.png){kind=logo}
KI nutzen, ohne sensible Daten offenzulegen
Garnet ist eine Confidential AI Platform, bei der der gesamte KI-Stack – Orchestrierung, Ausführung und Beschleunigung – in hardwaregeschützten Umgebungen und mit Keys unter Ihrer Kontrolle betrieben wird. So können Sie lokale Modelle vertraulich ausführen und OpenAI, Anthropic, Google Gemini und LLaMA-basierte Services im PrivacyMode nutzen. Sensible Daten werden dabei pseudonymisiert, bevor sie Ihr Unternehmen verlassen.
Sie denken eher vom Problem als vom Produkt her? starten Sie mit Confidential AI - vom einzelnen Laptop bis zum vollständig gemanagten Service.
Ausgerechnet die wertvollsten Daten bleiben für KI unerreichbar
Die wertvollsten Daten eines Unternehmens sind in der Regel auch die am besten geschützten. Und genau deshalb bleiben sie für KI häufig unerreichbar: Denn um sie zu verarbeiten, müssen die Daten im Klartext vorliegen – auf einer Infrastruktur, die von Dritten betrieben wird.
Garnet schließt diese Vertrauenslücke. Der gesamte KI-Stack läuft in einer Confidential Umgebung mit hardwarebasierter Isolation und Attestierung – und mit Keys unter Ihrer Kontrolle. Modelle, Prompts und Outputs sind für Betreiber zu keinem Zeitpunkt im Klartext einsehbar.
Wählen Sie je nach Use Case: maximale Souveränität mit lokalen Modellen oder Zugriff auf leistungsfähige externe Modelle, ohne sensible Rohdaten offenzulegen. Beide Varianten basieren auf derselben Architektur, denselben Policies und einem durchgängigen Audit Trail.
Open-Source- und kundenspezifische Modelle laufen vollständig innerhalb der Confidential Umgebung von Garnet: Inference auf Confidential GPUs, Orchestrierung in Confidential Kubernetes – und Ihre Daten verlassen zu keinem Zeitpunkt Ihre geschützte Umgebung.
Nutzen Sie OpenAI, Anthropic, Google Gemini oder LLaMA-basierte Services. Bevor Prompts oder Kontext Ihre geschützte Umgebung verlassen, erkennt PrivacyMode sensible Informationen und ersetzt sie durch deterministische Pseudonyme – etwa Name_43590 oder Company_9034943. Der Provider sieht die Struktur, aber nie die tatsächlichen Inhalte.
Garnet führt die Confidential-Computing-Technologien von Enclaive in einer gemeinsamen KI-Plattform zusammen – ohne isolierte Security-Silos und fragmentierte Vertrauensarchitekturen.
Alle KI-Workloads werden in einer Confidential-Kubernetes-Umgebung orchestriert, in der sowohl Control Plane als auch Worker Nodes in Trusted Execution Environments laufen. Prompts, Dokumente, Modellparameter und Ergebnisse bleiben während der gesamten Verarbeitung geschützt.
Confidential GPU Support bringt Hardwarebeschleunigung in die geschützte Umgebung: schon heute für leistungsfähige Inference-Workloads und perspektivisch auch für das Training – ohne Abstriche bei der Vertraulichkeit.
Encryption Keys bleiben unter Ihrer Kontrolle und werden nur für Workloads freigegeben, die eine Remote-Attestierung durchlaufen haben. So wird kryptografisch nachgewiesen, welche Software unverändert und Policy-konform auf welcher Hardware ausgeführt wird. Der Zugriff wird durch kryptografisch abgesicherte Policies gesteuert – und nicht durch administrative Privilegien.
Ein Privacy Proxy innerhalb der Confidential Umgebung analysiert Prompts und Kontext in Echtzeit, ersetzt sensible Informationen deterministisch durch Pseudonyme und rekonstruiert die Antworten bei der Rückgabe. Sensible Rohdaten verlassen damit zu keinem Zeitpunkt die geschützte Garnet-Umgebung.
