Was passiert mit meiner Sprachaufnahme?

Die Frage kommt zuverlässig, und sie ist berechtigt: Wer eine Aufgabe einspricht, schickt seine Stimme irgendwohin. Wohin genau, wie lange sie dort bleibt und wer sie hören kann — das sollte man wissen, bevor man es dem Team empfiehlt.

Dieser Artikel beschreibt, was bei mydoos tatsächlich passiert. Er beschreibt auch, was ihr als Betrieb selbst regeln müsst, denn ein Teil davon kann kein Anbieter für euch übernehmen.

Was technisch passiert, Schritt für Schritt

Zwischen dem Druck auf die Aufnahmetaste und der fertigen Aufgabe liegen vier Schritte. Keiner davon ist geheimnisvoll, aber jeder ist für die Frage relevant.

Schritt 1: Die Aufnahme entsteht auf dem Gerät. Solange gesprochen wird, liegt der Ton im Arbeitsspeicher des Telefons oder Rechners. Es wird nichts mitgeschnitten, bevor die Taste gedrückt wurde, und nichts, nachdem sie wieder losgelassen wurde.

Schritt 2: Die Aufnahme geht an den Server und von dort zur Umwandlung. Der Ton wird an OpenAI übermittelt und dort in Text umgewandelt. Vertragspartner ist OpenAI Ireland Ltd. mit Sitz in Dublin; das Unternehmen handelt dabei als Auftragsverarbeiter, für Übermittlungen in die USA bestehen Standardvertragsklauseln. Auf unserem Server landet die Tondatei nie auf der Festplatte — sie wird nur im Arbeitsspeicher gehalten, weitergereicht und danach verworfen.

Schritt 3: Aus dem Text wird eine Struktur. Ein zweiter Durchgang liest den Text und schlägt vor, was Aufgabe, Projekt, Zuständigkeit, Termin und Priorität sein könnten. Auch hier geht nur Text, kein Ton.

Schritt 4: Der Vorschlag wird angezeigt. Bevor irgendetwas gespeichert wird, siehst du, was erkannt wurde. Du kannst jedes Feld ändern, einzelne Aufgaben löschen oder alles verwerfen. Erst mit der Übernahme entsteht ein Eintrag in der Datenbank.

Was gespeichert wird und was nicht

Der wichtigste Punkt zuerst: Es gibt kein Tonarchiv. Niemand kann später nachhören, was jemand gesagt hat — weder ihr, noch wir. Die Aufnahme existiert nur in den Sekunden zwischen Sprechen und Umwandeln.

Das hat eine praktische Folge, die man kennen sollte: Wenn die Erkennung etwas falsch versteht, lässt sich hinterher nicht nachvollziehen, was tatsächlich gesagt wurde. Das ist der Preis dafür, dass nichts aufbewahrt wird — und aus unserer Sicht der richtige Tausch.

Gespeichert wird nur, was nach der Prüfung als Aufgabe übernommen wird. Also genau das, was auch jemand hätte tippen können. Eine eingesprochene Aufgabe ist nach der Übernahme von einer getippten nicht zu unterscheiden.

Wer die fertige Aufgabe zu sehen bekommt

Hier endet die Technik und beginnt eure Entscheidung. Eine übernommene Aufgabe ist für die Mitglieder eures Teams sichtbar — so wie jede andere Aufgabe auch. Das ist der Sinn einer gemeinsamen Liste, aber es sollte allen klar sein, bevor sie anfangen zu sprechen.

Was dagegen nicht sichtbar ist: der Weg dorthin. Es gibt keine Anzeige „Nima hat das eingesprochen statt getippt", keine Auswertung, wer wie oft die Sprachfunktion benutzt, und keine Statistik über Sprechdauer. Die Eingabeart ist keine Information, die irgendwo auftaucht.

Das ist kein Zufall. Sobald die Art der Eingabe sichtbar wird, fängt jemand an, sie zu bewerten — und dann benutzt sie niemand mehr.

