Uw AI weet te veel: vertrouwelijke AI is geen optie meer

Generatieve modellen zijn in transitie van onderzoekslabo’s naar reguliere bedrijfsprocessen — en een stille, structurele zwakte groeit recht mee.

Neem bijvoorbeeld dit voorbeeld: Microsoft Copilot heeft toegang tot bijna drie miljoen gevoelige records per organisatie in de eerste helft van 2025. Deze cijfers betekenen dat er een systematisch probleem is met de manier waarop AI wordt benaderd. Bedrijven hebben krachtige motoren gebouwd voor gegevensverwerking, maar ze hebben onvoldoende bescherming voor de gegevens die ze gebruiken.

Grote taalmodellen en assistentietools berekenen vaak documenten, berichten en databases zonder enige hardwarematige bescherming. Deze lacune, die “gegevens in gebruik” tijdens inferentie onthult, vormt nu een directe bedreiging voor bedrijven die prioriteit geven aan privacy, naleving en klantvertrouwen.

Hier komt vertrouwelijke berekening om de hoek kijken. Het proces gebruikt hardware-ondersteunde vertrouwde uitvoeromgevingen (TEEs) om code en gegevens veilig te houden tijdens het gebruik. Deze TEE’s zijn geïsoleerde geheugengebieden die beschermd zijn tegen het host-besturingssysteem en hypervisor.

Die bescherming verandert het beveiligingsmodel, waardoor geheimen verwerkt kunnen worden zonder dat ze worden blootgesteld aan de rest van de stack. Microsoft en andere cloudproviders bieden nu privé-inferentie en virtuele machines (VM’s) aan die inferentie integreren in TEE’s.

Waarom privacy belangrijk is voor regels en governance

Conventionele encryptie beschermt meestal gegevens die ofwel in ruste zijn ofwel in transit, met gegevens die actief worden verwerkt, niet genietend van dezelfde bescherming, zelfs niet waar generatieve AI het meest interacteert met private invoer.

Earlier in het jaar, een studie door onderzoekers van Cornell University over Trusted Compute Units onthulde hoe hardware-ondersteunde isolatie en attestatie kunnen helpen om het vertrouwen tussen partijen te verminderen. Bovendien schatten analisten vorig jaar dat de waarde van private computing-infrastructuur meer dan 13 miljard dollar bedroeg, met prognoses die aangaven dat het nog sneller zou groeien tot 350,04 miljard dollar in 2032.

Om het simpel te zeggen, meer mensen gebruiken de technologie, waardoor toezichthouders en compliance-teams meer interesse tonen in AI-systemen dan ooit. Als zodanig, een kader dat ervoor zorgt dat gevoelige gegevens nooit de beschermde uitvoering verlaten tijdens modelqueries, zal audit-trails veel gemakkelijker te volgen maken, waardoor het risico op juridische problemen wordt verlaagd.

Echter, als runtime-bescherming niet de norm wordt, kan dat verschil ertoe leiden dat het langer duurt voordat toezichthouders AI accepteren in gebieden die streng worden gereguleerd.

Real-life situaties waarin privacy een must is

Er zijn verschillende ondernemingsscenario’s die laten zien waarom vertrouwelijke AI geen luxe is, maar iets dat elke organisatie moet hebben.

Neem bijvoorbeeld de financiële sector, waar instellingen fraude- en risicomodellen moeten uitvoeren tegen klanttransactiegeschiedenissen zonder dat externe modeloperators toegang hebben tot brute records.

In de gezondheidszorg kunnen er situaties zijn waarin diagnostische modellen moeten werken op beschermde klinische gegevens terwijl patiëntengegevens worden beschermd en strikte regelgevingsverplichtingen worden nageleefd. Bovendien kunnen overheden en defensie-agentschappen geattesteerde uitvoering vereisen om gevoelige workloads uit te voeren op derdenclouds.

Er zijn ook onderzoekslijnen die datasets van meerdere bronnen combineren, met name gefedereerd gezondheidsonderzoek dat alleen kan doorgaan als elke deelnemer er zeker van is dat hun invoer onleesbaar zal blijven tijdens berekening.

Er is ook academisch en industrieel onderzoek dat blijft documenteren over privacy-bewaakte ML-benaderingen voor medische workflows die goed samenwerken met vertrouwelijke uitvoering.

Hoe vertrouwelijke uitvoering daadwerkelijk gegevens-in-gebruik beschermt

Vertrouwelijke uitvoering is afhankelijk van twee verbonden systemen: hardware-isolatie en attestatie. Hardware-isolatie voorkomt dat software buiten de beveiligde enclave toegang heeft tot enclave-geheugen.

