Beauty- und Wellness-Erstaufnahme mit Claude Code prüfen: Zustimmung und Kontraindikationen stoppen

Im Formular für den Erstbesuch steht “empfindliche Haut”, “schwanger” oder “nimmt Medikamente”, aber im CSV-Export landet alles in einer allgemeinen Notizspalte. Der Termin ist bestätigt, die Kundin ist schon da, und erst dann sieht das Team eine Bedingung, die Pause, Menüwechsel, Erklärung der Stornoregel oder einen neuen Termin verlangt. In Beauty-Salons, Wellness-Studios, Massageangeboten und Personal-Training-Studios ist dieser kleine Eingabefehler oft wichtiger als eine neue Landingpage.

Ein längeres Formular löst das Problem nicht automatisch. Zu viele Fragen erhöhen Abbrüche, und gesammelte Informationen ohne klare Prüferrolle schaffen ein zweites Risiko. Praktisch geht es darum, vor jeder KI-gestützten Prüfung Buchungsfelder, Einwilligungsfelder, Kontraindikationskategorien und nur intern sichtbare Details zu trennen. Kontraindikation bedeutet hier ein Gesundheitszustand, Medikament, Schwangerschaft, Hautzustand oder Alter, das die Entscheidung über die Leistung beeinflussen kann.

Dieser Artikel zeigt einen lokalen Preflight für ein Beauty- und Wellness-Intake-Formular mit Claude Code. Der Titel verspricht eine Vorabprüfung und einen lokalen Vertragscheck, keine Live-Integration. Es gibt keine Verbindung zu Formularservice, Buchungssystem, Kundendatenbank oder E-Mail-Versand. Geprüfte Primärquellen sind Claude Code Permissions, Claude Code Settings und Sandboxing, die japanische PPC-Seite zu personenbezogenen Informationen, japanische Hygienehinweise für Beauty-Betriebe und Verbraucherhinweise zu ästhetischer Medizin. Dies ist keine individuelle Rechts-, Medizin- oder Betriebsberatung.

Kernaussagen

• Trenne das Formular in Buchungsfelder, Teamprüffelder und Felder, die nie in die KI-Arbeits-CSV gehören.
• Claude Code liest nur fiktive oder anonymisierte CSV-Daten und prüft Consent, Kategorien, Review-Flags und Textentwürfe.
• Menschen entscheiden Leistungsfähigkeit, Gesundheitsfragen, Consent-Text, personenbezogene Daten, Minderjährige, Erstattung und Storno.
• Die drei Use case sind Feldinventur, CSV-Preflight und Bestätigungsentwurf für das Team.
• Der primäre CTA bleibt bei Produktvorlagen für wiederverwendbare Anfänger-Workflows.

Workflow: Formular vor der KI trennen

Zuerst werden Ordner und Tabellen getrennt. intake-raw/ enthält Originale: Name, Telefon, E-Mail, freie Haut- und Körpernotizen, Medikamente, Schwangerschaft, Einwilligung Minderjähriger, Fotoerlaubnis und Zahlungskontext. intake-ai-work/ enthält die KI-Arbeitskopie: fiktive ID, gewünschtes Menü, Besuchsziel, Consent-Status, Kontraindikationskategorie und ob Teamprüfung nötig ist. intake-approved/ enthält die geprüfte Checkliste und Nachricht.

Material	KI-Kopie	Nur Team
Buchungsformular	Menü, Zweck, Erst-/Folgebesuch	Name, Telefon, E-Mail, Adresse
Vorabfragen	Kontraindikations- und Warnkategorie	Diagnose, Medikament, Gesundheitsdetails
Einwilligung	Vorhanden, Datum, Pflicht/optional	Finaler Rechts- und Betriebtext
CSV-Export	Spalten, Leerstellen, Review-Flag	Identifizierende Daten und Rohtext
Teamcheck	Prüfer, Stoppbedingung, Zeitpunkt	Leistungsfreigabe, Menüwechsel, Erstattung

flowchart TD
  A[intake-raw Originale] --> B[Spalten klassifizieren]
  B --> C[In KI-CSV anonymisieren]
  C --> D[Node.js preflight]
  D --> E[Claude Code findet Lücken]
  E --> F[Teamprüfung]
  F --> G[intake-approved Checkliste]

Die zentrale Gewohnheit: Claude Code nicht bitten, alles zu lesen und zu entscheiden. Reduziere zuerst die Spalten. Freitext enthält oft Namen, Gesundheitsdetails oder Familienkontext. Die KI-Datei sollte eher sensitive_note_present: true enthalten. Wenn Urteil nötig ist, öffnet das Team das Original separat.

