Confidential Computing: verifizierbare KI und das Hardware-Risiko

Das Rennen um verifizierbare KI hat 2026 einen stillen Spitzenreiter, und es ist nicht die Kryptografie, über die alle reden. Phalas Cloud für vertrauliche KI verarbeitete Ende Mai nach eigenen Angaben rund 2,9 Milliarden Modell-Token pro Tag; Ende August waren es etwa 24 Milliarden. Hinter diesem Sprung steckt keine neue Zero-Knowledge-Mathematik, sondern spezialisierte Hardware. Sogenannte Trusted Execution Environments (TEEs), meist unter dem Namen Confidential Computing vermarktet, liefern beweisbare KI-Berechnungen fast ohne Tempoverlust, während ZK-Beweise bei großen Sprachmodellen noch an ihre Grenzen stoßen.

Doch diese Geschwindigkeit kommt mit einer anderen Art von Vertrauen. Ein TEE beweist eine Berechnung nicht mit Mathematik; es lässt einen Chip für das Ergebnis bürgen. Und im Oktober 2025 zeigten Forscher mit einem Gerät für unter 1.000 US-Dollar, dass sie genau aus jenen Chips von Intel, AMD und NVIDIA die Schlüssel ziehen können, die dieses Versprechen tragen. Die Frage für 2026 lautet deshalb nicht mehr, ob verifizierbare KI funktioniert, sondern wem man vertraut, wenn sie es tut.

Dieser Text ordnet den Hardware-Weg zu verifizierbarer KI ein: warum TEEs gerade das Rennen machen, wie sie funktionieren, wo ihre Beweiskette bricht und wie die Branche mit Hybriden aus Hardware, Betrugsbeweisen und wirtschaftlicher Sicherheit gegensteuert. Wer den breiteren Kontext sucht, warum autonome Software überhaupt eine solche Absicherung braucht, findet ihn in unserer Analyse zur Vertrauensschicht für KI-Agenten.

Worum es bei verifizierbarer KI geht

Verifiable Compute, verifizierbares Rechnen, meint einen einfachen Tausch: Ein Anbieter liefert nicht nur ein Ergebnis, sondern zusätzlich einen günstig prüfbaren Nachweis, dass er korrekt gerechnet hat. Der Prüfer muss die Berechnung nicht selbst wiederholen. Damit verschiebt sich die Grundannahme von „Vertraue dem Server“ zu „Prüfe den Beweis“. Bei KI ist dieser Unterschied besonders heikel, weil ein Sprachmodell eine Blackbox ist. Man sieht die Antwort, aber nicht, ob wirklich das versprochene Modell lief, ob der Prompt unverändert blieb und ob niemand nachträglich am Ergebnis gedreht hat.

Der Bedarf ist real geworden. Autonome Agenten unterschreiben eigene Transaktionen und zahlen zunehmend selbst, KI-Modelle speisen Orakel und DeFi-Preise, Prognosemärkte lösen Wetten anhand von Modell-Antworten auf. Der Stanford AI Index 2026 zählte für 2025 rund 362 dokumentierte KI-Zwischenfälle, gut die Hälfte mehr als im Jahr davor. Und Umfragen unter Führungskräften zeigen immer wieder, dass viele KI nicht in den Produktivbetrieb bringen wollen, solange sie deren Korrektheit nicht belegen können. Wo Geld oder Haftung im Spiel sind, genügt ein „Vertrau uns“ nicht mehr.

Vier Ansätze konkurrieren darum, diesen Nachweis zu liefern. Sie unterscheiden sich vor allem in einer Frage: Worauf beruht ihr Vertrauen am Ende wirklich?

Die erste und die letzten beiden Zeilen kennt die Debatte gut. Die zweite, das TEE, ist der Ansatz, der 2026 in der Praxis am meisten Rechenlast trägt, und genau deshalb lohnt der genaue Blick.