Attestatie is een verifieerbare manier om te controleren of de code die binnen de enclave wordt uitgevoerd, en of de enclave zelf, authentiek is. Deze functies laten een model-eigenaar zien dat een model zal werken met invoer in een geverifieerde, verzegelde omgeving en dat uitvoer alleen zal worden gegenereerd nadat de regels van de enclave zijn gevolgd.

Het resultaat is een contract tussen gegevenseigenaren, modeloperators en cloudproviders dat het minder waarschijnlijk maakt dat ze adversariale juridische werk-arounds nodig hebben of zich moeten wenden tot broze beleidsacrobatiek.

Realistische beperkingen en obstakels

Natuurlijk, het adopteren van vertrouwelijke AI komt met zijn eigen uitdagingen. Attestatie en hardware die in enclaves kunnen werken, maken implementatie ingewikkelder, gezien de kloof in het ecosysteem tussen traditionele model-serving-tooling en enclave-aware runtimes. Sommige enclave-runtimes leggen zware overheads op, kostend tot tien keer meer om uit te voeren, en er kunnen ook prestatiebeperkingen zijn, afhankelijk van de hoeveelheid werk.

Verder zijn de kosten hoger dan die voor gewone cloud-inferentie, wat het voor kleine bedrijven moeilijk kan maken om de cijfers te begrijpen. Er is ook het probleem van veranderende interoperabiliteitsnormen, die vroegere aanbieders mogelijk in de steek kunnen laten.

Maar deze problemen zijn slechts tijdelijke ingenieursproblemen die oplosbaar zijn. Cloudproviders en chipfabrikanten brengen voortdurend nieuwe producten uit, en softwareprojecten maken middleware die huidige ML-stacks en TEE’s verbindt.

Als iets, bedrijven die denken dat standaardencryptie en toegangscontrole voldoende zijn, lopen meer risico omdat ze kwetsbaar zullen zijn wanneer modellen veel gevoelige records verwerken.

Een oproep tot verandering van ondernemingspraktijken

Risicobeheerteams moeten de regels voor het kopen en gebruiken van AI veranderen. Gegevensclassificatie en governance zijn nog steeds belangrijk, maar ze moeten worden ondersteund door technische garanties wanneer ze in gebruik zijn.

Contracten met derde modelaanbieders moeten vereisen dat ze attestatie bewijzen. Inkoopteams moeten prestatiebasissen en geauditeerde opties voor vertrouwelijke uitvoering vragen. Red-team-oefeningen moeten enclave-aware testing opnemen als onderdeel van hun werk. Deze stappen verplaatsen de verantwoordelijkheid van ad-hocverplichtingen naar controles die kunnen worden gecontroleerd.

Verder moeten overheidsbeleid en industrienormgroepen verwachtingen stellen. Auditors, compliance-officieren en toezichthouders moeten verifieerbare runtime-bescherming eisen voor categorieën workloads die gereguleerde gegevens verwerken.

Deze regels zullen het aantal datalekken dat later plaatsvindt, verlagen en de sector de vrijheid geven om te innoveren zonder zich zorgen te maken over juridische problemen. Dit zal financiële, gezondheids- en overheidsprocessen in staat stellen om nieuwe modellen te gebruiken zonder enige regelgevingshobbels.

Vertrouwelijkheid als standaard

Generatieve AI is een nuttig instrument geworden voor bedrijven die omgaan met zeer privé-informatie. Die realiteit betekent dat vertrouwelijke uitvoering niet langer een niche-optie is; het moet standaardpraktijk zijn voor elk AI-systeem dat gereguleerde, eigendoms- of persoonlijke gegevens verwerkt.

Er zijn al tools beschikbaar, zoals TEE’s, attestatiediensten en private VM-aanbod, en de economie wordt snel beter. De andere optie is om gevoelige activa open te stellen voor inferentie-tijdlekken, wat juridische, financiële en reputatiegevolgen kan hebben die bedrijven zich niet langer kunnen veroorloven. Bijvoorbeeld, volgens het rapport van IBM over de kosten van datalekken in 2025, bereikte de gemiddelde wereldwijde kosten van een datalek bijna 5 miljoen dollar, met regelgeving zoals de GDPR opleggend boetes tot 20 miljoen euro voor ernstige inbreuken.

Bedrijven die privacy op de eerste plaats zetten in AI-governance zullen een voordeel hebben: ze kunnen grondiger, compliant tests uitvoeren en modellen gebruiken in gebieden waar buiteninnovatie eerder ontoegankelijk was. Kortom, gegevens beschermen tijdens het uitvoeren van modellen is geen barrière voor adoptie; het is de basis voor verantwoordelijke, schaalbare AI in bedrijven en overheden.