---
title: >-
  Digitale Souveränität Teil 4: Das Ende des Daten-Dilemmas: Wie PETs digitale
  Souveränität technisch erzwingen
date: 2026-01-30T00:00:00.000Z
tags:
  - ki
  - sovereignty
  - data
summary: ''
source: linkedin-article
visibility: primary
linkedin_url: >-
  https://www.linkedin.com/pulse/digitale-souver%C3%A4nit%C3%A4t-teil-4-das-ende-des-wie-pets-technisch-knie-6ai9f
---

Bisher standen wir vor einer unmöglichen Wahl: Entweder wir behalten unsere Daten für uns (und verzichten auf KI-Innovationen) oder wir teilen sie mit Plattformen (und verlieren die Souveränität).

Dank einer Gruppe von Technologien, den sogenannten Privacy-Enhancing Technologies (PETs), löst sich dieser Widerspruch auf. Wir können jetzt Daten nutzen, ohne sie jemals „sehen” zu müssen. Dies ist keine theoretische Konstruktion mehr, sondern der technologische Lösung der Souveränität.

Traditionell müssen Daten zentralisiert werden, um eine KI zu trainieren. Beim Federated Learning (Föderiertes Lernen) wird dieses Prinzip umgedreht. Anstatt die Daten zum Modell zu schicken, schicken wir das Modell zu den Daten.

Google nutzt dies beispielsweise für Gboard. Im Business-Kontext bedeutet das:

- Deine sensiblen Kundendaten verlassen nie deine Infrastruktur.
- Nur die „Lerneffekte“ (Modell-Updates/Gewichte) werden geteilt.

Am Ende profitiert jeder von einem besseren Modell, ohne dass Geschäftsgeheimnisse offengelegt wurden.

### 2. Confidential Computing: Der Safe im Prozessor
Selbst wenn Daten verschlüsselt auf Servern liegen, müssen sie zur Verarbeitung meist entschlüsselt werden. Genau hier entsteht das Risiko. Confidential Computing schließt diese Lücke durch sogenannte Trusted Execution Environments (TEEs).

Stelle Dir das wie einen Hochsicherheitstrakt direkt im Prozessor vor. Selbst der Administrator des Rechenzentrums (oder ein neugieriger Cloud-Anbieter) kann nicht einsehen, was darin berechnet wird. Quellen von Google Cloud und Decentriq zeigen, dass dies die Grundlage für „Clean Rooms“ bildet, in denen Unternehmen gemeinsam Daten analysieren können, ohne einander blind vertrauen zu müssen.

### 3. Homomorphische Verschlüsselung: Rechnen im Dunkeln
Die „Königsdisziplin” der Kryptografie ist die homomorphe Verschlüsselung. Apple Research nutzt diese Technologie bereits intensiv. Das Besondere daran ist: Man kann mathematische Operationen direkt auf verschlüsselten Daten ausführen.

Das Ergebnis ist wiederum verschlüsselt und kann nur vom Besitzer des entsprechenden Schlüssels gelesen werden. Der Cloud-Anbieter stellt lediglich die Rechenleistung bereit, erfährt aber weder die Eingabe noch das Ergebnis. Es ist, als würde man eine verschlossene Box bearbeiten, deren Inhalt man nicht kennt.

### 4. Synthetische Daten: Der datenschutzkonforme Zwilling
Manchmal benötigen wir gar keine echten Daten, um KI zu trainieren. Laut Forschungen von Microsoft und im Bereich seltener Krankheiten (PMC) bieten synthetische Daten einen Ausweg. Dabei erzeugt eine KI künstliche Datensätze, die die statistischen Eigenschaften der Originaldaten perfekt widerspiegeln, aber keine Rückschlüsse auf reale Personen zulassen.

## Souveränität ist eine technische Entscheidung
Wenn Philipp Amthor oder andere Politiker von Souveränität sprechen, meinen sie oft Gesetze. Aber Gesetze sind nur Papier. Echte Souveränität entsteht, wenn du Architekturen nutzt, die einen Missbrauch technisch unmöglich machen.

 PETs sind der Beweis: Wir müssen uns nicht zwischen Privatsphäre und Fortschritt entscheiden. Wir müssen nur die richtige Technik wählen.

 

### Quellen zum Weiterlesen:
**Google Cloud: Confidential Computing for Trusted AI** Erklärung, wie TEEs die Grundlage für sichere KI-Workloads in der Cloud bilden. Link: [https://cloud.google.com/blog/products/identity-security/how-confidential-computing-lays-the-foundation-for-trusted-ai](https://cloud.google.com/blog/products/identity-security/how-confidential-computing-lays-the-foundation-for-trusted-ai)

**Apple Machine Learning Research: Homomorphic Encryption** Artikel darüber, wie Apple Kryptografie nutzt, um Server-Lookups privat zu halten. Link: [https://machinelearning.apple.com/research/homomorphic-encryption](https://machinelearning.apple.com/research/homomorphic-encryption)

**STL Partners: Federated Learning Guide** Ein Überblick, wie dezentrales Training in der Industrie funktioniert. Link: [https://](https://www.google.com/search?q=https://stlpartners.com/articles/edge-computing/federated-learning-decentralised-training/) [https://stlpartners.com/articles/edge-computing/federated-learning/](https://stlpartners.com/articles/edge-computing/federated-learning/)

**Microsoft Research: Private Synthetic Data** Wie synthetische Daten die Brücke zwischen Innovation und Privatsphäre schlagen. Link: [https://www.microsoft.com/en-us/research/blog/the-crossroads-of-innovation-and-privacy-private-synthetic-data-for-generative-ai/](https://www.microsoft.com/en-us/research/blog/the-crossroads-of-innovation-and-privacy-private-synthetic-data-for-generative-ai/)