PII-Erkennung in SAP: Warum unsere spezialisierte KI ein Foundation Model schlägt

Ein Benchmark-Vergleich: PIIDetect und PIIClassify von Maya Data Privacy gegen SAP RPT-1 OSS auf 386.956 Zeilen SAP-Metadaten.

Das Wichtigste in Kürze

• PIIDetect, das KI-Modell von Maya, findet 91,2 % der Felder mit personenbezogenen Daten (PII) in SAP-Metadaten. Das Foundation Model SAP RPT-1 OSS findet mit Standard-Schwellenwert 66,4 %.

• PIIClassify ordnet erkannte Felder nach Datentyp ein und liegt beim Macro-F1 um 25,1 Prozentpunkte vor SAP RPT-1 OSS.

• Beide Modelle laufen nur auf CPU und rechnen pro Zeile 34-mal schneller (0,14 statt 4,75 Sekunden), auch in Umgebungen ohne Internetzugang.

• Für den Datenschutz zählt vor allem der Recall: Jedes übersehene Feld bleibt ungeschützt.

Warum ist es so schwer, personenbezogene Daten in SAP zu finden?

SAP-Systeme sind das Rückgrat des Unternehmensbetriebs. Sie speichern alles von Personalakten und Kundenstammdaten bis zu Finanzbuchungen und Gesundheitsinformationen. Über Tausende Tabellen und Hunderttausende Felder verteilt stecken überall personenbezogene Daten, aber sie sind weder gekennzeichnet noch einheitlich benannt und deshalb schwer zu finden.

Für Unternehmen, die die DSGVO umsetzen müssen, insbesondere Art. 25 (Datenschutz durch Technikgestaltung) und Art. 30 (Verzeichnis von Verarbeitungstätigkeiten), ist es Pflicht, jedes Feld mit personenbezogenen Daten zuverlässig zu erkennen. Darauf baut jeder datenschutzkonforme Umgang mit Daten auf, ob für Testumgebungen, Analysen, KI-Training oder Systemmigrationen.

Die Schwierigkeit liegt in der Komplexität der SAP-Metadaten. Feldnamen wie KUNNR, PERNR oder BNAME ergeben nur Sinn, wenn man die SAP-spezifischen Namenskonventionen kennt. Regelbasierte Verfahren übersehen zu viel, und eine manuelle Einstufung über Tausende Tabellen ist weder skalierbar noch verlässlich.

Deshalb haben wir auf KI gesetzt.

Ausgangspunkt: SAP RPT-1 OSS im Test

Als wir bei Maya Data Privacy mit der KI-gestützten Erkennung personenbezogener Daten begannen, lag es nahe, zuerst ein aktuelles tabellarisches Foundation Model zu prüfen. SAP RPT-1 ist auf 1,34 TB strukturierter Daten aus 3,1 Millionen Tabellen vortrainiert und für allgemeine Vorhersagen auf Tabellendaten gebaut. Wir haben die Open-Source-Version SAP RPT-1 OSS getestet.

Auf dem Papier passte das gut: SAP-Metadaten sind strukturierte Daten, und RPT-1 wurde auf riesigen Mengen davon trainiert. Mit unserem Benchmark-Datensatz waren die Ergebnisse stellenweise vielversprechend, für die Ansprüche von Datenschutz und Governance aber nicht ausreichend.

Der Kern des Problems: Mit Standard-Schwellenwert findet SAP RPT-1 OSS nur 66,4 % der Felder mit personenbezogenen Daten. Ohne Anpassung bleibt also etwa jedes dritte dieser Felder unentdeckt. Im Privacy Engineering ist ein übersehenes Feld keine kleine Ungenauigkeit. Es bleibt in Testkopien ungeschützt, liegt offen in Analysepipelines oder ist für Personen sichtbar, die es nie sehen sollten. Es ist eine Compliance-Lücke.

Außerdem stellten wir einen hohen GPU-Bedarf und längere Rechenzeiten fest. Das macht den Einsatz in großem Umfang teurer und schwerer zu betreiben, besonders in abgesicherten Unternehmensumgebungen, in denen nicht immer GPU-Infrastruktur verfügbar ist.

Die Frage, die unseren Ansatz verändert hat

Daraus ergab sich eine einfache Frage: Kann ein speziell gebautes Modell für genau diese Aufgabe ein allgemeines Foundation Model übertreffen?