Warum die Hardware 2026 das Rennen macht

Der Grund ist Tempo. Vitalik Buterin nennt Verifizierbarkeit in seinem viel zitierten Essay zu Krypto und KI den stärksten Anwendungsfall für Krypto in der Welt der KI, warnt aber im selben Text vor den Kosten: Die nichtlinearen Operationen eines neuronalen Netzes verursachen im Zero-Knowledge-Beweis grob das 200-Fache an Rechenaufwand, und das Beweisen eines einzigen Durchlaufs kann Stunden dauern. Für ein Chat-Modell, das in Millisekunden antworten soll, ist das bislang unbrauchbar.

Ein TEE dreht dieses Verhältnis um. Eine von Phala-Forschern veröffentlichte Benchmark-Studie zu NVIDIA-H100-GPUs misst für vertrauliche LLM-Inferenz im Schnitt weniger als 7 Prozent Mehraufwand. Llama-3.1-8B verliert 6,85 Prozent Durchsatz, das deutlich größere Llama-3.1-70B praktisch nichts (minus 0,13 Prozent). Der kleine Aufschlag stammt fast ausschließlich vom verschlüsselten Datentransfer über die PCIe-Schnittstelle, nicht von der GPU-Rechnung selbst; je größer das Modell, desto stärker verschwindet er im Rauschen.

Aus dieser Zahl folgt fast alles andere. Wer 2026 echte LLM-Inferenz mit Integritätsnachweis in Produktionsgeschwindigkeit ausliefern will, kommt an TEEs kaum vorbei. Das erklärt, warum dezentrale Rechennetze, vom Inferenz-Marktplatz bis zum verteilten Training wie bei Gensyn, ihre Verifizierbarkeit fast alle über Hardware statt über reine Kryptografie lösen. Confidential Computing ist der pragmatische Kompromiss: nicht so wasserdicht wie Mathematik, aber schnell genug, um überhaupt zu existieren.

Confidential Computing, in einfachen Worten

Ein Trusted Execution Environment ist ein abgeschotteter Bereich im Prozessor, eine Enklave. Code und Daten darin bleiben verschlüsselt, solange sie im Arbeitsspeicher liegen, und sind selbst dann geschützt, wenn Betriebssystem, Hypervisor oder Cloud-Betreiber unterwandert sind. Fachleute sprechen vom dritten Zustand der Verschlüsselung: nicht nur ruhende Daten und Daten bei der Übertragung, sondern Daten während der Verarbeitung, im Englischen „data in use“.

Das Herzstück ist die Remote-Attestierung, die Fernbezeugung. Der Chip erzeugt eine signierte Messung des geladenen Codes, eine Art digitalen Fingerabdruck der Enklave. Ein Nutzer prüft diese Signatur gegen den Wurzelschlüssel des Herstellers und bestätigt so aus der Ferne: Hier läuft exakt das Programm, das ich erwarte, in einer echten, unmanipulierten Enklave. Erst diese Attestierung macht aus einem geschützten Geheimnis einen überprüfbaren Nachweis, und genau sie ist später der Angriffspunkt.

Die Hardware stammt von wenigen Anbietern. Intel bietet SGX auf Anwendungsebene und das neuere TDX für ganze virtuelle Maschinen, AMD das Gegenstück SEV-SNP. Für KI entscheidend ist, dass NVIDIA das Prinzip mit der Confidential-Computing-Funktion seiner H100-, H200- und Blackwell-GPUs (B200 und B300) auf den Grafikprozessor ausgeweitet hat. Dort läuft die eigentliche Modell-Rechnung, und ohne geschützte GPU wäre eine vertrauliche CPU nur die halbe Miete.

Phala: von einer auf 24 Milliarden Token

Kein Projekt macht den Hardware-Weg so anschaulich wie Phala Network. Die Confidential AI Cloud des Anbieters kombiniert Intels TDX mit NVIDIAs GPU-TEE auf H100, H200 und den neuen Blackwell-Chips. Jedes Modell, jeder Prompt und jede Inferenz läuft hardware-isoliert, abgeschirmt nicht nur vor dem Cloud-Anbieter, sondern nach Darstellung des Projekts auch vor Phala selbst. Der Betreiber sieht also weder die Eingabe des Nutzers noch die Gewichte des Modells im Klartext.

