Stand: 30. September 2026
Klassische Verschlüsselung schützt Daten auf Datenträgern und während der Übertragung. Bei der Verarbeitung müssen Daten jedoch normalerweise im Arbeitsspeicher lesbar sein. Genau hier setzt Confidential Computing an: sensible Workloads laufen in hardwaregestützten Trusted Execution Environments, die Daten auch während der Verarbeitung besser isolieren sollen.
Mit dem Wachstum von Generative AI wird dieses Modell 2026 besonders interessant. Unternehmen möchten vertrauliche Dokumente, Modelle und Prompts verarbeiten, ohne den Schutz genau in dem Moment zu verlieren, in dem die Daten für Inferenz oder Training verwendet werden.
Was Confidential Computing schützt
Man kann Datensicherheit vereinfacht in drei Zustände teilen: Data at Rest, Data in Transit und Data in Use. Festplattenverschlüsselung schützt ruhende Daten. TLS schützt Transport. Confidential Computing konzentriert sich auf Data in Use.
Hardwaregestützte Confidential VMs oder Enclaves isolieren Speicherbereiche so, dass auch privilegierte Softwarekomponenten weniger Zugriff erhalten. Zusätzlich können Attestation-Mechanismen prüfen, ob ein Workload in einer erwarteten vertrauenswürdigen Umgebung läuft.
Warum AI besonders davon profitiert
AI-Workloads verarbeiten oft große Mengen sensibler Daten: interne Dokumente, Quellcode, Kundeninformationen, Trainingsdaten oder geschützte Modelle. Gleichzeitig laufen viele AI-Plattformen auf leistungsfähigen GPU-Systemen. Die Herausforderung besteht darin, Vertraulichkeit und Performance zu verbinden.
Google Cloud hat 2026 seine Confidential-AI-Infrastruktur weiter ausgebaut und beschreibt neue Plattformen für vertrauliche AI-Workloads. Der Trend zeigt: Hardwarebasierte Isolierung wird zunehmend Teil moderner AI-Architekturen.
Typische Einsatzszenarien
Interne Unternehmensdaten für GenAI
Ein Unternehmen möchte interne Dokumente durch ein Modell analysieren lassen, ohne dass Administratoren oder benachbarte Workloads auf die Daten im Klartext zugreifen können.
Vertrauliche Modelle
Nicht nur Daten, sondern auch Modellgewichte können geistiges Eigentum darstellen. Confidential Computing kann helfen, diese während der Nutzung besser zu isolieren.
Regulierte Branchen
Gesundheits-, Finanz- oder Forschungsdaten unterliegen oft besonders strengen Anforderungen. Confidential AI kann eine zusätzliche technische Schutzschicht darstellen, wenn Cloud-Nutzung grundsätzlich erlaubt ist.
Confidential AI ersetzt keine Governance
Eine vertrauliche Compute-Umgebung schützt nicht vor falschen Berechtigungen, Prompt Injection, unsicheren APIs oder zu breiten Agent-Rechten. Wenn ein legitim autorisierter Prozess Daten an den falschen Empfänger sendet, hilft die Hardware-Isolierung nicht.
Deshalb sollte Confidential AI mit RAG Security 2026 und AI Control Plane 2026 zusammengedacht werden.
Attestation als Vertrauensanker
Remote Attestation kann kryptografisch nachweisen, dass ein Workload in einer erwarteten Trusted Execution Environment läuft. Ein externer Dienst kann dann beispielsweise nur dann einen Schlüssel freigeben, wenn die attestierte Plattform den definierten Sicherheitszustand erfüllt.
Damit wird Vertrauen stärker an messbare technische Eigenschaften gebunden statt nur an administrative Zusagen.
Grenzen und Trade-offs
Confidential Computing kann Performance, Kosten und Architekturkomplexität beeinflussen. Nicht jeder Framework- oder GPU-Stack unterstützt jede Form von Confidential Computing. Unternehmen sollten deshalb reale Workloads benchmarken und genau prüfen, welche Teile einer Verarbeitung tatsächlich geschützt sind.
Ebenso wichtig ist das Threat Model. Gegen welche Angreifer soll geschützt werden? Cloud-Administratoren, Hypervisor-Angriffe, andere Tenants oder kompromittierte Anwendungen? Ohne klares Threat Model wird Confidential Computing schnell zu einer Marketingfunktion statt zu einer gezielten Sicherheitsmaßnahme.
Ein sinnvoller Einführungsweg
1. Daten klassifizieren: Welche AI-Workloads verarbeiten wirklich hochsensible Informationen?
2. Threat Model definieren: Welche Vertrauensgrenze soll zusätzlich abgesichert werden?
3. Plattform prüfen: Unterstützen Modell, GPU, Treiber und Framework Confidential Computing?
4. Attestation integrieren: Schlüssel und Secrets nur an erwartete Plattformzustände ausgeben.
5. Performance messen: Latenz, Durchsatz und Kosten unter realer Last vergleichen.
6. Governance ergänzen: IAM, Logging, Data Loss Prevention und Agent-Policies weiterhin konsequent anwenden.
Fazit
Confidential AI schließt eine wichtige Lücke zwischen Verschlüsselung und tatsächlicher Datenverarbeitung. Für hochsensible GenAI- und ML-Workloads kann die Technologie 2026 eine zusätzliche Schutzebene schaffen. Sie ist jedoch kein Ersatz für Identity Security, Datenklassifizierung oder sichere AI-Governance. Der größte Nutzen entsteht, wenn Confidential Computing gezielt dort eingesetzt wird, wo das Threat Model zusätzlichen Schutz für Data in Use wirklich verlangt.
Weiterführende Quellen
Google Cloud: Powering the next era of Confidential AI
Titelbild: Igor Omilaev / Unsplash
Autor: Salman Dolatpanah Gortlar