Die Antwort lautet ja.

Wir haben die Erkennung personenbezogener Daten als semantische Klassifikation neu gedacht. Feldnamen, Tabellennamen, Beschreibungen von Datenelementen und Domänenwerte in SAP tragen reiche Bedeutungssignale. Entscheidend war, Modelle zu bauen, die diese Signale im Zusammenhang lesen.

Aus SAP-Metadatenwissen, Satz-Embeddings und domänenspezifischen Merkmalen haben wir zwei spezialisierte, eigene Modelle entwickelt:

• PIIDetect erkennt binär, ob ein Feld personenbezogene Daten enthält oder nicht.

• PIIClassify ordnet erkannte Felder einem bestimmten Datentyp zu.

Beide sind Teil von AppSafe™, der Lösung von Maya für die Anonymisierung und Pseudonymisierung von Daten in SAP- und anderen Unternehmensanwendungen.

Benchmark-Ergebnisse: PIIDetect (binäre Erkennung)

Wir haben PIIDetect und SAP RPT-1 OSS auf demselben Datensatz mit 386.956 Zeilen SAP-Metadaten unter identischen Bedingungen laufen lassen.

Lesehilfe: Die Spalte „Anmerkung“ zeigt die absolute Differenz in Prozentpunkten (pp), auffällige relative Unterschiede stehen in Klammern.

Kennzahl	PIIDetect (Maya)	SAP RPT-1 OSS	Anmerkung
PR-AUC	0,9677	0,9575	Maya +1,0 pp
ROC-AUC	0,9973	0,9966	Gleichstand (+0,1 pp)
Accuracy	0,9861	0,9727	Maya +1,3 pp
PII-Recall (Standard-Schwellenwert)	0,912	0,664	Maya +24,8 pp (+37 % relativ)
PII-Precision (Standard-Schwellenwert)	0,902	0,952	SAP +5,0 pp
PII-F1 (Standard-Schwellenwert)	0,907	0,782	Maya +12,5 pp (+16 % relativ)
PII-Recall (optimierter Schwellenwert)	0,912	0,900	Maya +1,2 pp
PII-Precision (optimierter Schwellenwert)	0,902	0,858	Maya +4,4 pp
PII-F1 (optimierter Schwellenwert)	0,907	0,878	Maya +2,9 pp (+3 % relativ)

Für einen fairen Vergleich haben wir SAP RPT-1 OSS sowohl mit Standard-Schwellenwert als auch mit optimiertem Schwellenwert getestet. Auch nach der Optimierung liegt PIIDetect bei Recall, Precision und F1 vorn.

Die wichtigste Zahl ist der PII-Recall. Im Datenschutz zählt diese Kennzahl am meisten. Eine hohe Precision zeigt, dass das Modell bei seinen Treffern richtig liegt. Ein niedriger Recall bedeutet aber, dass es zu viel von dem übersieht, was es finden soll. Mit 66,4 % Recall lässt das Foundation Model bei Standard-Schwellenwert ein Drittel aller personenbezogenen Felder ungeschützt. PIIDetect findet 91,2 %.

Benchmark-Ergebnisse: PIIClassify (Einordnung nach Datentyp)

Ist ein Feld als personenbezogen erkannt, folgt die Einordnung: Handelt es sich um einen Namen, eine Adresse, ein Geburtsdatum oder eine Kontonummer? Eine genaue Einordnung bestimmt die richtige Anonymisierungsstrategie.

Lesehilfe: Die Spalte „Anmerkung“ zeigt die absolute Differenz in Prozentpunkten (pp), auffällige relative Unterschiede stehen in Klammern.

Kennzahl	PIIClassify (Maya)	SAP RPT-1 OSS	Anmerkung
Accuracy	0,9956	0,9515	Maya +4,4 pp
Macro-F1	0,9798	0,7291	Maya +25,1 pp (+34 % relativ)
Weighted-F1	0,9956	0,9489	Maya +4,7 pp

Herausragend ist der Abstand beim Macro-F1 von 25,1 Prozentpunkten. Der Macro-F1 gewichtet jede Datenkategorie gleich und zeigt damit, dass PIIClassify bei seltenen wie häufigen Kategorien gleichmäßig gut abschneidet. Das Foundation Model tut sich mit selteneren Kategorien schwer, und genau dort verursachen Fehleinordnungen das größte Compliance-Risiko.

