Qualitätskontrolle genügt.

Gelb (T2–T3): Erlaubt: de-identifizierte Fallskizzen, Konflikt-/Strukturhypothesen ohne Lebensweltanker. Pflicht: konsequente De-Identifikation (keine Originalzitate, Ort/Zeit grob, seltene Marker entfernen, Dritte generalisieren). Tool-Typ: vorzugsweise Enterprise/DACH-Tool mit überprüfbaren TOMs. Governance: interne Richtlinie, Tool-Freigabe, Review-Check.

Orange (T4–T6): Reiches klinisches Material, oft ohne Namen, aber hoch identifizierbar durch Unizität. Tool-Typ: nur wenn AVV, No-Training-Zusage, Retention-Kontrolle, Subprozessor-Transparenz und idealerweise EU-Verarbeitung nachvollziehbar. DSFA-Prüfung m. E. naheliegend (Art. 35 DSGVO; Datenschutzkonferenz, 2018).

Rot (T7–T11): Voll identifizierende Dokumentation, Aktennähe, hochsensitive Inhalte, Transkripte, komplette Gutachtenentwürfe. Hier kollidiert KI-Nutzung nicht nur mit der DSGVO-Risikologik, sondern schnell mit § 203 und der berufsrechtlichen Schweigepflichtlogik. KI – wenn überhaupt – nur auf T0-Material (Checklisten, Gliederungen) oder strikt lokal mit maximaler Kontrolle.

Die Pointe ist unspektakulär: Nicht die KI ist das Problem, sondern der unbemerkte Datenweg – und die Gewohnheit, Re-Identifizierbarkeit zu unterschätzen.

Die Entscheidungssequenz

Vor jeder KI-Nutzung empfiehlt sich nach hier vorgeschlagener Systematik die folgende Prüfsequenz:

1. Personenbezug prüfen – nicht nur Klarnamen, sondern Konstellationsrisiko. Leitfrage: Könnte jemand, der die Person kennt, sie aus diesem Text wiedererkennen?

2. Art.-9-Daten? – Wenn ja: mindestens Zone Gelb, auch bei abstrakter Formulierung.

3. Drittzugriff? – Cloud, Vendor, Support? Dann zusätzlich §-203-Check: Ist die Geheimhaltungskette herstellbar?

4. AVV, TOMs, ggf. DSFA dokumentieren.

5. Qualitätskontrolle festlegen – bei Gutachten: Vier-Augen-Prinzip, keine automatisierte Beurteilung.

Die Tool-Landschaft: Wo „der Dritte“ wohnt

Datenstufen allein reichen nicht. Entscheidend ist auch, wo die Verarbeitung stattfindet – und welche „Gedächtnisse“ dabei entstehen: Logs, Backups, Telemetrie, menschliche Review-Pfade, Training, Subprozessoren, Drittlandtransfers. Das Stufenmodell braucht deshalb eine zweite Achse: die Tool-Umgebung.

Vier Grundtypen

Ein praxistaugliches Raster unterscheidet vier Grundtypen von KI-Umgebungen, die sich in ihrer Kontrollierbarkeit fundamental unterscheiden:

Consumer-Chatbots (offene Online-Tools). Die öffentlich zugänglichen Versionen von ChatGPT, Gemini, Claude und vergleichbaren Diensten. In der Regel: individuelle Nutzungsbedingungen, dynamische Retention-Logiken, kein sauberer Art.-28-Rahmen. Bei einigen Anbietern können Eingaben zur Modellverbesserung genutzt werden – mit Opt-out-Möglichkeiten, die konfigurativ und nicht vertraglich gesichert sind. Die DSK ordnet solche Systeme als „offen“ ein und warnt vor der Eingabe personenbezogener Daten (Datenschutzkonferenz, 2024, Abschn. 4). Für alles oberhalb Zone Grün nach hier vertretener Auffassung nicht vertretbar.

Business-/Enterprise-Varianten und API-Zugang. Substanziell anderes Profil: kein Training mit Kundendaten als Standard, AVV/DPA verfügbar, kürzere und kontrollierbare Retention, Zugriffskontrollen (SSO, RBAC), Verschlüsselung. Für Zone-Gelb-Material m. E. in Betracht, wenn drei Dinge gleichzeitig erfüllt sind: (a) AVV ist unterschrieben – nicht nur verfügbar; (b) kein Training ist vertraglich zugesichert – nicht nur Default-Einstellung; (c) Retention und Drittlandtransfer sind geprüft und dokumentiert (vgl. EDPB, 2021, Kap. 2–4; Europäisches Parlament & Rat, 2016, Art. 28). Zu beachten: Auch bei europaweit beworbenen Diensten kann Support-Zugriff aus den USA bestehen – das ist ein Drittlandtransfer.

Spezialisierte DACH-Tools für psychotherapeutische Dokumentation. Eine heterogene Landschaft: Sie reicht von browser-lokaler Verarbeitung ohne Serverübertragung über Cloud-Dienste mit konkreten Hosting-Partnern, eigenen Transkriptionsservern und definierten Löschfristen bis zu Tools, bei denen zwischen Marketing-Claims und Datenschutzerklärung erhebliche Diskrepanzen bestehen.

Lokal / on-premises / air-gapped. Höchste Kontrolle über Datenflüsse, aber auch höchste Eigenverantwortung: IT-Sicherheit, Updates, Zugriffsschutz, Backups. Für Orange-Material der sicherste Pfad, wenn die IT-Infrastruktur professionell betrieben wird – was in einer Einzelpraxis nicht selbstverständlich ist (vgl. Kassenärztliche Bundesvereinigung, 2025a, Anl. 1).

Vergleichsmatrix

Die folgende Matrix vergleicht die vier Grundtypen anhand der Kriterien, die für die DSGVO- und §-203-Compliance zentral sind:

KriteriumConsumer-LLMBusiness/EnterpriseDACH-SpezialtoolLokal/on-prem
AVV/DPATypisch: keinerVerfügbar; muss unterschrieben werdenGemischt: von öffentlich bis fehlendEntfällt (Eigenverantwortung)
Training mit EingabenMöglich (Opt-out konfigurativ)Kein Training als Default + vertragl. ZusageVon „nur mit Einwilligung“ bis unklarKein Training (lokales Modell)
RetentionWochen bis Jahre; anbieterabhängigKonfigurierbar; teils 30 TageVon 72h-Löschung bis unklarVollständige Kontrolle
Human ReviewMöglich (Support, Safety)Restriktiver; vertraglich regelbarUnterschiedlich dokumentiertKein externer Review
DrittlandtransferWahrscheinlich (USA)EU-Residency teils verfügbar; US-Support möglichVon EU-Hosting bis US-InfrastrukturKein Transfer
VerschlüsselungNicht immer dokumentiertAES-256 at rest, TLS in transit (typisch)Unterschiedlich; teils TLS/AESEigenverantwortung
Audit-ArtefakteKeine für KundenSOC 2, Trust Center (typisch)Selten; teils ISO 27001Eigenverantwortung

Lesehinweis: „Gemischt“ und „unterschiedlich“ sind in dieser Matrix keine Entlastungen, sondern Warnzeichen. Was nicht dokumentiert ist, zählt als Risiko, nicht als Entlastung.

Das Diskrepanz-Muster: Marketing vs. Datenschutztext

Ein wiederkehrendes Muster verdient besondere Aufmerksamkeit: Tools, die auf der Landingpage mit „Server in Deutschland“ oder „DSGVO-konform“ werben, während die Datenschutzerklärung eine andere Sprache spricht. Ein illustratives Beispiel: Ein PTV-Berichtgenerator wirbt prominent mit „Server in Deutschland“ und „kein KI-Training“. Die Datenschutzerklärung nennt jedoch einen US-amerikanischen Hosting-Provider und räumt ein, dass Datenübertragungen in die USA möglich sind. Der veröffentlichte AVV fehlt. Die App gibt an, Eingaben „0 Tage“ zu speichern – aber Logs existieren.

Solche Diskrepanzen sind nach hier vertretener Auffassung ein Muster-Warnsignal. Die Prüfung muss nicht auf der Landingpage stattfinden, sondern in der Datenschutzerklärung, im AVV und in den Subprozessor-Listen.

Red Flags bei der Tool-Prüfung

• Diskrepanz zwischen Marketing („Server in DE“) und Datenschutztext (US-Hosting) • Kein AVV verfügbar oder nur auf Anfrage „im B2B-Vertrag“ • Training: nur Opt-out statt vertraglich ausgeschlossen • Retention: unklar, keine Fristen, keine nachweisbare Löschung • Subprozessoren: nicht transparent oder nur „auf Anfrage“ • Zertifizierungen: Behauptung ohne Artefakte (kein SOC 2, kein C5, kein ISO 27001) • Support-Zugriff: keine Angabe zum Ort der Support-Mitarbeitenden

Green Flags bei der Tool-Prüfung

• AVV nach Art. 28 DSGVO unterschrieben und aktuell • No-Training vertraglich zugesichert (Default + Vertragsklausel) • Hosting: EU/EWR mit benanntem Partner • Retention: definierte Fristen, nachweisbare Löschung • Subprozessor-Liste öffentlich und aktuell • Audit-Artefakte vorhanden (SOC 2, ISO 27001, C5-Testat) • Human-Review-Bedingungen vertraglich geregelt • Support-Zugriff: Ort und Bedingungen dokumentiert

Zehn Fragen für die Tool-Prüfung

Die Frage „Ist Tool X sicher?“ ist verständlich, aber in dieser Form kaum seriös zu beantworten – weil Sicherheit kein Label ist, sondern eine Kette: Vertrag → Architektur → Betrieb → Menschen → Löschung. Die folgenden zehn Fragen bilden eine Due-Diligence-Prüfung, die jedes Tool durchlaufen muss, bevor Daten oberhalb von T1 eingegeben werden. Das ist keine Bürokratie – das ist Schweigepflicht-Hygiene.

1. Rolle: Wer ist Verantwortlicher, wer Auftragsverarbeiter? (EDPB, 2022).

2. AVV: Gibt es einen Art.-28-konformen Vertrag – unterschrieben, nicht nur verlinkbar? (Europäisches Parlament & Rat, 2016, Art. 28).

3. Training: Wird Inhalt zur Modellverbesserung genutzt? Ist „No training“ Default und vertraglich zugesichert?

4. Human Review: Gibt es menschliche Einsicht oder Moderation? Unter welchen Bedingungen?

5. Retention: Wie lange werden Prompts, Outputs, Logs und Backups gespeichert? Wie wird gelöscht?

6. Subprozessoren: Wer verarbeitet mit? Ist die Liste transparent? Gibt es Vorab-Information bei Änderungen?

7. Datenlokalität und Transfers: EU-Verarbeitung? Drittlandtransfer? Welche ergänzenden Maßnahmen? (EDPB, 2021).

8. Zugriffsschutz: MFA, Rollen, Protokollierung, Admin-Kontrollen?

9. Incident Response: Meldewege, Fristen, Verantwortlichkeiten bei Datenpannen (Art. 33/34 DSGVO).

10. Beweisbarkeit: Gibt es auditierbare Nachweise (Zertifikate, Pen-Test-Attest, Security-Whitepaper) – oder nur Marketing?

Unknown ist dabei kein „vielleicht okay“, sondern ein Risiko. Die Grundregel: Ohne klare, überprüfbare Nachweise zu AVV, Hosting-Region, Trainingsnutzung und Löschkonzept ist ein Tool maximal für Zone Grün freigegeben.

Jenseits des Datenschutzes: Klinische Qualität als Risikodimension

Die Datenschutzdebatte kann verdecken, dass KI-Nutzung ein zweites, unabhängiges Risikocluster erzeugt: klinische Qualitätsrisiken. Perfekter Datenschutz plus ein halluzinierter ICD-Code im Gutachterbericht ist ein anderes, aber nicht weniger gravierendes Problem. Im Folgenden die sechzehn Risiken, die in psychotherapeutischen Texten besonders relevant sind – gruppiert in fünf Cluster.

Faktenrisiken: Was die KI erfindet

Halluzination: Generative Sprachmodelle können falsche oder erfundene Inhalte erzeugen – das ist eine strukturelle Eigenschaft, keine seltene Fehlfunktion (WHO, 2021; Ji et al., 2023). Für psychotherapeutische Texte heißt das: Das Modell kann Symptomhäufigkeiten „ergänzen“, die nie erhoben wurden („Panikattacken 3×/Woche“), Leitlinien zitieren, die nicht existieren, oder ICD-Codes zuordnen, die es nicht gibt. Im Gutachterbericht, der juristisch relevant ist, entsteht daraus ein Haftungsrisiko.

Konfabulation von Quellen: Ein Sonderfall der Halluzination: Die KI erfindet Rechtsgrundlagen, Leitlinienempfehlungen oder Studienergebnisse und präsentiert sie im Duktus gesicherter Fakten. In einem forensischen Gutachten kann das katastrophale Folgen haben.

Omission: Nicht nur das Erfundene ist gefährlich, sondern auch das Fehlende. Studien zu LLM-gestützter Textumformung zeigen, dass Auslassungen häufig auftreten (Tam et al., 2024). Im Gutachten können fehlende Gegenargumente, Risikofaktoren, Schutzfaktoren oder Setting-Änderungen die Aussagekraft zerstören. Die WHO benennt „incomplete statements“ und „automation bias“ als zentrale Risiken (WHO, 2021).

Grundregel: Jede konkrete Tatsachenbehauptung im KI-Output – Symptome, Zeitangaben, Diagnosen, Scores, Zitate, rechtliche Kriterien – gegen Primärquelle prüfen. Was nicht verifizierbar ist: streichen.

Bedeutungsrisiken: Was die KI verschiebt

Sprachglättung als Bedeutungsverschiebung: Weniger offensichtlich als Halluzination, klinisch ebenso relevant. Aus „Patient wirkt heute ungewöhnt still; möglicherweise Rückzug, möglicherweise Nachdenklichkeit“ wird „Patient ist depressiv und zieht sich zurück.“ Die Ambivalenz – in analytischer Arbeit klinisch kostbar – wird eliminiert. Das Modell erzeugt Klarheit, wo Uneindeutigkeit angemessener wäre (vgl. Tam et al., 2024). In psychodynamischen Texten, deren Wert oft gerade in der Wahrung von Mehrdeutigkeit liegt, ist das ein substanzieller Eingriff.

Overconfidence: Verwandt mit der Sprachglättung, aber auf der epistemischen Ebene: Das Modell formuliert „Eindeutig traumabezogene Symptomatik“, wo „Hinweise auf traumabezogene Symptomatik; Differentialdiagnosen bleiben offen“ angemessener wäre. In Gutachten, die juristische Konsequenzen haben, kann Über-Sicherheit zur Fehlentscheidung führen.

Bias in der Beschreibung: KI-generierte Texte können abwertende Labels transportieren („manipulativ“, „unzuverlässig“, „resistent“), die nicht auf dokumentierten Verhaltensankern basieren. Studien zeigen, dass stigmatisierende Sprache in klinischen Notizen systematisch vorkommt und die nachfolgende Versorgung beeinflusst (Sun et al., 2022; Himmelstein et al., 2022). KI verstärkt dieses Muster, weil sie vorhandene Sprachmuster reproduziert.

Der Akten-Echoeffekt: Wenn ein einmal generierter stigmatisierender Satz in späteren Zusammenfassungen erneut aufgegriffen wird, entsteht ein Verhärtungseffekt: Die Zuschreibung reproduziert sich ohne neue Beobachtung. Studien zur „copy-forward“-Problematik in elektronischen Akten zeigen das Muster (Tsou et al., 2017). Gegenmaßnahme: Jede KI-Zusammenfassung gegen den Sitzungsinhalt validieren, nicht gegen frühere Aktentexte.

Beziehungsrisiken: Was die KI an Haltung verliert

Verlust der klinischen Stimme: Oft unterschätzt, klinisch relevant. Psychotherapeutische Dokumentation ist nicht nur Information, sondern Ausdruck klinischer Haltung. Wenn alle Berichte „gleich klingen“ – sprachlich geglättet, stilistisch uniform, klinisch unpersönlich – geht etwas verloren, das für Gutachterverfahren und eigene Reflexion wesentlich ist: die hörbare Präsenz der behandelnden Person im Text. Frage bei jedem KI-assistierten Text: Welche Passagen sind reine Formatierung – welche inhaltliche Ergänzung? Nur Ersteres ist unproblematisch.

Kontextverlust und Beziehungssprache: Aus einer fein balancierten, nicht-beschämenden Formulierung wird eine sachlich korrekte, aber beziehungsgefährdende „Akte-Sprache“. Im psychotherapeutischen Kontext, in dem Patient:innen zunehmend ihre Akten einsehen (Open Notes), ist risikosensible Dokumentation eine zentrale Implementationsbedingung.

Ethik-Drift: Das Team übernimmt KI-Formulierungen, die implizit Schuld oder Scham verstärken; die Therapeut:in verschiebt Verantwortung („Das Tool empfiehlt …“). Die WHO fordert menschenrechts- und würdesensible Regulierung und Verwendung (WHO, 2021). Leitregel: KI darf administrativ entlasten, aber nicht Beziehung oder Verantwortung ersetzen.

Sicherheitsrisiken: Was die KI nach außen trägt

Datenabfluss über Prompts: Sitzungsinhalte, die in ein Consumer-Frontend kopiert werden, können in Logs gespeichert, zu Trainingszwecken verwendet oder in Drittländer übertragen werden. Die DSK warnt vor besonderer Vorsicht bei Eingabe personenbezogener Daten und fordert Zweckfestlegung, DSFA bei hohem Risiko sowie klare Verantwortlichkeiten (Datenschutzkonferenz, 2024, Abschn. 3–4). Das EDPB-Material zu LLM-Privacy-Risiken betont Input-Daten, Retention und Logging als zentrale Bedrohungsvektoren (EDPB Support Pool of Experts, 2024).

Schweigepflichtverletzung durch unzureichend eingebundene Dienstleister: Wenn ein KI-Anbieter Zugriff auf Patientengeheimnisse hat, ohne dass eine nachweisbare Geheimhaltungskette hergestellt ist, droht straf- und berufsrechtliche Eskalation. Die Kette muss dokumentiert sein: Geheimhaltungsverpflichtung, Art.-28-Vertrag, Zugriffsbeschränkung, Protokollierung (Psychotherapeutenkammer Bayern, 2014, § 8; Bundesministerium der Justiz, o. J.-a).

Prompt-Injection: Ein fehlerhafter Satz in einer Akte wird von der KI übernommen und konsistent ausgebaut; oder ein eingeschmuggelter Textblock steuert den Output. Die BfDI-Handreichung zu KI hebt Prompt-Injection als relevantes Sicherheitsrisiko hervor (Bundesbeauftragte für den Datenschutz und die Informationsfreiheit, 2025; vgl. OWASP, 2025).

Unzulässige Verdichtung sensibler Drittinformationen: Partner-, Familien- oder Arbeitgeberinformationen werden ohne Not in ein Gutachten übernommen; die KI macht daraus eine „stimmige“ Narrative, die Dritte unverhältnismäßig betrifft. Die DSGVO-Grundsätze der Zweckbindung und Datenminimierung gelten auch für Drittpersonen im KI-Output (Europäisches Parlament & Rat, 2016, Art. 5).

Prozessrisiken: Was nicht nachvollziehbar ist

Fehlender Audit-Trail: In der Akte liegt nur der Endtext; unklar, ob und was KI beigetragen hat. Bei Qualitätsprüfung oder Haftungsfall fehlen Prozessdaten. § 630f BGB verlangt Nachvollziehbarkeit von Änderungen; der AI Act sieht für Betreiber von Hochrisiko-Systemen Protokollaufbewahrung vor – als Governance-Signal, auch wenn der konkrete psychotherapeutische Use Case meist nicht „high-risk“ im Sinne des AI Act ist (Europäisches Parlament & Rat, 2024, Art. 26). Lösung: Versionierung im Praxis-Informationssystem (Entwurf → geprüft → final), nicht im KI-Tool; Kennzeichnung „KI-assistiert“; Reviewer-Sign-off bei wesentlichen Texten.

