Wann lohnt sich der Aufpreis für vertrauliches Rechnen im Bereich der KI?

Vertrauliches Rechnen ist den Aufpreis für KI wert, wenn Sie regulierte, hochsensible oder wirtschaftlich wertvolle Daten sowie Modellgewichte in einer Cloud verarbeiten, über die Sie keine vollständige Kontrolle haben. Bei öffentlichen oder risikoarmen Workloads zahlen sich die zusätzlichen Kosten selten aus, und in der Regel reichen kostengünstigere Kontrollmaßnahmen aus.
Die Entscheidung hängt davon ab, welche Kosten Ihnen durch eine Sicherheitsverletzung entstehen würden und wer Zugriff auf Ihre Daten im Betrieb haben könnte. Wir beobachten, dass viele Unternehmen überall für hardwarebasierten Schutz bezahlen, obwohl nur wenige Workloads diesen tatsächlich benötigen. Im Folgenden erfahren Sie, wovon der Preis abhängt, welche KI-Workloads die Kosten rechtfertigen und wie Sie die Ausgaben unter Kontrolle halten können.

Was ist der Grund für den Preisaufschlag bei vertraulichem Rechnen im Bereich der KI?

Der Aufpreis für vertrauliches Computing ergibt sich aus spezialisierter Hardware, einer geringeren Auswahl an unterstützten Instanztypen und einem Leistungsaufwand. Trusted Execution Environments (TEEs) benötigen CPUs und – für KI – GPUs mit integrierter Speicherverschlüsselung und Attestierung, weshalb Anbieter für vertrauliche VMs höhere Preise verlangen als für Standardinstanzen.

Mehrere Faktoren führen dazu, dass die Rechnung über den stündlichen Instanzpreis hinausgeht:

  • Hardware-Knappheit: Das vertrauliche Rechnen auf GPUs basiert auf aktuellen Beschleunigern, die den vertraulichen Modus unterstützen, und die Kapazität ist im Vergleich zu Standard-GPU-Flotten begrenzt.
  • Leistungsbeeinträchtigung: Die Verschlüsselung des Speichers und der Datenübertragungen zwischen CPU und GPU kann das Training und die Inferenz leicht verlangsamen, sodass Sie für denselben Output mehr Rechenzeit benötigen.
  • Zertifikats- und Schlüsselverwaltung: Sie bezahlen für die Dienste, die die Umgebung überprüfen und Schlüssel ausschließlich an vertrauenswürdige Workloads freigeben.
  • Technischer Aufwand: Teams müssen Pipelines, Images und Bereitstellungsprozesse anpassen, was zusätzliche Personalkosten verursacht, die auf der Preisseite selten ausgewiesen werden.
  • Eingeschränkte Flexibilität: Eine geringere Anzahl an Regionen und Instanzgrößen schränkt Ihre Möglichkeiten ein, die günstigste Option auszuwählen oder Spot-Kapazitäten zu nutzen.

Die Preise der Anbieter ändern sich häufig. Informieren Sie sich daher über die aktuellen, vertraulichen VM-Preise für Ihre Region und Instanzfamilie, anstatt sich auf einen festen Prozentsatz zu verlassen. Rechnen Sie damit, dass die Gesamtbetriebskosten diese indirekten Posten umfassen und nicht nur die Rechenleistung.

Für welche KI-Workloads lohnt sich der Einsatz von Confidential Computing?

KI-Workloads rechtfertigen den Einsatz von Confidential Computing, wenn sie sensible Eingabedaten, wertvolles geistiges Eigentum und gemeinsam genutzte oder von Drittanbietern bereitgestellte Infrastruktur kombinieren. Typische Beispiele hierfür sind das Training mit regulierten personenbezogenen oder Finanzdaten, der Schutz proprietärer Modellgewichte und die Durchführung von Inferenzberechnungen auf vertraulichen Kundendaten in Multi-Tenant-Clouds.

Achten Sie in Ihrem Portfolio auf folgende Muster:

  • Regulierte Daten in der Cloud: Workloads im Gesundheitswesen, im Finanzdienstleistungssektor und im öffentlichen Sektor, bei denen Aufsichtsbehörden oder Kunden den Schutz von Daten nicht nur im Ruhezustand und während der Übertragung, sondern auch während der Nutzung verlangen.
  • Wichtige Modellgewichte: Feinabgestimmte oder firmeneigene Modelle, die mit erheblichen Investitionen verbunden sind und von Wettbewerbern oder Insidern gestohlen werden könnten.
  • Zusammenarbeit mehrerer Parteien: Fälle, in denen mehrere Organisationen ein gemeinsames Modell trainieren oder abfragen möchten, ohne ihre Rohdaten untereinander oder gegenüber dem Cloud-Betreiber offenzulegen.
  • Kundenorientierte KI mit vertraglichen Garantien: Dienste, bei denen Sie Ihren Kunden versprechen, dass niemand – auch nicht Ihre eigenen Mitarbeiter – ihre Eingaben oder Dokumente einsehen kann.

