27. Januar 2026
Murali Mani hat den Großteil seines Lebens als Ingenieur verbracht, von seiner Promotion über Bewegungsgeometrie bis hin zu seiner Arbeit an der Integration von Chipsätzen in frühe HDTVs. Doch etwa ein Jahrzehnt nach Beginn seiner Karriere wechselte er von der physikalischen Mechanik zur unsichtbaren Architektur der Datenschutztechnik, wo die Probleme heikler und die Einsätze oft höher waren.
Als leitender Datenschutzbeauftragter bei einem globalen Gesundheitsunternehmen, das an klinischen Studien arbeitete, und später als Compliance-Leiter für eine Medizintechnikabteilung und ein Startup für genetische Tests, baute er Schutzmaßnahmen rund um Gesundheitsdaten auf, die zu den sensibelsten gehörten – aber mit Schutzmaßnahmen, die es Ärzten und Forschern ermöglichten, Erkenntnisse für neue Behandlungen zu gewinnen, ohne die Privatsphäre der Patienten zu gefährden.
Für Mani war das Ziel der Privacy Engineering schon immer, Vertrauen aufzubauen und Menschen zu schützen und gleichzeitig Innovationen zu ermöglichen. Heute ist er Vizepräsident für Datenschutz, KI und Datenverantwortung bei Mastercard und verantwortlich für den Schutz der Transaktionsdaten des Unternehmens und anderer sensibler Informationen, da künstliche Intelligenz Rohdaten leistungsfähiger – und aufschlussreicher – macht.
Da die Welt digital wurde, sind Daten nicht mehr nur ein Nebenprodukt des Lebens. Es ist das Leben: unsere Einkäufe, unsere Gewohnheiten, unsere Bewegungen, unsere Identitäten. Infolgedessen ist die Arbeit von Datenschutzingenieuren wichtiger und exponentiell schwieriger geworden. Daten bewegen sich schneller, überschreiten Grenzen leichter und können auf eine Weise kombiniert werden, die weit mehr offenbart, als je beabsichtigt wurde, weil KI-Systeme Muster erkennen können, die für Menschen unsichtbar sind.
Regierungen weltweit verschärfen zudem die Vorschriften darüber, wie diese Informationen verwendet werden und wo sie verarbeitet werden dürfen, was weltweite Debatten über Privatsphäre, Sicherheit und Souveränität auslöst. Aber der Schutz der Informationen von Menschen bedeutet nicht nur die Einhaltung – es geht auch darum, vorherzusehen, wie Daten genutzt, missbraucht oder missverstanden werden könnten.
Während Mani mit Teams im gesamten Unternehmen arbeitet – mit Produkt- und Softwareentwicklern, Datenwissenschaftlern, KI-Experten und Juristen – nähert er sich dem Datenschutz als Ingenieur an und findet neue Wege, Datenschutz in die Maschinerie von Mastercard einzubetten.
Und, wie man es von einem Ingenieur erwarten kann, benutzt er eine automatische Metapher, um seine Rolle zu erklären: "Es geht darum, den Teams zu helfen, die tatsächlich die Daten verwalten, mit ihnen zu sprechen und die Steuerungen umzusetzen", sagt er. "Stellen Sie sich vor, das Produktteam baut ein Fahrzeug mit den neuesten Motor- und Technologiemerkmalen, und als Datenschutzperson gebe ich ihnen Standard-Sicherheitsmerkmale wie Sicherheitsgurt und Außenspiegel. Aber manchmal ist es ein Airbag und eine Antiblockierschutzbremsung – damit alle besser geschützt sind."
Nachdem sie das Gentest-Startup verlassen hatte, suchte Mani nach einer neuen Herausforderung. Er war fasziniert von Mastercards Investitionen in Datenschutztechnologien, insbesondere von der Arbeit zur Datenanonymisierung durch Trūata, einen in Dublin ansässigen "Data Trust", der als Joint Venture mit IBM begann und heute ein integrierter Teil der unternehmensweiten Datenressourcen von Mastercard ist. (Der 20-minütige Arbeitsweg zum Hauptsitz von Mastercard Purchase in New York von seinem Zuhause im Westchester County schadete ebenfalls nicht.)
Zahlungsdaten, so lernte Mani schnell, sind außerordentlich leistungsfähig, aber auch einzigartig in ihrer Zusammensetzung. Im Jahr 2024 verarbeitete Mastercard 159 Milliarden Transaktionen, und diese Informationen werden anonymisiert und aggregiert, wenn sie für Datenanalysen genutzt werden. Mastercard verwendet jedoch auch Techniken wie Tokenisierung – indem die Kreditkartenkontonummer durch einen eindeutigen Platzhalter ersetzt wird –, sodass die Kartendaten bei einem Hacking nicht auf Einzelpersonen zurückverfolgt werden können.
Dies sind Beispiele für Datenschutzkontrollen, die in zwei große Kategorien eingeteilt werden. Technische Kontrollen sind in die Systeme selbst eingebaut – wie zum Beispiel das De-Identifizieren von Daten, bevor sie verwendet werden. Administrative Kontrollen basieren auf Menschen und Prozessen, wie zum Beispiel die Schulung der Mitarbeiter, die erkennen, wenn etwas nicht stimmt. Und in manchen Situationen sind beides erforderlich.
Manis Aufgabe ist es, diese Kontrollen zu erstellen und einzubetten, damit die deidentifizierten Daten schnell abgerufen und sicher sowie in Übereinstimmung mit einer Vielzahl nationaler und internationaler Vorschriften behandelt werden können.