Autoritätsverschiebung: „Die KI zeigt mangelnde Compliance“ – als wäre das Modell eine diagnostische Instanz. Die WHO warnt vor „automation bias“ (WHO, 2021). Sprachregel: KI ist Werkzeug, nicht epistemische Instanz. Zulässig sind Formulierungen wie „im Gespräch ergab sich …“, „in der Akte dokumentiert …“, „klinischer Eindruck …“.

Zwischenfazit: Datenschutz allein genügt nicht

Die sechzehn Risiken machen deutlich: Selbst wenn der Datenschutz vollständig gelöst wäre, bliebe ein eigenständiges Qualitätsproblem. Halluzinationsschutz gehört in den Workflow, nicht in die Hoffnung. Bedeutungsverschiebung, Bias und der Verlust klinischer Stimme erfordern eigene Kontrollen – und ein Bewusstsein dafür, dass „Qualitätssicherung“ in der KI-gestützten Dokumentation nicht weniger ist als Patientensicherheit in Textform.

Prozessdesign: Vom Prompt zur fertigen Akte

Die bisherigen Kapitel haben das „Was darf wohin?“ und „Welches Tool?“ behandelt. Dieses Kapitel beantwortet die dritte Frage: Wie sieht ein sicherer Workflow aus, wenn die Entscheidung für KI-Nutzung gefallen ist? Der Dreischritt ist einfach: Prüfen → Prompten → Reviewen. Die Komplexität liegt im Detail.

Pre-Flight: Vor dem Prompt

Bevor ein einziges Wort in ein KI-System eingeht, sind sieben Prüfpunkte zu klären. Die Reihenfolge ist nicht zufällig – sie spiegelt die Eskalationslogik: zuerst Zweck, dann Daten, dann Tool, dann Guardrails.

1. Zweck und Dokumenttyp festlegen. Was soll die KI tun? Strukturieren? Zusammenfassen? Formulierungshilfe? Oder interpretieren? Die DSK betont: Zweckfestlegung ist datenschutzrechtlich „elementar“ – und zwar vor der Verarbeitung, nicht danach (Datenschutzkonferenz, 2024, Abschn. 3). Für den Workflow heißt das: Der „erlaubte Modus“ wird vorab definiert – Formatieren/Strukturieren (Standard), Zusammenfassen (nur mit Omissions-Guardrails), Interpretieren/Hypothesen (nur klar markiert; psychotherapeutisch heikel).

2. Risikostufe bestimmen. Drei Stufen, die die Review-Intensität steuern: Low (reine Rechtschreibung, Layout, Satzbau) – Selbstreview genügt. Medium (Zusammenfassung von Sitzungsinhalten, Verlaufsnotizen) – strukturierter Review-Check. High (Gutachten, forensische Texte, Krisendokumentation, rechtliche Bewertungen) – Vier-Augen-Prinzip: eine zweite Person oder zumindest eine dokumentierte Second-Look-Prozedur (vgl. WHO, 2021).

3. Tool-Freigabe prüfen. Ist das System organisatorisch freigegeben? Das heißt konkret: AVV unterschrieben (nicht nur verlinkbar), Geheimhaltungskette hergestellt (§ 203), Hosting und Retention dokumentiert, Trainingsnutzung geprüft. Kein „ich schau mal schnell in ChatGPT“ für Material oberhalb von T1.

4. Datenminimierung. Nur die Informationen eingeben, die für den definierten Zweck erforderlich sind (Europäisches Parlament & Rat, 2016, Art. 5 Abs. 1 lit. c). In der Praxis: nicht den ganzen Absatz kopieren, wenn ein Stichwort-Tripel reicht. Task-Splitting: lieber drei kurze Prompts als einen mit dem gesamten Verlauf.

5. Identifikatoren entfernen. Klarnamen, Geburtsdaten, konkrete Orte, Arbeitgeber, seltene biographische Marker, wörtliche Rede – alles, was die Stufe über T2 heben würde (vgl. Kapitel 3 und 4). Bei Gutachten zusätzlich: Drittpersonen-Details minimieren. Die Grundregel aus Kapitel 3 gilt: Nicht ein einzelnes Merkmal macht den Fingerabdruck, sondern die Konstellation.

6. Trainings-/Opt-in-Status klären. Wenn das System Eingaben für Training oder Verbesserung nutzen kann: Ist das vertraglich ausgeschlossen? Oder nur konfigurativ abschaltbar? Konfigurativ ≠ vertraglich (vgl. Kapitel 5).

7. Prompt mit Guardrails formulieren. Der Prompt selbst sollte die Leitplanken enthalten: „Keine neuen Fakten hinzufügen; Unsicherheiten als Unsicherheiten markieren; Beobachtung und Hypothese sprachlich trennen; keine Quellen erfinden.“ Das ist keine Magie, sondern Prompt-Hygiene – die klinische Entsprechung dessen, was in der Akte „saubere Form“ heißt.

Pre-Flight-Checkliste (Kurzfassung)

1. Zweck + Dokumenttyp festgelegt?

2. Risikostufe (Low / Medium / High) bestimmt?

3. Tool organisatorisch freigegeben (AVV, § 203-Kette, Hosting, Retention)?

4. Datensparsamkeit: nur erforderliche Inhalte im Prompt?

5. Identifikatoren + Drittpersonen-Details entfernt/abstrahiert?

6. Kein Training mit Eingaben (vertraglich gesichert)?

7. Prompt enthält Guardrails (keine erfundenen Fakten, Unsicherheit markieren, Beobachtung ≠ Hypothese)?

Safe und Unsafe: Prompt-Beispiele

Abstrakte Regeln werden durch konkrete Beispiele greifbar. Die folgenden Prompt-Paare zeigen jeweils eine unsichere und eine sichere Variante für typische psychotherapeutische Anwendungsszenarien:

Prompt-Paar 1: Verlaufsnotiz formulieren

UNSAFE: „Frau Müller, 38, Architektin in München, berichtete gestern, dass sie nach der Kündigung durch ihren Chef Thomas im Oktober wieder Panikattacken hat. Formuliere das als Verlaufsnotiz.“

→ Klarname, Alter, Beruf, Stadt, Name Dritter, konkretes Datum = T7+ (Rot)

SAFE: „Erwachsene Patientin berichtet von erneuten Angstsymptomen nach beruflichem Verlusterlebnis. Formuliere das als strukturierte Verlaufsnotiz mit Trennung von Beobachtung und Hypothese. Keine zusätzlichen Fakten hinzufügen.“

→ Abstrakt, kein Klarname, kein Ort, kein Datum, kein Dritter = T2 (Gelb)

Prompt-Paar 2: OPD-Konfliktformulierung

UNSAFE: „Mein Patient Jonas, der in der Berliner Startup-Szene arbeitet und dessen Vater Alkoholiker war, zeigt einen Konflikt zwischen Abhängigkeit und Autarkie. Schreibe das als OPD-Formulierung für den PTV-3.“

→ Klarname, Branche + Stadt, biographischer Marker = T5+ (Orange/Rot)

SAFE: „Formuliere eine OPD-Konfliktbeschreibung für den PTV-3: Leitkonflikt Abhängigkeit vs. Autarkie, Strukturniveau mäßig integriert, Beziehungsgestaltung geprägt durch Überanpassung an idealisierte Objekte. Keine biographischen Details erforderlich.“

→ Rein klinisch-abstrakt, keine Lebensweltanker = T0–T1 (Grün)

Prompt-Paar 3: Gutachterliche Zusammenfassung

UNSAFE: „Hier ist der komplette Verlaufsbericht meiner Patientin (Name, Diagnosen, 40 Sitzungen, alle Termine, wortwörtliche Zitate). Fasse zusammen und formuliere den Gutachterbericht.“

→ Volle Aktennähe = T9–T11 (Rot). Nicht in externes System.

SAFE: „Ich schreibe einen Gutachterbericht (PTV-3, Punkt 4). Folgende abstrahierte Stichpunkte: Leitkonflikt X, Strukturniveau Y, zentrale Beziehungsdynamik Z, Behandlungsverlauf (Phasen grob). Formuliere daraus einen kohärenten Absatz. Keine neuen klinischen Informationen hinzufügen; keine Quellenangaben erfinden.“

→ Abstrahierte Stichpunkte, kein Personenbezug, klare Guardrails = T1–T2 (Grün/Gelb)

Prompt-Paar 4: Sprachliche Glättung

UNSAFE: „Hier ist mein Rohentwurf für das Gutachten über Herrn Schmidt (Aktenzeichen, Diagnosen, Termine, Zitate). Mach den Stil besser.“

→ Direkte Identifikatoren + voller Falltext = T9+ (Rot)

SAFE: „Hier ist ein de-identifizierter Textabsatz aus einem PTV-Gutachtenentwurf. Verbessere den Satzbau und die sprachliche Klarheit, ohne den Inhalt zu verändern. Füge keine Informationen hinzu; markiere Stellen, an denen der Text unklar ist.“

→ De-identifiziert, begrenzter Umfang, klarer Zweck = T2–T3 (Gelb)

Review: Nach dem Output

Der KI-Output ist ein Entwurf – nicht mehr und nicht weniger. Er wird „klinisch signierbar“ erst durch einen strukturierten Review. Die DSK fordert die kritische Prüfung personenbezogener Ergebnisse (Datenschutzkonferenz, 2024, Abschn. 5); die KBV betont Plausibilitätsprüfung und Vermeidung von Automation Bias (Kassenärztliche Bundesvereinigung, 2025b). Die folgende Checkliste systematisiert beide Anforderungen:

1. Faktencheck: Jede konkrete Tatsachenbehauptung im KI-Output – Symptome, Zeitangaben, Häufigkeiten, Diagnosen, Scores, Zitate, rechtliche Kriterien – gegen die Primärquelle prüfen (Sitzungsnotiz, Audio, Akte). Was nicht verifizierbar ist: streichen oder als Unsicherheit markieren.

2. Completeness-Check: Pflichtfelder gegen den Dokumenttyp prüfen. Für Verlaufsnotizen: Risiko-/Schutzfaktoren, Setting-Änderungen, Interventionskern, nächste Schritte. Für Gutachten: Gegenargumente, Differentialdiagnosen, Behandlungsplan-Begründung. Fehlende Pflichtfelder sind klinisch gefährlicher als falsche Details – weil sie unsichtbar sind.

3. Bias-/Stigma-Scan: Abwertende Labels? Moralische Wertungen? Diagnostische Zuschreibungen ohne dokumentierte Verhaltensanker? Perspektivenklarheit: Wessen Erleben wird dargestellt? (Vgl. Sun et al., 2022; Himmelstein et al., 2022.)

4. Epistemik-Scan: Beobachtung, Deutung und Schlussfolgerung sauber getrennt? Über-Sicherheit? Jeder Satz, der sicherer klingt als die Datenlage, wird vorsichtiger formuliert.

5. Transparenz-Scan: Kein „DKI sagt“, keine Objektivierung, klare Autorenschaft. Der finale Text muss als von der behandelnden Person verantworteter Text erkennbar sein (vgl. Bundesministerium der Justiz, o. J.-b).

6. Drittpersonen-Scan: Enthält der Output Informationen über Dritte (Partner, Kinder, Arbeitgeber), die über das für den Zweck Erforderliche hinausgehen? Wenn ja: abstrahieren oder streichen.

7. Datenschutz-/Schweigepflicht-Scan: Enthält der Output Identifikatoren, die versehentlich übernommen oder vom Modell „ergänzt“ wurden? (Auch das kommt vor: KI kann aus Kontext Orte, Namen, Institutionen „hinzufügen“, die im Input nicht standen.)

8. Sign-off: Wer verantwortet die Endfassung? Bei Low-Risk: Selbstreview. Bei Medium: dokumentierter Review-Check. Bei High: Vier-Augen-Prinzip mit namentlicher Dokumentation. Die Versionierung gehört ins Praxis-Informationssystem (Entwurf → geprüft → final), nicht ins KI-Tool.

Review-Checkliste (Kurzfassung)

☐ Faktencheck: Jede Assertion gegen Primärquelle geprüft

☐ Completeness: Pflichtfelder für Dokumenttyp vollständig

☐ Bias/Stigma: Keine abwertenden Labels ohne Verhaltensanker

☐ Epistemik: Beobachtung ≠ Deutung ≠ Schlussfolgerung

☐ Transparenz: Keine KI-als-Instanz-Formulierungen

☐ Drittpersonen: Nur erforderliche Informationen

☐ Datenschutz: Keine versehentlichen Identifikatoren im Output

☐ Sign-off: Verantwortliche Person + Datum dokumentiert

Red-Team-Prompts: Gegenlesen mit Absicht

Red-Team-Prompts sind nicht für die Erstellung gedacht, sondern für die gezielte Fehlersuche. Sie nutzen die KI gegen sich selbst – als kritisches Lesewerkzeug, nicht als Autorität. Die folgenden Prompts lassen sich nach dem ersten Review auf den KI-Output anwenden:

Halluzinations-Audit: „Markiere alle Sätze, die eine konkrete Tatsache behaupten (Symptom, Zeitangabe, Häufigkeit, Diagnose, Zitat, Rechtsgrundlage). Gib daneben an: Woher weist du das? Wenn keine Quelle im Input: FLAG.“

Omissions-Audit: „Welche fünf Informationen wären für eine:n professionelle:n Leser:in dieses Dokumenttyps erwartbar, fehlen aber? Nenne sie und erkläre, warum sie relevant sind.“

Bias-Audit: „Identifiziere abwertende, stigmatisierende oder moralisch wertende Sprache. Schlage neutral-beobachtende Alternativen vor.“

Overconfidence-Audit: „Wo klingt der Text sicherer als die Datenlage hergibt? Formuliere die betreffenden Stellen epistemisch vorsichtiger.“

Drittpersonen-Minimierung: „Welche Informationen über Dritte (Partner, Familie, Arbeitgeber, Institutionen) können gestrichen oder weiter abstrahiert werden, ohne den Zweck des Textes zu beeinträchtigen?“

Gutachten-Forensik: „Markiere jede normative oder rechtliche Aussage in diesem Text. Wenn du sie nicht mit einer konkreten Rechtsquelle oder Leitlinie belegen kannst: streiche sie oder kennzeichne sie als Hypothese.“

Adversarial-Test: „Angenommen, der Input enthält ein falsches Detail. Wo übernimmt der Output es unkritisch? Wo baut er es konsistent aus? Markiere diese Stellen.“

Wichtig: Red-Team-Prompts ersetzen nicht den klinischen Review – sie ergänzen ihn. Die finale Beurteilung liegt bei der behandelnden Person, nicht bei der KI.

Audit-Trail: Logging ohne Daten-Leak

Dokumentationsänderungen müssen nachvollziehbar sein (§ 630f BGB; Bundesministerium der Justiz, o. J.-b). Gleichzeitig darf ein Audit-Trail nicht zum zweiten Datenleck werden: Prompt-Logs, die Patientendaten enthalten, erhöhen das Risiko, statt es zu reduzieren. Der Lösungsansatz: Metadaten-Logging statt Inhalt-Logging.

Ein praxistaugliches Audit-Trail-Design erfasst sechs Datenpunkte, die nachvollziehbar machen, dass KI genutzt wurde und wie der Output geprüft wurde – ohne den Inhalt zu duplizieren:

(1) Template-ID: Welches Prompt-Template wurde genutzt? (2) Dokumenttyp und Zweck (z. B. „Verlaufsnotiz / Strukturierung“). (3) Tool und Modellversion (Anbieter, Modellname, Datum). (4) Output-Hash: ein kryptographischer Fingerprint des KI-Outputs, der Integrität belegt, ohne Inhalt preiszugeben. (5) Reviewer-Sign-off: Wer hat geprüft, wann, mit welchem Ergebnis? (6) Risikostufe (Low / Medium / High).

Die Versionierung findet im Praxis-Informationssystem statt: Entwurf → reviewed → final. Optional: ein „Diff“ zwischen Entwurf und Endfassung (als Nachweis, dass die behandelnde Person editiert und geprüft hat). Die Audit-Metadaten werden getrennt vom klinischen Inhalt gespeichert; der Zugriff ist rollenbasiert (vgl. Datenschutzkonferenz, 2025a).

Vom Bericht zum Prompt: Ein Anwendungsbeispiel

Die bisherigen Kapitel haben Regeln, Stufen und Checklisten entwickelt. Dieses Kapitel zeigt, wie man sie anwendet – am Beispiel eines vollständigen PTV-3-Erstantrags auf analytische Psychotherapie. Der Bericht ist fiktiv und wurde für Lehrzwecke so konstruiert, dass er typische Merkmale enthält, die in der Praxis vorkommen: eine lebendige biographische Erzählung, eine differenzierte Psychodynamik, Gegenübertragungsbeschreibungen, Diagnosen auf mehreren Achsen und eine Behandlungsplanbegründung. An ihm lässt sich Punkt für Punkt durchspielen, welche Teile eines Gutachterberichts in welches KI-System dürfen – und was passiert, wenn man versucht, den Bericht „sicher zu machen“.

Das Kapitel verfolgt drei Ziele: Erstens eine realistische Einschätzung dessen, was mit Consumer-Chatbots möglich ist – mehr als die meisten denken, aber weniger als die meisten hoffen. Zweitens eine ehrliche Darstellung dessen, was bei De-Identifizierung verloren geht. Drittens einen konkreten Workflow, der Prompt für Prompt zeigt, wie ein PTV-3 mit KI-Unterstützung entsteht – ohne dass Patientendaten den eigenen Rechner verlassen.

Der Beispielantrag

Der folgende Bericht umfasst alle sechs Punkte eines PTV-3-Erstantrags: Soziodemografie, Symptomatik und Befund, somatischer Befund, Lebensgeschichte und Psychodynamik, Diagnose sowie Behandlungsplan. Er ist bewusst so geschrieben, dass er die narrative Qualität zeigt, die gute Gutachterberichte auszeichnet – und gleichzeitig die datenschutzrechtlichen Probleme, die genau diese Qualität erzeugt. Der Bericht dient im gesamten folgenden Kapitel als Referenzdokument; alle Analysen, Prompts und Workflows beziehen sich auf ihn.

Bericht an den Gutachter – Erstantrag auf analytische Psychotherapie

Chiffre: 2026-AP-017

Punkt 1: Relevante soziodemografische Daten

Der Patient ist 31 Jahre alt, ledig und kinderlos. Er arbeitet als Softwareentwickler in einem mittelständischen Unternehmen. Er lebt allein in einer Zweizimmerwohnung; eine Partnerschaft besteht nicht. Der Patient ist gesetzlich versichert.