Der Nutzungssprung von 2,9 auf rund 24 Milliarden vertrauliche Token pro Tag binnen weniger Monate ist die vielleicht härteste Zahl im ganzen Sektor, weil sie tatsächlichen Durchsatz misst und nicht bloß registrierte Hardware. Phala wirbt zudem damit, die erste offene, in Echtzeit attestierte und hardware-erzwungene Plattform für vertrauliche KI auf NVIDIA-GPUs zu betreiben, und berichtet, dass die TEE-Funktion auf der Blackwell-Generation kaum noch bremst. Für einen Ansatz, der noch vor zwei Jahren als Nischenthema galt, ist das ein bemerkenswerter Praxisbeleg.

Nur der Token folgt der Technik nicht. PHA notiert laut CoinGecko bei rund 0,022 Euro, etwa 98 Prozent unter dem Allzeithoch, bei einer Marktkapitalisierung von gut 18 Millionen Euro. Diese Kluft zwischen wachsender Nutzung und fallendem Kurs zieht sich durch fast jedes Projekt dieser Kategorie; weiter unten steht sie im Zusammenhang.

EigenClouds Wette: Hardware plus wirtschaftliche Sicherheit

Wo Phala rein auf die Hardware setzt, baut EigenCloud eine zweite Schicht darüber. Der Dienst EigenCompute führt eine als Docker-Container verpackte Anwendung in einer vertraulichen VM aus, abgesichert durch AMDs SEV-SNP oder Intels TDX, konkret auf Google Cloud mit TDX-Attestierung. Das Besondere: Die Ausführung wird laut Anbieter zusätzlich durch Milliarden an wirtschaftlicher Sicherheit gedeckt, also durch hinterlegtes und im Fehlerfall einziehbares Kapital aus dem Restaking-Modell von EigenLayer. Der Schwesterdienst EigenAI liefert deterministische, überprüfbare Inferenz über eine zu OpenAI kompatible Schnittstelle.

Firmengründer Sreeram Kannan fasste die Wette beim Start Anfang Oktober 2025 gegenüber SiliconANGLE so zusammen: „The future of software is autonomous and verifiable, with agents that can act on behalf of users in the real world, from managing capital to brokering agreements.“ Die Zukunft der Software sei autonom und überprüfbar, mit Agenten, die im Namen der Nutzer handeln, von der Kapitalverwaltung bis zum Aushandeln von Verträgen.

Der Gedanke dahinter ist wichtig: Man verlässt sich nicht allein auf den Chip. Wer falsch rechnet, verliert Geld. Diese Idee, Ethereum-Sicherheit per Restaking in andere Dienste zu verlängern, ist nicht unumstritten, und sie wird gern mit verwandten Konzepten verwechselt. Warum verteiltes Signieren (DVT) gerade nicht dasselbe ist wie Restaking, ordnet unsere Analyse zu SSV ein. Für das Vertrauensmodell zählt hier vor allem eines: Die Hardware ist nur noch eine von mehreren Sicherungen, nicht die einzige.

Der eigentliche Haken: Man vertraut dem Chiphersteller

So elegant Confidential Computing wirkt, es liefert keinen mathematischen Beweis. Ein ZK-Beweis überzeugt einen Skeptiker allein durch Rechnen; er muss niemandem glauben. Eine TEE-Attestierung dagegen ist eine beglaubigte Zusage: Der Chip erklärt unter seiner Signatur, dass alles mit rechten Dingen zuging. Wer ihr folgt, vertraut gleich einer ganzen Kette von Annahmen.

Konkret vertraut man mindestens drei Dingen zugleich:

• dass Intel, AMD oder NVIDIA die Enklave fehlerfrei entworfen und umgesetzt haben,
• dass die Attestierungsschlüssel des Herstellers nicht in falsche Hände geraten sind,
• und dass niemand physischen Zugriff auf den Server hat, um an der Hardware selbst zu manipulieren.

Jede dieser Annahmen ist meistens vertretbar, aber keine ist kostenlos. Buterin bringt es in seinem Essay auf den Punkt: Verifizierbarkeit sei der wertvollste Beitrag der Kryptografie zur KI, doch vertrauenswürdige Hardware sei eine schwächere Annahme als ein Beweis, den jeder selbst nachrechnen kann. Confidential Computing bewegt sich also nicht zwischen „vertrauenslos“ und „unsicher“, sondern auf einem Spektrum des Vertrauens. Die spannende Frage ist, wie weit diese Kette trägt, wenn jemand sie gezielt angreift.

