Nvidia und Azure treiben Confidential Computing in den Mainstream

Confidential Computing war ein Jahrzehnt lang eine Kuriosität auf Kryptografie-Konferenzen – ein Hardware-Feature, das Enterprise-Architekten als „interessant, aber nicht dringend" abhefteten. Das änderte sich 2026. Multi-Tenant-AI-Inference brachte sensible Daten und proprietäre Modellgewichte auf dieselben geteilten GPU-Cluster, und die übliche Verschlüsselung im Ruhezustand und während der Übertragung reichte nicht mehr aus, denn sobald ein Modell läuft, liegen sowohl die Eingabedaten als auch die Gewichte im Klartext im Arbeitsspeicher.

Der Markt spiegelt den Wandel wider: Analysten beziffern den Confidential-Computing-Markt 2026 auf rund 16,7 Milliarden US-Dollar, gegenüber etwa 12,3 Milliarden im Jahr 2025 – ein jährliches Wachstum von über 35 %. Finanzdienstleister machen knapp die Hälfte der Unternehmensadoption aus, das Gesundheitswesen gut ein Drittel, und rund drei Viertel der US-Bundesbehörden setzen inzwischen Secure-Enclave-Technologien für sensible Workloads ein. Das ist längst kein Nischen-Compliance-Häkchen mehr – es wird zur Grundvoraussetzung für jeden, der KI mit Daten betreibt, die er rechtlich oder vertraglich nicht offenlegen darf.

Was sich tatsächlich geändert hat

Der Auslöser war kein einzelner Sicherheitsvorfall oder eine Verordnung. Es war das Aufkommen von KI-Workloads, die zweierlei gleichzeitig erfordern: die sensiblen Daten des Kunden (Krankenakten, Handelspositionen, biometrische Daten) und die proprietären Modellgewichte des Anbieters, gemeinsam auf derselben Hardware, im Besitz keiner der beiden Parteien allein. Ein Krankenhaus, das Patientendaten an ein diagnostisches Drittmodell sendet, braucht die Zusicherung, dass der Cloud-Anbieter und der Modellanbieter die Daten nicht einsehen können. Der Modellanbieter braucht die Zusicherung, dass das Krankenhaus die Gewichte nicht extrahieren kann. Keine Seite vertraut der Infrastruktur der anderen, und keine Seite kann sich einfach durch „Verschlüsseln und Entschlüsseln" retten, weil die Berechnung selbst irgendwann auf unverschlüsselten Daten stattfinden muss – es sei denn, dieser Punkt liegt in Hardware, die keine der beiden Parteien kontrolliert.

Genau das ist das spezifische Problem, das Trusted Execution Environments (TEEs) lösen: isolierte, hardwareverschlüsselte Speicherbereiche, in denen Code und Daten selbst vor einem kompromittierten Hypervisor, Cloud-Betreiber oder Root-User geschützt sind. 2026 erstreckt sich diese Hardware-Vertrauenswurzel erstmals in großem Maßstab über die CPU hinaus bis in die GPU.

Die Hardware: CPUs und GPUs können das jetzt beide

Vier TEE-Architekturen dominieren derzeit die Bereitstellungen:

Intel TDX (Trust Domain Extensions) – isoliert ganze VMs, stark genutzt auf Azure- und Google-Cloud-Confidential-VM-Instanzen.
AMD SEV-SNP (Secure Encrypted Virtualization–Secure Nested Paging) – die am weitesten verbreitete Option bei AWS, Azure und Google Cloud, bevorzugt wegen geringerer Rechen-Overheads dank AES-NI-hardwarebeschleunigter Speicherverschlüsselung.
ARM CCA (Confidential Compute Architecture) – neuer, zielt auf mobile und Edge-Geräte, bei denen vertrauliche Inferenz komplett außerhalb des Rechenzentrums stattfinden muss.
Nvidia Hopper Confidential Computing – die H100 war die erste GPU mit einem hardwarebasierten TEE, verankert in einer On-Die-Vertrauenswurzel; die H200 erweitert dies. Dies ist der Baustein, der vertrauliche KI-Inferenz praktikabel gemacht hat, denn er schützt Daten und Modellgewichte, während die GPU aktiv rechnet, nicht nur, während sie im CPU-Speicher liegen.

Die Performance-Geschichte ist besser, als die meisten Ingenieure annehmen. Bei rechenintensiven CPU-Workloads liegen SEV-SNP und TDX beide bei etwa 1–5 % Overhead. Im vertraulichen GPU-Modus von Nvidia erreicht unabhängiges Benchmarking typische LLM-Inferenz mit 95–99 % des nativen Durchsatzes – für die meisten Abfragen bleibt der Overhead unter 5 %, und er nähert sich Null bei größeren Modellen und längeren Sequenzen, da sich die Verschlüsselungskosten über mehr Rechenarbeit pro verschobenem Byte über die CPU-GPU-Grenze hinweg amortisieren.

Wer betreibt das tatsächlich in Produktion

Alle drei großen Hyperscaler liefern heute vertrauliche KI-Infrastruktur aus – nicht als Roadmap-Punkt. Azure Confidential Computing kombiniert Intel TDX und AMD SEV mit vertraulichen GPU-VMs auf Basis von H100s, die speziell für regulierte Branchen-LLM-Bereitstellungen vermarktet werden. AWS bietet Nitro Enclaves neben SEV-SNP-gestützten EC2-Instanzfamilien an. Google Cloud Confidential Space und Confidential VMs zielen auf denselben Anwendungsfall ab, positioniert für die Zusammenarbeit mehrerer Parteien an Daten, bei der keine Partei die Eingaben der anderen sehen kann.

