Schweizer Datenschutzgesetz und KI — Compliance-Guide

Quelle: Bundesgesetz über den Datenschutz (DSG), SR 235.1, Fedlex — Art. 5 Bst. f und g, Art. 19, 21, 22, 24 sowie 60–64; abgerufen am 23. August 2026.

Schweizer Datenschutzgesetz (DSG) und KI — Was Unternehmen wissen müssen

Seit dem 1. September 2023 gilt in der Schweiz das revidierte Datenschutzgesetz (offiziell: Bundesgesetz über den Datenschutz, DSG, SR 235.1). Es ist nicht bloss eine Aktualisierung des alten Systems, sondern eine Neuausrichtung. Wichtig für die Einordnung: Das Gesetz enthält keine KI-spezifischen Bestimmungen und verwendet die Begriffe «Künstliche Intelligenz» und «Machine Learning» nicht. Es erfasst KI-Systeme über Profiling und automatisierte Einzelentscheidungen.

Für KMU, die AI Automation implementieren möchten, ist die zentrale Frage: Ist meine AI Automation mit dem neuen DSG konform? Diese Seite gibt Ihnen klare Antworten mit praxisnahen Handlungsanleitungen.

Context: Das neue Datenschutzgesetz (nDSG) von 2023

Das revidierte DSG ersetzt das DSG von 1992 und bringt die Schweiz auf internationales Niveau — ähnlich dem europäischen DSGVO, aber mit Schweizer Besonderheiten.

Kern-Änderungen des neuen DSG:

1. Risk-Based Approach: Das Gesetz fokussiert auf das Risiko der Datenverarbeitung, nicht nur auf technische Regeln. Höheres Risiko = strengere Anforderungen.

1. Accountability Principle: Datenbearbeiter müssen nachweisen, dass sie konform sind. Es genügt nicht, zu hoffen, dass man sich an die Regeln hält. Man muss Dokumentation haben.

1. KI-relevante Bestimmungen: Das Gesetz regelt KI nicht namentlich, definiert aber Profiling und Profiling mit hohem Risiko (Art. 5 Bst. f und g) und knüpft daran die automatisierte Einzelentscheidung (Art. 21) und die Datenschutz-Folgenabschätzung (Art. 22).

1. Strengere Sanktionen: Busse bis CHF 250'000 gegen die verantwortliche natürliche Person (Art. 60–62 DSG); subsidiär bis CHF 50'000 gegen das Unternehmen (Art. 64 Abs. 2 DSG).

1. Bekanntgabe ins Ausland (Art. 16 DSG): Ein eigenes «Datenschutz-Äquivalenzgesetz» gibt es nicht — die Regel steht in Art. 16 DSG. Personendaten dürfen ins Ausland bekanntgegeben werden, wenn der Bundesrat für den betreffenden Staat einen angemessenen Schutz festgestellt hat (Staatenliste in Anhang 1 der Datenschutzverordnung, DSV, SR 235.11). Fehlt ein solcher Entscheid, braucht es nach Art. 16 Abs. 2 eine eigene Garantie, etwa Standarddatenschutzklauseln.

Was ist anders vom alten Gesetz?

Das DSG von 1992 kannte weder eine Legaldefinition des Profilings noch eine Folgenabschätzung. Das revidierte DSG bringt:

• Legaldefinitionen von „Profiling" und „Profiling mit hohem Risiko" (Art. 5 Bst. f und g)
• Regeln zur „automatisierten Einzelentscheidung" (Art. 21)
• DPIA (Datenschutz-Impact-Assessment) für Hochrisiko-Verarbeitung
• Recht auf „Erklärbarkeit" von automatisierten Entscheidungen

DSG vs. DSGVO: Unterschiede, die für KI relevant sind

Viele Unternehmen sind mit der europäischen DSGVO vertraut. Das DSG ist ähnlich, aber nicht identisch. Die Unterschiede sind für AI Automation wichtig.