Der Unterschied zu einem Sprachassistenten

Die meisten Bedenken stammen nicht von Aufgabenlisten, sondern von den Sprachassistenten in Lautsprechern und Telefonen. Deren Funktionsweise ist eine andere, und der Unterschied erklärt die meisten Sorgen weg.

Ein Assistent muss dauerhaft zuhören, weil er auf ein Weckwort reagieren soll. Dafür läuft das Mikrofon ständig mit, auch wenn nur ein kleiner Teil davon das Gerät verlässt. Genau daraus entstehen die Berichte über versehentliche Aufnahmen: Ein Wort klingt wie das Weckwort, und das Gerät schickt mit, was danach kommt.

Eine Aufnahmetaste funktioniert umgekehrt. Es gibt kein Weckwort, auf das gehorcht werden müsste, also muss nichts dauerhaft lauschen. Das Mikrofon ist nur in dem Zeitraum aktiv, in dem jemand bewusst aufnimmt — und der Browser zeigt diesen Zeitraum selbst an, unabhängig von uns, meist als Punkt in der Adresszeile oder als Hinweis im Betriebssystem.

Dazu kommt: Die Erlaubnis für das Mikrofon vergibt der Browser, nicht die Anwendung. Wer sie entziehen will, macht das in den Einstellungen des Browsers, und die Funktion ist damit sofort wirkungslos. Niemand muss uns dafür vertrauen.

Die Frage nach dem Training

„Lernt die KI mit dem, was wir sprechen?" ist die zweithäufigste Frage, und sie verdient eine präzise Antwort statt einer beruhigenden.

Nach Angaben von OpenAI werden Daten, die über die Programmierschnittstelle übermittelt werden, nicht zum Training der Modelle verwendet. Das ist eine andere Nutzungsart als die kostenlosen Chat-Angebote, bei denen das anders geregelt sein kann. mydoos benutzt ausschließlich die Programmierschnittstelle.

Wichtig ist der ehrliche Zusatz: Das ist eine vertragliche Zusage eines Dienstleisters, keine technische Unmöglichkeit. Wer in einem besonders sensiblen Bereich arbeitet, sollte das in seine Abwägung einbeziehen — so wie bei jedem anderen Dienstleister, der Daten verarbeitet, vom Steuerberater bis zum Rechenzentrum.

Was ihr als Betrieb regeln solltet

Ein Teil der Verantwortung liegt bei euch, und zwar unabhängig davon, welchen Anbieter ihr benutzt. Vier Punkte, die sich in einer halben Stunde erledigen lassen:

Zum Betriebsrat ein Wort, weil es oft übersehen wird: Technische Einrichtungen, die geeignet sind, Verhalten oder Leistung zu überwachen, unterliegen der Mitbestimmung. Ob eine Aufgabenliste darunter fällt, hängt vom Einzelfall ab — aber die Beteiligung vorher kostet ein Gespräch, die Nachholung hinterher kostet Vertrauen. Das gilt genauso für die Einführung selbst, zu der es eine eigene Reihenfolge gibt: Software einführen, ohne dass das Team streikt.

Dieser Abschnitt ist eine Orientierung, keine Rechtsberatung. Wer in einem regulierten Bereich arbeitet, klärt die Details mit der eigenen Datenschutzbeauftragten.

Was ihr besser nicht einsprecht

Eine Aufgabenliste ist kein Ort für besonders schützenswerte Daten, und das gilt beim Sprechen genauso wie beim Tippen. Ein paar Beispiele, bei denen es sich lohnt, kurz nachzudenken:

• Gesundheitsdaten. „Thomas ist bis Freitag krank" ist eine Information über eine Person, die dort nicht hingehört. „Thomas fällt bis Freitag aus" reicht völlig.
• Vollständige Kundendaten. Für eine Aufgabe genügt der Name und die Rückrufnummer. Geburtsdatum, Kontodaten oder Vertragsdetails haben in der Aufgabenbeschreibung nichts zu suchen.
• Bewertungen von Personen. Was über einen Kollegen gesagt wird, gehört in ein Gespräch, nicht in eine Liste, die alle lesen.
• Zugangsdaten. Niemals, in keinem Feld, auch nicht als Notiz.

