Ihre KI weiß zu viel: Vertrauliche KI ist kein Luxus mehr

Generative Modelle wandern von Forschungslabors in regelmäßige Geschäftsprozesse — und eine stille, strukturelle Schwäche wächst direkt mit ihnen.

Nehmen wir ein Beispiel: Microsoft Copilot hat Zugriff auf fast drei Millionen sensible Datensätze pro Organisation im ersten Halbjahr 2025. Solche Zahlen bedeuten, dass es ein systemisches Problem mit der Art und Weise gibt, wie KI angegangen wird. Unternehmen haben leistungsstarke Motoren für die Datenverarbeitung entwickelt, aber sie haben nicht genügend Schutzmaßnahmen für die Daten, die sie verwenden.

Große Sprachmodelle und Assistenztools berechnen oft Dokumente, Nachrichten und Datenbanken ohne jegliche hardwarebasierten Schutzmaßnahmen. Diese Lücke, die “Daten im Gebrauch” während der Inferenz zeigt, bedroht nun direkt Unternehmen, die Privatsphäre, Compliance und Kundenzufriedenheit priorisieren.

Hier kommt die vertrauliche Rechnung ins Spiel. Der Prozess verwendet hardwareunterstützte vertrauenswürdige Ausführungsumgebungen (TEEs), um Code und Daten sicher zu halten, während sie verwendet werden. Diese TEEs sind isolierte Speicherbereiche, die vor dem Host-Betriebssystem und Hypervisor geschützt sind.

Diese Sicherheit verändert das Sicherheitsmodell, sodass Geheimnisse verarbeitet werden können, ohne dass sie dem Rest des Stacks ausgesetzt sind. Microsoft und andere Cloud-Anbieter bieten nun private Inferenz und virtuelle Maschinen (VMs) an, die Inferenz innerhalb von TEEs integrieren.

Warum Privatsphäre für Regeln und Governance wichtig ist

Übliche Verschlüsselung schützt normalerweise Daten, die entweder ruhen oder übertragen werden, wobei Daten, die aktiv verarbeitet werden, nicht den gleichen Schutz genießen, obwohl dies der Bereich ist, in dem generative KI am meisten mit privaten Eingaben interagiert.

Früher im Jahr hat eine Studie von Cornell-Universitätsforschern über Trusted Compute Units gezeigt, wie hardwaregestützte Isolation und Attestation dazu beitragen können, den Bedarf an Vertrauen zwischen Parteien zu reduzieren. Darüber hinaus schätzten Analysten im vergangenen Jahr, dass der Wert der privaten Recheninfrastruktur mehr als 13 Milliarden Dollar betrug, wobei Prognosen auf ein noch schnelleres Wachstum auf 350,04 Milliarden Dollar bis 2032 hindeuten.

Einfach ausgedrückt, nutzen immer mehr Menschen die Technologie, was dazu führt, dass Regulierungs- und Compliance-Teams ein größeres Interesse an KI-Systemen haben als je zuvor. Daher wird ein Rahmen, der sicherstellt, dass sensible Daten nie die geschützte Ausführung während der Modellabfragen verlassen, es leichter machen, Audit-Verläufe zu verfolgen, und das Risiko von rechtlichen Problemen verringern.

Wenn jedoch Laufzeit-Schutzmaßnahmen nicht zur Norm werden, könnte dieser Unterschied dazu führen, dass Regulierungsbehörden länger brauchen, um KI in streng regulierten Bereichen zu akzeptieren.

Reale Situationen, in denen Privatsphäre ein Muss ist

Es gibt mehrere Unternehmensszenarien, die zeigen, warum vertrauliche KI kein Luxus, sondern ein Muss für jedes Unternehmen ist.

Beispielsweise könnte dies im Finanzwesen auf Institutionen zutreffen, die Betrugs- und Risikomodelle gegen Kunden-Transaktionsverläufe laufen müssen, ohne dass externe Modell-Operatoren Zugriff auf Rohdaten haben.

Im Gesundheitswesen könnten Situationen auftreten, in denen Diagnosemodelle auf geschützten klinischen Daten operieren müssen, während Patientenprivatsphäre und strenge regulatorische Verpflichtungen gewahrt werden. Darüber hinaus könnten Regierungen und Verteidigungsbehörden attestierte Ausführung benötigen, um sensible Workloads auf Clouds von Drittanbietern auszuführen.

Es gibt auch Forschungspipelines, die Daten aus mehreren Quellen kombinieren, insbesondere föderale Gesundheitsforschung, die nur dann fortgesetzt werden kann, wenn jeder Teilnehmer sicher ist, dass seine Eingaben während der Berechnung unlesbar bleiben.

Es gibt auch akademische und industrielle Forschung, die weiterhin privatsphäreerhaltende ML-Ansätze für medizinische Workflows dokumentiert, die gut mit vertraulicher Ausführung kombiniert werden können.

Wie vertrauliche Ausführung tatsächlich Daten im Gebrauch schützt

Vertrauliche Ausführung hängt von zwei verbundenen Systemen ab: Hardware-Isolation und Attestation. Hardware-Isolation verhindert, dass Software außerhalb des sicheren Bereichs den Speicher des Bereichs lesen kann.