TEE.Fail: als die Beweiskette brach

Genau das taten Forscher der Georgia Tech und der Purdue University. Ihr Ende Oktober 2025 veröffentlichter Angriff mit dem Namen TEE.Fail bricht Confidential Computing auf Intel SGX und TDX, AMD SEV-SNP und NVIDIAs Confidential Computing zugleich. Das Werkzeug ist erstaunlich billig: ein selbstgebautes Zwischenstück für den Speicherbus aus Standardteilen für unter 1.000 US-Dollar, ein Aufsatz für ein DDR5-Speichermodul, der den verschlüsselten Datenverkehr mitliest, nachdem der Takt auf 3200 MT/s gesenkt wurde.

Der eigentliche Schock ist, was sich damit auslesen lässt. Die Forscher extrahierten private Signaturschlüssel, mit denen sich Attestierungen fälschen lassen, dazu Provisioning-Zertifikatsschlüssel, private ECDH-Schlüssel aus Enklaven und Netzwerk-Hauptschlüssel. Ist der Attestierungsschlüssel erst kopiert, kann ein Angreifer einer Gegenstelle vorgaukeln, echte, unmanipulierte Hardware zu betreiben, obwohl er das Modell längst ausgetauscht oder den Prompt umgeleitet hat. Genau der Nachweis, auf dem das ganze Versprechen ruht, wird fälschbar.

Die Hersteller reagierten unterschiedlich. AMD stufte den Angriff als „out of scope“ ein, also außerhalb des eigenen Bedrohungsmodells, da physische Angriffe nicht abgedeckt seien, und kündigte keine Gegenmaßnahmen an. Intel und NVIDIA erkannten das Problem an und erklärten, an Abhilfe zu arbeiten. Wichtig zur Einordnung: TEE.Fail braucht physischen Zugriff auf die Maschine und Administratorrechte. Aus der Ferne über das Internet ist der Angriff nicht durchführbar.

Für zentrale Rechenzentren mit Wachpersonal und Videoüberwachung ist das eine überschaubare Gefahr. Für ein dezentrales Netz, das Rechenleistung von anonymen GPU-Anbietern einkauft, dreht sich die Logik jedoch um: Dort ist der Betreiber der Hardware potenziell selbst der Angreifer, und physischer Zugriff ist keine exotische Ausnahme, sondern der Normalfall. Ausgerechnet das Szenario, für das verifizierbare KI werben will, ist damit am verwundbarsten.

Attestierung ist ein Versprechen, kein Beweis

TEE.Fail ist kein Einzelfall, sondern der jüngste Eintrag in einer langen Liste. Seit der Einführung von SGX hat eine Reihe akademischer Angriffe wie Foreshadow und Plundervolt Intels Enklaven immer wieder aufgebrochen; TEE.Fail steht in einer Linie mit älteren DDR4-Angriffen wie WireTap und BatteringRAM und überträgt die Methode auf modernen DDR5-Speicher. Das Muster ist deutlich: TEEs sind ein bewegliches Ziel, kein fester Felsen. Jede Generation schließt alte Lücken und öffnet neue.

Der entscheidende Punkt ist struktureller Natur. Eine Attestierung ist am Ende nur eine Signatur, die aussagt: „Dieser Code lief in einer echten Enklave.“ Leckt der Signaturschlüssel, ist die Signatur fälschbar, und die gesamte Vertrauenskette ist nur so stark wie dieser eine Schlüssel. Ein Zero-Knowledge-Beweis hat diese Sollbruchstelle nicht, weil er nichts unterschreibt, sondern etwas belegt. Deshalb ist die häufig gehörte Gleichsetzung von TEE-Attestierung und kryptografischem Beweis irreführend: Beides schafft Vertrauen, aber auf grundverschiedene Weise.

Die Tabelle macht auch klar, warum NVIDIAs Zeile die brisanteste ist: Auf der GPU findet die Modell-Rechnung statt, und genau dort will man Vertraulichkeit und Integrität am dringendsten. Fällt die GPU-Attestierung, hilft die beste CPU-Enklave wenig.

