Vertrauliches Computing wird zur Standardmethode, um KI-Inferenz auszuführen, die man nicht kontrolliert

Jedes Unternehmen, das proprietäre Daten an ein KI-Modell eines Drittanbieters sendet — ein Krankenhaus, das Patientenakten über eine klinische Zusammenfassungs-API verarbeitet, eine Anwaltskanzlei, die Verträge in ein Dokumentenprüfungsmodell einspeist, eine Bank, die Transaktionen über einen Betrugserkennungs-Endpunkt bewertet — trifft dieselbe Vertrauensannahme: dass der Cloud-Anbieter und der Modellanbieter die Daten während der Übertragung nicht lesen. Vertrauliches Computing ist die technische Antwort, die Vertrauen durch Beweis ersetzt, und 2026 entwickelt es sich von einer Nischen-Compliance-Checkbox zu einer Standarderwartung für sensible KI-Workloads.

Was vertrauliches Computing tatsächlich leistet

Die Kernidee ist eine vertrauenswürdige Ausführungsumgebung (TEE): eine hardwareisolierte Region eines Chips, in der Daten entschlüsselt und verarbeitet werden, die aber selbst für das Betriebssystem oder einen Cloud-Administrator mit Root-Zugriff unzugänglich ist. Jahrelang existierte dies hauptsächlich auf CPU-Ebene — Intel TDX und AMD SEV-SNP erzeugen beide verschlüsselte virtuelle Maschinen, die Cloud-Betreiber nicht inspizieren können. Aber das half der GPU nichts, wo die eigentliche KI-Inferenzberechnung stattfindet.

Das fehlende Puzzleteil war die Vertraulichkeit auf GPU-Ebene. Nvidias vertraulicher Computing-Modus, gepaart mit Azures vertraulichen VMs, die AMD SEV-SNP neben H100-GPUs ausführen, erweitert die verschlüsselte Grenze über den PCIe-Bus, der CPU und GPU verbindet. Der Kunde kann über Remote-Attestierung kryptografisch verifizieren, dass seine Workload tatsächlich innerhalb dieser geschützten Enklave läuft.

Warum das jetzt wichtiger ist als vor zwei Jahren

Vertrauliches Computing existiert seit Jahren als Konzept ohne großen Adoptionsdruck, da die meisten KI-Workloads keine regulierten Daten an Infrastruktur sendeten, die der Kunde nicht kontrolliert. Das hat sich geändert, als Gesundheitswesen, Finanzdienstleistungen und Rechtsbranche vom Experimentieren mit KI zum Betrieb von Produktions-Workloads gegen Patientenakten, Finanztransaktionen und privilegierte Rechtsdokumente über APIs von Drittanbieter-Modellen übergegangen sind.

Die Lücke zwischen Cloud-Anbietern

Nicht jede Cloud bietet das gleiche Schutzniveau. Azures Ansatz kombiniert vertrauliche VMs auf CPU-Ebene mit Enklaven auf GPU-Ebene. AWS Nitro Enclaves hingegen sind von Natur aus nur für CPU ausgelegt — sie isolieren die Steuerungsebene und allgemeine Berechnung, aber GPU-basierte Inferenz neben einer Nitro Enclave erfordert zusätzliche manuelle Architekturarbeit.

Was vor der Einführung zu prüfen ist

Wenn Ihre Organisation regulierte Daten an eine Dritt-KI-API sendet, bestimmen drei Fragen, ob vertrauliches Computing jetzt für Sie relevant ist: Berührt die Workload die GPU; erstreckt sich das vertrauliche Angebot Ihres Cloud-Anbieters tatsächlich auf die GPU; und können Sie Remote-Attestierungsnachweise erhalten, die Sie einem Prüfer zeigen können.