Zu den Anwendungsfällen, bei denen sich die zusätzlichen Kosten selten rechtfertigen, gehören Experimente mit öffentlichen Datensätzen, interne Prototypen ohne sensible Daten sowie Batch-Jobs, die in einer Umgebung ausgeführt werden, die Sie bereits kontrollieren und der Sie vertrauen. Klassifizieren Sie zunächst jeden KI-Anwendungsfall nach Datensensibilität und Risiko, und entscheiden Sie dann, wo eine vertrauenswürdige Ausführungsumgebung einen echten Schutz bietet.

Wie wägen Sie die Prämie gegen das Risiko ab?

Wägen Sie die Kosten ab, indem Sie die zusätzlichen jährlichen Kosten für Confidential Computing mit dem erwarteten Verlust vergleichen, den dadurch verhindert wird. Schätzen Sie die Wahrscheinlichkeit und die Auswirkungen einer Offenlegung von Daten oder Modellen ein, berücksichtigen Sie Compliance- und vertragliche Konsequenzen und prüfen Sie anschließend, ob der Schutz dieses Risiko so weit verringert, dass sich die Ausgaben rechtfertigen lassen.

Ein praktischer Ansatz umfasst vier Schritte:

  1. Die Exposition quantifizieren: Schätzen Sie die Kosten einer Sicherheitsverletzung für jede Arbeitslast, einschließlich Bußgeldern, Abhilfemaßnahmen, Kundenverlusten und dem Wert des Modells oder der Daten.
  2. Die tatsächliche Bedrohung erkennen: Confidential Computing schützt vor allem vor privilegiertem Zugriff durch den Cloud-Betreiber, kompromittierten Hypervisoren und böswilligen Insidern. Wenn dies nicht Ihre Hauptrisiken sind, verringelt sich der Nutzen.
  3. Berechnen Sie die Gesamtprämie: Berücksichtigen Sie dabei die Instanzkosten, den Gemeinkostenanteil, den Entwicklungsaufwand und die betriebliche Komplexität – nicht nur den Unterschied im Stundensatz.
  4. Prüfen Sie das kommerzielle Potenzial: Manche Geschäfte und regulierte Märkte eröffnen sich erst, wenn Sie nachweisen können, dass die verwendeten Daten geschützt bleiben – was die Prämie zu einem Umsatztreiber machen kann.

Dieser Kompromiss zwischen Kosten, Leistung und Risiko ist genau die Art von Entscheidung, FinOps-Verfahren damit Sie frühzeitig und wiederholt Entscheidungen treffen können, anstatt erst nach Erhalt der Rechnung zu erfahren, wie hoch die Prämie ist. Dokumentieren Sie die Entscheidung für jede Arbeitslast, damit Sie sie bei Änderungen der Preise und Vorschriften erneut prüfen können.

Welche kostengünstigeren Alternativen gibt es zum vertraulichen Rechnen?

Zu den kostengünstigeren Alternativen zählen eine starke Verschlüsselung sowohl im Ruhezustand als auch während der Übertragung, vom Kunden verwaltete Schlüssel, strenge Identitäts- und Zugriffskontrollen, private Netzwerke sowie Techniken zur Datenminimierung wie Anonymisierung oder synthetische Daten. Diese Kontrollmaßnahmen schützen zwar keine Daten während der Nutzung, decken jedoch die meisten Risiken zu wesentlich geringeren Kosten ab.

Ziehen Sie diese Optionen einzeln oder in Kombination in Betracht:

  • Vom Kunden verwaltete Verschlüsselungsschlüssel: Sie behalten die Kontrolle darüber, wer Speicher und Backups entschlüsseln darf.
  • Zugriff nach dem Prinzip der geringsten Berechtigungen und Protokollierung: Streng abgegrenzte Rollen, Just-in-Time-Zugriff und Prüfpfade verringern Insider- und Zugangsdatenrisiken.
  • Private oder dedizierte Infrastruktur: Hosts mit einem einzigen Mandanten oder lokal installierte GPUs vermeiden das Risiko von Multi-Tenant-Umgebungen, ohne dass TEE-Kosten anfallen.
  • Datenminimierung: Pseudonymisieren, maskieren oder ersetzen Sie sensible Felder, bevor sie das Modell erreichen.
  • Methoden der föderierten oder differentiellen Datenschutz: Diese Techniken schränken ein, was ein Modell oder ein Dritter aus Rohdaten lernen kann.