Confidential Computing wird Mainstream

Bei aller Kritik wäre es falsch, TEEs als Krypto-Nische abzutun. Der vielleicht stärkste Beleg dagegen kam 2026 von Apple. Der Konzern verlagerte seinen Dienst Private Cloud Compute, der die anspruchsvollsten Anfragen von Apple Intelligence bearbeitet, erstmals auf fremde Rechenzentren, konkret auf Google Cloud, und zwar auf NVIDIAs Confidential Computing, Intel-CPUs mit TDX und Googles Titan-Sicherheitschip. Das ist exakt derselbe Hardware-Stapel, auf dem Phala und EigenCompute laufen.

Bemerkenswert ist, wie Apple die Schwächen adressiert, die TEE.Fail offenlegt. Das Gerät prüft vor dem Senden sensibler Daten kryptografisch, dass die Infrastruktur genau die von Apple freigegebene Software ausführt; die Attestierung wird im Wurzelvertrauen zweier unabhängiger Hersteller verankert, und Apple führt ein kryptografisch überprüfbares, fortschreibbares Verzeichnis aller beteiligten Server. Mehrere unabhängige Wurzeln und ein öffentliches Register: Das ist genau die Härtung gegen einzelne kompromittierte Schlüssel, die einem reinen Ein-Hersteller-Modell fehlt.

Die Lehre für die Krypto-Welt ist doppelt. Erstens ist Confidential Computing keine Randtechnologie mehr, sondern wird zur Grundausstattung, die ernsthafte Anbieter erreichen können und die Nutzer bald erwarten werden. Zweitens gewinnt, wer die Attestierung nicht einem Chiphersteller allein überlässt, sondern sie über mehrere Wurzeln und öffentliche Register absichert. Genau in diese Richtung zeigen die Hybride, die 2026 Fahrt aufnehmen.

Die Hybrid-Antwort: TEE plus Betrugsbeweise plus ZK

Die reifste Antwort auf das Hardware-Problem lautet nicht „ZK statt TEE“, sondern „alles zusammen, in Schichten“. Eine wissenschaftliche Arbeit zu sogenannten Optimistic TEE-Rollups beschreibt genau das: Ein H100-TEE sorgt für schnelle Finalität, optimistische Betrugsbeweise fangen Manipulationen nachträglich ab, und stichprobenartige ZK-Prüfungen kontrollieren einzelne Durchläufe. Das System soll 99 Prozent des Durchsatzes einer zentralen Lösung erreichen, bei einem Zusatzaufwand von rund 0,07 US-Dollar pro Anfrage.

Die Autoren prägen dafür den Begriff Verifizierbarkeits-Trilemma, in Anlehnung an das bekannte Skalierungs-Trilemma der Blockchains: Integrität, niedrige Latenz und niedrige Kosten lassen sich nicht gleichzeitig maximieren. Jeder der reinen Ansätze opfert eine Ecke. zkML opfert Tempo und Kosten für perfekte Integrität, das TEE opfert die vollständige Vertrauenslosigkeit für Tempo, opML opfert Echtzeit für seine Betrugsbeweise. Hybride versuchen, die geopferte Ecke wenigstens teilweise zurückzukaufen.

In der Praxis sieht man das Prinzip überall. EigenCompute legt die wirtschaftliche Slashing-Schicht über das TEE. Die KI-native Blockchain Ritual erlaubt in ihrer Architektur bewusst mehrere Integritätsverfahren nebeneinander, TEE heute, ZK später. Prime Intellect prüft dezentrale Inferenz mit einem Verfahren namens TOPLOC über Fingerabdrücke der Aktivierungen, statt der Hardware blind zu glauben. Die gemeinsame Idee ist Tiefenverteidigung: keine einzelne Wurzel des Vertrauens, sondern mehrere, die einander absichern.

Der Datenschutz-Bonus, der in Europa zählt

Es gibt einen Grund, warum TEEs für einen Teil der Anwendungen sogar besser passen als ZK-Beweise, und er wiegt in Europa schwer. Confidential Computing verschlüsselt Daten während der Verarbeitung. Prompt und Modellgewichte bleiben auch dann geheim, wenn gerade gerechnet wird. Für Anwendungen unter der DSGVO, im Gesundheitswesen oder im Finanzsektor ist das kein Beiwerk, sondern oft die Grundvoraussetzung überhaupt.

