Ein Framework für Claude Code, das personenbezogene Daten ausschließlich auf deinem Rechner verarbeitet. Lokales LLM (Gemma) bleibt Wächter, Claude bekommt nur anonymisierte Aggregate.
Drei Akteure, klar getrennt: User und lokales LLM kennen die echten Daten. Cloud-KI bekommt nur anonymisierte Aggregate.
Berechtigte Frage. Die ehrliche Antwort: Spezialisierung. Lokale und Cloud-KI sind nicht gleich gut — sie sind in verschiedenen Dingen brillant.
~4 Milliarden Parameter, läuft auf 16 GB RAM. Optimiert für strukturierte Aufgaben.
~200+ Milliarden Parameter, riesige Trainingsbasis. Spezialisiert auf komplexe Aufgaben.
Gemma ist wie ein Anwaltsgehilfe: kennt die Akten, sortiert,
schwärzt sensible Stellen, fasst zusammen.
Claude ist wie ein spezialisierter Anwalt: bekommt die geschwärzten
Akten und schreibt darauf basierend strategisch durchdachte Plädoyers.
Niemand würde sagen "schick einfach den Anwaltsgehilfen vor Gericht" — beide haben ihre Rolle. Die Cloud-KI ist nicht ersetzbar bei strategischen Aufgaben. Aber sie braucht keinen Zugriff auf identifizierende Daten, um diese Aufgaben zu lösen.
Schülerdaten lesen → anonymisieren → Eltern-Brief mit Vorlage befüllen → Notfall-Liste ausdrucken
Optimale Gruppeneinteilung mit Niveau- und Größen-Constraints, Brief-Vorlagen formulieren, komplette Förderanträge mit Begründung schreiben
Das Framework bietet zwei Strategien, je nach Aufgabe und Datensensibilität.
Claude weiß: "Da liegen sensible Daten, die ich nicht sehen darf." Es ruft Gemma als Tool auf — Gemma liest die Datei lokal, verarbeitet sie und gibt nur Aggregate zurück.
Wenn Claude doch mit Personen-Kontext arbeiten muss: Lokales Mapping ersetzt Namen durch Tokens wie [PERS_a3f2]. Claude arbeitet damit, lokal wird zurückübersetzt.
Ein MCP-Server für Claude Code mit sechs Tools.
Lässt das lokale LLM eine Datei verarbeiten und gibt nur das anonymisierte Ergebnis an Claude zurück.
Ersetzt echte Namen, E-Mails, Telefonnummern durch stabile Tokens. Lokale Lookup-Tabelle.
Wandelt Tokens zurück in Klartext. Claude liefert Pseudo-Antwort, du siehst echte Namen.
Zeigt die aktuelle Zuordnungstabelle: welcher echte Wert wurde welchem Token zugewiesen.
Vollständiges Audit-Log aller Verarbeitungen — DSGVO Art. 30 konform.
Status der lokalen Ollama-Installation und verfügbarer Modelle.
In drei Schritten startklar.
git clone https://github.com/harubert/private_ai_bridge.git
cd private_ai_bridge./install.shclaudeDer MCP-Server wird automatisch erkannt. Sechs neue Tools stehen Claude zur Verfügung.
Schritt-für-Schritt-Demo am Beispiel Wintersportwoche organisieren: 7 Schüler mit Sportwahl, Allergien, Medikamenten und Sozialermäßigungen. Echte Verwaltungsaufgabe, transparenter Datenfluss.
Zur Demo → Datenfluss visualisiertprivate-ai-bridge ist eine technische Veröffentlichung von Thomas Schroffenegger, MSc MAS BEd — entstanden aus der praktischen Notwendigkeit, Claude Code im österreichischen Schulalltag DSGVO-konform einzusetzen.
Das Konzept und die Referenzimplementierung stehen als Open Source unter MIT-Lizenz zur freien Nutzung, Adaption und Weiterentwicklung. Anwendungsbereich weit über das Schulwesen hinaus: überall dort, wo personenbezogene Daten anfallen, die nicht in die Cloud dürfen — Personalwesen, Gesundheitsbereich, Recht, Beratung, Sozialarbeit.
Konzept & Realisierung: Thomas Schroffenegger, MSc MAS BEd
Erstveröffentlichung: April 2026
Lizenz: MIT (Code) + CC BY-SA 4.0 (Konzept) — beide mit Namensnennung
Repository: github.com/harubert/private_ai_bridge