Punkt 2: Symptomatik und psychischer Befund

Bereits am Telefon formuliert der Patient seinen Vorstellungswunsch, als entschuldige er sich dafür: Er hoffe, er störe nicht, vielleicht brauche er auch gar keine Therapie. Er kommt auf die Minute pünktlich und wartet im Flur stehend, obwohl ein Stuhl frei ist. Er ist mittelgroß, sehr schlank, fast hager, mit auffallend blasser Haut und dunklen Augenringen. Das Gesicht ist schmal, die Wangenknochen treten hervor; er trägt eine randlose Brille, hinter der die Augen wach, aber ausweichend wirken. Dunkelblondes, kurz geschnittenes Haar, ein graues, zu weites Sweatshirt, dunkle Jeans – alles an ihm scheint darauf angelegt, keinen Eindruck zu hinterlassen. Die Fingernägel sind bis weit unter die Kuppe abgekaut: die einzige sichtbare Spur einer inneren Spannung, die sonst nirgends nach außen dringt. Er wirkt deutlich jünger als 31, eher wie Mitte zwanzig. Der Händedruck ist fest, als hätte er ihn irgendwann gelernt wie eine Fremdsprache; den Blickkontakt vermeidet er dabei. Im Sessel nimmt er so wenig Raum ein wie möglich, die Arme verschränkt, die Schultern hochgezogen. Mein Gegenübertragungsimpuls ist zunächst ein eigentümliches Gefühl der Einsamkeit – nicht seiner, sondern meiner: als säße ich einem Menschen gegenüber, der zwar anwesend ist, aber dessen lebendiger Kern anderswo weilt. Und der Impuls, sehr vorsichtig zu sein, als könnte jede zu rasche Annäherung ihn endgültig zum Verschwinden bringen.

Er berichtet sachlich und kontrolliert, fast wie über einen Dritten: „Ich funktioniere noch, aber es fühlt sich an, als wäre nichts mehr dahinter.“ Die Sprache ist präzise, intellektuell – und ich bemerke, dass ich mich langweile, und erschrecke darüber, weil ich ahne, dass die Langeweile nicht meine ist, sondern eine inszenierte Affektlosigkeit. Auf meine Frage erzählt er stockend von der Trennung vor zwei Jahren: Seine Freundin habe sich getrennt, nachdem sie drei Jahre zusammen gewesen seien. „Sie hat gesagt, ich sei wie eine verschlossene Tür. Sie hat immer geklopft, und irgendwann hat sie aufgehört.“ Sie hätten gemeinsam in einer Wohnung in Sendling gelebt; nach der Trennung sei er in eine kleine Wohnung in der Nähe der Arbeit gezogen, „eine Übergangslösung, die jetzt zwei Jahre dauert“. Auf dem Fensterbrett stehe eine Pflanze, die sie dagelassen habe; er gieße sie noch, obwohl er nicht wisse warum. Er arbeite bei einem mittelständischen IT-Unternehmen im Münchner Osten, in einem Achterteam; er sei „der Stille im Meeting“, esse mittags allein am Schreibtisch. „Ich habe seit einem Jahr mit niemandem dort ein persönliches Wort gewechselt.“ Sein Vorgesetzter habe ihn kürzlich auf seine Blässe angesprochen; er habe „automatisch gelächelt und ja gesagt“. Am Wochenende verbringe er die Zeit allein, gehe spätabends joggen, wenn niemand mehr unterwegs sei: „Das ist die einzige Zeit, wo ich meinen Körper spüre.“ Ein alter Schulfreund habe gefragt, ob er depressiv sei; er habe abgewiegelt. „Ich wollte nicht, dass jemand sich Sorgen macht. Das ist das Letzte, was ich ertragen kann.“ Als er über die Einsamkeit spricht, wird seine Stimme brüchig; er schweigt zehn Sekunden, dann fängt er sich: „Entschuldigung. Also, die Symptome.“

Der Patient schildert seit etwa zwei Jahren zunehmende innere Leere, Freudlosigkeit und das Gefühl, „hinter einer Glasscheibe“ zu leben. Schleichender sozialer Rückzug; morgendliches Früherwachen gegen 4 Uhr mit Grübelzwang; Appetitverlust mit circa vier Kilogramm Gewichtsverlust; chronische Erschöpfung; seit über einem Jahr erloschenes sexuelles Interesse. Gelegentliche Depersonalisationserleben („als wäre ich eine Figur in einem Spiel“). Passive Todeswünsche ohne intentionale Suizidgedanken. Arbeitsfähigkeit formal erhalten („Autopilot“).

Psychopathologischer Befund: Bewusstseinsklar und zu allen Qualitäten voll orientiert. Stimmung subjektiv leer und gedrückt, hintergründige Traurigkeit ohne Zugang zu Trauer, persistierendes Gefühl innerer Devitalisierung. Deutlich eingeschränkte Freudfähigkeit, Anhedonie in nahezu allen Lebensbereichen. Ausgeprägte Gefühle der inneren Leere und des Abgeschnittenseins. Insuffizienzgefühle, latente Scham über Versagen in Beziehungen. Antrieb mittelschwer reduziert, morgens am stärksten. Affektiv deutlich eingeschränkt schwingungsfähig; Affekte wirken flach und modulationsarm. Vermindertes Vitalgefühl mit chronischer Erschöpfbarkeit. Subjektive Kontaktstörung. Psychomotorik verlangsamt, Gestik sparsam, Mimik reduziert, Blickkontakt flüchtig-vermeidend. Denktempo verlangsamt bei formal geordnetem Gedankengang. Grübelneigung. Gelegentliche Depersonalisation. Libidoverlust. Schlafstörungen mit Früherwachen. Passive Todeswünsche ohne intentionale Suizidgedanken, ohne Suizidpläne, ohne Suizidhandlungen in der Vorgeschichte. Keine Hinweise auf Wahnerleben, Halluzinationen oder formale Denkstörungen. Keine Bewusstseins- und mnestische Störungen. Kein Substanzmissbrauch, kein selbstverletzendes Verhalten.

Punkt 3: Somatischer Befund

Laut Konsiliarbericht des Hausarztes liegt kein organisches Korrelat der depressiven Symptomatik vor. Schilddrüsenwerte, Blutbild und internistischer Status unauffällig. Keine relevanten somatischen Vorerkrankungen. Keine aktuelle Medikation.

Punkt 4: Lebensgeschichte und Psychodynamik

Der Patient wächst als Einzelkind in einer Doppelhaushälfte in einer Kleinstadt in Oberbayern auf. Beide Eltern sind Gymnasiallehrer – der Vater für Mathematik und Physik, die Mutter für Deutsch und Geschichte. Die Mutter beschreibt er als „funktionierend, aber kalt“: Sie habe den Haushalt pflichtbewusst organisiert, Schulbrote geschmiert, Arzttermine eingehalten – aber für emotionale Bedürfnisse sei sie nicht ansprechbar gewesen. Körperliche Zärtlichkeit habe es nicht gegeben; er könne sich nicht erinnern, jemals von ihr in den Arm genommen worden zu sein. Wenn er als Kind geweint habe, sei sie nicht gekommen, sondern habe aus dem Nebenzimmer gerufen: „Es ist nichts passiert.“ Der Vater sei „geistig abwesend“ gewesen, habe abends in seinem Arbeitszimmer gesessen und Aufgaben für den nächsten Tag vorbereitet; an den Wochenenden habe er im Garten gearbeitet, „immer mit dem Rücken zum Haus“. Konflikte zwischen den Eltern seien durch wochenlanges Schweigen reguliert worden; er erinnere als Kind die Angst, etwas Falsches zu sagen, und das Gefühl, „dass die Luft im Haus dünn wird“. Das Familienklima: „still und ordentlich – wie ein Wartezimmer.“

Im Kindergarten sei er unauffällig gewesen; in der Grundschule habe er gute Noten erzielt, sei aber von der Lehrerin als „sehr ruhig und in sich gekehrt“ beschrieben worden – ein Elternsprechtag-Satz, den die Mutter ihm später erzählt habe, „als wäre es ein Kompliment“. Enge Freundschaften habe er kaum gehabt; er sei „immer dabei gewesen, aber nie dazugehörig“. Er erinnert einen einzigen Freund in der Grundschule, dessen Familie nach Regensburg gezogen sei – er habe nie nachgefragt, warum der Kontakt abbrach, und nie getrauert. Den Übertritt ans Gymnasium habe er als Erleichterung erlebt, weil er dort „anonym“ habe sein können. In der Pubertät habe er sich zunehmend in Computerwelten zurückgezogen – erst Strategiespiele, dann Programmieren, „eine Welt, die macht, was man ihr sagt“. Er habe mit 16 begonnen, kleine Programme zu schreiben, und darin „das Einzige“ gefunden, „was sich nach Können anfühlte“. Sport habe er gemieden; Partys, Alkohol, die üblichen Initiationsrituale der Jugend seien an ihm vorbeigegangen. Sexuelle Erfahrungen habe er erst mit 22 gemacht, „spät und unbeholfen“, und beschreibt sie als „etwas, das man halt macht“.

Nach dem Abitur (Notenschnitt 1,4) habe er Informatik an der TU München studiert, das Studium zügig und mit guten Noten abgeschlossen, ohne dass er sich an die Studienzeit als lebendig erinnere: „Ich habe funktioniert. Das konnte ich schon immer.“ Seit dem Abschluss arbeite er bei seinem jetzigen Arbeitgeber. Es habe zwei Beziehungen gegeben: die erste mit 24, die etwa ein halbes Jahr gedauert habe – die Partnerin habe sich getrennt, weil er „emotional nicht erreichbar“ gewesen sei. Die zweite, längere Beziehung (drei Jahre, Zusammenleben in Sendling) sei die bereits geschilderte, die vor zwei Jahren endete. Beide Male sei er es gewesen, der sich emotional verschlossen habe, und beide Male habe die Partnerin die Trennung vollzogen. Die Eltern leben noch in der Kleinstadt; er besuche sie alle paar Monate, „aus Pflichtgefühl“, die Besuche verliefen einsilbig. Der Vater sei inzwischen pensioniert und baue Modellschiffe; die Mutter lese. „Wir sitzen am Tisch und reden über das Wetter. Dann fahre ich wieder.“ Keine psychotherapeutische Vorbehandlung.

Auf der Grundstörungsebene steht eine tiefgreifende emotionale Deprivation in einer devitalisierten Familienatmosphäre, in der Affekte weder gespiegelt noch moduliert wurden. Beide Eltern blieben als lebendige Objekte unerreichbar; ein verlässliches inneres Objekt, das Trost und Vitalität spendet, konnte nicht aufgebaut werden. Die innere Leere ist weniger Ergebnis eines Verlustes als eines Mangels – einer primären Unerfahrenheit lebendiger Bezogenheit. Das elterliche Schweigen wurde als Konfliktregulierungsmodell verinnerlicht. Der Vater bot kein identifikatorisches Modell zur Triangulierung; die ödipale Situation blieb unentfaltet. Aktualpathogenetisch wirksam ist das Scheitern der letzten Beziehung: Unbewusst wiederholt sich die Grundkonstellation – Bindungswunsch wird geweckt, Angst vor der Leere im Gegenüber führt zum Rückzug, das Objekt geht verloren, die Depression bestätigt die Überzeugung, zu lebendigem Kontakt nicht fähig zu sein.

Punkt 5: Diagnose

ICD-10: F33.1 Rezidivierende depressive Störung, gegenwärtig mittelgradige Episode. F60.1 Schizoide Persönlichkeitsstörung.

OPD-2: Leitkonflikt: Individuation vs. Abhängigkeit, passiver Modus. Zweitkonflikt: Selbstwert vs. Objektwert, passiver Modus. Beziehungsachse: Der Patient erlebt sich immer wieder als nicht zugehörig und emotional unerreichbar; er erlebt andere immer wieder als emotional abwesend und für seine Bedürfnisse nicht verfügbar. Unbewusst inszeniert er damit die Grundkonstellation der devitalisierten Primärbeziehung: Er bietet dem Gegenüber die gleiche Unerreichbarkeit an, die er an seinen Eltern erfahren hat. Strukturniveau: mäßig integriert mit Einschränkungen in der Affektdifferenzierung, der Bindungsfähigkeit und der Selbstwertregulation.

Neurosenpsychologische Diagnose: Depressiv-schizoide Persönlichkeit auf mäßigem Strukturniveau mit Entwicklungspathologie vor ungelöstem depressivem Grundkonflikt und unentfalteter ödipaler Konstellation. Abwehr: schizoider Rückzug als Kardinalmechanismus, Affektisolierung, Intellektualisierung, Wendung gegen das eigene Selbst, Reaktionsbildung, Verdrängung der primären Sehnsucht nach Bezogenheit, Depersonalisation als Extremform der Affektisolierung.

Punkt 6: Behandlungsplan und Prognose

Beantragt wird eine analytische Psychotherapie mit 160 Sitzungen bei einer Frequenz von drei Sitzungen pro Woche im Liegen. Die hochfrequente Behandlung ist indiziert, da die Störung auf einer durchgängigen strukturellen Ebene liegt, die alle Lebensbereiche durchdringt: Beziehungsfähigkeit, Affekterleben, Selbstwertregulation und Identitätserleben. Die devitalisierte innere Objektwelt kann nur in einer dichten therapeutischen Beziehung wiederbelebt werden, die genügend Raum für Regression und die Entwicklung einer Übertragungsneurose bietet. Im Liegen sollen die abgewehrten Affekte – insbesondere die primäre Sehnsucht nach Bezogenheit und die dahinter liegende Wut über die Unerreichbarkeit der Objekte – in der Übertragung erlebt und durchgearbeitet werden. Besondere Aufmerksamkeit wird der negativen Übertragung gelten – der zu erwartenden Enttäuschungswut, wenn der Analytiker als ebenso unerreichbar erlebt wird wie die Primärobjekte. Der Patient steht unter hohem Leidensdruck und ist motiviert. Probeweise Deutungen nahm er nachdenklich auf. Als prognostisch günstig sind die erhaltene Arbeitsfähigkeit, die gute Introspektionsfähigkeit und die Eigeninitiative zu werten. Erschwerend ist die Tiefe der schizoiden Rückzugsposition. Insgesamt schätze ich die Prognose als ausreichend günstig ein.

T-Stufenanalyse: Was steckt im Bericht?

Der Bericht enthält Material auf fast allen Stufen des T-Modells gleichzeitig. Das macht ihn als Lehrbeispiel instruktiv – und als Ganzes für jede externe KI unvertretbar. Im Folgenden wird jeder Punkt einzeln durchgegangen; innerhalb der Punkte werden die verschiedenen Informationsschichten getrennt bewertet.

Punkt 1 (Soziodemografie): T3 isoliert, T5+ in Kombination. Vier Merkmale: 31 Jahre, ledig, Softwareentwickler, mittelständisches Unternehmen. Keines davon identifiziert für sich – es gibt tausende ledige 31-jährige Softwareentwickler. Aber jedes zusätzliche Merkmal halbiert ungefähr den Personenkreis. Und in Kombination mit dem, was in Punkt 2 folgt (Sendling, Münchner Osten, Achterteam), entsteht ein Cluster, das den Kreis auf wenige Dutzend einengt.

Punkt 2 (Symptomatik und Befund): Vier Schichten, vier Stufen. Punkt 2 ist der komplexeste, weil er vier informatorisch verschiedene Schichten enthält, die im Fließtext vermischt sind. Schicht A: Körperliche Beschreibung (T5–T6). Schlank, blass, randlose Brille, dunkelblondes Haar, abgekaute Nägel, wirkt jünger – das ist ein Porträt. Jeder, der diesen Menschen kennt, erkennt ihn daran. Schicht B: Biographische Anker in der Symptomerzählung (T7+). Sendling, Münchner Osten, Achterteam, Pflanze auf dem Fensterbrett, Spätabendjoggen – zusammen erzeugen sie ein hochspezifisches Lebensweltprofil. Bemerkenswert: Viele dieser Details wirken „farbig“ und „lebendig“, sind aber für die klinische Argumentation nicht zwingend. Die Pflanze ist ein eindrucksvolles Bild für die unbewusste Bindung an das verlorene Objekt – aber sie identifiziert die Person. Schicht C: Gegenübertragung und wörtliche Zitate (T3–T4). „Wie eine verschlossene Tür“, „Entschuldigung – also, die Symptome“: Wörtliche Zitate sind Fingerabdrücke – sie gehören einer einzigen Person und sind in ihrer sprachlichen Form unverwechselbar. Schicht D: Psychopathologischer Befund (T1–T2). Standardisierte Fachsprache, die auf eine klinische Gruppe zutrifft, nicht auf ein Individuum.

Punkt 3 (Somatischer Befund): T1. Vollständig generisch; keinerlei Identifizierungspotential.

Punkt 4 (Lebensgeschichte und Psychodynamik): T9+ und T1 gleichzeitig. Die biographische Erzählung ist das Rote vom Roten: Einzelkind, Doppelhaushälfte in einer Kleinstadt in Oberbayern, beide Eltern Gymnasiallehrer mit konkreten Fächerkombinationen (er Mathematik/Physik, sie Deutsch/Geschichte) – diese Konstellation ist vermutlich einzigartig in ganz Bayern. Dazu TU München, Informatik, Schnitt 1,4, Freund nach Regensburg verzogen, pensionierter Vater mit Modellschiffen. Das ist kein pseudonymisierter Text, das ist ein Mensch mit Adresse: T9+. Bemerkenswert ist, dass die meisten dieser Details klinisch relevant und identifizierend sind: Die Fächerkombination illustriert die intellektuelle Überbesetzung bei emotionaler Deprivation. Das Modellschiffbauen des Vaters verdichtet die Rückzugsdynamik in ein Bild. Die klinische Qualität und das Identifizierungsrisiko sind untrennbar. Die psychodynamische Hypothese hingegen ist abstrakt genug, um auf eine klinische Gruppe zuzutreffen: Grundstörung, devitalisierte Primärobjektbeziehung, Wiederholungsdynamik – T1–T2.

Punkt 5 (Diagnose): T1–T2. Fast vollständig standardisierte Fachsprache. Die OPD-Beziehungsachse ist eine formalisierte Beschreibung, die auf Dutzende Patient:innen mit schizoider Persönlichkeitsorganisation zutrifft. Die Abwehrmechanismen sind Katalogbegriffe. Der sicherste Abschnitt des gesamten Berichts.

Punkt 6 (Behandlungsplan): T1 bis T3. Die Argumentationslogik (AP statt TP, Frequenzbegründung, Liegendposition) ist rein konzeptuell und fallunabhängig formulierbar: T1. Die Beobachtungen aus den Probesitzungen (wie der Patient auf Deutungen reagiert hat) sind fallspezifischer: T3.

Zusammenfassung: Der Bericht als Ganzes ist T9+. Er darf in keiner Form in ein externes KI-System eingegeben werden. Aber er lässt sich in Schichten zerlegen, und für jede Schicht gilt eine andere Regel. Die Grenze verläuft nicht zwischen „gut“ und „schlecht“, sondern zwischen Konstrukt und Konstellation.

Der naive Weg: Den Bericht „sicher machen“

Kann man den Bericht so weit de-identifizieren, dass er als Ganzes in ein KI-System gegeben werden kann? Theoretisch ja. Die folgende Version zeigt, wie der Bericht aussähe, wenn man alle Merkmale oberhalb von T2–T3 systematisch entfernt – alle sechs Punkte, damit man Original und De-Identifizierung wirklich nebeneinanderlegen kann.

Punkt 1 (de-identifiziert): Der Patient ist Anfang 30, ledig und kinderlos. Er ist als Angestellter in einem technischen Berufsfeld tätig. Er lebt allein. Eine Partnerschaft besteht nicht.

