Datenschutz-Engineering & synthetische Daten
Wir entwickeln Differential-Privacy-Pipelines, synthetische Datengeneratoren mit formalen Garantien und Datenschutzbudget-Systeme, mit denen Teams KI trainieren, ohne echte Datensätze preiszugeben.
Die meisten Organisationen glauben, ihr KI-Datenschutzproblem gelöst zu haben, weil sie ein Maskierungsskript ausgeführt oder Namen durch Token ersetzt haben. Unser Ansatz besteht darin, Datenschutzsysteme zu entwickeln, die mathematische Garantien liefern, keine bloßen Grundsatzbehauptungen – jede Datenschutzaussage ist so konzipiert, dass sie ein angegebenes Epsilon, ein definiertes Bedrohungsmodell und ein quantifiziertes Restrisiko trägt – dieselbe Disziplin nachweisbarer architektonischer Integrität statt bloßer Behauptung, die wir in unserer Forschung zur architektonischen Integrität von KI-Systemendarlegen.
Warum „Wir haben es anonymisiert“ keine Datenschutzgarantie ist
Das Ausführen eines Maskierungsskripts oder das Ersetzen von Namen durch Token löst das KI-Datenschutzproblem nicht. Der EDPB hat dieses Denken in Stellungnahme 28/2024 rundheraus abgelehnt: KI-Modelle sind nicht von Natur aus anonym. Eine Einzelfallprüfung ist erforderlich, und Aufsichtsbehörden erwarten nun Differential Privacy, Tests gegen Extraktionsangriffe und interne Datenschutz-Audits als konkrete Anonymisierungsmaßnahmen.
Zugleich schreiten Re-Identifizierungsangriffe weiter voran. Forschende haben gezeigt, dass 87 % der US-Bevölkerung allein anhand von Postleitzahl, Geburtsdatum und Geschlecht eindeutig identifizierbar sind. Ohne formale Datenschutzgarantien erzeugte synthetische Daten können weiterhin Informationen durch Musterinferenz preisgeben, und die Rückverfolgbarkeit über mehrstufige synthetische Pipelines ist laut aktueller Forschung „derzeit unmöglich“ vollständig zu verifizieren.
Unser Standard lautet, dass ein synthetischer Datensatz erst dann als sicher zum Teilen bezeichnet wird, wenn die Methode die Ergebnisse der Membership-Inference-Tests, die Nächste-Nachbar-Distanzanalyse und das formale Differential-Privacy-Budget, unter dem er erzeugt wurde, liefern kann.
Differential Privacy, entwickelt für den Produktivbetrieb
Die Theorie hinter Differential Privacy ist gut verstanden; die technische Herausforderung besteht darin, sie umzusetzen, ohne den Nutzwert der Daten zu zerstören. DP-SGD fügt während des Modelltrainings kalibriertes Rauschen hinzu, sodass kein einzelner Trainingsdatensatz das Ergebnis wesentlich beeinflussen kann. Die Datenschutzkosten werden über ein formales Budget verfolgt: jede Abfrage, jede Trainingsepoche, jede nachgelagerte Analyse verbraucht Epsilon. Ist das Budget erschöpft, sind keine weiteren Abfragen mehr möglich.
Unsere Methode implementiert DP mit Opacus (PyTorch) oder TensorFlow Privacy , je nach Ihrem bestehenden Stack. Die eigentliche Arbeit ist nicht die Bibliotheksintegration – sie ist die Epsilon-Kalibrierung. Da der richtige Wert datensatzspezifisch ist, führt ein Projekt Kalibrierungsexperimente an Ihren tatsächlichen Daten durch, um den Epsilon-Bereich zu finden, in dem Datenschutz und Modellleistung beide Ihre Anforderungen erfüllen. Referenzpunkte aus realen Einsätzen:
- Der US Census verwendete Epsilon 19,61 für Statistiken zur Wahlkreisneueinteilung.
- LinkedIn arbeitet mit Epsilon 14,4 über Dreimonatsfenster.
- MOSTLY AIDie Benchmarks zeigen, dass synthetische Daten bei Epsilon 2,51 eine Downstream-Genauigkeit von 96,2 % erreichen gegenüber 98,1 % ohne DP – ein Genauigkeitskompromiss von rund 2 %, den die meisten Produktionsanwendungsfälle verkraften können.