Beide Betriebsmodelle basieren auf derselben Privacy-Architektur: Confidential Execution, PrivacyMode, Attestierung und Keys unter Ihrer Kontrolle. Ihre Entscheidung sollte sich danach richten, wie Sie KI nutzen möchten – nicht danach, welches Schutzniveau Sie benötigen.
Ob Consultant, Mediziner, Jurist oder Führungskraft: Nutzen Sie externe KI-Services auch für vertrauliche Dokumente direkt von einem Standard-Laptop aus. PrivacyMode pseudonymisiert sensible Informationen, bevor sie das Gerät verlassen – ganz ohne eigene GPU-Infrastruktur.
Gemeinsame Workspaces, unternehmensweite Wissensdatenbanken, Notebooks und spezialisierte KI-Assistenten unter zentraler Governance. Nutzen Sie lokale Open-Source-Modelle, externe Provider im PrivacyMode oder eine Kombination aus beidem – abgestimmt auf den jeweiligen Use Case.
Stellen Sie Garnet auf Confidential VMs und Managed Kubernetes bei AWS, Azure, Google Cloud oder in souveränen Clouds bereit. Sie profitieren von flexibler Skalierung, Confidential GPUs on demand und der Wirtschaftlichkeit der Cloud – ergänzt um die Attestierungs- und Key-Architektur von Garnet.
Enclaive übernimmt den Betrieb der Confidential Infrastructure sowie Updates und Security Monitoring; die Kontrolle über Daten und Policies bleibt bei Ihnen. Die Abrechnung erfolgt Token-basiert. So können Sie klein starten und ohne hohe Anfangsinvestitionen schnell skalieren.
Für Deployments mit Confidential Computing muss die zugrunde liegende Infrastruktur Trusted Execution Environments unterstützen. Die konkrete Dimensionierung hängt von den eingesetzten Modellen, dem Dokumentenvolumen und der Anzahl paralleler Zugriffe ab – die folgenden Angaben dienen als Ausgangsbasis.
SINGLE-USER-DEPLOYMENTS AUF LAPTOPS, DIE EXTERNE MODELLE IM PRIVACYMODE NUTZEN, BENÖTIGEN WEDER CONFIDENTIAL HARDWARE NOCH EINE GPU – DIE RECHENINTENSIVE VERARBEITUNG ERFOLGT BEIM MODELL-PROVIDER, AUSSCHLIESSLICH AUF PSEUDONYMISIERTEN DATEN.
Workload startet
CPU prüft Code, Konfiguration und Plattformstatus
Nachweis erstellt
Hardwarebasierter Attestierungsnachweis, signiert
Policy geprüft
Nitride gleicht den Nachweis mit Ihrer Policy ab
Keys freigegeben
vHSM und Vault entsiegeln – erst jetzt, nur für diesen Workload
Workload startet
Manipuliertes Image, eingeschleuster Container oder UNBEKANNTER HOST
Nachweis erstellt
Messwert stimmt nicht mit der freigegebenen Konfiguration überein
Policy lehnt ab
Abweichung und Ursache werden im Audit Log erfasst
Keine Freigabe
Keine Keys, keine Secrets – die Daten bleiben verschlüsselt
Fragen vor dem Einstieg
Was sieht ein externer Provider wie OpenAI oder Anthropic?
Ausschließlich pseudonymisierte Prompts und Kontextinformationen. Sensible Informationen wie Namen, Unternehmenskennungen, Standorte oder Patientenreferenzen werden vor der Übertragung durch deterministische Tokens ersetzt. Der Provider verarbeitet Struktur und Sprache, erhält aber keinen Zugriff auf die ursprünglichen Werte. Die Zuordnung verbleibt innerhalb Ihrer geschützten Umgebung und wird niemals offengelegt. Bei der Rückgabe werden die Antworten de-pseudonymisiert, sodass die ursprüngliche Semantik für den Nutzer erhalten bleibt.
Beeinträchtigt die Pseudonymisierung die Qualität der Antworten?