Tabelle: DSG vs. DSGVO: Unterschiede, die für KI relevant sind

Aspekt	DSGVO (EU)	DSG (Schweiz)
Geltungsbereich	Alle Verarbeitung von EU-Bürgern-Daten	Alle Verarbeitung in der Schweiz
Explizite KI-Bestimmungen	Nein (Profiling und automatisierte Entscheidung, Art. 4 und 22)	Nein (Profiling und automatisierte Einzelentscheidung, Art. 5 Bst. f/g und Art. 21)
Sanktion	Bis 20 Mio. EUR oder bis 4 % des gesamten weltweit erzielten Jahresumsatzes des Vorjahres gegen das Unternehmen, je nachdem, welcher Betrag höher ist (Art. 83 Abs. 5 DSGVO)	Bis CHF 250'000 gegen die verantwortliche natürliche Person, subsidiär CHF 50'000 gegen das Unternehmen
Explizite DPIA-Anforderung	Ja, für High-Risk-Processing	Ja, ähnlich wie DSGVO
Right to Explanation	Ja, für Profiling	Ja, für automatisierte Entscheidungen
Data Protection Officer	Empfohlen bei automatisierter Entscheidung	Empfohlen (nicht obligatorisch)
Einwilligung vs. Erforderlichkeit	Meist Einwilligung nötig, mit Ausnahmen	Mehr Gewicht auf Erforderlichkeit und Verhältnismässigkeit
Data Breach Notification	72 Stunden (Art. 33 DSGVO)	«So rasch als möglich» an den EDÖB, wenn ein hohes Risiko zu erwarten ist (Art. 24 DSG) — keine feste Frist

Quelle der DSGVO-Sanktionshöhe: Art. 83 Abs. 5 DSGVO — im Wortlaut «Geldbussen von bis zu 20 000 000 EUR oder im Fall eines Unternehmens von bis zu 4 % seines gesamten weltweit erzielten Jahresumsatzes des vorangegangenen Geschäftsjahrs […], je nachdem, welcher der Beträge höher ist»; abgerufen am 23. August 2026.

Für KI- und Machine-Learning-Projekte: DSG und DSGVO sind nicht abgestuft streng, sondern unterschiedlich gebaut. Art. 22 DSGVO verbietet die ausschliesslich automatisierte Einzelentscheidung grundsätzlich und lässt sie nur unter Bedingungen zu; Art. 21 DSG verbietet nichts, sondern knüpft an solche Entscheidungen Informations-, Anhörungs- und Überprüfungsrechte. Eine vorgängige Folgenabschätzung verlangen beide Gesetze (Art. 22 DSG, Art. 35 DSGVO).

Die KI-relevanten DSG-Bestimmungen: Art. 5 Bst. f/g, Art. 21 und Art. 22

Dies ist kritisch für AI Automation. Das DSG nennt KI nirgends beim Namen — es greift über drei Bestimmungen:

Art. 5 Bst. f DSG: Profiling

Das Gesetz definiert „Profiling" als:

„jede Art der automatisierten Bearbeitung von Personendaten, die darin besteht, dass diese Daten verwendet werden, um bestimmte persönliche Aspekte, die sich auf eine natürliche Person beziehen, zu bewerten"

Art. 5 Bst. g DSG grenzt davon das „Profiling mit hohem Risiko" ab: Profiling, das ein hohes Risiko für die Persönlichkeit oder die Grundrechte der betroffenen Person mit sich bringt.

Wenn Sie ein Machine Learning Modell nutzen, um zu entscheiden, ob ein Kunde kreditwürdig ist, ein Mitarbeiter zu fördern ist, oder ein Versicherungs-Antrag genehmigt wird — das ist Profiling.

Die Pflichten daraus stehen nicht in Art. 5, sondern in Art. 19 ff. und Art. 21 DSG:

1. Transparenz: Nach Art. 19 DSG ist über die Bearbeitung zu informieren; erfolgt eine automatisierte Einzelentscheidung, ist auch darüber zu informieren (Art. 21 Abs. 1)
2. Standpunkt der betroffenen Person: Sie kann verlangen, dass ihr Standpunkt angehört wird (Art. 21 Abs. 2)
3. Menschliche Überprüfung: Sie kann verlangen, dass die Entscheidung von einer natürlichen Person überprüft wird (Art. 21 Abs. 2)
4. Ausnahmen: Die Pflichten entfallen, wenn die Entscheidung im Zusammenhang mit einem Vertrag steht und dem Begehren der Person entsprochen wird, oder wenn sie ausdrücklich eingewilligt hat (Art. 21 Abs. 3)

Das „Black Box" Problem: Viele ML-Modelle (Deep Neural Networks, Ensemble Methods) sind nicht erklärbar — man kann nicht genau sagen, warum sie eine Entscheidung getroffen haben. Das DSG verlangt zwar nirgends wörtlich „Erklärbarkeit"; wer aber nach Art. 21 den Standpunkt einer betroffenen Person anhören und die Entscheidung menschlich überprüfen lassen muss, kommt ohne nachvollziehbare Entscheidungsgründe praktisch nicht aus. Das ist eine technische Herausforderung.