Zum Beispiel ist die Zweckbegrenzung – Daten nur für den Grund zu verwenden, aus dem sie gesammelt wurden – schwierig umzusetzen. Manchmal wird das durch Training durchgesetzt. Zunehmend greifen Unternehmen jedoch zu technischen Kontrollen, die verhindern, dass Daten für unautorisierte Zwecke verwendet werden. "Man kann Daten als Produkt erstellen", sagt Mani, "und die Plattform würde verhindern, dass man sie für einen anderen Zweck verwendet."
Mastercard-Ingenieure entwickeln Softwaretools für Datenprofilierung, scannen riesige Datensätze, um deren Herkunft, Empfindlichkeit und Eigenschaften zu bestimmen – ähnlich wie ein Bluttest zeigt, was im Körper passiert. Das Unternehmen unterhält zudem separate identifizierte und de-identifizierte Datenbanken, sodass Analysten niemals gleichzeitig auf beide zuzugreifen können, als Schutz vor einer erneuten Identifizierung.
Heute, erklärt Mani, ist eine der größten Herausforderungen im globalen Datenschutz die Datenlokalisierung – Gesetze, die verlangen, dass lokal gewonnene Daten innerhalb der Grenzen eines bestimmten Landes bleiben. Data Engineers arbeiten an Werkzeugen, um Daten mit Dutzenden von Attributen zu taggen, die es Mastercard ermöglichen, diese Regeln automatisch durchzusetzen. In Zukunft können Daten so markiert werden, dass sie vertragliche Anforderungen und Kundenpräferenzen widerspiegeln; So kann beispielsweise ein offener Bankkontoinhaber zeitlich begrenzte Zustimmungen für den Austausch von Konto- oder Transaktionsdaten mit Dritten erteilen, widerrufen oder erneuern.
"Die Umsetzung der Kontrollen im großen Maßstab", sagt er, "ermöglicht es uns, Analysen im großen Maßstab zu nutzen."
Mastercard erforscht ständig andere datenschutzfördernde Technologien, wie synthetische Daten – künstlich generierte Datensätze, die echte Daten nachahmen, ohne eine Verbindung zu den zugrundeliegenden Kundeninformationen zu haben. Synthetische Daten sind nützlich für Demos, Tests und Bewertungen von Drittanbieter-Tools, wobei Mani warnt, dass KI-Modellierer reale Trainingsdaten bevorzugen.
Sogenannte Reinräume ermöglichen es Mastercard und seinen Partnern, Daten vorübergehend zu kombinieren, Analysen durchzuführen und die Daten anschließend zu löschen. Multi-Party-Berechnungstechniken ermöglichen es Unternehmen, aus diesen kombinierten Datensätzen Erkenntnisse zu gewinnen, ohne die zugrundeliegenden Informationen mit anderen Partnern zu teilen.
Wenn Privatsphäre ohnehin schon komplex war, verwandelt KI sie in dreidimensionales Schach. Traditionelle Analysen könnten Karteninhaber danach kategorisieren, wie oft sie ihre Karten verwenden. KI kann komplexe Verhaltensmuster erkennen, Signale, nach denen Menschen niemals suchen würden. Diese Macht erhöht das Risiko einer erneuten Identifizierung und das, was Mani den "Unheimlichkeitsfaktor" nennt.
"KI könnte allerlei komplizierte Signale finden, von denen wir nicht einmal wissen", sagt er und verweist auf einen Fall, bei dem die Datenanalysesoftware eines großen Einzelhändlers schließen konnte, dass Frauen schwanger sind , und deren Geburtstermine anhand scheinbar harmloser Käufe wie unparfümierter Lotion schätzen konnte.
Die KI-Teams von Mastercard prüfen jeden Anwendungsfall und wenden strenge Kontrollen auf die genehmigten Fälle an. Hochrisikoanwendungen werden gestoppt, bevor sie in die Produktion kommen. In jeden Algorithmus ist Transparenz integriert (die zeigt, wie ein KI-System funktioniert und welche Daten es nutzt), Observabilität (Überwachung des Verhaltens, um Probleme zu finden und zu beheben) sowie Werkzeuge zur Erkennung von Verzerrungen, damit Menschen den Ergebnissen vertrauen können.
Trotz der Komplexität, Datenschutzkontrollen auf globalem Maßstab zu schaffen, liebt Mani an seinem Job die Menschen um ihn herum. "Vor allem, dass ich mit diesen brillanten Leuten arbeite und jeden Tag etwas Neues lerne", sagt er. "Und ich kann in diesem Umfeld beitragen, neue Ideen entwickeln und gleichzeitig helfen, die Privatsphäre zu schützen."
Am Vorabend des Data Privacy Day , dem 28. Januar, ist Manis Rat für alle, die sich um ihre eigene digitale Spur sorgen, weitaus einfacher als die von ihm entwickelten Systeme: "Bleiben Sie unauffällig", sagt er, auch in sozialen Medien und Suchmaschinen, was die Spuren, die Sie online hinterlässt, minimieren. Schalte die Kekse aus, die du nicht brauchst; Geben Sie Ihren Aufenthaltsort nicht preis; Verkleinen Sie die Oberfläche dessen, was die Welt über Sie erfahren kann.
Es ist dieselbe Philosophie, die Mastercards Datenansatz zugrunde liegt: Vertrauen wird dadurch aufgebaut, dass Sicherheit, Integrität und Verantwortlichkeit in die Mechanik seines Netzwerks eingebettet werden – Vertrauen, das entwickelt und auch verdient wird.