A computação confidencial está a tornar-se a forma predefinida de executar inferência de IA que não controla

Toda empresa que envia dados proprietários para um modelo de IA de terceiros -um hospital que processa registos de pacientes através de uma API de resumo clínico, um escritório de advocacia que alimenta contratos num modelo de revisão de documentos, um banco que pontua transações através de um endpoint de deteção de fraude- faz a mesma suposição de confiança: que o fornecedor de nuvem e o vendedor do modelo não leem os dados em trânsito. A computação confidencial é a resposta técnica que substitui a confiança por prova, e em 2026 está a passar de uma caixa de conformidade marginal para uma expectativa predefinida para cargas de trabalho de IA sensíveis.

O que a computação confidencial realmente faz

A ideia central é um ambiente de execução confiável (TEE): uma região isolada por hardware de um chip onde os dados são desencriptados e processados, mas que é inacessível até mesmo ao sistema operativo ou a um administrador de nuvem com acesso root. Durante anos isto existiu principalmente a nível de CPU - tanto a Intel TDX como a AMD SEV-SNP criam máquinas virtuais encriptadas que os operadores de nuvem não conseguem inspecionar. Mas isso não fazia nada pela GPU, onde ocorre o cálculo real de inferência de IA.

A peça em falta tem sido a confidencialidade a nível de GPU. O modo de computação confidencial da Nvidia, juntamente com as VMs confidenciais do Azure que executam AMD SEV-SNP ao lado de GPUs H100, estende a fronteira encriptada através do barramento PCIe que liga CPU e GPU. O cliente pode verificar criptograficamente, através de atestação remota, que a sua carga de trabalho realmente é executada dentro desse enclave protegido.

Por que isto importa mais agora do que há dois anos

A computação confidencial existe como conceito há anos sem muita pressão de adoção, porque a maioria das cargas de trabalho de IA não envolvia o envio de dados regulados para infraestrutura que o cliente não controla. Isso mudou à medida que os setores de saúde, serviços financeiros e jurídicos passaram de experimentar IA para executar cargas de trabalho de produção contra registos de pacientes, transações financeiras e documentos jurídicos privilegiados através de APIs de modelos de terceiros.

A lacuna entre fornecedores de nuvem

Nem todas as nuvens oferecem o mesmo nível de proteção. A abordagem do Azure combina VMs confidenciais a nível de CPU com enclaves a nível de GPU. Os Nitro Enclaves da AWS, por outro lado, são projetados apenas para CPU - isolam o plano de controlo e a computação geral, mas a inferência baseada em GPU executada ao lado de um Nitro Enclave requer trabalho de arquitetura manual adicional.

O que verificar antes de adotar

Se a sua organização envia dados regulados para uma API de IA de terceiros, três perguntas determinam se a computação confidencial é relevante para si agora: a carga de trabalho toca a GPU; a oferta confidencial do seu fornecedor de nuvem realmente se estende à GPU; e pode obter prova de atestação remota que possa mostrar a um auditor.