Praktische Implikation für AI Automation:

• Sie können für Entscheidungen nicht einfach ein Black-Box-Modell in Betrieb nehmen
• Sie brauchen explainability (SHAP values, LIME, Feature Importance, oder andere Interpretability-Techniken)
• Oder Sie nutzen von vornherein interpretierbare Modelle (Decision Trees, Linear Models, Rule-Based)

Art. 22 DSG: Datenschutz-Folgenabschätzung

Art. 22 DSG ist die zentrale Risikonorm — sie spricht von Bearbeitungen, nicht von KI-Systemen:

„Der Verantwortliche erstellt vorgängig eine Datenschutz-Folgenabschätzung, wenn eine Bearbeitung ein hohes Risiko für die Persönlichkeit oder die Grundrechte der betroffenen Person mit sich bringen kann."

Das hohe Risiko ergibt sich laut Art. 22 Abs. 2 DSG, insbesondere bei Verwendung neuer Technologien, aus Art, Umfang, Umständen und Zweck der Bearbeitung; namentlich genannt sind die umfangreiche Bearbeitung besonders schützenswerter Personendaten und die systematische umfangreiche Überwachung öffentlicher Bereiche. Ein Profiling mit hohem Risiko ist in Art. 22 Abs. 2 DSG nicht eigens aufgeführt — es erfüllt die Voraussetzung des hohen Risikos aber schon nach seiner Legaldefinition in Art. 5 Bst. g. In der Praxis heisst das für KI-Systeme, die:

• diskriminieren können
• Grundrechte berühren
• grosse wirtschaftliche Auswirkungen haben

Beispiele von Hochrisiko-AI:

• Hiring-Modelle (können Diskriminierung verursachen)
• Credit-Scoring (kann finanzielle Exklusion verursachen)
• Police-Risk-Prediction (kann zu unfairer Behandlung führen)
• Medical Diagnosis Systems (können Lebensqualität betreffen)

Für solche Bearbeitungen verlangt Art. 22 Abs. 3 DSG eine Beschreibung der geplanten Bearbeitung, eine Bewertung der Risiken und die vorgesehenen Schutzmassnahmen. Nicht im Gesetz, aber als Praxis daraus abgeleitet:

1. Datenschutz-Folgenabschätzung (DSFA/DPIA): gesetzlich verlangt nach Art. 22 DSG
2. Bias-Testing: Überprüfung, dass das System nicht diskriminiert — Praxisempfehlung, keine DSG-Pflicht
3. Monitoring und Governance: Kontinuierliche Überprüfung des Modells in Production — Praxisempfehlung
4. Dokumentation: Trägt den Nachweis der Konformität; die DSFA selbst ist zu dokumentieren
5. Auditierung: Externe oder interne Audits — Praxisempfehlung, keine DSG-Pflicht

Praktische Compliance-Anforderungen: Was Unternehmen tun müssen

Wenn Sie in der Schweiz AI Automation einführen, was konkret müssen Sie tun?

Phase 1: Klassifizierung — Ist das Projekt „Low Risk" oder „High Risk"?

Fragen Sie:

• Verarbeite ich Personendaten?
• Ist das Modell eine automatisierte Entscheidung?
• Betrifft die Entscheidung sensible Rechte (Finanz, Health, Employment)?
• Könnte das System Diskriminierung verursachen?

Wenn auf alle Ja, dann High-Risk.

Phase 2 (bei Low-Risk): Datenschutz-Grundlagen

Auch Low-Risk Projekte brauchen:

• Datenschutz-Dokumentation
• Klar definierte Zwecke der Datennutzung
• Zugang-Kontrolle (wer darf auf Daten zugreifen?)
• Data-Retention-Policies (wie lange speichern?)
• Implementierung von Datensicherheit (Encryption, etc.)

Phase 2 (bei High-Risk): Umfassendes DPIA

Ein DPIA (Datenschutz-Impact-Assessment) für KI sollte adressieren:

1. Datenquellen: Woher kommen die Trainingsdaten? Sind sie legal erworben? Repräsentativ?

1. Model-Fairness und Bias Testing:

- Liefert das Modell für verschiedene Gruppen vergleichbare Ergebnisse? - Gibt es Disparate Impact (ungleiche Auswirkung auf Gruppen)? - Tools: Fairness-Pakete in Python (Fairlearn, AIF360)

1. Explainability-Analyse:

- Können Sie erklären, warum das Modell X entschieden hat? - Implementiert Ihr Modell oder haben Sie eine Interpretability-Schicht?