Punkt 2 (de-identifiziert): Der Patient wirkt erschöpft, blass und psychomotorisch verlangsamt. Blickkontakt flüchtig-vermeidend. Er nimmt wenig Raum ein, wirkt jünger als sein Alter. Die Sprache ist kontrolliert und intellektualisierend. In der Gegenübertragung stellt sich ein Gefühl emotionaler Unerreichbarkeit ein; Langeweile als inszenierte Affektlosigkeit. Er berichtet von einer Trennung vor circa zwei Jahren nach mehrjähriger Beziehung; die Partnerin habe die Beziehung beendet wegen emotionaler Unerreichbarkeit. Zunehmender sozialer Rückzug, ausgeprägte Isolation am Arbeitsplatz und im Privaten. Der Patient schildert seit etwa zwei Jahren zunehmende innere Leere, Freudlosigkeit und das Gefühl der Entkopplung. Schleichender sozialer Rückzug; Früherwachen; Appetitverlust mit Gewichtsverlust; chronische Erschöpfung; seit über einem Jahr erloschenes sexuelles Interesse. Gelegentliche Depersonalisationserleben. Passive Todeswünsche ohne intentionale Suizidgedanken. Arbeitsfähigkeit formal erhalten. – Psychopathologischer Befund: Bewusstseinsklar und zu allen Qualitäten voll orientiert. Stimmung subjektiv leer und gedrückt, hintergründige Traurigkeit ohne Zugang zu Trauer, persistierendes Gefühl innerer Devitalisierung. Deutlich eingeschränkte Freudfähigkeit, Anhedonie in nahezu allen Lebensbereichen. Ausgeprägte Gefühle der inneren Leere und des Abgeschnittenseins. Insuffizienzgefühle, latente Scham. Antrieb mittelschwer reduziert, morgens am stärksten. Affektiv deutlich eingeschränkt schwingungsfähig; Affekte flach und modulationsarm. Vermindertes Vitalgefühl. Subjektive Kontaktstörung. Psychomotorik verlangsamt, Gestik sparsam, Mimik reduziert, Blickkontakt flüchtig-vermeidend. Denktempo verlangsamt bei formal geordnetem Gedankengang. Grübelneigung. Gelegentliche Depersonalisation. Libidoverlust. Schlafstörungen mit Früherwachen. Passive Todeswünsche ohne intentionale Suizidgedanken, ohne Suizidpläne, ohne Suizidhandlungen in der Vorgeschichte. Keine Hinweise auf Wahnerleben, Halluzinationen oder formale Denkstörungen.

Punkt 3 (de-identifiziert): Laut Konsiliarbericht des Hausarztes liegt kein organisches Korrelat der depressiven Symptomatik vor. Schilddrüsenwerte, Blutbild und internistischer Status unauffällig. Keine relevanten somatischen Vorerkrankungen. Keine aktuelle Medikation.

Punkt 4 (de-identifiziert): Der Patient wächst als Einzelkind in einer süddeutschen Kleinstadt auf. Beide Eltern sind im Bildungsbereich tätig. Die Mutter wird als pflichtbewusst, aber emotional nicht verfügbar beschrieben; körperliche Zärtlichkeit habe nicht stattgefunden. Der Vater sei emotional abwesend gewesen. Konflikte seien durch Schweigen reguliert worden. In der Schule sei er leistungsstark, aber sozial zurückgezogen gewesen. In der Pubertät Rückzug in digitale Welten. Er habe ein technisches Fach studiert und zügig abgeschlossen. Zwei Beziehungen, beide von der Partnerin beendet aufgrund emotionaler Unerreichbarkeit des Patienten. Kontakt zu den Eltern selten und einsilbig. Keine psychotherapeutische Vorbehandlung. – Auf der Grundstörungsebene steht eine tiefgreifende emotionale Deprivation in einer devitalisierten Familienatmosphäre, in der Affekte weder gespiegelt noch moduliert wurden. Beide Eltern blieben als lebendige Objekte unerreichbar; ein verlässliches inneres Objekt konnte nicht aufgebaut werden. Die innere Leere ist weniger Ergebnis eines Verlustes als eines Mangels – einer primären Unerfahrenheit lebendiger Bezogenheit. Schweigen als Konfliktregulierungsmodell verinnerlicht. Keine Triangulierung, ödipale Situation unentfaltet. Aktualpathogenetisch wirksam ist das Scheitern der letzten Beziehung: Unbewusst wiederholt sich die Grundkonstellation.

Punkt 5 (de-identifiziert): ICD-10: F33.1, F60.1. OPD-2: Leitkonflikt Individuation vs. Abhängigkeit, passiver Modus. Zweitkonflikt Selbstwert vs. Objektwert, passiver Modus. Beziehungsachse: Der Patient erlebt sich als nicht zugehörig und emotional unerreichbar; er erlebt andere als emotional abwesend. Unbewusst inszeniert er die Grundkonstellation der devitalisierten Primärbeziehung. Strukturniveau: mäßig integriert mit Einschränkungen in Affektdifferenzierung, Bindungsfähigkeit und Selbstwertregulation. Neurosenpsychologische Diagnose: Depressiv-schizoide Persönlichkeit auf mäßigem Strukturniveau mit Entwicklungspathologie. Abwehr: schizoider Rückzug als Kardinalmechanismus, Affektisolierung, Intellektualisierung, Wendung gegen das Selbst, Reaktionsbildung, Depersonalisation.

Punkt 6 (de-identifiziert): Beantragt wird eine analytische Psychotherapie mit 160 Sitzungen bei einer Frequenz von drei Sitzungen pro Woche im Liegen. Die hochfrequente Behandlung ist indiziert, da die Störung auf einer durchgängigen strukturellen Ebene liegt. Die devitalisierte innere Objektwelt kann nur in einer dichten therapeutischen Beziehung wiederbelebt werden. Im Liegen sollen die abgewehrten Affekte in der Übertragung erlebt und durchgearbeitet werden. Besondere Aufmerksamkeit wird der negativen Übertragung gelten. Der Patient konnte sich in den Probesitzungen zunehmend einlassen. Probeweise Deutungen nahm er nachdenklich auf. Prognostisch günstig: erhaltene Arbeitsfähigkeit, Introspektionsfähigkeit, Eigeninitiative. Erschwerend: Tiefe der schizoiden Rückzugsposition.

Die de-identifizierte Version ist datenschutztechnisch vertretbarer. Aber es lohnt sich, genau hinzulesen, was fehlt.

Die „verschlossene Tür“ ist weg. Die Pflanze auf dem Fensterbrett ist weg. Der Vater „immer mit dem Rücken zum Haus“ ist weg. „Es ist nichts passiert“ aus dem Nebenzimmer ist weg. Das Spätabendjoggen als einziger Zugang zum Körper. „Entschuldigung. Also, die Symptome.“ Die Fingernägel als einzige sichtbare Spur innerer Spannung. Die Modellschiffe des pensionierten Vaters. „Wie ein Wartezimmer“ als Familienklima. Der Freund nach Regensburg. Die 1,4. „Eine Welt, die macht, was man ihr sagt.“ „Ich habe funktioniert. Das konnte ich schon immer.“ – Alles weg.

Was fehlt, ist nicht Dekoration. Was fehlt, ist die klinische Evidenz. Die Bilder – der Vater mit dem Rücken zum Haus, das Wartezimmer als Familienklima, die Pflanze als unbewusstes Übergangsobjekt, „Entschuldigung – also, die Symptome“ als Verdichtung von Scham, Abwehr und Intellektualisierung in einem einzigen Moment – sind verdichtete Psychodynamik. Sie machen in einem Satz sichtbar, wofür man sonst einen Absatz theoretische Erörterung bräuchte. Ein Gutachter liest „immer mit dem Rücken zum Haus“ und versteht die Abwesenheit des Vaters – emotional, nicht nur faktisch. Das ist die Sprache, die Anträge bewilligt bekommt.

Die de-identifizierte Version liest sich wie ein ordentlicher Bericht eines Berufsanfängers: korrekt, vollständig, ohne Fehler – und ohne die Dichte, die einen erfahrenen Gutachter überzeugt. Die Originalversion liest sich wie die Arbeit von jemandem, der weiß, was er tut.

Das heißt nicht, dass De-Identifizierung falsch wäre. Es heißt, dass sie einen Preis hat – und dass der Preis gerade dort am höchsten ist, wo der Bericht am stärksten ist. Der hier vorgeschlagene Weg ist daher ein anderer: Nicht den Bericht de-identifizieren, sondern die KI um den Bericht herum nutzen.

Der bessere Weg: KI um den Bericht herum nutzen

Die Alternative zum De-Identifizieren ist ein anderer Workflow: Nicht den Bericht in die KI kippen, sondern die KI um den Bericht herum nutzen. Die lebendigen Teile – Biografie, Gegenübertragung, narrative Verdichtung – schreibt die behandelnde Person selbst. Das ist ohnehin der Teil, den nur sie schreiben kann. Die KI übernimmt Teilaufgaben, die als isolierte, de-identifizierte Chunks formuliert werden. Kein Chunk enthält genug, um einen Menschen zu identifizieren.

Die folgenden Prompts sind für Consumer-Chatbots konzipiert – ChatGPT, Claude, Gemini in der frei zugänglichen Version, ohne Enterprise-Vertrag, ohne AVV. Das heißt: strikt T0–T1, kein Personenbezug. Die Prompts sind bewusst ausführlich gehalten, um zu zeigen, wie viel klinische Information man unterbringen kann, ohne dass ein Mensch erkennbar wird. Zu den wichtigsten Prompts wird ein Beispiel-Output gezeigt – eine typische KI-Antwort, wie sie in der Praxis aussehen könnte –, damit man sieht, was man bekommt und was man damit macht.

Prompt 1: Vor dem Schreiben – Struktur, Konventionen, Checkliste (T0)

„Ich schreibe einen PTV-3-Erstantrag auf analytische Psychotherapie. Welche Punkte muss der Bericht enthalten? Welche Pflichtfelder vergessen Antragsteller häufig? Welche Formulierungen akzeptieren Gutachter erfahrungsgemäß nicht? Was sind die häufigsten Gründe, warum PTV-3-Anträge auf analytische Psychotherapie abgelehnt werden? Gibt es Konventionen zur Reihenfolge und Gewichtung der Abschnitte?“

Kein Patientenbezug. Reines Fachwissen. T0 – die niedrigste denkbare Stufe. Die KI liefert eine Checkliste, die als Gerüst dient, bevor man anfängt. Nützlich besonders für den ersten oder fünften Antrag, oder nach einer Pause ohne AP-Beantragung.

Prompt 2: Psychopathologischer Befund – Merkmalsliste formulieren (T1)

„Ich schreibe Punkt 2 eines PTV-3-Erstantrags auf analytische Psychotherapie. Der psychopathologische Befund umfasst folgende Merkmale: Stimmung subjektiv leer und gedrückt, hintergründige Traurigkeit ohne Zugang zu Trauer, persistierendes Gefühl innerer Devitalisierung. Anhedonie in nahezu allen Lebensbereichen. Ausgeprägte Gefühle innerer Leere und des Abgeschnittenseins. Insuffizienzgefühle, latente Scham. Antrieb mittelschwer reduziert, morgens am stärksten. Affektiv deutlich eingeschränkt schwingungsfähig, Affekte flach und modulationsarm. Vermindertes Vitalgefühl. Subjektive Kontaktstörung. Psychomotorik verlangsamt, Gestik sparsam, Mimik reduziert, Blickkontakt flüchtig-vermeidend. Denktempo verlangsamt bei formal geordnetem Gedankengang. Grübelneigung. Gelegentliche Depersonalisation. Libidoverlust. Früherwachen. Passive Todeswünsche ohne intentionale Suizidgedanken. – Formuliere daraus einen vollständigen psychopathologischen Befund in der Sprache, die Gutachter erwarten. Prüfe, ob Merkmale fehlen, die bei dieser Konstellation typischerweise erhoben werden sollten. Schlage eine klinisch-logische Reihenfolge vor.“

Was ist drin? Eine vollständige Merkmalsliste – aber keine Biografie, kein Alter, kein Geschlecht, keine Lebenswelt. Die Merkmalskombination ist klinisch spezifisch, aber sie trifft auf eine klinische Gruppe zu, nicht auf ein Individuum. Consumer-Chatbot-tauglich.

Was bekommt man zurück? Ein typischer KI-Output könnte so aussehen:

Beispiel-Output (gekürzt):

„Psychopathologischer Befund: Der Patient ist bewusstseinsklar und zu allen Qualitäten voll orientiert. Die Stimmung ist subjektiv leer und gedrückt; es imponiert eine hintergründige Traurigkeit, zu der kein affektiver Zugang besteht. Persistierendes Gefühl innerer Devitalisierung. Die Freudfähigkeit ist deutlich eingeschränkt; es besteht eine Anhedonie in nahezu allen Lebensbereichen. Ausgeprägte Gefühle der inneren Leere und des Abgeschnittenseins. Insuffizienzgefühle und latente Scham, insbesondere im Kontext von Beziehungserleben. Die affektive Schwingungsfähigkeit ist deutlich eingeschränkt; Affekte wirken flach und modulationsarm. Das Vitalgefühl ist vermindert bei chronischer Erschöpfbarkeit. Der Antrieb ist mittelschwer reduziert, morgens am stärksten ausgeprägt. Psychomotorisch verlangsamt; Gestik sparsam, Mimik reduziert, Blickkontakt flüchtig-vermeidend. Das Denktempo ist verlangsamt bei formal geordnetem Gedankengang. Grübelneigung. Gelegentliche Depersonalisationserleben. Libidoverlust. Schlafstörungen mit Früherwachen. Es bestehen passive Todeswünsche ohne intentionale Suizidgedanken, ohne Suizidpläne, ohne Suizidhandlungen in der Vorgeschichte. Keine Hinweise auf Wahnerleben, Halluzinationen oder formale Denkstörungen. Keine Bewusstseins- oder mnestischen Störungen.

Fehlende Merkmale, die bei dieser Konstellation erhoben werden sollten: (1) Konzentrationsfähigkeit – bei depressiver Antriebsminderung und Grübelneigung ist typischerweise eine Angabe zur Aufmerksamkeit und Konzentration erforderlich. (2) Ich-Erleben – neben der Depersonalisation wäre eine explizite Angabe zu Derealisation und weiteren Ich-Störungen sinnvoll. (3) Zwangsgedanken/Zwangshandlungen – eine Negativbefundung bei prominenter Grübelneigung erhöht die differentialdiagnostische Klarheit. (4) Angst – eine Angabe zum Angsterleben fehlt; bei schizoider Rückzugsdynamik kann eine spezifische Trennungsangst oder soziale Angst bestehen, die explizit erhoben werden sollte.“

Was macht man damit? Der Output ist ein brauchbares Gerüst. Die Reihenfolge ist klinisch-logisch, die Sprache gutachterkonform. Die Hinweise auf fehlende Merkmale sind der eigentliche Mehrwert: Konzentrationsfähigkeit und Angsterleben sollte man tatsächlich ergänzen. Dann nimmt man den KI-Befund als Basis und schreibt selbst die lebendigen Teile darüber: die körperliche Beschreibung, die Gegenübertragung, die wörtlichen Zitate, die Szene im Wartezimmer – alles, was den Gutachter überzeugt und was nur die behandelnde Person schreiben kann.

Prompt 3: Psychodynamische Hypothese – das Konstrukt ohne die Biografie (T1)

„Ich schreibe Punkt 4 eines PTV-3-Erstantrags auf analytische Psychotherapie. Diagnosen: F33.1, F60.1. OPD-Leitkonflikt: Individuation vs. Abhängigkeit, passiver Modus. Strukturniveau: mäßig integriert mit Einschränkungen in Affektdifferenzierung, Bindungsfähigkeit und Selbstwertregulation. – Grundstörung: tiefgreifende emotionale Deprivation in einer devitalisierten Familienatmosphäre. Beide Eltern waren als lebendige Objekte unerreichbar. Affekte wurden weder gespiegelt noch moduliert. Ein verlässliches inneres Objekt konnte nicht aufgebaut werden. Die innere Leere ist Ergebnis eines Mangels, nicht eines Verlustes – primäre Unerfahrenheit lebendiger Bezogenheit. Schweigen als Konfliktregulierungsmodell verinnerlicht. Keine Triangulierung, ödipale Situation unentfaltet. – Aktualpathogenese: Scheitern einer Beziehung reaktiviert die Grundkonstellation. Bindungswunsch wird geweckt, Angst vor Leere im Gegenüber führt zum Rückzug, Objekt geht verloren, Depression bestätigt die Überzeugung, zu lebendigem Kontakt nicht fähig zu sein. – Formuliere daraus eine zusammenhängende psychodynamische Hypothese für Punkt 4 in der Sprache eines PTV-3-Gutachterberichts. Die Darstellung soll die Verbindung zwischen Grundstörung, Wiederholungsdynamik und aktueller Symptomatik nachvollziehbar machen. Nutze dabei die Begriffe Balints (Grundstörung, basaler Mangel) und verknüpfe sie mit der OPD-Systematik.“

Was ist drin? Die gesamte psychodynamische Architektur – aber kein Mensch ist erkennbar. Kein Alter, kein Geschlecht, keine Berufe, keine Orte, keine Zitate.

Was bekommt man zurück? Ein typischer Output könnte so beginnen:

Beispiel-Output (gekürzt):

„Die psychodynamische Grundkonstellation lässt sich als Grundstörung im Sinne Balints verstehen: nicht als Folge eines traumatischen Verlustes, sondern als Ausdruck eines primären Mangels an lebendiger Bezogenheit. Die innere Objektwelt des Patienten ist geprägt von der Erfahrung einer devitalisierten Familienatmosphäre, in der Affekte weder gespiegelt noch moduliert wurden. Beide Eltern waren zwar physisch anwesend, aber als lebendige, emotional resonante Objekte unerreichbar. Die Mutter bot funktionale Versorgung ohne emotionale Resonanz; der Vater blieb in einem Rückzugsraum, der keine Brücke zum Kind schlug. In dieser Konstellation konnte kein verlässliches inneres Objekt aufgebaut werden, das Trost, Vitalität und die Erfahrung eigener Wirksamkeit spendet. Die resultierende innere Leere ist nicht das Ergebnis eines Verlustes – es gab nichts, das hätte verloren gehen können –, sondern eines Niemals-Gehabt-Habens: eine primäre Unerfahrenheit dessen, was Balint als basale Verbundenheit mit der Objektwelt beschreibt.

Das elterliche Konfliktregulierungsmodell – wochenlanges Schweigen anstelle von Auseinandersetzung – wurde als inneres Beziehungsmuster verinnerlicht: Konflikte werden nicht ausgetragen, sondern durch Rückzug und Verstummen entschärft. Das Kind lernte, dass emotionale Äußerung ins Leere läuft oder bestraft wird, und entwickelte den schizoiden Rückzug als primären Schutzmechanismus. Der Vater bot kein identifikatorisches Modell, das eine Triangulierung hätte ermöglichen können; die ödipale Situation blieb daher unentfaltet – nicht verdrängt, sondern gar nicht erst konstelliert. […]

Aktualpathogenetisch reaktiviert das Scheitern der Partnerschaft die Grundkonstellation: Der Bindungswunsch wurde geweckt, die Angst vor der Wiederholung der primären Leere führte zum schizoiden Rückzug, das Objekt ging verloren, und die Depression bestätigt die unbewusste Überzeugung, zu lebendigem Kontakt nicht fähig zu sein. Die depressive Symptomatik ist in dieser Lesart nicht nur Reaktion auf den Objektverlust, sondern Bestätigung einer lebenslang wirksamen Überzeugung – der Überzeugung, dass Bezogenheit nicht für ihn bestimmt ist.“

Was macht man damit? Dieser Output ist bemerkenswert brauchbar – und zeigt gleichzeitig, wo die KI an ihre Grenzen stößt. Die psychodynamische Logik ist schlüssig; die Verknüpfung zwischen Grundstörung, Wiederholungsdynamik und Aktualpathogenese trägt. Was fehlt, ist das Leben. „Die Mutter bot funktionale Versorgung ohne emotionale Resonanz“ ist korrekt, aber es ist ein Satz, den auch jemand schreiben könnte, der den Patienten nie gesehen hat. „Sie schmierte Schulbrote und ging nicht hin, wenn er weinte“ ist ein Satz, der aus der Sitzung kommt – und den Gutachter überzeugt. Die behandelnde Person nimmt also den KI-Text als Gerüst und füllt ihn mit den biographischen Bildern: der Vater mit dem Rücken zum Haus, das Wartezimmer als Familienklima, die Pflanze der Ex-Freundin. Die KI liefert die psychodynamische Architektur; die behandelnde Person belebt sie mit dem, was sie aus den Stunden mitgenommen hat.