Attestation ist eine überprüfbare Möglichkeit, den Code zu überprüfen, der innerhalb des Bereichs läuft, und dass der Bereich selbst echt ist. Diese Funktionen ermöglichen es einem Modellbesitzer, zu zeigen, dass ein Modell mit Eingaben in einer verifizierten, versiegelten Umgebung arbeiten wird und dass Ausgaben nur nach den Regeln des Bereichs erfolgen.

Das Ergebnis ist ein Vertrag zwischen Datenbesitzern, Modell-Operatoren und Cloud-Anbietern, der es weniger wahrscheinlich macht, dass sie auf adversarial-juristische Ausweichmanöver oder fragile politische Akrobatik zurückgreifen müssen.

Reale Grenzen und Hindernisse

Natürlich birgt die Einführung vertraulicher KI ihre eigenen Herausforderungen. Attestation und Hardware, die in Bereichen arbeiten können, machen die Bereitstellung komplizierter, da es eine Lücke im Ökosystem zwischen traditioneller Modell-Server-Tooling und Bereich-bewusster Laufzeit gibt. Einige Bereich-Laufzeiten verursachen hohe Overhead-Kosten, die bis zu zehnmal höher sein können als die Kosten für die Ausführung, und es kann auch Leistungs-Kompromisse je nach Arbeitsaufkommen geben.

Darüber hinaus sind die Kosten höher als sie es für einfache Cloud-Inferenz waren, was es für kleine Unternehmen schwierig machen kann, die Zahlen zu verstehen. Es gibt auch das Problem der Änderung von Interoperabilitätsstandards, die einige frühe Anwender gefährden könnten, dass sie mit ihren Anbietern stecken bleiben.

Diese Probleme sind jedoch nur vorübergehende ingenieurtechnische Probleme, die gelöst werden können. Cloud-Anbieter und Chip-Hersteller bringen ständig neue Produkte auf den Markt, und Software-Projekte entwickeln Middleware, die aktuelle ML-Stacks und TEEs verbindet.

Wenn überhaupt, sind Unternehmen, die standardmäßige Verschlüsselung und Zugriffskontrollen für ausreichend halten, in größerer Gefahr, da sie anfällig für Angriffe sein werden, wenn Modelle viele sensible Datensätze verarbeiten.

Ruf nach Änderungen in der Unternehmenspraxis

Risikomanagement-Teams müssen die Regeln für den Kauf und die Verwendung von KI ändern. Datenklassifizierung und Governance sind immer noch wichtig, aber sie müssen durch technische Garantien unterstützt werden, wenn sie im Gebrauch sind.

Verträge mit Drittanbieter-Modell-Providern sollten die Vorlage von Attestationen erfordern. Beschaffungsteams sollten Leistungs-Baselines und geprüfte Optionen für vertrauliche Ausführung anfordern. Red-Team-Übungen sollten Bereich-bewusstes Testen als Teil ihrer Arbeit einbeziehen. Diese Schritte verlagern die Verantwortung von ad-hoc-Verpflichtungen auf kontrollierbare Kontrollen.

Außerdem müssen öffentliche Politik und Industriestandards-Gruppen Erwartungen setzen. Prüfer, Compliance-Officer und Regulierungsbehörden sollten überprüfbare Laufzeit-Schutzmaßnahmen für Kategorien von Workloads fordern, die regulierte Daten verarbeiten.

Diese Regeln werden die Anzahl der Verletzungen, die später auftreten, verringern und dem Sektor die Freiheit geben, ohne rechtliche Probleme zu innovieren. Dies wird es dem Finanzwesen, dem Gesundheitswesen und dem öffentlichen Sektor ermöglichen, neue Modelle ohne regulatorische Hürden zu verwenden.

Vertraulichkeit als Standard

Generative KI ist zu einem nützlichen Werkzeug für Unternehmen geworden, die mit sehr privaten Informationen umgehen. Diese Realität bedeutet, dass vertrauliche Ausführung nicht länger nur eine Nischen-Option ist, sondern Standard-Praxis für jedes KI-System, das regulierte, eigene oder persönliche Daten verarbeitet.

Es gibt bereits Tools wie TEEs, Attestation-Dienste und private VM-Angebote, und die Wirtschaftlichkeit verbessert sich sehr schnell. Die andere Option ist, sensible Vermögenswerte während der Inferenzzeit offen zu lassen, was rechtliche, finanzielle und reputationsbedrohende Auswirkungen haben könnte, die Unternehmen sich nicht länger leisten können. Zum Beispiel betrug der durchschnittliche globale Kosten für Datenverletzungen laut IBM-Bericht 2025 fast 5 Millionen Dollar, wobei Vorschriften wie die DSGVO Bußgelder von bis zu 20 Millionen Euro für schwere Verletzungen verhängen.

Unternehmen, die in der KI-Governance der Privatsphäre Priorität einräumen, werden einen Vorteil haben: Sie können umfassendere, konforme Tests durchführen und Modelle in Bereichen einsetzen, in denen außenstehende Innovationen einst tabu waren. Kurz gesagt, ist der Schutz von Daten während der Modellausführung kein Hindernis für die Einführung, sondern die Grundlage für verantwortungsvolle, skalierbare KI in Unternehmen und Regierungen.