Zuteilung des Datenschutzbudgets über Teams hinweg
Für Organisationen, die mehrere Teams auf gemeinsam genutzte sensible Datensätze zugreifen lassen, wird die Zuteilung des Datenschutzbudgets zu einem organisatorischen Gestaltungsproblem. Googles PLD-Accountant (Privacy Loss Distribution) erzeugt Kompositionsschranken, die 5-mal enger sind als der PRV-Accountant von Microsoft und 200-mal enger als ältere Privacy-Buckets-Ansätze. Engere Komposition bedeutet, dass Ihre Teams mehr Analysen innerhalb desselben Datenschutzbudgets durchführen können. Unser Ansatz setzt PLD-basierte Buchführung mit teamspezifischen Budgetzuteilungen, automatischen Erschöpfungswarnungen und Audit-Logs ein, die genau nachverfolgen sollen, welche Analysen welche Teile des Budgets verbraucht haben.
Erzeugung synthetischer Daten mit messbarem Datenschutz
Synthetische Daten sind nicht von Natur aus datenschutzkonform. Ein ohne DP-Beschränkungen auf Patientendaten trainiertes GAN wird echte Datensätze auswendig lernen und reproduzieren, insbesondere bei Ausreißern und seltenen Erkrankungen. Die SaTML-MIDST-Challenge 2025 bestätigte, dass Membership-Inference-Angriffe gegen tabellarische Diffusionsmodelle weiterhin wirksam sind, wobei eine auf Schattenmodellen basierende Erkennung Mitglieder des Trainingsdatensatzes zuverlässig identifiziert.
Unser Ansatz erzeugt synthetische Daten mit der Technik, die zu Ihrer Datenform und Ihren Datenschutzanforderungen passt. TabDDPM (diffusionsbasiert) übertrifft in aktuellen Benchmarks GANs durchweg sowohl bei der ML-Nutzbarkeit als auch bei der Verteilungstreue. CTGAN aus dem SDV-Ökosystem verarbeitet gemischte kategorial-kontinuierliche Tabellendaten gut, hat aber Schwierigkeiten mit komplexen Spaltenkorrelationen und neigt bei unausgewogenen Klassen zum Mode Collapse. Für Gesundheits- und Finanzdaten, bei denen statistische Treue am wichtigsten ist, greifen wir typischerweise zu TabDDPM oder zu Generatoren auf Basis Bayes'scher Netze wie PrivBayes, trainiert unter DP-Beschränkungen, sodass der Generator selbst keine einzelnen Datensätze auswendig lernen kann.
Qualitätsbewertung über drei Dimensionen
- Treue: Reproduzieren die synthetischen Daten die statistischen Eigenschaften der echten Daten – Verteilungen, Korrelationen, bedingte Beziehungen?
- Nutzbarkeit: Erbringen auf synthetischen Daten trainierte Modelle vergleichbare Leistung wie auf echten Daten trainierte Modelle?
- Datenschutz: Kann ein Angreifer feststellen, ob der Datensatz einer bestimmten Person im Trainingssatz enthalten war?
Unsere Bewertung führt standardmäßig DOMIAS (dichtebasierte Membership Inference) und eine Nächste-Nachbar-Distanzanalyse durch. Praktiker stellen durchweg fest, dass auf ordnungsgemäß erzeugten synthetischen Daten trainierte Modelle 85–95 % der Leistung echter Daten erreichen, wobei sich die Lücke weiter schließt, wenn synthetische Daten einen kleinen echten Ausgangsdatensatz ergänzen, anstatt echte Daten vollständig zu ersetzen.
Wo synthetische Daten versagen und was stattdessen zu verwenden ist
Synthetische Daten sind keine Universallösung. Wenn Ihr Anwendungsfall die exakte Erhaltung des Verhaltens am Rand der Verteilung erfordert – seltene Krankheitsphänotypen, ungewöhnliche Transaktionsmuster zur Betrugserkennung –, werden synthetische Generatoren genau das Signal glätten, das Sie benötigen. Wenn Ihr echter Datensatz klein ist (unter einigen Tausend Datensätzen), hat der Generator nicht genug Signal, um eine sinnvolle Struktur zu lernen, und die synthetische Ausgabe wird zu Rauschen mit plausibler Formatierung.