1. Daten-Sicherheit:

- Wie werden Trainingsdaten geschützt? - Können Trainingsdaten aus dem Modell rekonstruiert werden (Membership Inference Attack)? - Differential Privacy implementiert?

1. Robustheit und Adversarial-Attacken:

- Lässt sich das Modell durch geschickt gewählte Eingaben manipulieren? - Ist das Modell robust gegen Out-of-Distribution Daten?

1. Menschliche Überwachung und Escalation:

- Gibt es ein Approval-System für automatische Entscheidungen? - Können betroffene Personen eingreifen/widersprechen?

1. Monitoring und Drift-Detection:

- Wie überwacht Ihr System, dass das Modell auch nach Deployment noch fair funktioniert? - Wie reagiert Ihr System, wenn sich die Daten ändern ("Concept Drift")?

1. Dokumentation und Auditierbarkeit:

- Alle Tests, Ergebnisse, Modell-Versionen sind dokumentiert - Ein Auditor könnte Ihr System nachvollziehen

Phase 3: Implementierung und Ongoing Compliance

Nach dem DPIA:

• Die Sicherungsmassnahmen umsetzen
• Das Team schulen
• Alles dokumentieren
• Regelmässige Compliance-Checks durchführen (quartalsweise oder halbjährlich)
• Auf neue Risiken rasch reagieren

Schweizer Spezifik: Bekanntgabe ins Ausland und Bearbeitungsort

Ein Gebot, Personendaten in der Schweiz zu bearbeiten, steht nicht im DSG. Das Gesetz regelt in Art. 16 die Bekanntgabe ins Ausland: Sie ist zulässig, wenn der Bundesrat für den betreffenden Staat einen angemessenen Schutz festgestellt hat (Staatenliste in Anhang 1 DSV); fehlt dieser Entscheid, braucht es nach Art. 16 Abs. 2 eine eigene Garantie, etwa Standarddatenschutzklauseln. Welche Staaten auf der Liste stehen und unter welchen Vorbehalten, ist in Anhang 1 DSV im Einzelnen nachzuschlagen.

Daraus folgt für Cloud-KI kein Verbot, sondern eine Nachweispflicht — und die lässt sich vermeiden, indem die Daten das Land nicht verlassen. Unsere Empfehlung (keine Vorgabe des Gesetzes):

• Für nicht sensible Daten: US-Anbieter wie OpenAI oder Google Cloud sind gangbar, wenn die Garantie nach Art. 16 dokumentiert ist
• Für sensible Daten (Kunden-, Finanz-, Gesundheitsdaten): Llama oder Mistral lokal hosten — dann stellt sich die Frage der Bekanntgabe gar nicht
• Alternative: europäische Anbieter wie Mistral oder Aleph Alpha, die dem Angemessenheitsentscheid für den EWR unterstehen

Beispielszenario: Schweizer Bank mit Machine Learning

Das folgende Beispiel ist ein Szenario, kein Kundenprojekt — es zeigt, welche DSG-Pflichten greifen würden, wenn eine Schweizer Bank ein Machine-Learning-Modell für Credit Scoring einführt.

DSG-Compliance-Anforderungen:

1. Art. 5 Bst. f/g und Art. 21 DSG (Profiling, automatisierte Einzelentscheidung):

- Bank muss Kunden informieren, dass sie ein Scoring-Modell nutzen - Bank muss erklären können, warum Kunde A Kredit bekam, Kunde B nicht - Kunde kann verlangen, seinen Standpunkt darzulegen (Art. 21 Abs. 2 DSG) — ein Widerspruchsrecht wie Art. 21 DSGVO kennt das DSG nicht - Es braucht Human Review (ein Banker kann die Maschinen-Entscheidung überstimmen)

1. Art. 22 DSG (Datenschutz-Folgenabschätzung):

- Bank führt DPIA durch - Testet auf Bias: Werden Frauen diskriminiert? Werden Migranten diskriminiert? - Implementiert Explainability (z.B., SHAP values für jede Entscheidung) - Dokumentiert alles - Führt quartalsweise Compliance-Audits durch - Hat ein Monitoring-System, das Drift erkennt

1. Daten-Sicherheit:

- Trainingsdaten sind verschlüsselt - Nur autorisierte Banker haben Zugang - Modell wird lokal gehostet (nicht in USA Cloud)