Prompt 4: Diagnose und OPD – Konsistenzcheck (T1)

„Ich schreibe Punkt 5 eines PTV-3-Erstantrags. Prüfe die interne Konsistenz folgender diagnostischer Darstellung: – ICD-10: F33.1, F60.1. – OPD-2: Leitkonflikt Individuation vs. Abhängigkeit, passiver Modus. Zweitkonflikt Selbstwert vs. Objektwert, passiver Modus. Beziehungsachse: Patient erlebt sich als nicht zugehörig und emotional unerreichbar; erlebt andere als emotional abwesend; inszeniert unbewusst die devitalisierte Primärbeziehung. Strukturniveau mäßig integriert mit Einschränkungen in Affektdifferenzierung (Leere statt differenzierter Trauer/Wut), Bindungsfähigkeit (schizoider Rückzug als einziges Regulationsmodell) und Selbstwertregulation (fragiles Funktionsselbst). – Neurosenpsychologische Diagnose: depressiv-schizoide Persönlichkeit, mäßig integriert, Grundstörung nach Balint, unentfaltete ödipale Konstellation. – Abwehr: schizoider Rückzug (Kardinalmechanismus), Affektisolierung, Intellektualisierung, Wendung gegen das Selbst, Reaktionsbildung, Depersonalisation. – Fragen: (1) Passen Leitkonflikt, Beziehungsachse, Strukturniveau und Abwehrmechanismen zusammen? (2) Gibt es Widersprüche? (3) Fehlt etwas? (4) Formuliere einen zusammenhängenden Text.“

Was ist drin? Die vollständige diagnostische Architektur. Kein einziges biographisches Detail. Reines Fachvokabular. Der umfangreichste Prompt – und gleichzeitig der sicherste. Das Paradebeispiel dafür, wo KI am meisten hilft: Die KI kann Konsistenz prüfen, auf Lücken hinweisen, Formulierungsvarianten anbieten. Der Konsistenz-Check ist besonders wertvoll als Vier-Augen-Prinzip: Die KI sieht Inkonsistenzen, die man selbst beim zehnten Durchlesen überliest.

Prompt 5: Behandlungsplan und Differentialindikation (T1)

„Ich schreibe Punkt 6 eines PTV-3-Erstantrags auf analytische Psychotherapie. Beantragt werden 160 Sitzungen bei 3x/Woche im Liegen. Diagnose: F33.1, F60.1. Mäßig integriertes Strukturniveau, schizoider Rückzug als Kardinalmechanismus, devitalisierte Primärobjektbeziehung (Grundstörung nach Balint), unentfaltete ödipale Konstellation. – Formuliere eine Behandlungsplan-Begründung, die folgende Fragen beantwortet: (1) Warum analytische Psychotherapie und nicht tiefenpsychologisch fundierte? Was kann AP, was TP nicht kann, bei dieser Störungskonstellation? (2) Warum hochfrequent – 3x/Woche statt 2x oder 1x? (3) Warum im Liegen? Welche Funktion hat der Wegfall des Blickkontakts bei einem Patienten, der Blickkontakt vermeidet? (4) Was ist das Behandlungsziel auf struktureller Ebene? (5) Welche Übertragungsentwicklung wird erwartet? (6) Welche Schwierigkeiten sind zu antizipieren (negative Übertragung, schizoide Stagnation, Schweigephasen)? – Die Begründung soll psychoanalytisch argumentieren, nicht nur deskriptiv.“

Was bekommt man zurück? Der Output enthält typischerweise die zentralen Argumente der Differentialindikation. Ein Auszug:

Beispiel-Output (Auszug zur Differentialindikation):

„Eine tiefenpsychologisch fundierte Therapie wäre bei einer umschriebenen depressiven Episode mit intaktem Strukturniveau das Mittel der Wahl. In der vorliegenden Konstellation greift sie jedoch zu kurz: Die Störung liegt nicht in einem isolierbaren Konflikt, sondern auf einer durchgängigen strukturellen Ebene, die Beziehungsfähigkeit, Affekterleben und Identitätserleben gleichermaßen betrifft. Der schizoide Rückzug ist kein Symptom, das sich fokal bearbeiten ließe, sondern ein basales Beziehungsmuster, das die gesamte Persönlichkeitsorganisation durchzieht. Eine niederfrequente Behandlung (1x/Woche) käme dem Rückzugsmuster paradoxerweise entgegen: Die großen Abstände zwischen den Sitzungen bestätigen implizit, dass Nähe nicht aushaltbar ist. Die hochfrequente Behandlung (3x/Woche) erzeugt eine therapeutische Dichte, die den Rückzug unterbricht und die Kontinuität der Übertragungsentwicklung sicherstellt. […]

Die Liegendposition hat bei diesem Patienten eine paradoxe Funktion: Er vermeidet den Blickkontakt aktiv. Im Gegenübersitzen erzeugt diese Vermeidung eine ständige Anspannung – er muss fortwährend den Impuls kontrollieren, nicht hinzusehen, oder rechtfertigen, warum er es nicht tut. Im Liegen fällt der Vermeidungsdruck weg. Der Blickkontakt ist strukturell ausgesetzt, nicht aktiv verweigert. Diese Entlastung eröffnet einen regressiven Spielraum, der im Gegenübersitzen nicht entstehen kann: Der Patient muss sich nicht mehr schützen und kann beginnen, das zu erleben, was der Rückzug verdeckt.“

Was macht man damit? Die Argumentation zur Liegendposition ist ein gutes Beispiel für den Mehrwert: Die paradoxe Funktion des Liegens bei Blickkontaktvermeidung ist ein starkes Argument, das viele Antragsteller nicht so explizit formulieren. Man kann es direkt übernehmen und mit eigenen Beobachtungen aus den Probesitzungen ergänzen. Hier liegt vermutlich der größte praktische Nutzen des gesamten Workflows: Die Behandlungsplanbegründung ist der Abschnitt, den die meisten Kolleg:innen am mühsamsten finden – und der am sichersten promptbar ist.

Prompt 6: KI als Sparringspartner – Gutachter-Gegenargumente (T0)

„Du bist ein erfahrener psychoanalytischer Gutachter für die KV. Ein Kollege hat bei dir einen Erstantrag auf analytische Psychotherapie eingereicht: 160 Sitzungen, 3x/Woche, im Liegen. Diagnose: F33.1, F60.1. Mäßig integriertes Strukturniveau, schizoider Rückzug als Kardinalmechanismus, Grundstörung nach Balint. – Welche kritischen Fragen würdest du stellen? Warum könntest du TP statt AP empfehlen, die Frequenz infrage stellen, das Liegen für riskant halten? Und dann: Wie lassen sich diese Einwände entkräften?“

Kein Patient, kein Fall. T0. Aber enormer Nutzen: Die KI argumentiert gegen den eigenen Antrag und zwingt einen, die eigene Begründung zu schärfen. Typische Einwände: „Bei schizoider PS ist die Regressionsfähigkeit fragwürdig – wie wollen Sie eine Übertragungsneurose entwickeln, wenn der Patient sich entzieht?“ Ein Gutachter, der seine eigenen Fragen bereits beantwortet sieht, bewilligt eher.

Prompt 7: Abwehranalyse ausformulieren (T1)

„Formuliere eine differenzierte Abwehranalyse für einen PTV-3-Gutachterbericht. Folgende Mechanismen sollen einzeln beschrieben und in ihrer Funktion eingeordnet werden: (1) Schizoider Rückzug als Kardinalmechanismus. (2) Affektisolierung. (3) Intellektualisierung. (4) Wendung gegen das Selbst – Autoaggression als Verarbeitung nicht ausdrückbarer Wut auf unerreichbare Primärobjekte. (5) Reaktionsbildung – Überanpassung als Abwehr aggressiver Impulse. (6) Verdrängung der primären Sehnsucht nach Bezogenheit. (7) Depersonalisation als Extremform der Affektisolierung. – Für jeden Mechanismus: Was wird abgewehrt? Welche Funktion? Welcher Preis? Wie hängen die Mechanismen zusammen – gibt es eine Hierarchie?“

Sieben Abwehrmechanismen mit funktionaler Einbettung. Kein Mensch, kein Fall, keine Biografie. Reines klinisches Konstrukt. Die KI liefert die Systematik; die Illustration mit klinischen Beobachtungen kommt aus der eigenen therapeutischen Erfahrung.

Prompt 8: Sprachliche Prüfung (T1)

„Prüfe den folgenden Absatz aus einem PTV-3-Gutachterbericht auf sprachliche Klarheit, gutachterliche Konvention, logische Kohärenz und Redundanzen. Verändere keine Inhalte; markiere nur Stellen, die unklar oder verbesserungswürdig sind.“

Darunter fügt man einen abstrahierten Textabschnitt ein – die psychodynamische Hypothese oder die Behandlungsplanbegründung, also Material, das ohnehin schon T1-Niveau hat. Wichtig: Nur Absätze einfügen, die tatsächlich de-identifiziert sind. Nicht den fertigen Fließtext mit biographischen Details. Im Zweifel: den Absatz lesen und fragen, ob darin ein Mensch erkennbar ist.

Der Paradox-Befund

Wer die acht Prompts nebeneinanderlegt, erkennt ein Muster, das man als Paradox der KI-gestützten Dokumentation bezeichnen könnte: Die Teile des Berichts, bei denen man KI-Hilfe am meisten bräuchte, sind die Teile, die man einer externen KI nicht geben kann. Und die Teile, die man sicher geben kann, sind die, bei denen man sie am wenigsten braucht.

Die biographische Erzählung – wie man die Modellschiffe des Vaters in ein Bild für Rückzug übersetzt, wie man die Pflanze auf dem Fensterbrett als Übergangsobjekt liest, wie man „Entschuldigung – also, die Symptome“ als Verdichtung von Scham, Abwehr und Intellektualisierung in einem einzigen Satz zeigt – das ist der schwierige Teil. Und der muss analog bleiben.

Das Paradox löst sich aber auf, wenn man die Erwartung korrigiert: KI in der Dokumentation ist kein Ghostwriter. Sie ist ein Sparringspartner, ein Korrektorat, ein Konsistenz-Checker, ein Formulierungsgenerator für die abstrakten Teile. Die Strukturdiagnostik, die Abwehranalyse, der Konsistenz-Check, die Differentialindikation – auch ein routinierter Therapeut profitiert davon, wenn jemand gegenargumentiert, auf Lücken hinweist oder eine Formulierung vorschlägt, die man selbst nicht gefunden hätte. Die KI ersetzt nicht das klinische Denken – sie beschleunigt und schärft es. Und das ist mehr als genug.

Grenzfälle: Wo die Abwägung beginnt

Die bisherigen Prompts bewegen sich klar im grünen Bereich. Aber in der Praxis entstehen Situationen, in denen die Einordnung nicht mehr eindeutig ist. Drei Grenzfälle verdienen eine differenzierte Diskussion – nicht als Verbote, sondern als Abwägungen mit Kriterien für die eigene Entscheidung.

Grenzfall 1: Gegenübertragung im Prompt. Angenommen, jemand tippt in ChatGPT: „In der Gegenübertragung stellt sich ein Gefühl emotionaler Unerreichbarkeit ein, als sei der lebendige Kern des Patienten anderswo. Die Sprache ist intellektualisierend; die Langeweile im Gegenüber wirkt wie eine inszenierte Affektlosigkeit.“ – Für sich genommen wahrscheinlich nicht identifizierbar; die Beschreibung könnte aus einem Lehrbuch stammen. Aber: Gegenübertragung beschreibt immer eine spezifische Dyade und damit indirekt auch den Therapeuten. In einer kleinen Praxis mit wenigen schizoiden Patient:innen verengt sich der Kreis. Die literarische Spezifität der Formulierung („lebendiger Kern anderswo“) ist unverwechselbarer als das Standardvokabular „emotional nicht erreichbar“. Und wenn derselbe Therapeut im selben Chat auch Befund und Psychodynamik promptet, akkumulieren sich die Prompts. – Pragmatische Empfehlung: Wenn Gegenübertragung im Prompt, dann in einem separaten Chat, nicht zusammen mit klinischem Material. Zugleich: Wer die Gegenübertragung so formulieren kann, braucht dafür vermutlich keine KI. Der Nutzen ist gering, das Restrisiko vorhanden – ob es sich lohnt, ist eine Abwägung, die jede:r selbst treffen muss.

Grenzfall 2: Abstrahierte biographische Eckdaten. Angenommen, jemand ergänzt den Psychodynamik-Prompt um: „Einzelkind, beide Eltern im Bildungsbereich, Rückzug in Computerwelten, technisches Studium, zwei Trennungen wegen emotionaler Unerreichbarkeit.“ – Jedes Merkmal für sich ist banal. „Einzelkind“ – Millionen. „Technisches Studium“ – ebenfalls. Aber die Kombination, in der spezifischen Praxis, mit dieser Diagnose, schrumpft den Personenkreis erheblich. Ein Gedankenexperiment: Stellen Sie sich vor, Ihr Patient säße neben Ihnen und läse den Prompt. Würde er sich erkennen? Beim psychopathologischen Befund wahrscheinlich nicht. Bei „Einzelkind, Bildungseltern, Computer, technisches Studium, zwei Trennungen“ – vermutlich ja. Der Befund beschreibt ein Krankheitsbild; die Biografie beschreibt ein Leben. Allerdings: Das Gedankenexperiment hat Grenzen – die datenschutzrechtlich relevante Frage ist nicht, ob der Patient sich erkennt, sondern ob ein Dritter ihn erkennen könnte. Der Maßstab ist Erwägungsgrund 26 DSGVO: Identifizierbarkeit nach „allgemeinem Ermessen wahrscheinlich genutzten Mitteln“. – Empfehlung für Consumer-Chatbots: Die biographischen Eckdaten gehören nicht in den Prompt. Der Verlust an Spezifität ist gering (die KI kann auch ohne „Einzelkind“ eine Psychodynamik formulieren), das Restrisiko vermeidbar.

Grenzfall 3: Akkumulation in der Chathistorie. Das am häufigsten übersehene Risiko, weil es nicht im einzelnen Prompt liegt, sondern in der Summe. Wenn eine Therapeutin über Monate verschiedene Patient:innen promptet, entsteht in der Chathistorie ein Praxisprofil. Konkretes Szenario: In Chat 1 fragt sie nach einer PTV-Checkliste und nennt ihren Kassensitz-Standort. In Chat 2 eine Abwehranalyse für eine schizoide PS. In Chat 3 eine Befundformulierung für eine Borderline-Struktur. In Chat 5 erwähnt sie ihren Namen bei einer anderen Anfrage. Ein Angreifer, der Zugriff auf das Konto erhält, hat nun: den Namen der Therapeutin, ihren Standort und die klinischen Profile von mindestens drei Patient:innen. Keiner der einzelnen Prompts war problematisch; die Akkumulation ist es. – Gegenmaßnahmen: Chatverläufe regelmäßig löschen. Inkognito-Modus nutzen. Keine klinischen Prompts im selben Account wie private Anfragen. Niemals den eigenen Namen oder die Praxisadresse in Prompts verwenden. Die strengste Faustregel: Formulieren Sie Ihre Prompts so, als wäre die gesamte Chathistorie öffentlich lesbar.

Der Workflow: So entsteht ein PTV-3 mit KI-Unterstützung

Wie sieht der Gesamtprozess aus, wenn man die Prompts in einen Arbeitsablauf bringt? Ein möglicher Workflow in sieben Schritten:

Schritt 1: Probesitzungen und Notizen. Wie gewohnt – handschriftlich oder im Praxis-Informationssystem. Die Notizen bleiben auf dem eigenen Rechner. Keine KI in dieser Phase.

Schritt 2: PTV-Checkliste und Gliederung (Prompt 1). Die KI liefert das Gerüst: Welche Punkte, welche Konventionen, welche häufigen Fehler? Zehn Minuten, einmalig.

Schritt 3: Diagnostik und Psychodynamik prompten (Prompts 3, 4, 7). Man formuliert die klinischen Konstrukte als Prompts: Psychodynamische Hypothese, OPD-Konsistenzcheck, Abwehranalyse. Keine Biografie, keine Lebensweltdetails. Die KI liefert Formulierungsvorschläge, Konsistenz-Checks, Lückenhinweise. Die Outputs lokal speichern.

Schritt 4: Befund prompten (Prompt 2). Merkmalsliste als Stichpunkte eingeben. Die KI formatiert, prüft auf Vollständigkeit, schlägt eine Reihenfolge vor.

Schritt 5: Behandlungsplan und Sparring (Prompts 5, 6). Die KI argumentiert für die Differentialindikation und spielt dann den Gutachter. Man arbeitet die Gegenargumente in den eigenen Text ein.

Schritt 6: Selbst schreiben. Der Kern. Mit den KI-Bausteinen als Gerüst schreibt die behandelnde Person den vollständigen Bericht: die biographische Erzählung, die Gegenübertragungsvignette, die lebendigen Bilder, die wörtlichen Zitate, die körperliche Beschreibung. Man fügt die KI-generierten Absätze für Befund, Diagnose und Behandlungsplan ein, passt sie an die eigene Sprache an und verknüpft alles zu einem kohärenten Text. Dieser Schritt findet offline statt – auf dem eigenen Rechner, im eigenen Textverarbeitungsprogramm.

Schritt 7: Review (optional, Prompt 8). Abstrahierte Absätze (Psychodynamik, Behandlungsplan) nochmals in den Consumer-Chatbot geben – nach Entfernung aller biographischen Anker. Im Zweifel: den Absatz lesen und fragen, ob darin ein Mensch erkennbar ist.

Die Zeitersparnis liegt nicht im Schreiben der Biografie – die schreibt man ohnehin selbst. Sie liegt in der Vorarbeit: Gliederung, Formulierungsvorschläge, Konsistenz-Check, Gutachter-Sparring. Für einen typischen PTV-3-Erstantrag schätze ich den Zeitgewinn auf ein bis zwei Stunden – bei einem Gesamtaufwand von sechs bis acht Stunden. Das klingt nach wenig, ist aber relevant: Die gesparten Stunden sind genau die, die man am Abend verbringt, wenn man eigentlich schon müde ist.

Übersicht: Was geht wo?

Consumer-ChatbotEnterprise/API mit AVVLokal / On-Premises
T-Stufe max.T0–T1T2–T3T4–T6 (mit Vorsicht)
Was gehtPTV-Checklisten, Befundformulierung (Merkmalsliste), Psychodynamik als Konstrukt, OPD-Konsistenzcheck, Abwehranalyse, Behandlungsplanbegründung, Differentialindikation, Gutachter-Sparring, Fachwissen-FragenZusätzlich: De-identifizierte Absätze zur Sprachprüfung, Konsistenz-Review abstrahierter Textteile, Completeness-Check gegen PTV-VorgabenZusätzlich: Volltext zur De-Identifizierung, Textüberarbeitung mit klinischem Kontext, De-Identifizierungsvorschläge
Beispiel-Prompt„Formuliere Behandlungsplanbegründung AP bei schizoider PS, mäßig integriert, Grundstörung nach Balint“„Prüfe diesen de-identifizierten Absatz auf gutachterliche Konvention und logische Kohärenz“„Identifiziere Re-Identifizierungsrisiken in diesem Textabschnitt und schlage Abstraktionen vor“
Das geht nichtJeder Personenbezug, jede biographische Konstellation, körperliche Beschreibungen, wörtliche Patientenzitate, den Bericht oder Teile davon einfügenBiographische Narrative mit Lebensweltdetails, vollständige Berichtsabschnitte mit Orts-/BerufsbezügenUnkontrollierte Weitergabe des Outputs an externe Systeme
Prompt-HygieneVerschiedene Chats, keine Therapeuten-Identifikatoren, regelmäßig löschen, Prompts als ob die Historie öffentlich wäreAVV prüfen, No-Training-Klausel, Retention dokumentieren, GeheimhaltungsketteModell-Updates und Logging prüfen, Output nicht automatisch weiterleiten

Die Consumer-Chatbot-Spalte ist länger als erwartet. Die gesamte Fachsystematik – OPD, Strukturdiagnostik, Abwehranalyse, Psychodynamik als Konstrukt, Behandlungsplanbegründung, Gutachter-Sparring – lässt sich prompten, ohne dass ein Mensch erkennbar wird. Was nicht geht, ist das Biografische und das Atmosphärische. Aber das ist die Arbeitsteilung: Die KI baut das fachliche Gerüst, die behandelnde Person füllt es mit klinischem Leben.