Was Claude Code übernimmt und was Menschen entscheiden

Claude Code übernimmt fehlende Formularfelder, riskante CSV-Spaltennamen, fehlende Consent-Flags, fehlende Review-Flags und Entwürfe für Team oder Kundin. Es passt für Fragen wie “enthält das Erstformular Fotoerlaubnis und Stornoeinwilligung?” oder “hat jede Zeile mit Kontraindikationskategorie staff_review?”.

Menschen entscheiden, ob die Leistung stattfindet, welches Menü geändert wird, wie Gesundheits- oder Medikationsangaben behandelt werden, Consent für Minderjährige, Rückerstattung, Storno, Werbeaussagen und personenbezogene Daten. Ein Claude-Code-Ergebnis “keine offensichtliche Lücke” ist keine Leistungsfreigabe. In Beauty und Wellness kann beruhigende Sprache schnell zu einer absoluten Aussage werden; die Schlussfreigabe bleibt menschlich.

Die offizielle Claude-Code-Dokumentation erklärt, dass Permission-Regeln in der Reihenfolge deny, ask, allow bewertet werden. Die Settings-Seite beschreibt Sandboxing als Grenze für Bash-Befehle und Kindprozesse über Dateisystem und Netzwerk. Für Intake-Originale wird Read(/intake-raw/**) verweigert und nur intake-ai-work/ erlaubt. Das verengt den Eingang, beweist aber keine Datenschutzsicherheit.

Ergänzend helfen der Claude-Code-Berechtigungsleitfaden und der Beauty-Salon-Menüworkflow. Formular und Menü werden separat geprüft, weil sie an unterschiedlichen Stellen scheitern.

Drei Use Case

Use case 1: Erstbesuchs-Felder inventarisieren

Eingabe: Feldliste, Pflicht/optional, gewünschtes Menü, Consent-Text, Fotoerlaubnis, Stornobedingungen und Fragen mit Teamprüfung.

Ausgabe: Buchungsfelder, Review-Felder, von KI ausgeschlossene Felder, kurze Erklärung für Erstbesucher und Hinweis nach Absenden.

Menschliche Prüfung: Leistungsfreigabe, Kontraindikationen, Minderjährigen-Consent, Fotos, Storno/Erstattung und finaler Consent-Text.

Die Inventur beginnt mit der Frage, was entfernt wird. Wenn das Probetraining nur einen Slot reservieren soll, können tiefe Gesundheitsfragen in eine spätere Teamprüfung wandern. Muss eine Bedingung immer vor der Leistung geprüft werden, braucht sie vor Ankunft ein Flag.

Use case 2: Riskante Spalten im CSV prüfen

Eingabe: anonymisierte CSV-Spaltennamen, Beispielzeilen, Pflichtspalten, Review-Flag und Regeln vor dem Versand.

Ausgabe: erlaubte Spalten, blockierte Spalten, Leerwarnungen, Zeilen mit staff_review und Originalfelder für das Team.

Menschliche Prüfung: Name, Telefon, E-Mail, Adresse, Rohfreitext, Medikament, Diagnose, Schwangerschaft, Minderjährige, Consent und Fotoerlaubnis.

CSV-Exporte verstecken Fehler besser als Formularscreens. Ein sauberer Labeltext kann als einzelne note-Spalte exportiert werden. Bevor Claude Code liest, sollte ein lokaler Check riskante Namen und einfache Werte stoppen.

Use case 3: Team-Bestätigung entwerfen

Eingabe: fiktive ID, gewünschtes Menü, Review-Kategorie, Terminzeitraum, Verantwortliche, Antwortfrist und üblicher Kontaktkanal.

Ausgabe: interne E-Mail, Vorabnachricht an die Kundin, Review-Checkliste und nicht zu sendende Informationen.

Menschliche Prüfung: Empfänger, echter Name, reale Gesundheitsangaben, Leistungsentscheidung, Storno, Erstattung und Freigabe durch Verantwortliche.