Diese Regel ist kein Misstrauen gegen die Technik. Sie gilt für jedes System, in das mehrere Leute hineinschauen — und sie ist der einfachste Schutz, den es gibt.

Nebengeräusche, andere Stimmen, Mithören

Eine Sorge, die selten ausgesprochen wird: Was ist, wenn im Hintergrund jemand redet?

Technisch: Was das Mikrofon aufnimmt, geht mit in die Umwandlung. Wer auf einer Baustelle oder im Verkaufsraum spricht, nimmt die Umgebung mit auf. Der Text, der daraus entsteht, enthält dann möglicherweise Wortfetzen, die nicht gemeint waren.

Praktisch ist das meist harmlos, weil der Vorschlag ohnehin angezeigt wird, bevor etwas gespeichert wird. Wer etwas Fremdes darin sieht, löscht es in dem Moment. Und die Tonaufnahme selbst ist zu diesem Zeitpunkt bereits verworfen.

Trotzdem ist es ein Grund, die Aufnahme kurz zu halten. Zwei Sätze zur Sache sind besser als eine Minute, in der nebenbei ein Kundengespräch läuft. Wie man kurz und trotzdem vollständig spricht, steht in Richtig diktieren: Sätze, die die KI sicher zuordnet.

Vier Sekunden Aufnahme, eine vollständige Aufgabe, keine fremden Stimmen im Weg.

Was passiert, wenn das Internet weg ist

Die Umwandlung braucht eine Verbindung — ohne Netz kann niemand Ton in Text verwandeln. Das heißt aber nicht, dass die Aufnahme verloren ist: Sie wartet auf dem Gerät, bis wieder Empfang da ist, und wird dann verarbeitet.

Für alle, die regelmäßig in Kellern, Tiefgaragen oder Funklöchern arbeiten, ist das der entscheidende Punkt. Ausführlich steht er in Arbeiten ohne Netz: Keller, Tunnel, Funkloch.

Warum wir es so gebaut haben

Es gäbe einen einfacheren Weg: die Aufnahmen aufheben. Man könnte dann nachhören, wenn die Erkennung daneben lag, man könnte Fehler analysieren und das System verbessern. Fast jedes System, das mit Sprache arbeitet, macht genau das.

Wir haben uns dagegen entschieden, weil die Rechnung nicht aufgeht. Ein Tonarchiv ist ein Archiv von allem, was im Betrieb nebenbei gesagt wurde — über Jahre, durchsuchbar, und bei jedem Sicherheitsvorfall ein Problem, das niemand gebrauchen kann. Der Nutzen für die Fehlersuche wiegt das nicht auf.

Die Folge ist eine Einschränkung, zu der wir stehen: Wenn etwas falsch erkannt wird, können wir nicht nachsehen, woran es lag. Wir können nur die Regeln verbessern, nach denen aus Text eine Aufgabe wird. Das ist langsamer, aber es erzeugt keine Daten, die später jemandem gehören wollen. Mehr dazu, was Spracherkennung im Arbeitsalltag leistet und was nicht, steht in Aufgaben sprechen statt tippen.

Häufige Fragen

Zusammengefasst

• Die Tonaufnahme wird nicht dauerhaft gespeichert. Sie existiert nur während der Umwandlung und wird danach verworfen.
• Auf unserem Server landet keine Tondatei auf der Festplatte.
• Umgewandelt wird bei OpenAI Ireland Ltd. als Auftragsverarbeiter, mit Standardvertragsklauseln für Übermittlungen in die USA. Nach deren Angaben werden Daten der Programmierschnittstelle nicht zum Training benutzt.
• Gespeichert wird nur, was ihr nach der Prüfung übernehmt. Verworfene Vorschläge hinterlassen nichts.
• Die Eingabeart wird nirgends mitgeschrieben — eine gesprochene Aufgabe sieht aus wie jede andere.
• Euer Teil: Auftragsverarbeitungsvertrag, Verzeichnis, Beschäftigte informieren, gegebenenfalls Betriebsrat beteiligen und eine kurze Regel, was nicht eingesprochen wird.