Ausblick: Local LLM als De-Identifizierungsschritt

Für Kolleg:innen, die mit lokal installierten Sprachmodellen arbeiten (etwa Llama, Mistral oder vergleichbare Open-Source-Modelle auf dem eigenen Rechner), eröffnet sich eine weitere Option: das lokale Modell nicht zum Schreiben, sondern zum De-Identifizieren einzusetzen. Der Workflow: Man gibt den vollständigen Absatz – etwa die biographische Erzählung aus Punkt 4 – in das lokale Modell und fordert es auf, alle re-identifizierenden Elemente zu markieren. Dann prüft man manuell und kann die abstrahierte Version gegebenenfalls extern weiterverarbeiten.

Ein möglicher De-Identifizierungsprompt: „Identifiziere in diesem Text alle Elemente, die zur Re-Identifizierung einer Person beitragen könnten: Orte, Berufe, Altersangaben, Institutionen, Fächerkombinationen, seltene biographische Konstellationen, wörtliche Zitate, körperliche Beschreibungen. Prüfe auch Kombinationen, die einzeln harmlos sind, aber zusammen den Personenkreis einengen. Schlage für jedes Element eine Abstraktion vor, die den klinischen Gehalt bewahrt.“

Angewandt auf den Beispielantrag könnte das lokale Modell identifizieren: Sendling (→ „Stadtteil einer Großstadt“), IT-Unternehmen im Münchner Osten (→ weg), Gymnasiallehrer Mathematik/Physik und Deutsch/Geschichte (→ „beide Eltern im Bildungsbereich“), Kleinstadt in Oberbayern (→ „süddeutsche Kleinstadt“), TU München (→ „technische Universität“), Informatik mit Schnitt 1,4 (→ „technisches Fach, guter Abschluss“), Regensburg (→ weg), Modellschiffe (→ weg). Das sind die offensichtlichen Identifikatoren. Subtilere Marker – die Fächerkombination der Eltern als Konstellationsrisiko, die narrative Unizität der Gegenübertragungsbeschreibung, die Tatsache, dass „Einzelkind + Bildungseltern + technisches Studium + schizoide PS“ in einer bestimmten Praxis nur auf einen Patienten zutrifft – erkennen aktuelle lokale Modelle nicht zuverlässig.

Ein lokales Modell ist Hilfe, nicht Ersatz. Es kann die Aufmerksamkeit lenken und den manuellen De-Identifizierungsprozess beschleunigen. Aber die Verantwortung für die Prüfung bleibt bei der behandelnden Person. Perspektivisch wird der Zweischritt-Workflow – lokal de-identifizieren, extern weiterarbeiten – mit wachsender Leistung lokaler Modelle praktikabler. Für den Moment gilt: nützlich als Unterstützung, nicht ausreichend als alleinige Maßnahme.

Praxistool: Ein Datenschutz-Wächter für Claude

Die bisherigen Kapitel haben ein Problem sichtbar gemacht: Die Grenze zwischen Grün und Rot verläuft nicht dort, wo die meisten sie vermuten – und sie verschiebt sich mit jedem zusätzlichen Detail. Das Stufenmodell hilft, die Grenze zu finden. Aber ein Stufenmodell, das man erst nachschlagen muss, ist wie ein Sicherheitsgurt, den man erst anlegen muss, nachdem man losgefahren ist. Was fehlt, ist ein Werkzeug, das in Echtzeit mitdenkt.

Genau dafür habe ich einen sogenannten „Skill“ für Claude entwickelt – ein Instruktionspaket, das dem KI-System beibringt, bei jeder Eingabe automatisch eine Datenschutzprüfung durchzuführen. Man installiert ihn einmal in den Claude-Einstellungen, und ab diesem Moment verhält sich Claude wie ein mitdenkender Datenschutzwächter: Es beantwortet die fachliche Frage – und stuft gleichzeitig ein, welche Datenstufe die Eingabe hat, ob sie in einem Cloud-System vertretbar ist und was man hätte anders formulieren können.

Der Skill implementiert das vollständige T0–T11-Stufenmodell dieses Artikels. Er arbeitet in zwei Modi:

Proaktiver Modus: Bei jeder Nachricht, die fallbezogenes oder klinisches Material enthält, führt Claude automatisch eine Einstufung durch – auch wenn man nicht danach fragt. Bei grünem Material erscheint am Ende der Antwort ein kurzer Vermerk; bei gelbem Material eine Empfehlung zur weiteren Abstraktion; bei orangem oder rotem Material stellt Claude die Warnung vor die Antwort und bietet konkrete De-Identifizierungsvorschläge an. Man muss also nicht daran denken, den Datenschutz zu prüfen – der Skill denkt mit.

Expliziter Modus: Wer einen Text vor dem Eingeben prüfen lassen möchte, tippt „Datenschutz-Check“ oder „Prüfe meinen Text“ und erhält eine ausführliche Analyse entlang aller fünf Dimensionen (Identifizierbarkeit, Sensitivität, Kontextnähe, Datenmenge, Persistenz), mit Auflistung aller erkannten Risikomerkmale und konkreten Vorher/Nachher-Vorschlägen zur De-Identifikation.

Drei Funktionen verdienen besondere Erwähnung, weil sie Probleme adressieren, die in der Praxis besonders häufig sind:

Kumulative Risikobewertung. Der Skill trackt nicht nur die einzelne Nachricht, sondern die Summe aller bisher in der Konversation geteilten Informationen über denselben Fall. Das ist die technische Antwort auf das Salami-Problem: Wenn in Nachricht 1 „erwachsene Person, depressive Symptomatik“ steht (T2), in Nachricht 3 „sie ist Ende 30, alleinerziehend“ (kumulativ T3) und in Nachricht 5 „arbeitet in München in der Architektur“ (kumulativ T5), dann weist der Skill aktiv auf die Eskalation hin – mit einer Liste der kumulierten Merkmale und der Empfehlung, keine weiteren spezifizierenden Details hinzuzufügen.

Umgang mit bereits eingegebenem Material. Manchmal ist das Kind schon in den Brunnen gefallen: Der Text war bereits abgeschickt, bevor man über den Datenschutz nachdachte. Der Skill reagiert darauf ohne Vorwürfe, aber mit klarer Handlungsempfehlung: Konversation nach der Sitzung löschen, keine weiteren identifizierenden Details hinzufügen, für die Weiterarbeit einen neuen Chat auf T0–T2-Niveau starten.

De-Identifikations-Referenz. Der Skill enthält eine umfangreiche „Statt X schreib Y“-Tabelle, die bei jeder Warnung konkrete Umformulierungen vorschlägt: Beruf zu Berufsgruppe, Ort zu Region, Datum zu Zeitraum, Ereignis zu Kategorie, Dritte zu Rolle, wörtliches Zitat zu Affektzusammenfassung. Statt „Frau, 38, Architektin in München“ empfiehlt der Skill „Erwachsene Person mittleren Alters in kreativem Berufsfeld“. Statt „Mutter starb, als Pat. 14 war“ empfiehlt er „Früher Verlust eines Elternteils in der Adoleszenz“. Das ist die operative Übersetzung der Vignetten-Logik aus Kapitel 3: nicht nur warnen, sondern zeigen, wie es besser geht.

Der Skill ist auf die Cloud-Realität von Claude.ai zugeschnitten. Er geht nicht davon aus, dass man ein lokales System nutzt oder einen Enterprise-Vertrag hat, sondern dass man – wie die meisten Kolleg:innen – in einem Consumer- oder Pro-Chatbot arbeitet. Die Dimension Persistenz ist deshalb grundsätzlich erhöht; das System weiß, dass es selbst der „Dritte“ ist, vor dem es warnt. Es erklärt bei jeder orangen oder roten Einstufung, dass die Konversation auf Servern außerhalb der Praxis stattfindet und Eingaben eine Datenübermittlung im Sinne von § 203 StGB und eine Verarbeitung im Sinne der DSGVO darstellen. Kein Alarmismus, aber auch kein Vergessen.

Was der Skill nicht kann: Er ersetzt nicht die Einzelfallprüfung. Er kann nicht wissen, ob „Anfang 30, technischer Beruf“ in einer bestimmten Praxis nur auf einen einzigen Patienten zutrifft. Er kann nicht beurteilen, ob ein bestimmtes biographisches Detail in einem bestimmten Umfeld identifizierend wirkt. Diese Entscheidung liegt bei der behandelnden Person. Was der Skill kann: die Aufmerksamkeit lenken, die Denkpause erzwingen, das Konstellationsbewusstsein schärfen – und im besten Fall verhindern, dass man um 21 Uhr, im dritten Bericht des Abends, aus Müdigkeit in die rote Zone rutscht, ohne es zu merken.

Installation und Nutzung

Der Skill ist als Markdown-Datei verfügbar, die in Claude eingebunden werden kann. Es gibt zwei Wege: Erstens als Projekt-Instruktion – man legt in Claude ein neues Projekt an (etwa „Praxisdokumentation“) und lädt die Datei als Wissensquelle hoch. Dann ist der Datenschutz-Wächter in allen Konversationen innerhalb dieses Projekts aktiv. Zweitens über die persönlichen Einstellungen – man kopiert den Inhalt der Datei in Einstellungen → Profil & Personalisierung → Benutzerdefinierte Anweisungen. Dann ist der Wächter in allen Konversationen aktiv, nicht nur in einem Projekt.

datenschutz-psychotherapie-skillHerunterladen

Der Skill ist quelloffen und zur freien Nutzung bestimmt. Kolleg:innen, die ihn für die eigene Praxis anpassen möchten, können die SKILL.txt-Datei im Inneren des Pakets bearbeiten – sie ist menschenlesbar und folgt der Struktur dieses Artikels.

Das ist nicht die Lösung für das Datenschutzproblem in der psychotherapeutischen KI-Nutzung. Es ist ein Sicherheitsgurt – einer, der sich automatisch anlegt. Er ersetzt nicht das aufmerksame Fahren, aber er macht es weniger wahrscheinlich, dass ein Moment der Unachtsamkeit zum Unfall wird.

Governance: Wer verantwortet was?

Einzelne Prompts und Reviews reichen nicht, wenn die Struktur fehlt. Governance bedeutet: Wer entscheidet, welche Tools freigegeben werden? Wer schult? Wer prüft? Wer reagiert, wenn etwas schiefgeht? Die Antworten unterscheiden sich erheblich nach Praxisform.

Solo-Praxis

In der Einzelpraxis fallen alle Rollen auf eine Person. Das klingt simpel, erhöht aber die Eigenverantwortung: Es gibt keine zweite Instanz, die Fehlkonfigurationen, schlechte Prompt-Gewohnheiten oder Datenschutzlücken auffangen würde.

Mindestanforderungen (guidance-nah): (a) Zweckfestlegung für jeden Use Case dokumentiert, (b) Tool-Freigabe inklusive Verträge und Geheimhaltung, (c) datenschutzrechtliche Dokumentation (Verarbeitungsverzeichnis, ggf. DSFA-Entscheid), (d) dokumentationsrechtliche Nachvollziehbarkeit im PVS (Datenschutzkonferenz, 2024; Bundesministerium der Justiz, o. J.-b).

Empfohlene Praxis – risikobasierte Vier-Augen-Äquivalente: Da kein Kolleg:in nebendran sitzt, braucht die Solo-Praxis funktionale Äquivalente. Für Low-Risk (Rechtschreibung, Layout): Selbstreview genügt. Für Medium (Zusammenfassung): strukturierter Review-Check plus gelegentliche stichprobenartige Zweitmeinung in der Intervision. Für High (Gutachten, forensisch, Krisen): echte zweite Person – Kolleg:in, Supervisor:in, externe Qualitätsprüfung – oder zumindest eine dokumentierte Second-Look-Prozedur.

Kuratierte Prompt-Templates: Ein kleines Set von maximal zehn Prompt-Templates, die bewusst „interpretationsarm“ formuliert sind und die Guardrails bereits enthalten. Das reduziert Fehleranfälligkeit bei Routinenutzung.

KI-Kompetenz: Kurze Selbstschulung plus Dokumentation – nicht als Bürokratieübung, sondern als Selbstverpflichtung: Wer KI nutzt, muss verstehen, was geschieht. Der AI Act macht daraus eine Betreiberpflicht (Europäisches Parlament & Rat, 2024, Art. 4).

Gemeinschaftspraxis und KV-Kooperation

Sobald mehrere Kolleg:innen dasselbe Tool nutzen, entsteht ein neues Risiko: Ungleichzeitigkeit. Kollegin A nutzt ein Enterprise-LLM mit AVV; Kollege B das Consumer-Pendant ohne. Die Patientin merkt davon nichts – aber ihre Daten nehmen völlig unterschiedliche Wege.

Governance in der Gemeinschaftspraxis heißt deshalb: gemeinsame Regeln, nicht nur gemeinsame Räume. Kernelemente: (a) Ein einheitlicher Use-Case-Katalog („zulässig“, „zulässig mit Auflagen“, „verboten“). (b) Ein verbindliches Tool-Register: Welches System ist für welche Stufe freigegeben? (c) Gemeinsame Prompt-Templates. (d) Klare Verantwortlichkeiten: Wer ist KI-Owner (fachlich), wer prüft den Datenschutz, wer macht die Stichproben?

Das muss keine schwere Ordnung sein. Ein einseitiges Dokument, das alle unterschrieben haben und das jährlich oder bei Tool-Wechsel aktualisiert wird, reicht in den meisten Fällen.

Institution: Ambulanz, MVZ, Klinik, Ausbildungsinstitut

In institutionellen Kontexten steigen Komplexität und Verantwortung zugleich. Die DSK betont die Notwendigkeit klarer interner Regelungen, definierter Verantwortlichkeiten und – bei hohem Risiko – einer DSFA (Datenschutzkonferenz, 2024, Abschn. 6). Die WHO fordert bei großskaliger Nutzung Post-Release-Audits und Impact-Assessments (WHO, 2021). Das NIST-Framework empfiehlt systematisches Risikomanagement über den gesamten Lebenszyklus (NIST, 2023).

Governance-Baukasten für Institutionen:

KI-Nutzungsordnung und Use-Case-Katalog: Definiert, welche Anwendungen in welcher Risikostufe zulässig sind. Beispiel: Strukturierung von Verlaufsnotizen (Low) = freigegeben; KI-gestützte Gutachtenerstellung (High) = nur mit definierten Kontrollen und Vier-Augen-Prinzip; diagnostische Automatisierung = verboten.

Rollenmodell: „KI-Owner“ (fachliche Verantwortung für Use Cases), Datenschutz/IT-Security (prüft Verträge, TOMs, Konfiguration), Qualitätsmanagement (Audit und Stichproben), Fachteam (Anwendung und Review).

Verbindliches Vier-Augen-Prinzip: Für High-Risk-Artefakte (Gutachten, forensische Einschätzungen, Zwangskontexte, Krisendokumentation) ist eine zweite fachliche Prüfung nicht optional, sondern Pflicht.

Stichproben-Audits: Monatlich oder quartalsweise: Halluzinationen, Bias-Sprache, Dokumentvollständigkeit, Datenschutz-Metadaten. Die Ergebnisse werden dokumentiert und in Teamrunden besprochen.

Incident-Response-Playbook: Was passiert bei einer Datenpanne? Bei einem falschen Output in der Akte? Bei einer Patient:innenbeschwerde? Meldewege, Fristen, Verantwortlichkeiten, Dokumentation.

Schulung: Alle Nutzer:innen absolvieren eine KI-Kurzschulung (Risiken, Bias, Datenschutz, Prompt-Hygiene). Auffrischung halbjährlich; Lessons Learned aus Vorfällen fließen ein. Die AI-Literacy-Pflicht (Art. 4 AI Act) gibt dafür einen normativen Rahmen (Europäisches Parlament & Rat, 2024).

Das Minimal-Set: Was in jede Praxis gehört

Unabhängig von der Praxisform braucht jede KI-nutzende Praxis ein kleines, aber audit-fähiges Dossier. Die DSK, BPtK und KBV benennen zentrale Bausteine (Datenschutzkonferenz, 2024; Bundespsychotherapeutenkammer, 2018; Kassenärztliche Bundesvereinigung, 2025a, 2025b). Das Minimal-Set umfasst:

Guidance-nah (muss-fähig):

– Tool-Register: Welches KI-System, wofür, wo gehostet, wer nutzt es.

– Zweckbeschreibung pro Use Case: Zweckbindung, Datenkategorien, Empfänger.

– AVV und Geheimhaltungskette: Art.-28-Vertrag, Nachweise zur §-203-Verpflichtung externer Mitwirkender.

– Datensicherheitsmaßnahmen: Zugriff, Rollen, Logs, Löschkonzept.

– Dokumentationsnachvollziehbarkeit: Versionierung und Änderungsnachweis in der Akte.

– DSFA-Entscheid: Kurz-Vorabprüfung; bei hohem Risiko vollständige DSFA.

Empfohlen (Patientensicherheit und Qualität):

– Checklisten-Nachweis (Pre-Flight/Review pro Dokumenttyp).

– Stichproben-Audit-Protokolle (monatlich/quartalsweise).

– Schulungsnachweise (KI-Kompetenz, Auffrischung).

– Incident-Log (Datenpanne, Fehloutput, Near Miss) und Lessons Learned.

Muster: Interne KI-Nutzungsrichtlinie

Die folgende Skizze ist als Ausgangspunkt gedacht, nicht als fertiges Dokument. Sie unterscheidet MUSS-Punkte (guidance-nah, normgestützt) und SOLL-Punkte (empfohlene Praxis, qualitätsgetrieben):

Muster: Interne KI-Nutzungsrichtlinie

Version: ___ | Gültig ab: ___ | Owner: ___ | Review: ___ (jährlich / bei Tool-Wechsel)

1. Scope und Grundsatz

MUSS: KI-Assistenz dient ausschließlich der Strukturierung, sprachlichen Klarheit und Entwurfserstellung auf Basis vorhandener klinischer Informationen. Keine Diagnostik-, Indikations- oder Therapieautomatisierung. Keine ungeprüfte Übernahme.

2. Datenschutz und Schweigepflicht

MUSS: Nur freigegebene Tools mit AVV (Art. 28 DSGVO) und dokumentierter Geheimhaltungskette (§ 203 StGB). Datenminimierung: nur erforderliche Inhalte. Identifikatoren entfernen/abstrahieren. Drittlandtransfer: nur bei dokumentiertem Transferinstrument.

SOLL: Lokale/on-premise-Lösungen bevorzugen, wenn praxistauglich.

3. Qualitätssicherung

MUSS: Review-Checkliste für jeden KI-assistierten Text. High-Risk (Gutachten, Krisen, forensisch): Vier-Augen-Prinzip.

SOLL: Red-Team-Prompts bei neuen Use Cases. Stichproben-Audits quartalsweise.