Konkrete Bereitstellungen untermauern dies. NTT DATA und IBM bauten SimpliZCloud, eine Hybrid-Cloud-Plattform für indische Finanzinstitute, die Confidential Computing nutzt, um Daten während der Verarbeitung zu schützen – nicht nur bei der Speicherung. Das US-Verteidigungsministerium hat eine auf Confidential Computing basierende Cloud-Infrastruktur für missionskritische Abläufe in mehreren Bundesbehörden autorisiert. Das sind keine Pilotprojekte – es sind produktive Finanz- und Behördensysteme, bei denen „wir haben die Datenbank verschlüsselt" die Compliance- oder Vertragshürde nicht mehr erfüllt.

Das ungelöste Problem: Attestation

Hier hinkt die gängige Erzählung der Technologie hinterher. Das Vertrauensmodell von Confidential Computing beruht auf Remote Attestation – dem kryptografischen Nachweis, dass ein Workload tatsächlich in einem echten, unveränderten TEE läuft, bevor man ihm sensible Daten sendet. Bei einem reinen CPU-TEE stellt ein Anbieter diesen Nachweis aus. Für vertrauliche KI-Inferenz benötigt man nun Attestation vom CPU-Anbieter und vom GPU-Anbieter gleichzeitig, jeder mit eigener Lieferkette, eigener Vertrauenswurzel und eigenen Verifikationswerkzeugen. Sicherheitsforscher nennen dies ein „Composite-Attester"-Problem, und es gibt noch keinen einheitlichen Standard, um es Ende-zu-Ende zu verifizieren.

Es wird noch schlimmer: Eine Register-Recherche vom 4. Juli 2026 deckte auf, dass mehrere vorgeschlagene „Intra-Handshake-Attestation"-Schemata – bei denen sich das TEE während des TLS-Handshakes selbst beweist – weiterhin anfällig für Relay-Angriffe sind, bei denen ein Client erfolgreich eine echte, vertrauenswürdige Enklave verifiziert, am Ende aber verschlüsselten Traffic an eine völlig andere, bösartige sendet. Keiner der sieben bisher getesteten kryptografischen Ansätze schließt diese Lücke vollständig. Das ist kein kleiner Implementierungsfehler; es ist eine strukturelle Schwäche darin, wie Vertrauen hergestellt wird, und es bedeutet, dass „wir nutzen Confidential Computing" für sich allein noch keine vollständige Sicherheitsaussage ist, ohne auch zu fragen, wie Attestation verifiziert wird und von wem.

Wann Sie das tatsächlich brauchen

Confidential Computing löst ein spezifisches Problem: den Schutz von Daten während sie verarbeitet werden, durch eine Partei, der Sie die Hardware nicht vollständig anvertrauen. Die Standardverschlüsselung im Ruhezustand und während der Übertragung bleibt ausreichend, wenn Ihre eigene Infrastruktur die Berechnung durchführt und Sie den Hypervisor kontrollieren. Sie benötigen TEEs, wenn einer dieser Punkte zutrifft:

Sie führen Inferenz auf einer Cloud-GPU eines Drittanbieters durch und möchten den Cloud-Anbieter selbst aus Ihrem Bedrohungsmodell ausschließen – nicht nur externe Angreifer.
Sie stellen ein proprietäres Modell für Kunden bereit, die sonst während der Inferenz Gewichte aus dem GPU-Speicher extrahieren könnten.
Mehrere Parteien (z. B. zwei Krankenhäuser oder eine Bank und ein Betrugserkennungsanbieter) müssen gemeinsam auf kombinierten Daten rechnen, ohne dass eine die rohen Eingaben der anderen sieht.
Regulatorische oder vertragliche Anforderungen schreiben explizit hardware-isolierte Verarbeitung vor, was heute in Datenweitergabevereinbarungen im Gesundheitswesen und einigen Finanzdienstleistungsverträgen üblich ist.

Sie brauchen es wahrscheinlich nicht für interne Analysen auf Ihrer eigenen Infrastruktur, für öffentliche oder bereits anonymisierte Datensätze oder als Ersatz für grundlegende Zugriffskontrolle und Verschlüsselungshygiene – diese Probleme sind konventionell günstiger zu lösen, und TEEs verursachen echten operativen Aufwand: umgestaltete Anwendungsgrenzen, Attestation-Infrastruktur und Vendor-Lock-in auf bestimmte CPU-/GPU-Hardwaregenerationen.

Erkenntnisse

Vertrauliche KI-Inferenz ist heute auf allen drei großen Clouds produktionsreif, mit H100/H200-basierten GPU-TEEs, die für die meisten Workloads 95 %+ der nativen Leistung liefern – Leistung ist nicht länger der Engpass, der sie vor zwei Jahren war.
Attestation, nicht Rechen-Overhead, ist das eigentliche ungelöste Engineering-Problem. Fragen Sie Ihren Anbieter vor der Einführung von Confidential Computing explizit, wie sie die kombinierte CPU+GPU-Attestation handhaben und ob sie auf eines der Intra-Handshake-Schemata setzen, die als anfällig für Relay-Angriffe markiert sind.
Setzen Sie TEEs nur in Fällen ein, in denen Sie den Infrastrukturbetreiber aus Ihrem Bedrohungsmodell ausschließen müssen – Inferenz auf Cloud-GPUs von Drittanbietern mit regulierten Daten oder Multi-Party-Computation. Setzen Sie sie nicht als universelles Upgrade der Verschlüsselung im Ruhezustand ein; der operative Aufwand ist dort nicht gerechtfertigt.
Planen Sie Budget für die Attestation-Ebene ein, nicht nur für die TEE-Hardware. Unabhängige Attestation-Dienste und die Open-Source-Verifikationstools des Confidential Computing Consortiums sind derzeit der praktische Weg, um dies nicht von Grund auf neu entwickeln zu müssen.