Organisationsübergreifende Zusammenarbeit: Federated Learning
Wo Rohdaten ihre Quelle nicht verlassen können, ist Federated Learning die Alternative – doch seine Datenschutzeigenschaften sind schwächer als gemeinhin vermarktet. Gradient-Inversion-Angriffe (Geminio, MMGIA) können Trainingsbilder aus geteilten Gradienten rekonstruieren. In einer Studie zur Netzhautbildgebung waren 92 % der Teilnehmenden aus Gradientenrekonstruktionen identifizierbar, selbst bei moderat angewandter DP. Sichere Aggregation kombiniert mit DP-Rauschen pro Update ist die minimal tragfähige Verteidigung, kein optionales Add-on.
Datenschutz zur Inferenzzeit: Confidential Computing
Zum Schutz von Benutzeranfragen gegenüber dem Modellanbieter ist Confidential Computing über TEEs derzeit der einzige produktionsreife Weg. NVIDIA Hopper- und Blackwell-GPUs unterstützen nun vertrauliche Ausführung und halten sowohl Modellgewichte als auch Benutzerdaten während der Inferenz verschlüsselt. FHE macht Fortschritte – GPU-beschleunigte Implementierungen zeigen 200-fache Beschleunigungen gegenüber CPU-Baselines –, doch Latenz und Rechenaufwand beschränken es weiterhin auf enge Anwendungsfälle.
Die regulatorische Landschaft ohne Raten navigieren
Das regulatorische Bild für datenschutzwahrende KI verändert sich schnell, und die sicheren Antworten von vor zwei Jahren gelten nicht mehr. Die Stellungnahme 28/2024 des EDPB verlangt von Organisationen den Nachweis, dass KI-Modelle keine personenbezogenen Daten durch Extraktionsangriffe preisgeben können, statt bloß zu behaupten, die Trainingsdaten seien gelöscht worden – dieselbe Verschiebung hin zu nachweisbarer algorithmischer Rechenschaftspflicht, die wir in unserem Whitepaper zur Rechenschaftspflicht in der Ära nach RealPageuntersuchen. Die Anforderungen des EU AI Act an Hochrisikosysteme treten im August 2026 in Kraft und fügen den bestehenden DSGVO-Beschränkungen Daten-Governance-Pflichten hinzu (Artikel 10).
Der vorgeschlagene Digital Omnibus würde eine entitätsspezifische Identifizierbarkeit kodifizieren – das heißt, Daten, die für die Organisation, die sie hält, personenbezogen sind, könnten für einen nachgelagerten Empfänger nicht personenbezogen sein. Dies könnte neu prägen, wie Transfers synthetischer Daten eingestuft werden, doch die Leitlinien sind noch nicht endgültig.
HIPAA: Safe Harbor vs. Expert Determination
Für HIPAA-regulierte Organisationen wirkt sich die Wahl zwischen den De-Identifizierungsmethoden Safe Harbor und Expert Determination unmittelbar auf die Qualität der KI-Trainingsdaten aus. Safe Harbor entfernt 18 Identifikatortypen und beseitigt oft zu viel Signal für ML. Expert Determination erhält mehr nützliche Struktur, erfordert aber einen qualifizierten Experten, der bescheinigt, dass das Re-Identifizierungsrisiko „sehr gering“ ist. Ein Projekt wird darauf zugeschnitten, die technische Pipeline aufzubauen und die statistische Analyse zu erstellen, die Expert Determination erfordert.
Kaliforniens AB 2013 und regulatorisches Mapping
Kaliforniens AB 2013 (gültig ab 1. Januar 2026) verlangt nun die Offenlegung der Verwendung synthetischer Daten im KI-Training. Unsere Methode ordnet Ihre technischen Datenschutzgarantien den geltenden regulatorischen Anforderungen zu und dokumentiert die konkreten Bedingungen, unter denen Ihre differenziell privaten Ausgaben oder synthetischen Datensätze außerhalb des Geltungsbereichs personenbezogener Daten liegen, mit ehrlichen Vorbehalten dazu, wo die regulatorischen Leitlinien noch ungeklärt bleiben.
Wichtigste Erkenntnisse
- Anonymisierungsskripte und Tokenisierung sind keine Datenschutzgarantien – die EDPB-Stellungnahme 28/2024 behandelt KI-Modelle als nicht von Natur aus anonym, und 87 % der US-Bevölkerung sind anhand von Postleitzahl, Geburtsdatum und Geschlecht re-identifizierbar.