4. Dokumentation und Audit

MUSS: Versionierung im PVS („KI-assistiert“ kennzeichnen). Änderungen nachvollziehbar. Metadaten-Logging ohne Patientendaten im Prompt-Log.

SOLL: Stichproben-Audits und jährlicher Governance-Review.

5. Schulung und KI-Kompetenz

MUSS: Alle Nutzer:innen absolvieren KI-Kurzschulung (Risiken, Bias, Datenschutz, Prompt-Hygiene).

SOLL: Auffrischung halbjährlich; Lessons Learned aus Vorfällen.

6. Incident Response

MUSS: Bei Datenpanne, falschem Output in Akte oder Patient:innengefährdung: Incident melden, Dokument korrigieren (mit Änderungsnachweis), Ursachenanalyse, ggf. Datenschutzmeldung (Art. 33/34 DSGVO).

Patient:inneninformation

Transparenz gegenüber Patient:innen ist keine Formalität, sondern Beziehungsarbeit. Wer KI als Schreibassistenz nutzt, sollte dies kommunizieren können – ohne zu dramatisieren und ohne zu bagatellisieren. Die KBV empfiehlt Transparenz und Information (Kassenärztliche Bundesvereinigung, 2025b). Die folgende Information ist als Aushang oder Beiblatt gedacht:

Information zur Verwendung von KI als Schreibassistenz

In unserer Praxis nutzen wir in bestimmten Situationen eine digitale Schreibassistenz, die Texte strukturieren oder sprachlich klarer formulieren kann. Das kann z. B. helfen, Sitzungsnotizen übersichtlicher zu machen oder Berichte verständlicher zu schreiben.

Wichtig:

– Die Schreibassistenz trifft keine Entscheidungen über Ihre Behandlung.

– Inhaltliche Verantwortung und fachliche Bewertung liegen immer bei Ihrer Therapeutin / Ihrem Therapeuten.

– Jeder Text wird von uns geprüft, bevor er in Ihre Akte übernommen oder weitergegeben wird.

Datenschutz:

– Wir achten darauf, so wenig Daten wie möglich zu verwenden.

– Wir nutzen nur freigegebene Systeme, die wir datenschutzrechtlich geprüft haben.

– Wenn für bestimmte Verarbeitungen eine besondere Einwilligung erforderlich wäre, sprechen wir Sie vorher an.

Ihre Fragen sind willkommen. Wenn Sie wissen möchten, ob und wie wir die Schreibassistenz in Ihrem Fall nutzen, sprechen Sie uns bitte an.

Fazit: Drei Leitlinien für den Dritten im Behandlungszimmer

Dieser Artikel hat versucht, eine Landkarte zu zeichnen – nicht für die Frage „KI ja oder nein?“, sondern für die Frage „Welche Daten, in welchem Setup, unter welchen Kontrollen?“ Die Landkarte hat drei Normschichten (Schweigepflicht, Datenschutz, Berufsrecht), ein Stufenmodell (T0–T11), eine Tool-Typologie, sechzehn klinische Qualitätsrisiken, einen Prozess-Dreischritt und Governance-Bausteine. Das ist viel Material. Es lässt sich in drei Leitlinien verdichten:

Erstens: Das Risiko liegt im Datenweg, nicht in der Technologie.

Generative KI ist weder Rettung noch Ruin. Sie ist ein Werkzeug mit spezifischen Eigenschaften: einem Gedächtnis, das nicht dem der Therapeut:in gehört; einer Neigung zur Glättung, wo Ambivalenz angemessener wäre; einer Freundlichkeit, die keine klinische Urteilskraft ersetzt. Die entscheidende Variable ist nicht „KI“, sondern „Datenweg“: Was wird eingegeben, wohin fließt es, wer hat Zugriff, wie lange wird es gespeichert, wie identifizierbar ist es? Wer diese fünf Fragen beantworten kann, kann verantwortlich entscheiden. Wer sie nicht beantworten kann, sollte bei T0 bleiben.

Zweitens: Pseudonymisiert ist nicht anonym – und der biographische Fingerabdruck ist die Regel, nicht die Ausnahme.

Psychodynamische Texte sind strukturell re-identifizierend. Nicht durch einen einzelnen Marker, sondern durch die Konstellation aus Beziehungsmuster, Abwehrorganisation, Krisenauslöser, biographischen Landmarken. Wer den PTV-3 schreibt, verdichtet – und erzeugt damit einen Fingerabdruck. Die Konsequenz: Nicht jede Namensentfernung ist Anonymisierung. Die Prüfung muss konstellationsbezogen sein, nicht merkmalsbezogen. Das Stufenmodell T0–T11 bietet dafür ein Raster; die drei Vignetten machen die Logik sichtbar.

Drittens: Qualitätssicherung ist Patientensicherheit in Textform.

Selbst wenn der Datenschutz perfekt gelöst wäre, blieben sechzehn klinische Qualitätsrisiken: von Halluzination über Bedeutungsverschiebung bis zur Verwischung klinischer Autorenschaft. Die Antwort ist nicht Verzicht, sondern Prozessdesign: Pre-Flight-Checkliste, Review-Checkliste, Red-Team-Prompts, Audit-Trail, Vier-Augen-Prinzip bei High-Risk-Texten. KI-Texte sind Entwürfe – nicht mehr. Die Endfassung muss als von der behandelnden Person verantworteter Text erkennbar sein, gelesen und geprüft, unterschrieben im wörtlichen und im übertragenen Sinn.

Was bleibt? Die Szene aus Kapitel 1: Es ist nach 20 Uhr, der PTV-3-Bericht ist halbfertig, und im Browser ist noch der ChatGPT-Tab offen von heute Nachmittag. Die Antwort auf die Frage, ob man die Stichpunkte dort hineinkopieren sollte, hängt nicht davon ab, ob man ein Freund oder ein Feind der Technologie ist. Sie hängt davon ab, ob man weiß, was man eingibt, wohin es fließt und wie man prüft, was zurückkommt. Wenn ja: Kopieren Sie. Wenn nein: Warten Sie – und lesen Sie diesen Artikel noch einmal.

Literaturverzeichnis

Hinweis: Sofern Weblinks verfügbar sind, wurden sie zuletzt im Februar 2026 geprüft. Gesetzestexte beziehen sich auf die zum Zeitpunkt der Erstellung geltende Fassung.

Article 29 Working Party. (2014). Opinion 05/2014 on anonymisation techniques (WP216). https://ec.europa.eu/justice/article-29/documentation/opinion-recommendation/files/2014/wp216_en.pdf

Asgari, E., Plurad, D., Ghasemi, M., Richardson, C. & Stiennon, N. (2025). A framework to assess clinical safety and hallucination rates of LLMs for medical text summarisation. npj Digital Medicine, 8(1), Art. 45. https://doi.org/10.1038/s41746-025-01670-7

Bundesbeauftragte für den Datenschutz und die Informationsfreiheit. (2025). KI-Handreichung: Praxishilfe zum Einsatz generativer KI-Systeme. https://www.bfdi.bund.de/SharedDocs/Downloads/DE/Dokumente/KI-Handreichung.pdf

Bundesministerium der Justiz. (o. J.-a). § 203 StGB – Verletzung von Privatgeheimnissen. Strafgesetzbuch. https://www.gesetze-im-internet.de/stgb/__203.html

Bundesministerium der Justiz. (o. J.-b). § 630f BGB – Dokumentation der Behandlung. Bürgerliches Gesetzbuch. https://www.gesetze-im-internet.de/bgb/__630f.html

Bundesministerium der Justiz. (o. J.-c). § 630g BGB – Einsichtnahme in die Patientenakte. Bürgerliches Gesetzbuch. https://www.gesetze-im-internet.de/bgb/__630g.html

Bundesärztekammer. (2025). Stellungnahme „Künstliche Intelligenz in der Medizin“. https://www.bundesaerztekammer.de/fileadmin/user_upload/wissenschaftlicher-beirat/Veroeffentlichungen/KI_in_der_Medizin_SN_neu.pdf

Bundespsychotherapeutenkammer. (2018). Muster-Berufsordnung für Psychologische Psychotherapeutinnen und Psychotherapeuten und für Kinder- und Jugendlichenpsychotherapeutinnen und -psychotherapeuten. https://www.bptk.de/recht/muster-berufsordnung/

Datenschutzkonferenz. (2018). Liste der Verarbeitungstätigkeiten, für die eine Datenschutz-Folgenabschätzung durchzuführen ist. https://www.datenschutzkonferenz-online.de/media/ah/20181017_ah_DSK_DSFA_Muss-Liste_Version_1.1_Deutsch.pdf

Datenschutzkonferenz. (2024). Orientierungshilfe: Künstliche Intelligenz und Datenschutz (Version 1.0). https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf

Datenschutzkonferenz. (2025a). Orientierungshilfe: Technische und organisatorische Maßnahmen bei KI-Systemen. https://www.datenschutzkonferenz-online.de/media/oh/DSK_OH_TOMs_KI.pdf

Datenschutzkonferenz. (2025b). Orientierungshilfe zu datenschutzrechtlichen Besonderheiten generativer KI-Systeme mit RAG-Methode (Version 1.0). https://www.datenschutzkonferenz-online.de/media/oh/DSK_OH_RAG.pdf

de Montjoye, Y.-A., Hidalgo, C. A., Verleysen, M. & Blondel, V. D. (2013). Unique in the crowd: The privacy bounds of human mobility. Scientific Reports, 3(1), Art. 1376. https://doi.org/10.1038/srep01376

European Data Protection Board. (2021). Recommendations 01/2020 on measures that supplement transfer tools to ensure compliance with the EU level of protection of personal data (Version 2.0). https://www.edpb.europa.eu/system/files/2021-06/edpb_recommendations_202001vo.2.0_supplementarymeasurestransferstools_en.pdf

European Data Protection Board. (2025). Guidelines 01/2025 on pseudonymisation. https://www.edpb.europa.eu/system/files/2025-01/edpb_guidelines_202501_pseudonymisation_en.pdf

European Data Protection Board Support Pool of Experts. (2024). AI privacy risks and mitigations: LLMs. https://www.edpb.europa.eu/system/files/2024-06/edpb_ai_privacy_risks_mitigations_llms_en.pdf

Europäisches Parlament & Rat der Europäischen Union. (2016). Verordnung (EU) 2016/679 über den Schutz natürlicher Personen bei der Verarbeitung personenbezogener Daten (DSGVO). Amtsblatt der Europäischen Union, L 119. https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32016R0679

Europäisches Parlament & Rat der Europäischen Union. (2024). Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (AI Act). Amtsblatt der Europäischen Union, L 1689. https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689

Himmelstein, G., Bates, D. & Zhou, L. (2022). Examination of stigmatizing language in the electronic health record. JAMA Network Open, 5(1), e2144967. https://doi.org/10.1001/jamanetworkopen.2021.44967

Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A. & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Art. 248. https://doi.org/10.1145/3571730

Kassenärztliche Bundesvereinigung. (2025a). IT-Sicherheitsrichtlinie nach § 390 SGB V. https://www.kbv.de/media/sp/richtlinie_it-sicherheit.pdf

Kassenärztliche Bundesvereinigung. (2025b). PraxisWissen: Künstliche Intelligenz – Hinweise zum Einsatz in Praxen. https://www.kbv.de/documents/infothek/publikationen/praxiswissen/praxiswissen-ki.pdf

Lekadir, K., Osuala, R., Gallin, C., Lazrak, N., Kushibar, K., Tsakou, G., … & Papernot, N. (2025). FUTURE-AI: International consensus guideline for trustworthy and deployable artificial intelligence in healthcare. BMJ, 388, e081554. https://doi.org/10.1136/bmj-2024-081554

Meystre, S. M., Friedlin, F. J., South, B. R., Shen, S. & Samore, M. H. (2010). Automatic de-identification of textual documents in the electronic health record: A review of recent research. BMC Medical Research Methodology, 10(1), Art. 70. https://doi.org/10.1186/1471-2288-10-70

Narayanan, A. & Shmatikov, V. (2008). Robust de-anonymization of large sparse datasets. In Proceedings of the 2008 IEEE Symposium on Security and Privacy (S. 111–125). IEEE. https://doi.org/10.1109/SP.2008.33

National Institute of Standards and Technology. (2015). De-identification of personal information (NISTIR 8053). https://doi.org/10.6028/NIST.IR.8053

National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). https://doi.org/10.6028/NIST.AI.100-1

Ohm, P. (2010). Broken promises of privacy: Responding to the surprising failure of anonymization. UCLA Law Review, 57(6), 1701–1777.

Omar, M., Patel, J., Gul, S., Singh, R., Marsh, A., Chen, E., … & Park, S. (2025). Vulnerability of LLMs to adversarial hallucination attacks in clinical decision support. Communications Medicine, 5(1), Art. 23. https://doi.org/10.1038/s43856-025-01021-3

OWASP. (2025). OWASP Top 10 for LLM Applications. https://owasp.org/www-project-top-10-for-large-language-model-applications/

Park, J., Saha, S., Chee, B., Taylor, J. & Beach, M. C. (2021). Physician use of stigmatizing language in patient medical records. JAMA Network Open, 4(7), e2117052. https://doi.org/10.1001/jamanetworkopen.2021.17052

Psychotherapeutenkammer Bayern. (2014). Berufsordnung für die Psychologischen Psychotherapeutinnen und -therapeuten und die Kinder- und Jugendlichenpsychotherapeutinnen und -therapeuten Bayerns. https://www.ptk-bayern.de/ptk/web.nsf/gfx/berufsordnung/$file/berufsordnung.pdf

Sun, M., Ozonoff, A., Goss, F. R. & Bhatt, D. L. (2022). Negative patient descriptors: Documenting racial bias in the electronic health record. Health Affairs, 41(2), 203–211. https://doi.org/10.1377/hlthaff.2021.01423

Sweeney, L. (2000). Simple demographics often identify people uniquely (Carnegie Mellon Data Privacy Working Paper 3). https://dataprivacylab.org/projects/identifiability/paper1.pdf

Tam, A., Stanceski, K., Bolton, E., Bakhshaie, J. & Miner, A. S. (2024). The quality and safety of using generative AI to produce patient-centred discharge instructions. npj Digital Medicine, 7(1), Art. 336. https://doi.org/10.1038/s41746-024-01336-w

Tsou, A. Y., Lehmann, C. U., Michel, J., Solomon, R., Possanza, L. & Gandhi, T. (2017). Safe practices for copy and paste in the EHR: Systematic review, recommendations, and novel model for health IT collaboration. Applied Clinical Informatics, 8(1), 12–34. https://doi.org/10.4338/ACI-2016-09-R-0150

Working Party 29. (2017). Leitlinien zur Datenschutz-Folgenabschätzung (DSFA) und Beantwortung der Frage, ob eine Verarbeitung „wahrscheinlich ein hohes Risiko mit sich bringt“ (WP248). https://ec.europa.eu/newsroom/article29/items/611236/en

World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance. https://www.who.int/publications/i/item/9789240029200

Zaretsky, J., Kim, J., Baskharoun, S., Zhao, A. Y. & Goss, F. R. (2024). Generative artificial intelligence to transform inpatient discharge summaries to patient-friendly language and format. JAMA Network Open, 7(3), e243853. https://doi.org/10.1001/jamanetworkopen.2024.3853

Fiktive Debatte

/topic/ KI und Dokumentation in der Psychotherapie – wie viel Dritter verträgt das Behandlungszimmer?

/scene/ Fortbildungsabend eines psychoanalytischen Ausbildungsinstituts in München. Etwa vierzig Kolleg:innen sitzen im Seminarraum, Klappstühle, schlechter Kaffee, Neonlicht. Auf dem Podium vier Stühle und ein Tisch mit Wassergläsern. Frau Yilmaz hat den Abend organisiert, weil das Thema seit Monaten in Supervisionsgruppen und Flurgesprächen brodelt. Es ist kurz nach 19 Uhr.

Frau Yilmaz (Moderatorin): Guten Abend. Ich freue mich, dass Sie so zahlreich gekommen sind – offenbar trifft das Thema einen Nerv. Auf dem Podium sitzen heute drei Kolleg:innen, die sehr unterschiedliche Positionen vertreten. Ich stelle kurz vor: Martin Kessler, analytischer Psychotherapeut seit über zwanzig Jahren, niedergelassen in eigener Praxis. Jonas Frey, Verhaltenstherapeut, seit zwei Jahren approbiert, ebenfalls niedergelassen. Und Lena Holz, analytische Psychotherapeutin, die sich seit einiger Zeit intensiv mit dem Thema KI und Datenschutz in der psychotherapeutischen Dokumentation beschäftigt. Ich würde gerne mit einer einfachen Frage einsteigen: Nutzen Sie KI in Ihrer Praxisarbeit? Herr Frey, Sie nicken schon.

Jonas Frey (Der Pragmatiker): Ja, klar. Also, nicht in den Sitzungen natürlich, aber danach. Ich nutze ChatGPT ziemlich regelmäßig, vor allem für Berichte und Verlaufsnotizen. Ich tippe meine Stichpunkte ein und lasse mir einen Fließtext formulieren. Das spart mir pro Bericht locker eine Stunde. Und solange ich keine Namen eingebe, sehe ich da ehrlich gesagt kein Problem.

Martin Kessler (Der Skeptiker): Darf ich direkt etwas dazu sagen?

Frau Yilmaz (Moderatorin): Bitte.

Martin Kessler (Der Skeptiker): Ich halte das für einen fundamentalen Fehler. Und ich meine das nicht persönlich, Herr Frey, aber wenn Sie Ihre Stichpunkte zu einem Patienten in ein System eingeben, das einem amerikanischen Konzern gehört, dann haben Sie die Schweigepflicht verletzt. Es ist egal, ob ein Name dabeisteht oder nicht.

Jonas Frey (Der Pragmatiker): Moment – wenn kein Name dabei ist, dann ist es doch kein personenbezogenes Datum mehr. Ich schreibe zum Beispiel: „Patient, Mitte 30, depressive Episode, Schwierigkeiten in der Partnerschaft, kognitive Umstrukturierung läuft gut.“ Da kann doch niemand erkennen, wer das ist.

Lena Holz (Die Differenzierende): Darf ich da einhaken? Das Beispiel, das Sie gerade genannt haben, Herr Frey – das ist tatsächlich relativ unkritisch. „Mitte 30, depressive Episode“ trifft auf tausende Menschen zu. Das Problem beginnt, wenn man mehr eingibt.

Jonas Frey (Der Pragmatiker): Aber was soll denn passieren? Wer liest denn meine ChatGPT-Prompts?

Lena Holz (Die Differenzierende): Die Frage ist nicht, wer sie heute liest. Die Frage ist, wer Zugriff darauf hat – jetzt und in Zukunft. Bei Consumer-Chatbots wie der kostenlosen ChatGPT-Version gibt es keinen Auftragsverarbeitungsvertrag. Es gibt keine Garantie, dass Ihre Eingaben nicht zum Training verwendet werden. Und die Chathistorie liegt auf Servern, die Sie nicht kontrollieren.

/same/ Aber das eigentliche Problem ist subtiler. Nehmen wir an, Sie schreiben nicht nur „Mitte 30, depressive Episode“, sondern: „Patient, 31, Softwareentwickler, nach Trennung vor zwei Jahren zunehmend depressiv, lebt allein, joggt abends, um den Körper zu spüren.“ Kein Name. Aber die Kombination aus Alter, Beruf, Lebenssituation und diesem Detail mit dem Joggen – das ist ein biographischer Fingerabdruck. Jemand, der diesen Menschen kennt, erkennt ihn daran.