Vertiefen Sie Ihr Wissen:

• Datenschutz und AI Automation
• AI Governance und Compliance
• AI Automation Grundlagen
• AI Automation Security Deep Dive
• Ethik der AI Automation
• Finance Automation mit KI

1. Data Retention:

- Credit-Scoring Daten werden nach 7 Jahren gelöscht - Modell wird jährlich neu trainiert (mit aktualisierten Daten)

Ohne diese Massnahmen bestünde in diesem Szenario ein erhebliches Compliance-Risiko. Die Aufbewahrungsfrist von sieben Jahren und der jährliche Neutrainings-Zyklus sind Annahmen des Szenarios, keine Vorgaben des DSG.

Praktische Compliance-Tools und Ressourcen

Um DSG-Compliance konkret umzusetzen, können Unternehmen Tools nutzen:

Fairness & Bias-Testing:

• Fairlearn (Microsoft, Open-Source)
• AIF360 (IBM, Open-Source)
• Google's What-If Tool

Explainability:

• SHAP (Lundberg & Lee)
• LIME (Local Interpretable Model-Agnostic Explanations)
• InterpretML (Microsoft)

Data Protection:

• Differential Privacy Libraries (Google DP, Apple's RAPPOR)
• Federated Learning (Google TensorFlow Federated)

Privacy-Preserving ML:

• Homomorphe Verschlüsselung (praktisch noch aufwendig, aber in Entwicklung)
• Secure Multi-Party Computation

Governance & Documentation:

• Model Cards (Google)
• Datasheets for Datasets (Gebru et al.)
• System Cards (Mitaraman et al.)

Häufige Fehler und wie man sie vermeidet

Fehler 1: „Wir sind mit DSGVO konform, also auch DSG-konform"
Falsch. Das DSG ist anders aufgebaut. Wo die DSGVO in Art. 22 ein grundsätzliches Verbot automatisierter Einzelentscheidungen mit Erlaubnisvorbehalt kennt, knüpft Art. 21 DSG an solche Entscheidungen Informations-, Anhörungs- und Überprüfungsrechte. Explizitere KI-Regeln hat die Schweiz nicht — sie hat andere.

Fehler 2: „Wir kümmern uns um Compliance, nachdem wir deployen"
Zu spät. DSG verlangt Compliance vor Deployment.

Fehler 3: „Unser KI-Anbieter kümmert sich um Compliance, nicht wir"
Falsch. Sie sind immer noch verantwortlich (Shared Responsibility). Sie können diese Verantwortung nicht vollständig delegieren.

Fehler 4: „KI ist zu neu, Regulierung ist nicht relevant"
Nein. Das DSG ist seit dem 1. September 2023 in Kraft. Schweizer Unternehmen müssen konform sein.

Fehler 5: „Wir sind ein KMU, Compliance ist für grosse Unternehmen"
Falsch. DSG gilt für alle Datenbearbeiter, unabhängig von Grösse. Ein KMU muss genauso konform sein.

Compliance-Roadmap: Wie Unternehmen starten

Monat 1-2: Assessment

• Inventur: Welche Datenbearbeitung findet statt?
• Klassifizierung: Low-Risk vs. High-Risk
• Gap-Analyse: Wo sind wir nicht konform?

Monat 3-4: DPIA für High-Risk Projekte

• Systematische Risikoanalyse
• Bias-Testing, Fairness-Analysen
• Dokumentation

Monat 5-6: Implementierung

• Datenschutz-Massnahmen umsetzen
• Team trainieren
• Policies und Prozesse etablieren

Monat 7+: Ongoing Compliance

• Quartalsweise Audits
• Monitoring der Modell-Performance
• Update bei neuen Gesetzen

ai-automation-hub und DSG-Compliance

ai-automation-hub versteht Datenschutz nicht als Zusatz, sondern als zentrale Voraussetzung für vertrauenswürdige AI Automation.

Unsere Services:

• DSG Compliance Assessments: Wir analysieren Ihre geplanten AI Automation Projekte auf DSG-Risiken
• DPIA-Unterstützung: Wir helfen, formale DPIAs für High-Risk Projekte zu schreiben
• Bias Testing und Fairness: Wir führen umfassende Fairness-Analysen durch
• Explainability Implementation: Wir helfen, interpretable Models oder Explainability-Layers zu implementieren
• Governance und Monitoring: Wir helfen beim Aufbau von Governance-Frameworks und Monitoring-Systemen
• Compliance Documentation: Wir unterstützen bei der Dokumentation für regulatorische Audits

Häufig gestellte Fragen

Seit wann gilt das neue Schweizer Datenschutzgesetz und was ändert sich für KI?