- Wir entwickeln Differential Privacy für den Produktivbetrieb mit Opacus oder TensorFlow Privacy und kalibrieren Epsilon an Ihren echten Daten anhand von Einsatz-Referenzpunkten (US Census 19,61, LinkedIn 14,4, MOSTLY AI 2,51).
- Googles PLD-Accountant liefert eine 5-mal engere Komposition als Microsofts PRV und eine 200-mal engere als Privacy Buckets, sodass Budgets über mehrere Teams weiter reichen.
- Synthetische Daten werden unter DP-Beschränkungen erzeugt (TabDDPM, CTGAN, PrivBayes) und nach Treue, Nutzbarkeit und Datenschutz bewertet – wobei sie 85–95 % der Leistung echter Daten erreichen –, versagen aber beim Randverhalten und bei kleinen Datensätzen.
- Federated Learning (anfällig für Geminio/MMGIA-Gradient-Inversion) und TEE-basiertes Confidential Computing auf NVIDIA Hopper/Blackwell sind die Alternativen, wenn synthetische Daten nicht passen.
- Wir ordnen Garantien dem EU AI Act (August 2026), der DSGVO, dem vorgeschlagenen Digital Omnibus, der HIPAA Expert Determination und Kaliforniens AB 2013 (1. Januar 2026) zu.
Häufig gestellte Fragen
Wie viel Genauigkeit verlieren wir, wenn wir dem Modelltraining Differential Privacy hinzufügen?
Der Genauigkeitskompromiss hängt von Ihrer Datensatzgröße, der Modellkomplexität und dem gewählten Epsilon-Wert ab. Beim US-Census-Income-Datensatz (48.842 Zeilen, 15 Attribute) zeigen die Benchmarks von MOSTLY AI 96,2 % Genauigkeit mit DP bei Epsilon 2,51 gegenüber 98,1 % ohne DP, ein Unterschied von rund 2 %. Bei größeren Datensätzen verengt sich die Lücke, weil das DP-Rauschen relativ weniger Einfluss hat. Unter Epsilon 3 kann sich die Genauigkeit bei kleinen tabellarischen Datensätzen um 15–30 % verschlechtern, weshalb die Epsilon-Kalibrierung an Ihren tatsächlichen Daten entscheidend ist, bevor Sie sich auf ein Datenschutzbudget festlegen. Wir führen Kalibrierungsexperimente über Epsilon-Bereiche durch, um den Punkt zu finden, an dem Datenschutz und Modellleistung beide Ihre Anforderungen erfüllen, anstatt ein Epsilon aus einem Lehrbuch zu wählen.
Was kostet und liefert ein Privacy-Engineering-Projekt tatsächlich?
Ein umrissenes Projekt, das eine einzelne DP-Trainingspipeline mit Erzeugung synthetischer Daten und Qualitätsbewertung abdeckt, dauert typischerweise 8–12 Wochen. Zu den Ergebnissen gehören die datenschutzwahrende Trainingspipeline mit dokumentierten Epsilon-Budgets und formalen Garantien, der Generator für synthetische Daten mit Qualitätsberichten über die Dimensionen Treue, Nutzbarkeit und Datenschutz, eine Datenschutz-Risikobewertung, die Restrisiken und ihre Minderungen dokumentiert, sowie Integrationsspezifikationen für Ihre bestehende Dateninfrastruktur. Für Organisationen, die ein unternehmensweites Management von Datenschutzbudgets über mehrere Teams hinweg benötigen, kommen 4–6 Wochen für die Buchführungsinfrastruktur und die organisatorische Gestaltung hinzu. Die Gesamtinvestition hängt von der Datenkomplexität, dem regulatorischen Umfang und davon ab, ob Sie eine HIPAA Expert Determination oder eine DSGVO-Analyse anonymer Daten benötigen.
Sind synthetische Daten automatisch DSGVO-konform?
