Gescannte Dokumente anonymisieren: OCR-Risiken und die doppelte Prüfung

In fast jedem Archiv gibt es zwei Arten von Dokumenten: digital entstandene (ein als PDF exportiertes Word-Dokument, ein vom Fachverfahren erzeugter Bescheid) und eingescannte (ein Schreiben auf Papier, eine per Post eingegangene Rechnung, ein mit dem Handy fotografierter Ausweis). Für Menschen sehen sie gleich aus. Für ein Anonymisierungswerkzeug nicht: Ein Scan ist ein Bild, und bevor man darin nach personenbezogenen Daten suchen kann, muss das Bild per OCR (optische Zeichenerkennung) in Text umgewandelt werden. Was die OCR falsch oder gar nicht liest, bleibt für die automatische Erkennung unsichtbar. Scans sind deshalb die Schwachstelle nahezu jedes Schwärzungs- oder Anonymisierungsprojekts.

Warum ein Scan kein natives PDF ist

In einem nativen PDF liegt Text als Text vor: Er lässt sich markieren, durchsuchen und kopieren, und ein Werkzeug kann eine Steuer-ID zeichengenau finden. Ein Scan besteht nur aus Pixeln. Die OCR rekonstruiert den Text aus dem Bild und legt eine unsichtbare Ebene mit den erkannten Wörtern und ihren Positionen an. Die Erkennung arbeitet auf dieser Ebene, die Schwärzung muss dagegen auf das Bild angewendet werden. Daraus folgen zwei Probleme: Erkennt die OCR ein Zeichen falsch, versagt die Erkennung; und wirkt die Schwärzung nur auf die Textebene oder nur auf das Bild, bleibt das Datum erhalten. Der zweite Fehler gehört zu den Klassikern, die wir in Schwärzungsfehler in PDF, durch die Daten durchsickern beschreiben.

Sechs typische Risiken

1. Erkennungsfehler

Kopien von Kopien, Faxe, niedrige Auflösung oder schwacher Kontrast führen zu bekannten Verwechslungen: 0 und O, 1, l und I, 5 und S, „rn“ als „m“ gelesen. Ein einziges Zeichen genügt, damit ein Muster eine Kennung nicht mehr erkennt. Fiktives Beispiel: In einer elfstelligen Steuer-ID wird eine 1 als „I“ gelesen, und die Regel, die elf Ziffern erwartet, greift nicht mehr. Ebenso bei einer über zwei Zeilen umbrochenen IBAN oder einem getrennten Doppelnamen.

2. Handschrift

Randnotizen, handschriftlich ausgefüllte Namen in Formularen, eine Unterschrift mit dem Namen darunter. Übliche OCR erkennt Handschrift schlecht, daher tauchen diese Daten kaum in der automatischen Erkennung auf und müssen nach einer Sichtprüfung mit manuellen Zonen abgedeckt werden.

3. Stempel, Unterschriften und Codes

Eingangsstempel mit Namen und Aktenzeichen, Firmenstempel über dem Text, senkrechte Vermerke am Rand, handschriftliche Unterschriften oder QR-Codes, die auf einen Beleg mit Personendaten verweisen. Das sind grafische Elemente, oft gedreht oder überlagert, die die OCR nur teilweise oder gar nicht liest.

4. Schiefe, gedrehte oder fotografierte Seiten

Eine schräg eingescannte Seite oder ein perspektivisch verzerrtes Handyfoto verschlechtert die Erkennung und verschiebt die Koordinaten: Der Schwärzungsbalken sitzt dann leicht versetzt und lässt Ober- oder Unterlängen der Buchstaben sichtbar.

5. Gemischte Dokumente

Ein nativer Vertrag mit eingescannter Ausweiskopie am Ende, eine Akte mit fotografierten Anlagen, eine E-Mail mit Bildanhang. Wer saubere, gut erkannte erste Seiten sieht, vertraut leicht dem Rest.

6. Mitgebrachte OCR-Ebenen

Viele Scanner erzeugen eine eigene, teils schlechte Textebene. Wird das Bild geschwärzt, die Ebene aber behalten, lässt sich der Originaltext weiter kopieren oder durchsuchen. Entfernen Sie sie zusammen mit den PDF-Metadaten.

Doppelte Prüfung: eine praktische Methode

Das Recht schreibt keine bestimmte Technik vor, aber die DSGVO verlangt ein dem Risiko angemessenes Schutzniveau (Art. 32) und Datenschutz durch Technikgestaltung (Art. 25). Der BfDI erläutert in seinem Positionspapier zur Anonymisierung, dass es für die Frage, ob Daten anonym sind, auf das verbleibende Risiko einer Re-Identifizierung ankommt. Wird etwa ein Dokument nach dem IFG mit geschwärzten personenbezogenen Daten herausgegeben, kommt eine misslungene Schwärzung auf einem Scan einer Offenlegung gleich. Für Scans heißt das: doppelt prüfen.

Die zweite Prüfung wirkt am besten, wenn sie nicht von derselben Person stammt: Wer ein Dokument schon durchgesehen hat, sieht eher, was er erwartet. Ist eine vollständige Zweitprüfung nicht machbar, konzentrieren Sie sie auf gescannte Seiten und Dokumente mit sensiblen Daten, wo sich die Fehler häufen. Eine Schritt-für-Schritt-Anleitung finden Sie unter gescanntes PDF anonymisieren.

Wie Anonimatum mit Scans umgeht

Im Anonymisierer für gescannte PDF von Anonimatum wird OCR nur auf gescannte Seiten angewendet: Die Anwendung zeigt, welche Seiten sie brauchen, und fragt vorher nach; Seiten mit vorhandenem Text werden nicht erneut verarbeitet. Seiten mit OCR zählen doppelt auf das Seitenkontingent – ein zehnseitiges Dokument mit drei gescannten Seiten verbraucht also dreizehn. Im Profil lässt sich zwischen einer schnelleren und einer genaueren OCR-Engine wählen. Bilder, auch HEIC und mehrseitige TIFF, werden in PDF umgewandelt und genauso behandelt. Nach der OCR erkennt die KI Namen, Daten, Adressen und Beträge sowie QR-Codes, Stempel und digitale Signaturen; Muster finden E-Mail-Adressen, Telefonnummern oder IBAN. Was übrig bleibt, etwa Handschrift, decken Sie mit der visuellen Anonymisierung über Zonen und Formen ab – immer mit Vorschau und menschlicher Prüfung vor dem Anwenden. Sehen Sie sich die Tarife an und starten Sie mit Ihren eigenen Scans.