Martin Kessler (Der Skeptiker): Genau. Und deshalb sage ich: Finger weg. Das Behandlungszimmer ist ein geschützter Raum. Da gehört kein Algorithmus rein. Wir haben die Schweigepflicht nicht, weil es eine lästige Vorschrift ist, sondern weil sie die Grundlage des therapeutischen Arbeitsbündnisses ist. Wenn mein Patient wüsste, dass Teile seiner Geschichte auf einem Server in Kalifornien liegen –

Jonas Frey (Der Pragmatiker): Aber Herr Kessler, Sie diktieren doch vermutlich Ihre Berichte in ein Spracherkennungsprogramm, oder? Oder nutzen ein Praxisverwaltungssystem mit Cloud-Backup?

Martin Kessler (Der Skeptiker): Nein. Ich schreibe meine Berichte mit der Hand und tippe sie dann ab. Auf einem Rechner ohne Internetverbindung.

Jonas Frey (Der Pragmatiker): Okay, das ist konsequent, das muss ich zugeben. Aber das ist doch kein Maßstab für die Breite der Profession. Die meisten Kolleg:innen arbeiten mit digitalen Systemen. Die Frage ist doch nicht, ob wir digitale Tools nutzen, sondern wie.

Frau Yilmaz (Moderatorin): Frau Holz, Sie haben sich intensiv mit den rechtlichen Grundlagen beschäftigt. Können Sie das kurz einordnen?

Lena Holz (Die Differenzierende): Es überlagern sich drei Normschichten. Erstens die Schweigepflicht – § 203 StGB. Die schützt das Berufsgeheimnis und ist strafbewehrt. Zweitens die DSGVO, die den Umgang mit personenbezogenen Daten regelt – und Gesundheitsdaten als besondere Kategorie behandelt, für die erhöhte Anforderungen gelten. Drittens das Berufsrecht. Und seit letztem Jahr kommt der EU AI Act dazu, der zwar für die Einzelpraxis noch nicht unmittelbar greift, aber eine Governance-Logik einführt, die mittelfristig auch uns betrifft.

/same/ Für die Praxis heißt das: Wenn ich einem KI-System Daten anvertraue, aus denen sich eine Person rekonstruieren lässt, dann brauche ich eine Rechtsgrundlage nach Art. 9 DSGVO und einen Auftragsverarbeitungsvertrag mit dem Anbieter. Bei Consumer-Chatbots gibt es beides nicht. Das bedeutet nicht, dass jede KI-Nutzung verboten ist – aber es bedeutet, dass ich sehr genau hinsehen muss, was ich eingebe.

Martin Kessler (Der Skeptiker): Und da liegt der Hase im Pfeffer. In der Praxis sieht doch niemand „sehr genau“ hin. Herr Frey – und das ist kein Vorwurf, Sie sind damit nicht allein – tippt seine Stichpunkte ein, und solange kein Name dabeisteht, fühlt sich alles legal an. Aber die DSGVO fragt nicht nach dem Namen. Sie fragt, ob eine Person identifizierbar ist. Und „31, Softwareentwickler, München, joggt abends“ ist identifizierbar.

Jonas Frey (Der Pragmatiker): Okay, das mit dem Softwareentwickler und dem Joggen – das leuchtet mir ein. Aber was ist mit wirklich abstrakten Stichpunkten? Wenn ich nur schreibe: „Depressive Episode, Schwierigkeiten in der Emotionsregulation, arbeitet an Aktivitätsaufbau.“ Da erkennt doch wirklich niemand jemanden.

Lena Holz (Die Differenzierende): Da haben Sie recht. Und genau das ist der Punkt, den ich machen will: Es gibt eine Zone, in der KI-Nutzung auch mit Consumer-Chatbots vertretbar ist. Die Frage ist, wo die Grenze liegt.

/same/ Ich arbeite inzwischen mit einem Stufenmodell. Die unterste Stufe – ich nenne sie T0 – ist reines Fachwissen: „Was muss ein PTV-3 enthalten? Welche Pflichtfelder vergessen Antragsteller häufig?“ Kein Patientenbezug, null Risiko. Die nächste Stufe, T1, sind klinische Konstrukte: „Formuliere eine Abwehranalyse bei schizoider Persönlichkeitsstruktur mit schizoider Rückzug als Kardinalmechanismus.“ Auch das ist kein Mensch – das ist ein Krankheitsbild. Consumer-Chatbot-tauglich.

Martin Kessler (Der Skeptiker): Und ab wann wird es problematisch?

Lena Holz (Die Differenzierende): Ab dem Moment, wo aus dem Konstrukt eine Konstellation wird. Also wenn ich dem Prompt biographische Details hinzufüge – Alter, Beruf, Familienstruktur, Orte. Jedes Detail für sich ist harmlos. Aber die Kombination erzeugt einen Fingerabdruck.

/same/ Ich habe das für einen Lehrfall einmal durchgespielt. Ein fiktiver PTV-3, analytische Psychotherapie. Punkt 5 – die Diagnose mit OPD-Achsen, Strukturniveau, Abwehranalyse – ist reines Fachvokabular. Das könnte in einem Lehrbuch stehen. Consumer-Chatbot-tauglich, klar T1. Punkt 4 dagegen – die Lebensgeschichte: Einzelkind, beide Eltern Gymnasiallehrer mit bestimmten Fächern, TU München, bestimmter Studiengang, bestimmte Note – das ist kein anonymer Patient mehr. Das ist ein Mensch mit Adresse.

Jonas Frey (Der Pragmatiker): Und was machen Sie dann mit Punkt 4?

Lena Holz (Die Differenzierende): Ich schreibe ihn selbst. Die biographische Erzählung, die Gegenübertragungsvignette, die wörtlichen Zitate des Patienten – das ist der Teil, den nur ich schreiben kann. Weil ich in der Sitzung war und die KI nicht.

/same/ Aber die KI kann mir helfen, das Gerüst zu bauen: die psychodynamische Hypothese, die Behandlungsplanbegründung, den Konsistenz-Check der OPD-Achsen. Ich gebe ihr die klinische Architektur – Grundstörung nach Balint, devitalisierte Primärobjektbeziehung, schizoider Rückzug, Aktualpathogenese – und sie formuliert daraus einen zusammenhängenden Text. Kein Alter, kein Geschlecht, keine Orte, keine Biografie. Und dann füge ich selbst die Bilder ein, die den Gutachter überzeugen.

Martin Kessler (Der Skeptiker): Das klingt elegant. Aber ich habe zwei Einwände. Erstens: Sie beschreiben einen Workflow, der ein hohes Maß an Reflexion und Disziplin erfordert. Wer garantiert, dass Kolleg:innen, die weniger sensibilisiert sind als Sie, diese Grenze einhalten? Herr Frey hat gerade gezeigt, wie schnell man von „nur Stichpunkte“ zu identifizierbarem Material kommt.

Jonas Frey (Der Pragmatiker): Hey –

Martin Kessler (Der Skeptiker): Nichts für ungut. Aber mein Punkt ist ernst gemeint: Wenn wir als Profession sagen, KI-Nutzung ist unter bestimmten Bedingungen okay, dann werden viele die Bedingungen ignorieren und nur das „okay“ hören.

/same/ Und mein zweiter Einwand ist ein psychoanalytischer: Die Dokumentation ist nicht nur ein bürokratischer Akt. Wenn ich einen Bericht schreibe, denke ich nach. Ich verdichte. Ich suche nach dem Wort, das das Gesehene trifft. Das ist ein klinischer Prozess. Wenn ich das an eine Maschine delegiere, verliere ich etwas, das sich nicht in Datenschutzparagraphen messen lässt.

Lena Holz (Die Differenzierende): Den zweiten Einwand nehme ich ernst. Und ich teile ihn teilweise. Die narrative Verdichtung – der Vater, der im Garten arbeitet, immer mit dem Rücken zum Haus, als Bild für die emotionale Abwesenheit – das ist klinisches Denken in Sprachform. Das kann keine KI. Und das sollte keine KI.

/same/ Aber den ersten Einwand finde ich problematisch. Sie argumentieren im Grunde: Weil manche Kolleg:innen es falsch machen werden, sollten wir es allen verbieten. Das ist eine paternalistische Position. Wir haben es mit approbierten Kolleg:innen zu tun, nicht mit Kindern. Was wir brauchen, sind klare Orientierungsrahmen, keine Verbote.

Martin Kessler (Der Skeptiker): Und wer macht die Orientierungsrahmen? Die Kammern schweigen. Die KBV schweigt. Die Institute schweigen. In dieses Vakuum hinein kommt jetzt ein Tool, das jede:r auf dem Handy hat, und wir sollen darauf vertrauen, dass die Kolleg:innen schon wissen, was sie tun?

Frau Yilmaz (Moderatorin): Herr Frey, Sie sind auffallend still geworden.

Jonas Frey (Der Pragmatiker): Ich denke gerade nach. Ehrlich gesagt – als Frau Holz das mit dem Fingerabdruck erklärt hat, habe ich an meinen letzten ChatGPT-Verlauf gedacht. Ich habe da letzte Woche für einen Bericht eingetippt: „Patientin, 28, Erzieherin, alleinerziehend, zwei Kinder, Panikstörung mit Agoraphobie, Trennung vor einem Jahr, wohnt bei der Mutter in“ – und dann habe ich den Stadtteil geschrieben. Ich dachte: Kein Name, also kein Problem. Aber wenn ich das jetzt höre –

Lena Holz (Die Differenzierende): 28, Erzieherin, alleinerziehend, zwei Kinder, bestimmter Stadtteil. Das ist vermutlich eine Person. In Ihrem Viertel. Und das liegt jetzt auf den Servern von OpenAI.

Jonas Frey (Der Pragmatiker): Ja. Das ist mir gerade klar geworden.

Martin Kessler (Der Skeptiker): Sehen Sie. Genau das meine ich.

Frau Yilmaz (Moderatorin): Frau Holz, was hätte Herr Frey stattdessen tun können? Angenommen, er braucht Hilfe bei dem Bericht – was wäre ein sicherer Weg gewesen?

Lena Holz (Die Differenzierende): Er hätte den Prompt aufspalten können. Statt die ganze Fallskizze in ein Textfeld zu kippen, formuliert man isolierte Teilaufgaben. Zum Beispiel: „Formuliere einen psychopathologischen Befund auf Basis folgender Merkmale: Panikattacken mit Herzrasen, Schwindel, Todesangst, Vermeidungsverhalten öffentliche Verkehrsmittel, antizipatorische Angst, Schlafstörungen, sozialer Rückzug.“ Das ist eine Merkmalsliste, kein Mensch. Die KI liefert einen sauber formulierten Befund, und Herr Frey ergänzt den Rest selbst.

Jonas Frey (Der Pragmatiker): Das würde funktionieren. Das ist im Grunde das, was ich will: Hilfe beim Formulieren. Ich brauche gar nicht, dass die KI den ganzen Fall kennt.

Martin Kessler (Der Skeptiker): Aber dann stellt sich doch die Frage: Wenn Sie nur einzelne Merkmalslisten eingeben und den Rest selbst schreiben – wie viel Zeit sparen Sie dann wirklich?

Jonas Frey (Der Pragmatiker): Weniger als jetzt. Aber offenbar mache ich es jetzt auch falsch.

Lena Holz (Die Differenzierende): Die Zeitersparnis liegt nicht im Schreiben der Biografie – die schreiben Sie ohnehin selbst. Sie liegt in der Vorarbeit: Gliederung, Formulierungsvorschläge für die formalen Teile, Konsistenz-Check. Und – das unterschätzen die meisten – in der KI als Sparringspartner. Sie können der KI sagen: Du bist ein Gutachter, hier ist meine Diagnose, hier ist mein Behandlungsplan – welche Gegenargumente würdest du vorbringen? Das ist T0, null Risiko, kein Patientenbezug. Und es ist enorm hilfreich.

Martin Kessler (Der Skeptiker): Ich muss zugeben, das mit dem Sparringspartner hat etwas. Ich habe mich einmal mit einem Gutachter über die Indikation für eine hochfrequente Analyse gestritten. Wenn ich vorher die Gegenargumente systematisch durchgegangen wäre –

Frau Yilmaz (Moderatorin): Herr Kessler, sagen Sie gerade, dass Sie sich eine Anwendung vorstellen können?

Martin Kessler (Der Skeptiker): Ich sage, dass ich mir eine Anwendung vorstellen kann, bei der kein einziges patientenbezogenes Datum in ein externes System fließt. Fachwissen abfragen, Argumentationslogik prüfen, Formulierungshilfen für rein konzeptuelle Texte – meinetwegen. Aber das ist nicht das, was die Leute in der Praxis machen. Die kippen ihren halben Bericht rein und hoffen, dass es schon passt.

/note/ Aus dem Publikum meldet sich eine Kollegin. Frau Yilmaz gibt ihr das Mikrofon.

Frau Yilmaz (Moderatorin): Bitte, kurz.

Kollegin aus dem Publikum (Frage): Frau Holz, eine Frage: Sie sprechen von Prompts, die kein Identifizierungsrisiko haben. Aber wenn ich über Wochen verschiedene Patienten prompte – mal eine Abwehranalyse, mal einen Befund, mal eine Behandlungsbegründung – entsteht dann nicht in der Chathistorie so etwas wie ein Praxisprofil?

Lena Holz (Die Differenzierende): Ja. Das ist ein unterschätztes Risiko, und ich bin froh, dass Sie es ansprechen. Das Problem liegt nicht im einzelnen Prompt, sondern in der Akkumulation. Wenn Sie über Monate verschiedene Fälle prompten und irgendwo Ihren Namen oder Ihre Praxisadresse erwähnen – bei einer ganz anderen Anfrage, vielleicht privat –, dann liegt plötzlich alles beieinander.

/same/ Die Faustregel, die ich für mich gefunden habe: Formulieren Sie jeden Prompt so, als wäre die gesamte Chathistorie öffentlich lesbar. Und: Chatverläufe regelmäßig löschen, Inkognito-Modus nutzen, keine klinischen Prompts im selben Account wie private Anfragen.

Martin Kessler (Der Skeptiker): Das klingt nach einem aufwendigen Sicherheitsprotokoll.

Lena Holz (Die Differenzierende): Es klingt aufwendiger als es ist. Im Alltag heißt es: Vor jedem Prompt drei Sekunden nachdenken. Ist da ein Mensch erkennbar? Wenn nein: eintippen. Wenn ja: anders formulieren oder selbst schreiben.

Jonas Frey (Der Pragmatiker): Drei Sekunden. Das ist machbar.

Martin Kessler (Der Skeptiker): Ich bleibe skeptisch. Nicht weil ich die Differenzierung von Frau Holz nicht nachvollziehen kann – die kann ich. Sondern weil ich die Realität in den Praxen kenne. Es ist Donnerstagabend, 21 Uhr, der dritte Bericht an diesem Tag, die Kinder sind im Bett, man ist müde. Und dann soll man drei Sekunden nachdenken, ob der Prompt sicher ist? In diesem Moment denkt niemand nach. In diesem Moment will man fertig werden.

Lena Holz (Die Differenzierende): Und genau deshalb brauchen wir Orientierungsrahmen und keine Verbote. Wenn die Kammern, die Institute, die KBV klare Leitlinien herausgeben würden – mit Beispielen, mit Ampelsystemen, mit konkreten Prompts, die man nutzen kann und solchen, die man nicht nutzen soll –, dann müsste man am Donnerstagabend nicht selbst die Grenze ziehen. Dann wäre die Grenze schon gezogen.

/same/ Das Problem ist nicht die KI. Das Problem ist das Schweigen der Institutionen. Solange es keine Orientierung gibt, machen die Leute, was naheliegt. Und was naheliegt, ist ChatGPT.

Martin Kessler (Der Skeptiker): Da sind wir uns einig. Die Institutionen versagen.

Frau Yilmaz (Moderatorin): Das ist ein schöner Satz, um zum Schluss zu kommen – ausnahmsweise einer, bei dem alle drei nicken. Lassen Sie mich zusammenfassen, was ich gehört habe. Herr Kessler sagt: Die Schweigepflicht ist nicht verhandelbar, und die meisten KI-Nutzungen in der Praxis verletzen sie. Herr Frey sagt: In der Praxis nutzen viele Kolleg:innen KI bereits – oft ohne sich der Risiken bewusst zu sein. Und Frau Holz sagt: Es gibt einen Weg, KI verantwortlich zu nutzen, aber er erfordert Wissen, Disziplin und institutionelle Unterstützung, die es noch nicht gibt.

/same/ Ich füge hinzu: Dass Herr Frey heute Abend seinen letzten ChatGPT-Verlauf mit anderen Augen sieht, zeigt, dass diese Diskussion notwendig war. Und dass Herr Kessler sich eine Anwendung als Sparringspartner vorstellen kann, zeigt, dass die Fronten weniger starr sind, als sie scheinen. Was uns fehlt, sind nicht die Werkzeuge. Was uns fehlt, ist die Verständigung darüber, wie wir sie benutzen. Ich danke Ihnen allen – dem Podium und dem Publikum. Der Kaffee ist übrigens immer noch schlecht, aber es gibt Wein im Foyer.

/end/

Alle Essays im Überblick: Kartographie von Couch & Agora

Hausordnung (bitte kurz lesen)

Worum es geht: Couch & Agora ist ein professionell gerahmter Diskursraum zu Gegenwartsthemen aus psychoanalytischer Perspektive. Neben inhaltlichen Argumenten haben hier affektive Resonanzen Platz – einschließlich Eindrücken von Übertragung und Gegenübertragung.

  • Haltung: respektvoll, neugierig. Resonanz & Widerspruch willkommen; Beschämung nicht.
  • Spontanität: kurze, rohe Gegenübertragungs‑Eindrücke (Gefühle, Bilder, Körper‑Notizen) sind erlaubt – im öffentlichen Rahmen bitte bewusst formulieren.
  • Keine Diagnosen über Dritte, keine identifizierbaren Fallbezüge. Eigene Erfahrungen anonymisieren.
  • Kein Hass, keine Abwertung von Personen oder Gruppen; keine diskriminierenden Inhalte.
  • Pseudonym möglich. Wir speichern so wenig personenbezogene Daten wie nötig (siehe Datenschutz).
  • Moderation: Beiträge können verschoben, gekürzt oder entfernt werden (sichtbar begründet).
  • Urheberrecht & Nutzung: Sie behalten das Urheberrecht; mit dem Absenden räumen Sie uns ein einfaches Nutzungsrecht zur Darstellung/Moderation/Zitierung auf dieser Website ein.
  • Kein Therapieersatz. In Krisen: 112 (Notruf) / 116117 (ärztlicher Bereitschaftsdienst).

Ein Kommentar zu „KI und Datenschutz in der Psychotherapie – ein Leitfaden“

  1. Avatar von 333985
    333985

    Mass comment blasting: $10 for 100k comments. All from unique blog domains, zero duplicates. I will provide a full report and guarantee Ahrefs picks them up. Email mailto:helloboy1979@gmail.com for payment info.If you received this, you know Ive got the skills.

    Antworten
Kommentare zum Text
Gesamter Text · 1 Beitrag

Antworte auf den Kommentar von 333985 Antwort abbrechen

Pseudonym möglich. Die Hausordnung gilt.

📚 Mein Lesebereich

🔖

Noch keine Artikel gemerkt

Klicke auf das Herz bei Artikeln, die dich interessieren
📖

Keine angefangenen Artikel

Artikel, die du begonnen aber noch nicht beendet hast, erscheinen hier
✓

Noch keine Artikel abgeschlossen

Artikel, die du zu mindestens 80% gelesen hast, erscheinen hier
📚 0 Artikel besucht
⏱️ 0 Min. Lesezeit
📏 0% Ø Lesetiefe
✓ 0 Abgeschlossen

📈 Dein Fortschritt

0 von 0 Essays erkundet

🏷️ Deine Lieblingsthemen

Noch keine Daten

📅 Aktivität

🔥 Diese Woche: 0 Besuche