Nein. Die Stellungnahme 28/2024 des EDPB hat die Vorstellung, dass KI-Ausgaben von Natur aus anonym seien, ausdrücklich zurückgewiesen. Ohne Differential Privacy erzeugte synthetische Daten können durch Musterinferenz Informationen über echte Personen preisgeben, und Aufsichtsbehörden erwarten nun Tests gegen Extraktionsangriffe und formale Datenschutzmaßnahmen als Nachweis der Anonymisierung. Der vorgeschlagene EU Digital Omnibus würde eine entitätsspezifische Identifizierbarkeit kodifizieren und möglicherweise ändern, wie Transfers synthetischer Daten eingestuft werden, doch die Leitlinien sind noch nicht endgültig. Gartner prognostiziert, dass synthetische Daten echte Daten im KI-Training bis 2030 übertreffen werden, und der Markt für synthetische Daten soll bis zu diesem Jahr 2,3 Milliarden US-Dollar erreichen. Der regulatorische Rahmen holt noch auf. Wir ordnen Ihre technischen Datenschutzgarantien konkreten DSGVO-Bestimmungen zu und dokumentieren, wo Ihre synthetischen Daten außerhalb des Geltungsbereichs personenbezogener Daten liegen, mit ehrlichen Vorbehalten zu ungeklärten regulatorischen Positionen.
Sollten wir unsere eigene Pipeline für synthetische Daten bauen oder von Gretel, MOSTLY AI oder Tonic kaufen?
Die kommerziellen Plattformen sind erheblich gereift. Gretel bietet konfigurierbares Epsilon (1–20) mit adversarialer Datenschutzbewertung und eine NVIDIA-Partnerschaft für Skalierung. MOSTLY AI nutzt Metas Opacus-Bibliothek für DP-SGD und erreicht bei Epsilon 2,51 mit automatischer Budgetverfolgung eine hohe Genauigkeit. Tonic konzentriert sich auf die Akzeptanz durch Engineering-Teams mit Unterstützung für strukturierte, halbstrukturierte und Freitextdaten. Selbst zu bauen ist sinnvoll, wenn Sie maximale Kontrolle über die DP-Parameter benötigen, Ihre Daten eine ungewöhnliche Struktur haben, die kommerzielle Generatoren schlecht handhaben, oder Sie keine Daten an eine Anbieterumgebung senden können. Kaufen ist sinnvoll, wenn Ihrem Team DP-Expertise fehlt, Sie Audit-Trails und Compliance-Dokumentation von Haus aus benötigen oder nichttechnische Stakeholder Zugang brauchen. Wir bewerten beide Wege für Ihre konkreten Anforderungen. Viele Organisationen landen bei einem Hybrid: kommerzielle Plattform für standardmäßige Tabellendaten, individuelle Pipeline für domänenspezifische oder hochsensible Daten.
Wie wählen wir den richtigen Epsilon-Wert für unser Datenschutzbudget?
Es gibt kein universell richtiges Epsilon. Reale Einsätze decken einen weiten Bereich ab: Der US Census verwendet Epsilon 19,61 für die Wahlkreisneueinteilung, LinkedIn arbeitet mit 14,4 über drei Monate, und interaktive Analysesysteme teilen pro Abfrage 0,1–1 mit vierteljährlichen Budgets von 1–10 zu. Das richtige Epsilon hängt von Ihrem Bedrohungsmodell (gegen welche Angreiferfähigkeiten Sie sich verteidigen), Ihrer Datensensibilität (medizinische Daten verlangen engere Budgets als Clickstream-Daten) und Ihren Nutzbarkeitsanforderungen (wie viel Genauigkeitsverlust Ihre nachgelagerte Anwendung tolerieren kann) ab. Googles PLD-Accountant liefert 5-mal engere Kompositionsschranken als Microsofts PRV-Accountant, was bedeutet, dass Sie aus demselben Gesamtbudget mehr Nutzwert ziehen können. Wir kalibrieren Epsilon empirisch an Ihren Daten, indem wir die Leistung nachgelagerter Aufgaben über Epsilon-Bereiche messen und die Ergebnisse Ihren regulatorischen Pflichten und Ihrer Risikotoleranz gegenüberstellen.
Was ist der Unterschied zwischen Differential Privacy und herkömmlicher Datenanonymisierung?