Ein reiner Integritätsbeweis sagt nur: Es wurde korrekt gerechnet. Vertraulichkeit ist etwas anderes: Niemand sonst sieht die Eingabe. TEEs liefern beides günstig in einem, und deshalb wirbt Phala damit, dass selbst der Betreiber die Daten nicht einsehen kann. In dieselbe Kerbe schlägt die Idee der blinden Inferenz, bei der Nutzerdaten und Modellgewichte während der Rechnung für alle Beteiligten verborgen bleiben. Für einen europäischen Mittelständler, der ein Sprachmodell auf sensible Kundendaten loslassen will, ist genau das häufig das ausschlaggebende Argument, wichtiger als die Frage, ob am Ende ein mathematischer Beweis herausfällt.

Was BaFin, MiCA und der AI Act bedeuten

Regulatorisch bewegt sich verifizierbare KI in einer Grauzone. Die Infrastruktur selbst, also das Protokoll, ist in Deutschland nicht direkt beaufsichtigt. Die BaFin reguliert nach ihrem Merkblatt zu Kryptowerte-Dienstleistungen und unter der EU-Verordnung MiCA die Emittenten von Kryptowerten und die Dienstleister (CASPs), nicht den Code, der Beweise erzeugt. Token wie PHA, EIGEN oder TAO fallen deshalb je nach Ausgestaltung in eine unklare Kategorie zwischen Utility und Finanzinstrument; die MiCA-Übergangsfrist endete in Deutschland am 1. Juli 2026.

Wichtiger als die Token-Frage ist der Nachfragesog von anderer Seite. Seit dem 2. August 2026 kann die EU-Kommission die Pflichten für KI-Modelle mit allgemeinem Verwendungszweck aus dem AI Act durchsetzen, mit Bußgeldern bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Umsatzes. Die strengeren Auflagen für Hochrisiko-Systeme greifen gestaffelt erst 2027 und 2028. Doch schon die Pflichten zu Nachvollziehbarkeit, Protokollierung und Transparenz erzeugen genau den Bedarf, den verifizierbare und vertrauliche Inferenz decken kann.

Hier schließt sich der Kreis für den europäischen Markt: Confidential Computing bedient den Prüfbedarf des AI Act und die Vertraulichkeitsanforderung der DSGVO in einem Schritt. Wie sich diese Regeln in der Praxis auf Plattformen und Anleger auswirken, zeichnet unsere Analyse zur MiCA-Umsetzung nach. Für Anbieter verifizierbarer KI ist die Botschaft klar: Der regulatorische Wind bläst in ihre Richtung, solange sie Nachweis und Datenschutz zugleich liefern.

Technik läuft, Token hinken

So überzeugend die Nutzungszahlen sind, der Kapitalmarkt hat den Sektor bislang nicht belohnt. Phalas Durchsatz vervielfachte sich, EigenCompute sammelt Integrationen, doch die zugehörigen Token notieren tief unter ihren Höchstständen. Die folgende Momentaufnahme (CoinGecko, Anfang September 2026) zeigt die Lücke zwischen Technik und Kurs.

Die Erklärung ist prosaisch. Der Umsatz, den diese Netze mit echter Inferenz erzielen, ist gemessen an ihren Bewertungen dünn, und der Markt hat sich noch nicht entschieden, ob er hier die Schaufeln eines Goldrauschs kauft oder ein Gut, dessen Preis gegen null tendiert. Das ist keine Anlageberatung, sondern eine Beobachtung: Adoption der Technik und Wert des Token sind zwei verschiedene Dinge, die man getrennt bewerten sollte.

Was das für Entwickler und Anleger heißt

Praktisch folgt daraus zuerst eine Frage des Bedrohungsmodells: Wer hat physischen Zugriff auf die Hardware? Läuft die Inferenz in einem öffentlichen Netz mit anonymen GPU-Anbietern, ist ein TEE allein dünn, und man sollte auf Hybride bestehen, die Hardware mit wirtschaftlicher Sicherheit und stichprobenartigen ZK-Prüfungen kombinieren. Läuft sie dagegen auf einer vertrauenswürdigen Cloud nach dem Apple-Muster, mit mehreren Wurzeln und öffentlichem Register, ist reines Confidential Computing bereits ziemlich stark.