Keine Alternative kann den hardwaregestützten Schutz von Daten während der Nutzung vollständig ersetzen. Wenn Ihr Bedrohungsmodell den Infrastrukturbetreiber selbst einschließt, ist „Confidential Computing“ nach wie vor die sicherste Option. Ist dies nicht der Fall, bietet Ihnen ein mehrschichtiges System herkömmlicher Kontrollmaßnahmen in der Regel ein besseres Preis-Leistungs-Verhältnis.

Wie lassen sich die Kosten für vertrauliches Rechnen unter Kontrolle halten?

Halten Sie die Kosten für vertrauliches Computing unter Kontrolle, indem Sie es auf die Workloads beschränken, die es benötigen, die Instanzen bedarfsgerecht dimensionieren, Jobs effizient planen und die Ausgaben pro KI-Workload nachverfolgen. Behandeln Sie vertrauliche Kapazitäten als Premium-Stufe mit klarer Zuständigkeit, festgelegten Budgets und regelmäßigen Überprüfungen.

Diese Maßnahmen helfen Ihnen dabei, die Ausgaben im Rahmen zu halten:

  • Segmentieren Sie Ihre KI-Infrastruktur: Führen Sie sensible Trainings- und Inferenzvorgänge ausschließlich in vertraulichen Umgebungen durch und führen Sie Entwicklungs- und Testarbeiten auf Standardinstanzen durch.
  • Kosten zuordnen und verbuchen: Machen Sie vertrauliche Workloads nach Team und Produkt sichtbar, damit die Verantwortlichen erkennen, welche Mehrkosten dadurch entstehen.
  • Anpassung und Planung: Beenden Sie nicht genutzte GPU-Instanzen, gruppieren Sie Batch-Jobs in kürzere Zeitfenster und passen Sie die Instanzgröße an die tatsächliche Auslastung an.
  • Gehen Sie mit Verpflichtungen umsichtig um: Reservierte Kapazitäten können die Stückkosten senken, sollten jedoch erst dann gebunden werden, wenn die Nachfrage nach vertraulichen Workloads stabil ist.
  • Vierteljährliche Überprüfung: Prüfen Sie, ob Workloads angesichts der Entwicklungen bei Daten, Vorschriften und Anbieterpreisen weiterhin vertraulich geschützt werden müssen.

Auch die Ausgaben für KI müssen in Ihrem gesamten Technologieportfolio berücksichtigt werden. Die Verknüpfung dieser Kosten mit Produkten und Ergebnissen durch strategisches Portfolio-Management hilft Ihnen bei der Entscheidung, welche KI-Initiativen einen besonderen Schutz verdienen und welche nicht.

Wie FinOps bei den Kosten für vertrauliches Rechnen im Bereich KI hilft

Wir helfen Ihnen dabei, die Entscheidung zum Confidential Computing von einer einmaligen Sicherheitsdiskussion in eine kontrollierte, datengestützte Entscheidung zu verwandeln. Unser FinOps-Ansatz verbindet die Bereiche Finanzen, IT, Technik und Sicherheit, sodass Kosten, Leistung und Risiken frühzeitig und gemeinsam abgewogen werden können.

Das tun wir für Sie:

  • Bewerten Sie Ihren Reifegrad im Bereich FinOps und zeigen Sie auf, wo es bei den Ausgaben für KI und GPUs an Verantwortlichkeiten, Zuweisungen oder einem Entscheidungsrhythmus mangelt.
  • Entwickeln Sie ein Betriebsmodell mit klaren Steuerungs- und Entscheidungsbefugnissen für Premium-Dienste wie vertrauliche virtuelle Maschinen.
  • Richten Sie eine zuverlässige Kostenverrechnung ein, damit Sie die tatsächlichen Kosten pro KI-Workload und Produkt erkennen können.
  • Verankern Sie eine kontinuierliche Optimierung – von der Bedarfsanpassung bis hin zu Investitionsentscheidungen –, damit Einsparungen nicht von manuellem Aufwand abhängen.
  • Verbinden Sie Cloud-Ausgaben mit dem geschäftlichen Nutzen mithilfe von Technology Business Management, das Entscheidungen zwischen Cloud- und On-Premises-Lösungen unterstützt.

Wenn Sie wissen möchten, welche Ihrer KI-Workloads vertrauliches Rechnen erfordern und welche nicht, Nehmen Sie Kontakt mit uns auf. Wir helfen Ihnen dabei, diese Entscheidung auf der Grundlage von Fakten zu treffen.

Sein Wert
Datenschutz-Übersicht

Diese Website verwendet Cookies, damit wir dir die bestmögliche Benutzererfahrung bieten können. Cookie-Informationen werden in deinem Browser gespeichert und führen Funktionen aus, wie das Wiedererkennen von dir, wenn du auf unsere Website zurückkehrst, und hilft unserem Team zu verstehen, welche Abschnitte der Website für dich am interessantesten und nützlichsten sind.