Herkömmliche Anonymisierung (Maskierung, Tokenisierung, k-Anonymität, l-Diversität) transformiert die Daten selbst und hofft, dass die Transformation unumkehrbar ist. Sie bietet keine mathematische Garantie darüber, was ein Angreifer lernen kann. Forschende haben gezeigt, dass 87 % der US-Bevölkerung allein anhand von Postleitzahl, Geburtsdatum und Geschlecht eindeutig identifizierbar sind, was bedeutet, dass eine einfache Maskierung direkter Identifikatoren nicht ausreicht. Differential Privacy verfolgt einen grundlegend anderen Ansatz: Sie fügt der Berechnung (Modelltraining, Abfrageantworten, Erzeugung synthetischer Daten) kalibriertes Rauschen hinzu, sodass mathematisch garantiert ist, dass die Ausgabe nicht preisgibt, ob eine bestimmte Person in der Eingabe enthalten war. Die Garantie gilt unabhängig davon, welche Zusatzinformationen der Angreifer hat. Der Kompromiss besteht darin, dass DP Rauschen hinzufügt, was die Genauigkeit verringert. Herkömmliche Anonymisierung kann exakte Werte erhalten, bietet aber keinen nachweisbaren Schutz.
Können wir LLMs zur Erzeugung synthetischer Trainingsdaten verwenden, und ist das datenschutzkonform?
Von LLMs erzeugte synthetische Daten werden immer verbreiteter, wobei nahezu jedes im vergangenen Jahr veröffentlichte große Modell zumindest teilweise auf synthetisch erzeugten Daten trainiert wurde. Doch die Datenschutzanalyse unterscheidet sich grundlegend von der GAN- oder diffusionsbasierten Erzeugung. LLMs lernen Trainingsdaten auswendig: Carlini et al. demonstrierten die wortwörtliche Extraktion von PII, darunter Namen, Telefonnummern und E-Mail-Adressen, aus GPT-2. Wenn das LLM, das Ihre synthetischen Daten erzeugt, auf Daten trainiert wurde, die Informationen über die Personen enthalten, die Sie schützen wollen, kann die synthetische Ausgabe deren echte personenbezogene Daten enthalten. Zusammengesetzte Extraktionsangriffe, die Informationen aus mehreren Abfragen kombinieren, verdoppeln das Extraktionsrisiko. Die LLM-basierte synthetische Erzeugung ist nützlich, um Trainingssätze zu erweitern, bei denen die Quelldaten bereits öffentlich sind, aber sie ist ohne zusätzliche, auf das LLM selbst angewandte DP-Mechanismen keine datenschutzwahrende Technik für sensible Daten.
Wie gilt die HIPAA-De-Identifizierung für KI-Trainingsdaten?
HIPAA bietet zwei De-Identifizierungsmethoden mit sehr unterschiedlichen Auswirkungen auf ML. Safe Harbor erfordert die Entfernung von 18 spezifischen Identifikatortypen. Sie ist klar und leicht zu standardisieren, entfernt aber für die meisten ML-Anwendungsfälle zu viel Signal, indem sie geografische Granularität, zeitliche Präzision und demografische Details beseitigt, die Modelle benötigen. Expert Determination erlaubt einem qualifizierten Experten zu bescheinigen, dass das Re-Identifizierungsrisiko sehr gering ist, wodurch mehr nützliche Struktur erhalten bleibt und zugleich HIPAA-Compliance gewährleistet wird. Expert Determination ist für KI-Trainingsdaten vorzuziehen, weil sie die De-Identifizierung auf den konkreten Datensatz und die vorgesehene Nutzung zuschneidet. Wir erstellen die statistische Analyse und die technische Pipeline, die Expert Determination erfordert, einschließlich der Quantifizierung des Re-Identifizierungsrisikos, und liefern die Dokumentation, die den Zertifizierungsprozess durch den qualifizierten Experten erfüllt.
Entwickeln Sie Ihre KI mit Zuversicht.
Arbeiten Sie mit einem Team zusammen, das über umfassende Erfahrung im Aufbau der nächsten Generation von Unternehmens-KI verfügt. Wir helfen Ihnen, eine KI-Strategie zu entwerfen, zu entwickeln und einzuführen, der Sie vertrauen können.
Veriprajna Deep-Tech-Beratung ist auf die Entwicklung sicherheitskritischer KI-Systeme für die Bereiche Gesundheitswesen, Finanzen und Regulierung spezialisiert. Unsere Architekturen werden anhand etablierter Protokolle validiert und mit umfassender Compliance-Dokumentation belegt.