Rechenzeit und Einsatz

Leistung ist nur ein Teil der Rechnung. In Unternehmensumgebungen zählen die Rahmenbedingungen des Betriebs genauso.

Die Werte geben die Rechenzeit für die Vorhersage einer einzelnen Zeile an, nicht für den gesamten Datensatz. In großem Maßstab summiert sich der Unterschied: Bei Tausenden SAP-Tabellen und Millionen Feldern entscheiden 0,14 gegenüber 4,75 Sekunden pro Vorhersage darüber, ob ein Scan in Minuten oder in Stunden fertig ist.

Kennzahl	Modelle von Maya	SAP RPT-1 OSS
Rechenzeit pro Zeile	0,14 s	4,75 s
Geschwindigkeit	34-mal schneller	Ausgangswert
Hardware	nur CPU	GPU erforderlich

34-mal schnellere Inferenz auf CPU, ohne GPU. Das verändert das Einsatzmodell grundlegend. Unternehmen, die SAP in hochsicheren, vom Internet getrennten Umgebungen betreiben, wie es im Gesundheitswesen, bei Finanzdienstleistern, in der Verteidigung und in kritischen Infrastrukturen üblich ist, können oft gar keine GPU-Infrastruktur bereitstellen. Ein schnelleres Modell, das nur eine CPU braucht, ist dort günstiger und überhaupt erst einsetzbar.

Geringere Infrastrukturanforderungen bedeuten auch niedrigere Betriebskosten, schnellere Verarbeitung großer SAP-Landschaften und eine einfachere Einbindung in bestehende CI/CD- und DevOps-Pipelines.

Warum spezialisierte Modelle in der Unternehmens-KI gewinnen

Die eigentliche Lehre aus diesem Benchmark betrifft weniger Maya und SAP. Sie lautet: Größere Foundation Models sind nicht immer die richtige Antwort.

Foundation Models sind leistungsfähig und lassen sich auf viele Aufgaben übertragen. Diese Breite hat ihren Preis, denn sie sind auf Breite optimiert und weniger auf Tiefe. Für eine konkrete Aufgabe mit hohem Risiko wie die Erkennung personenbezogener Daten in SAP-Metadaten kann ein Modell, das um das Fachgebiet herum gebaut ist, Folgendes leisten:

• Höhere Genauigkeit dort, wo es zählt: beim Recall für personenbezogene Felder

• Bessere Ergebnisse bei Sonderfällen wie seltenen Datenkategorien und SAP-spezifischer Benennung

• Niedrigere Betriebskosten durch CPU statt GPU und schnellere Inferenz

• Einfacheren Einsatz ohne GPU, auch in Umgebungen ohne Internetzugang

• Schnelleren Nutzen durch weniger Einrichtung und zügige Integration

Das deckt sich mit dem, was wir in der Unternehmens-KI insgesamt sehen: Die Zukunft gehört dem passenden Modell für die jeweilige Aufgabe.

Was bedeutet das für den Datenschutz in SAP?

Für Unternehmen, die personenbezogene Daten in SAP verwalten, hat das ganz praktische Folgen.

Vollständigere Abdeckung. Wer 91,2 % statt 66,4 % der personenbezogenen Felder findet, hat weniger Lücken in seiner Datenschutzstrategie: weniger ungeschützte Felder in Testkopien und weniger blinde Flecken bei der Compliance.

Schnellere Verarbeitung im großen Maßstab. Müssen Tausende SAP-Tabellen über mehrere Systeme hinweg geprüft werden, macht 34-mal schnellere Inferenz aus Stunden Minuten.

Überall einsetzbar. Weil PIIDetect und PIIClassify nur eine CPU brauchen, laufen sie in denselben abgesicherten Umgebungen wie Ihre SAP-Systeme, ohne zusätzliche GPU-Infrastruktur.

Beide Modelle sind in AppSafe™ integriert. Dort ist die KI-gestützte Erkennung der erste Schritt der Anonymisierung. Sind die Felder erkannt und eingeordnet, wendet AppSafe™ Algorithmen auf Basis von Privacy-Enhancing Technologies an und erstellt datenschutzkonforme Produktionskopien für Tests, Schulung, Entwicklung und KI-Anwendungen. Wie das Schritt für Schritt abläuft, zeigt unser Beitrag SAP-Testdaten anonymisieren.

