.png){kind=logo}
KI nutzen, ohne sensible Daten preiszugeben
Sie wollen KI dort einsetzen, wo sie echten Mehrwert schafft – doch dafür braucht es genau die Daten, die aus Datenschutz- oder Compliance-Gründen nicht einfach an ein Modell übergeben werden können. enclaive liefert Ihnen dafür technische Kontrollmechanismen: mit pseudonymisierten Prompts, Confidential Pipelines, Policy Enforcement und geschützten Laufzeitumgebungen.
Für fremdgehostete LLMs und private Modelle. Mit Einer Zentralen Policy-Layer.
Das Management will KI skalieren, aber die Security-Review sagt: nicht mit diesen Daten. Dieser Zielkonflikt zeigt sich meist in drei typischen Mustern.
Der ewige Pilot
Der Use Case funktioniert und die Demo überzeugt, doch die Freigabe scheitert im Legal Review, da nicht ausreichend geklärt ist, was mit Kundendaten in einem Drittanbieter-Modell geschieht. Quartal für Quartal bleibt das Projekt blockiert – und der erwartete Produktivitätsgewinn bleibt Theorie.
Schatten-KI
Während offizielle Projekte warten, kopieren Mitarbeitende Verträge, Code und Kundendaten in gerade verfügbare Chatbots. Genau die Datenexposition, die das Review Board verhindern will, findet damit bereits statt – unkontrolliert, unprotokolliert und unsichtbar.
Blinde Tools
DLP- und Proxy-Kontrollen sind für Dateien und URLs ausgelegt, nicht für Prompt- und Response-Flows. Sie können nur begrenzt erkennen, ob eine Anfrage personenbezogene Daten im Kontext enthält, modellbezogene Policies durchsetzen oder einen belastbaren Audit Trail für regulatorische Prüfungen liefern.
enclaive sichert den KI-Einsatz auf drei Ebenen ab. Nutzen Sie eine davon oder kombinieren Sie alle drei. Policy-Modell und Audit Trail bleiben dabei einheitlich.
Sensible Entitäten – Namen, IDs, Kontonummern oder Diagnosecodes – werden in Prompts und abgerufenem Kontext erkannt und durch Tokens ersetzt, bevor eine Anfrage Ihre kontrollierte Umgebung verlässt. Antworten werden nur innerhalb dieser Umgebung und gemäß definierter Policy wieder aufgelöst. Anfragen gehen ausschließlich an freigegebene Endpoints – mit Allow-/Deny-Regeln und vollständiger Protokollierung. Das Modell bleibt also nutzbar, während sensible Daten unter Ihrer Kontrolle bleiben.
Dokumente werden eingelesen, in Embeddings überführt und als Vektoren gespeichert – mit Schutz über den gesamten Prozess hinweg, auch während der Verarbeitung. So kann ein interner Assistent Verträge, Fallakten oder Forschungsdaten nutzen, während der Zugriff durch Infrastrukturbetreiber und andere Mandanten verhindert wird.
Für besonders sensible Anwendungsfälle laufen Modelle und Inference in Confidential-Computing-Umgebungen: Der Arbeitsspeicher ist während der Ausführung geschützt, die Workload-Identität wird per Attestation überprüft und Schlüssel werden nur gemäß definierter Policy an verifizierte Workloads freigegeben. So können auch hochsensible Daten wie Patienten- oder Bürgerdaten für KI-Anwendungen in fremder Infrastruktur genutzt werden.
Was würden Sie in den nächsten 90 Tagen ausrollen, wenn die sichere Nutzung sensibler Daten kein Hindernis mehr wäre?
Die praktische Antwort auf Shadow AI
Verbote allein stoppen Shadow AI nicht. Die beste Alternative ist ein freigegebener Zugang, der so einfach nutzbar ist wie beliebte Chat-Tools, aber von Anfang an technisch kontrolliert wird. Stellen Sie Mitarbeitenden freigegebene KI zur Verfügung mit Guardrails, die im Hintergrund laufen – dann sinkt der Anreiz, die Regeln zu umgehen.
Ein Gateway für alle freigegebenen Modelle – fremdgehostet oder privat. Keine separaten Review-Schleifen für jedes einzelne Tool.
Policies direkt im Datenfluss durchsetzen: Was darf gefragt werden, mit welchen Daten und an welches Modell?
Vordefinierte Policy-Verstöße erkennen und vor der Weitergabe blockieren, statt sie erst im Nachhinein festzustellen.