PrivacyMode ist darauf ausgelegt, möglichst wenige sensible Informationen offenzulegen, ohne die Qualität der Ergebnisse zu beeinträchtigen. Deterministische Pseudonyme erhalten dabei die logischen Bezüge: Das Modell kann „Name_43590“ genauso konsistent zuordnen wie den tatsächlichen Namen. Bei den meisten Support-, Text- und dokumentenbasierten Aufgaben sind die Auswirkungen auf die Ergebnisqualität vernachlässigbar. Und wenn ein Use Case tatsächlich die Verarbeitung von Rohdaten erfordert, steht dafür der vollständig vertrauliche lokale Modus zur Verfügung – sodass diese Daten Ihre geschützte Umgebung gar nicht erst verlassen müssen.
Welche Modelle können wir lokal betreiben?
Open-Source- und Modelle der LLaMA-Familie können vollständig innerhalb der Confidential Umgebung ausgeführt werden – im Fall anspruchsvoller Inference-Workloads auf Confidential GPUs oder, sofern der Workload dies zulässt, auf CPUs. Auf einem Single-User-Laptop ist die Größe lokal ausführbarer Modelle naturgemäß durch die verfügbare Hardware begrenzt. In diesen Szenarien ermöglicht PrivacyMode die geschützte Nutzung leistungsfähiger externer Modelle.
Wie wirkt sich PrivacyMode auf die Latenz aus?
Die Erkennung und Pseudonymisierung sensibler Informationen erfolgt direkt im Request Path. Eine belastbare Aussage zur zusätzlichen Latenz sollte daher dem konkreten Use Cases und der tatsächlich gemessenen Workloads basieren.
Wir nutzen bereits DLP und ein Secure Web Gateway. Reicht das nicht?
Diese Lösungen klassifizieren Dateien und kontrollieren Ziele und Datenflüsse. Die spezifischen Risiken beim Einsatz von KI entstehen jedoch auf einer anderen Ebene: in Prompt- und Response-Flows, bei dynamisch aus verschiedenen Quellen zusammengestelltem Kontext, bei personenbezogenen Daten innerhalb von Prompts, bei modellspezifischen Policies und bei der Frage, wer welche Anfrage gestellt hat. Garnet setzt genau auf dieser Ebene an, analysiert und kontrolliert die Interaktion mit den Modellen und ergänzt Ihre bestehende DLP-Infrastruktur – statt sie zu ersetzen.
Wie fügt sich Garnet in eMCP und die Plattform -Architektur ein?
Garnet basiert auf demselben technologischen Fundament wie das gesamte Confidential-Computing-Portfolio von Enclaive: Dyneemes für Confidential Containers, Buckypaper für Confidential GPU VMs sowie vHSM für Keys und Attestierung. Confidential AI ist damit kein neues Security-Silo:Unternehmen, die eMCP einsetzen, betreiben Garnet in derselben Architektur, mit denselben Mechanismen für Attestierung und kryptografische Nachweise.
Wie wird Garnet lizenziert und abgerechnet?
Das hängt vom gewählten Betriebsmodell ab: Single-User-Deployments werden über eine Software-Subscription und den Verbrauch von AI Tokens abgerechnet, On-Premises- und Cloud-Deployments über Infrastruktur und Lizenzierung. Der Managed Service nutzungsbasiert über Tokens.Bringen Sie zum ersten Gespräch einfach Ihren Use Case und Ihre bevorzugte Modellstrategie mit – das passende Preismodell ergibt sich aus dem Deployment.
Bringen Sie uns die Daten, an die Ihre KI nicht ran darf
Patientendaten, Transaktionen, Verträge oder Behördendaten: Zeigen Sie uns, welche Daten für KI heute tabu sind und welche Modelle Sie einsetzen möchten. Wir zeigen Ihnen, wie Garnet mit diesen Daten umgeht – in dem Betriebsmodell, das zu Ihren Anforderungen passt.
Sie denken lieber vom Problem her? Confidential AI zeigt Ihnen, wie Sie durchgängigen Schutz erreichen.