Für Entwickler heißt das, die Verifikationsmethode zur Anwendung zu wählen, nicht umgekehrt. Wo nur Geld auf dem Spiel steht, etwa wenn ein Agent auf Basis einer Modell-Antwort eine Transaktion signiert, lohnen sich mehrere Sicherungen. Wo es allein um Vertraulichkeit geht, kann ein einzelnes, gut attestiertes TEE genügen. Und für Anleger bleibt die nüchterne Trennung: Ein wachsender Token-Durchsatz macht ein Netz nützlich, aber nicht automatisch seinen Token wertvoll. Die Technik der verifizierbaren KI hat 2026 ihren Praxistest bestanden; ihr Vertrauensmodell und ihre Kurse haben ihn noch vor sich.

Frequently Asked Questions

Was ist Confidential Computing und wie hängt es mit verifizierbarer KI zusammen?

Confidential Computing führt Berechnungen in einer hardware-geschützten Enklave aus, einem Trusted Execution Environment, in der Daten selbst während der Verarbeitung verschlüsselt bleiben. Für verifizierbare KI liefert der Chip zusätzlich eine signierte Attestierung, die bestätigt, dass genau das erwartete Modell unverändert lief. So lässt sich eine KI-Antwort prüfen, ohne die Berechnung selbst zu wiederholen.

Ist eine TEE-Attestierung genauso sicher wie ein Zero-Knowledge-Beweis?

Nein. Ein Zero-Knowledge-Beweis überzeugt allein durch Mathematik und setzt kein Vertrauen in Dritte voraus. Eine TEE-Attestierung ist dagegen eine signierte Zusage der Hardware; man vertraut dem Chiphersteller, seinen Schlüsseln und der physischen Sicherheit des Servers. Dafür ist das TEE um ein Vielfaches schneller und günstiger und funktioniert heute auch für große Sprachmodelle.

Was war der TEE.Fail-Angriff, und ist vertrauliche KI dadurch unsicher?

TEE.Fail ist ein im Oktober 2025 veröffentlichter Seitenkanalangriff, mit dem Forscher über ein Gerät für unter 1.000 US-Dollar Schlüssel aus Intel TDX, AMD SEV-SNP und NVIDIAs Confidential Computing auslesen konnten, inklusive Attestierungsschlüssel. Er setzt physischen Zugriff und Administratorrechte voraus, ist aus der Ferne also nicht möglich. Für zentrale Rechenzentren ist die Gefahr begrenzt, für dezentrale Netze mit anonymen Anbietern jedoch ernst.

Welche Krypto-Projekte nutzen TEEs für verifizierbare KI?

Phala Network betreibt eine Cloud für vertrauliche KI auf Intel TDX und NVIDIA-GPU-TEEs. EigenCloud kombiniert mit EigenCompute vertrauliche VMs mit wirtschaftlicher Restaking-Sicherheit, die KI-native Blockchain Ritual erlaubt mehrere Integritätsverfahren, und Prime Intellect prüft Inferenz zusätzlich über Aktivierungs-Fingerabdrücke. Der Trend geht klar zu Hybriden aus Hardware, Kryptografie und wirtschaftlicher Sicherheit.

Unterliegen Token wie PHA oder EIGEN der BaFin oder MiCA?

Die BaFin und die EU-Verordnung MiCA regulieren Emittenten und Krypto-Dienstleister, nicht das Protokoll selbst. Ob ein konkreter Infrastruktur-Token als Kryptowert oder als Finanzinstrument gilt, hängt von seiner Ausgestaltung ab und ist oft nicht eindeutig. Für die zugrunde liegende KI ist zusätzlich der EU AI Act relevant, dessen Pflichten die Kommission seit dem 2. August 2026 durchsetzen kann.

Von Marcus Okafor, HOGE Wire. Dieser Beitrag ordnet Entwicklungen journalistisch ein und ist keine Anlageberatung.