Lass die KI keine echten persönlichen Details einsetzen. Nutze “Kundin A” oder “Buchung B-001” und prüfe vor Versand das Original. Freundlicher Text hilft nur, wenn die Entscheidungsgrenze klar bleibt.

Copy-Paste-Prompt

Nutze diesen Prompt erst, nachdem intake-ai-work/intake-redacted.csv erstellt wurde. Füge keine Originalformulare, Kundendateien, Fotos oder Zahlungsdaten hinzu.

Act as a beauty and wellness first-visit intake form reviewer.
Read only ./intake-ai-work/intake-redacted.csv and output in this order:

1. Columns that may be used by AI and columns that must be stopped
2. Missing consent, photo permission, and cancellation fields
3. Whether rows with contraindication categories have staff_review
4. Fields staff must check in the original record
5. Draft pre-visit confirmation message to the guest
6. Pre-publication checklist

Constraints:
- Do not decide service eligibility, medical issues, or refunds
- Do not infer name, phone, email, address, diagnosis, medication, pregnancy week, or raw free-text notes
- Do not touch intake-raw, customer databases, booking systems, email sending, or external networks
- If you detect personal-data-like values, stop and report only the field name
- End with: "Not sendable before staff review"

Ausführbarer Prüfcode

Wenn du diesen Helper einführst, speichere ihn als tools/check-beauty-intake-preflight.mjs. Dieser Artikel erstellt die Datei nicht im Repository. Der vollständige Inhalt steht unten und nutzt nur fiktive lokale Fixtures.

const files = [
  {
    path: "intake-ai-work/intake-redacted.csv",
    text: "intake_id,menu,consent,contraindication_category,staff_review\nB-001,trial_facial,true,sensitive_skin,true"
  },
  {
    path: "intake-ai-work/bad.csv",
    text: "name,email,medication_note\nAiko,[email protected],blood pressure medicine"
  }
];

const blockedFields = [
  "name",
  "email",
  "phone",
  "address",
  "birthdate",
  "medication",
  "diagnosis",
  "pregnancy_week",
  "free_note"
];

const valuePatterns = [
  /[\w.+-]+@[\w.-]+\.[A-Za-z]{2,}/,
  /\b\d{2,4}-\d{2,4}-\d{3,4}\b/,
  /\b(?:medicine|diagnosis|pregnant|allergy)\b/i
];

const findings = [];

for (const file of files) {
  const lowerText = file.text.toLowerCase();
  for (const field of blockedFields) {
    if (lowerText.includes(field)) {
      findings.push({ path: file.path, type: "blocked field", field });
    }
  }
  for (const pattern of valuePatterns) {
    if (pattern.test(file.text)) {
      findings.push({ path: file.path, type: "blocked value", pattern: String(pattern) });
    }
  }
}

console.table(findings);
if (findings.length > 0) {
  process.exitCode = 1;
}

Dieser Code beweist nur, dass feste lokale Fixtures riskante Feldnamen und einfache Werte erkennen. Er beweist nichts über PDFs, Bilder, Handschrift, Re-Identifikation über mehrere Spalten, echte Formularintegration oder Buchungssysteme.

{
  "permissions": {
    "deny": [
      "Read(/intake-raw/**)",
      "Edit(/intake-raw/**)",
      "Read(/customer-records/**)",
      "Edit(/customer-records/**)",
      "Bash(git push *)"
    ],
    "allow": [
      "Read(/intake-ai-work/**)",
      "Edit(/intake-ai-work/**)",
      "Bash(node tools/check-beauty-intake-preflight.mjs *)"
    ]
  },
  "sandbox": {
    "enabled": true,
    "failIfUnavailable": true,
    "allowUnsandboxedCommands": false,
    "filesystem": {
      "denyRead": ["./intake-raw", "./customer-records"],
      "denyWrite": ["./intake-raw", "./customer-records"]
    }
  }
}

Pitfall: häufige Ursachen und konkrete Korrekturen

Erste Ursache: Consent ist nur eine kleine Checkbox am Ende. Kundinnen wissen nicht, was sie akzeptiert haben, und das Team verfolgt Textänderungen nicht. Trenne Fotoerlaubnis, Storno, Gesundheitsbestätigung und Kontaktweg; exportiere Version oder Änderungsdatum des Consent-Texts.

Zweite Ursache: Kontraindikationen werden nur als Freitext gesammelt. Das wirkt flexibel, ist aber schwer suchbar und riskant für KI. Nutze Kategorien und staff_review, während Details im Original bleiben.