Das revidierte Datenschutzgesetz (DSG) ist seit dem 1. September 2023 in Kraft und ersetzt jenes von 1992. Künstliche Intelligenz nennt es nicht — KI-Systeme werden über allgemeine Bestimmungen erfasst: Art. 5 Bst. f und g definieren Profiling und Profiling mit hohem Risiko, Art. 21 regelt die automatisierte Einzelentscheidung, Art. 22 die Datenschutz-Folgenabschätzung. Dazu kommen ein risikobasierter Ansatz, eine Nachweispflicht (Accountability) und Bussen bis CHF 250'000 gegen die verantwortliche natürliche Person.

Welche DSG-Artikel betreffen Künstliche Intelligenz direkt?

Keiner betrifft KI namentlich — das DSG kennt den Begriff nicht. Praktisch relevant sind drei Bestimmungen: Art. 5 Bst. f und g definieren Profiling und Profiling mit hohem Risiko. Art. 21 verlangt bei einer ausschliesslich automatisierten Entscheidung mit Rechtsfolge oder erheblicher Beeinträchtigung, dass die betroffene Person informiert wird, ihren Standpunkt darlegen und eine menschliche Überprüfung verlangen kann. Art. 22 verlangt vorgängig eine Datenschutz-Folgenabschätzung, wenn die Bearbeitung ein hohes Risiko mit sich bringen kann.

Reicht DSGVO-Konformität aus, um auch DSG-konform zu sein?

Nein, das ist ein häufiger Fehler: Das Schweizer DSG ist der DSGVO ähnlich, aber nicht identisch. Die automatisierte Einzelentscheidung ist anders gebaut (Art. 21 DSG gewährt Rechte, Art. 22 DSGVO verbietet grundsätzlich), und Verletzungen der Datensicherheit sind nach Art. 24 DSG «so rasch als möglich» zu melden statt innerhalb von 72 Stunden wie in der EU. Zudem gilt das DSG für jede Datenverarbeitung in der Schweiz — unabhängig von der Unternehmensgrösse, also auch für KMU.

Wann braucht ein KI-Projekt ein Datenschutz-Impact-Assessment (DPIA)?

Ein DPIA ist erforderlich, wenn das KI-System als Hochrisiko gilt — also Diskriminierung verursachen, fundamentale Rechte verletzen oder grosse wirtschaftliche Auswirkungen haben könnte. Typische Beispiele sind Hiring-Modelle, Credit-Scoring oder medizinische Diagnosesysteme. Das DPIA analysiert unter anderem Datenquellen, Fairness und Bias, Erklärbarkeit der Entscheidungen, Datensicherheit sowie Monitoring nach dem Deployment.

Wo sollten Schweizer Unternehmen sensible Daten für KI verarbeiten?

Eine Pflicht zur Bearbeitung in der Schweiz kennt das DSG nicht. Es regelt in Art. 16 die Bekanntgabe ins Ausland: zulässig, wenn der Bundesrat für den Staat einen angemessenen Schutz festgestellt hat (Anhang 1 DSV), sonst nur mit eigener Garantie wie Standarddatenschutzklauseln. Wer US-Dienste wie OpenAI, Google Cloud oder AWS nutzt, muss diese Garantie also belegen können. Unsere Empfehlung — nicht die des Gesetzes — lautet, sensible Kunden-, Finanz- oder Gesundheitsdaten mit lokal gehosteten Open-Source-Modellen wie Llama oder Mistral zu bearbeiten, weil sich die Frage der Bekanntgabe dann gar nicht stellt. Europäische Anbieter wie Mistral oder Aleph Alpha sind eine Zwischenlösung.

---

Quellen

1. Bundesgesetz über den Datenschutz (DSG), SR 235.1, Fedlex — Art. 5 Bst. f und g, Art. 19, 21, 22, 24 sowie 60–64; abgerufen am 23. August 2026.
2. Quelle der DSGVO-Sanktionshöhe: Art. 83 Abs. 5 DSGVO — im Wortlaut «Geldbussen von bis zu 20 000 000 EUR oder im Fall eines Unternehmens von bis zu 4 % seines gesamten weltweit erzielten Jahresumsatzes des vorangegangenen Geschäftsjahrs […], je nachdem, welcher der Beträge höher ist»; abgerufen am 23. August 2026.