Durchgängige Protokollierung von Prompts und Responses, damit nachvollziehbar bleibt, wer welche KI wie genutzt hat.
Sichtbare Nutzungsmetriken von freigegebenen Use Cases im Produktivbetrieb oder die Entwicklung von Policy-Verstößen.
Was KI- und Security-Verantwortliche wissen wollen
Verschlechtert Pseudonymisierung die Antworten des Modells?
Das Ziel ist, die Datenexposition zu minimieren und gleichzeitig die Nutzbarkeit zu erhalten. Sensible Entitäten werden durch konsistente Tokens ersetzt, sodass die für das Reasoning relevante Struktur erhalten bleibt. Die Rückauflösung – sofern erlaubt – erfolgt erst innerhalb Ihrer kontrollierten Umgebung. Wie stark sich die Pseudonymisierung auf die Ergebnisqualität auswirkt, hängt vom jeweiligen Use Case ab.
Mit welchen LLM-Anbietern funktioniert das?
Die Firewall sitzt zwischen Ihren Nutzern und den freigegebenen Modellen – ob fremdgehostete wie Claude, Gemini, ChatGPT oder Mistral oder private und selbst betriebene Modelle. Über Policies legen Sie fest, welches Modell für welche Datenklassen genutzt werden darf. Diese Zuordnung lässt sich ändern, ohne die Architektur neu aufzubauen.
Wir haben bereits DLP und ein Secure Web Gateway. Warum reicht das nicht?
Klassische DLP- und Gateway-Kontrollen sind primär auf Dateien, Datenübertragungen und Zielsysteme ausgerichtet. Bei KI entsteht das Risiko jedoch im Kontext von Prompt, RAG-Inhalten, Modell und Response. Dafür braucht es zusätzliche Kontrollen: modellbezogene Policies, Prüfung im laufenden Datenfluss und nachvollziehbare Protokollierung. Die AI Firewall ersetzt bestehende DLP-Kontrollen dabei nicht, sondern ergänzt sie.
Wo befinden sich unsere Daten physisch?
Mapping-Tabellen für die Pseudonymisierung und die zugehörigen Schlüssel bleiben innerhalb Ihrer kontrollierten Umgebung. Wissensbasis und – bei einer Confidential Model Runtime – auch die Modelle selbst können in geschützten Umgebungen Ihrer Wahl betrieben werden: bei europäischen Cloud-Providern oder On-Premises. Bei externen LLMs verlässt nur der gemäß Policy vorbereitete beziehungsweise pseudonymisierte Inhalt Ihre Umgebung.
Wie verhält sich Confidential AI zu DSGVO und EU AI Act?
Pseudonymisierung, zweckgebundene Zugriffe, Audit Trails und überprüfbare technische Kontrollen unterstützen zentrale Anforderungen der DSGVO. Auch Governance, Logging und Policy Enforcement können – abhängig vom jeweiligen KI-System – Anforderungen des EU AI Act technisch unterstützen. Die konkrete rechtliche Bewertung bleibt bei Ihnen. Wir liefern die technische Evidenz vertraulicher KI-Nutzung.
Können wir klein anfangen?
Ja. Viele Projekte starten mit der AI Firewall für einen freigegebenen Use Case. Confidential RAG kommt hinzu, wenn interne Wissensbestände eingebunden werden sollen und Confidential Runtimes eignen sich für besonders sensible Workloads. Wählen Sie die drei Schutzebenen nach Ihrem individuellen Risikoprofil aus und kombinieren Sie sie bei Bedarf.
Confidential AI mit Garnet, auf Basis unserer Confidential-Computing-Lösungen und Trust Platform.
PrivacyMode-Pseudonymisierung, Confidential RAG und geschützte Model Runtimes in einem Workspace
KI-Workloads in Confidential Kubernetes orchestrieren – inklusive Confidential GPU Nodes
Kryptografische Schlüssel zum Schutz sensibler Daten und Modellartefakte bleiben unter Ihrer Kontrolle
Den gesamten AI-Stack cloudübergreifend über eine zentrale Oberfläche bereitstellen und betreiben
Ihr KI-Projekt steckt in der Freigabe fest?
Zeigen Sie uns das KI-Projekt, das im Review nicht weiterkommt: welche Daten betroffen sind, welches Modell Sie einsetzen möchten und welcher Einwand im Raum steht. Wir zeigen Ihnen, wie Sie Ihr Problem mit den verschiedenen Schutzebenen von Confidential AI adressieren können.