Dritte Ursache: Eine Read-deny-Regel wird für ausreichend gehalten. Bash, Kindprozesse und lokale Helper können weitere Pfade zu Originalen öffnen. Kombiniere Claude-Code-deny, Sandbox denyRead und denyWrite, Ordnerbetrieb und Ablehnungstests mit fiktiven Daten.

Vierte Ursache: Der Validator wird mit echten Buchungs-CSV getestet. Terminalhistorie und Logs können Werte behalten. Baue erlaubte und abgelehnte Beispiele nur mit fiktiven IDs und gib in Produktion keine persönlichen Werte aus.

Kleine ROI-Messung

Miss die ersten zwei Wochen nur das Formular für die erste Erfahrung. Vorher notierst du Nachfassanrufe nach Buchung, Menüänderungen am selben Tag, Fälle, die an Consent-Erklärung hängen bleiben, und wie oft das Team Originale wieder öffnet. Danach notierst du dieselben Werte plus Zeilen, die der Preflight stoppt.

Die Rechnung darf einfach bleiben: Fälle × (Bestätigungsminuten + Nacharbeitsminuten) neben Preflight-Stopps. Steigen Buchungen und Tagesänderungen zugleich, stimmt die Erwartung noch nicht. Steigen Vorabklärungen und sinken Tagesabbrüche, kann der Workflow helfen. Erfinde keine Ergebnisse; vergleiche dieselben Felder im selben Zeitraum.

Häufige Fragen

Q. Ist es sicherer, alle Gesundheits- und Medikamentenfragen zu entfernen?

Nein. Notwendige Prüfungen zu entfernen kann das Betriebsrisiko erhöhen. Ziel ist, weniger an die KI zu geben und die nötigen Teamprüffelder zu behalten.

Q. Reichen Claude-Code-Berechtigungen für personenbezogene Daten?

Nicht allein. Berechtigungen sind Tool-Grenzen. Kombiniere sie mit Sandbox, Ordnertrennung, Logs ohne Werte und menschlicher Prüfung.

Q. Kann Claude Code Aussagen nahe ästhetischer Medizin korrigieren?

Es kann Warnungen und Review-Notizen entwerfen. Medizinwerbung und Rechtsprüfung sind aber außerhalb dieses Artikels. Wirkungsversprechen müssen Menschen gegen Primärquellen und interne Regeln prüfen.

Q. Mit welchem Formular anfangen?

Beginne dort, wo Ersttermin, Fotos, Storno und Gesundheit auf einer Seite kollidieren. Das Formular mit den meisten Fragen am selben Tag ist meist besser als das mit dem meisten Traffic.

Produktvorlagen

Dieser Preflight kann als kleine Anfängerübung starten. Erstelle ein fiktives CSV, prüfe, dass riskante Spalten stoppen, fehlendes staff_review sichtbar wird und die Ausgabe vor Teamprüfung nicht sendbar ist.

Wenn du dasselbe Muster für Menüs, FAQ, Antworten und Veröffentlichungskontrollen nutzen willst, sind die Produktvorlagen der eine nächste Schritt. Der Salon-Menüworkflow behandelt Preis und Dauer; der Berechtigungsleitfaden behandelt Zugriffskontrolle.

Tatsächlich Getestet

Für diesen Artikel habe ich bestätigt, dass /images/hero/hero-024.webp unter site/public/images/hero/hero-024.webp existiert. Außerdem wurden die offizielle Claude-Code-Permissions-Seite, Settings und Sandbox, die japanische PPC-Seite zu personenbezogenen Informationen, MHLW-Hygienehinweise und die Verbraucherhinweise geprüft.

Der JavaScript-Block stellt fiktive intake-ai-work/intake-redacted.csv und intake-ai-work/bad.csv als Arrays im Speicher dar. Er zeigt nur eine lokale Fixture-Grenze für Feldnamen und einfache Werte. Kein Runtime-Test mit Formularservice, Buchungssystem, Kundendatenbank, E-Mail-Versand oder echten Kundendaten wurde ausgeführt. Die Veröffentlichungsprüfungen betreffen diesen Slug, Frontmatter, interne Links, externe Links, CTA, Code-Fences, zehn Locale-Dateien und den Qiita-Artikel.