Fazit

Wir haben PIIDetect und PIIClassify entwickelt, weil die Aufgabe es verlangt hat. Allgemeine Foundation Models sind beeindruckend. Für die Erkennung personenbezogener Daten in SAP-Metadaten liefert ein spezialisierter Ansatz aber messbar bessere Ergebnisse: höheren Recall, höhere Genauigkeit, schnellere Inferenz und einfacheren Einsatz.

Die Benchmark-Daten sind eindeutig. Das passende Modell für die passende Aufgabe ist ein messbarer Vorteil.

Wenn Ihr Unternehmen personenbezogene Daten in SAP verwaltet und eine genaue, skalierbare Erkennung braucht, zeigen wir Ihnen gern, wie AppSafe™ in der Praxis arbeitet. Demo buchen

Häufige Fragen zur PII-Erkennung in SAP

Welche KI erkennt personenbezogene Daten in SAP zuverlässig?

PIIDetect und PIIClassify von Maya Data Privacy sind KI-Modelle, die speziell für das Auffinden personenbezogener Daten in SAP-Metadaten gebaut sind. In einem Benchmark mit 386.956 Zeilen fand PIIDetect 91,2 % der personenbezogenen Felder, das Foundation Model SAP RPT-1 OSS 66,4 %, und rechnete dabei 34-mal schneller auf CPU. Beide Modelle sind Teil von AppSafe™.

PIIDetect oder SAP RPT-1 OSS: Was erkennt personenbezogene Daten in SAP besser?

Im selben Benchmark lag PIIDetect bei Recall (91,2 % gegenüber 66,4 %), F1 und Accuracy vor SAP RPT-1 OSS und rechnete 34-mal schneller (0,14 statt 4,75 Sekunden) auf CPU statt GPU. SAP RPT-1 OSS hatte mit Standard-Schwellenwert die höhere Precision, PIIDetect blieb aber auch nach der Optimierung des Schwellenwerts insgesamt vorn.

Wie findet man personenbezogene Daten in SAP für die DSGVO?

Dafür muss jedes Feld mit personenbezogenen Daten über Tausende Tabellen hinweg eingestuft werden, was regelbasierte Verfahren nicht zuverlässig schaffen. PIIDetect erkennt diese Felder per KI, PIIClassify ordnet sie nach Typ ein. Das unterstützt Art. 25 DSGVO (Datenschutz durch Technikgestaltung) und Art. 30 DSGVO (Verzeichnis von Verarbeitungstätigkeiten). Das Ergebnis fließt in AppSafe™, das die Daten anonymisiert.

Was ist PIIDetect?

PIIDetect ist ein binäres KI-Modell von Maya Data Privacy, das erkennt, ob ein Feld in SAP-Metadaten personenbezogene Daten enthält. Es ist auf die SAP-spezifischen Namenskonventionen zugeschnitten und erreicht im Benchmark einen Recall von 91,2 %.

Was ist PIIClassify?

PIIClassify ist ein KI-Modell von Maya Data Privacy, das erkannte personenbezogene Felder in SAP nach Typ einordnet, etwa Name, Adresse, Geburtsdatum oder Kontonummer. Es erreicht einen Macro-F1 von 0,9798, 25,1 Prozentpunkte mehr als SAP RPT-1 OSS, und bestimmt damit die passende Anonymisierungsstrategie in AppSafe™.

Warum ist der Recall bei der PII-Erkennung wichtiger als die Precision?

Ein übersehenes Feld lässt personenbezogene Daten ungeschützt und schafft ein Compliance-Risiko nach der DSGVO. Ein fälschlich markiertes Feld kostet nur Prüfaufwand. PIIDetect ist deshalb auf hohen Recall ausgelegt und findet 91,2 % der personenbezogenen Felder.

Laufen PIIDetect und PIIClassify ohne GPU?

Ja. Beide Modelle sind für den Betrieb auf CPU ausgelegt und brauchen keine GPU. Damit eignen sie sich für hochsichere SAP-Umgebungen ohne Internetzugang, in denen keine GPU-Infrastruktur verfügbar oder erlaubt ist.

Ist KI-gestützte PII-Erkennung für die S/4HANA-Migration relevant?

Ja. Bei S/4HANA-Migrationen werden große Datenmengen bewegt und Systeme getestet, wobei personenbezogene Daten offengelegt werden können. PIIDetect erkennt diese Daten automatisch und verringert das Risiko in den Testumgebungen der Migration.