Tiefenanalyse von Nesa: Warum benötigt die KI, die Sie täglich verwenden, Datenschutz?

Dieser Bericht wurde von Tiger Research verfasst. Die meisten Menschen nutzen täglich KI, ohne jemals darüber nachzudenken, wohin die Daten fließen. Die Frage, die Nesa aufwirft, lautet: Was passiert, wenn man dieses Thema ernst nimmt?

Kernaussagen

• KI ist in den Alltag integriert, doch Nutzer ignorieren oft, wie Daten über zentrale Server übertragen werden
• Selbst der stellvertretende Leiter der US-CISA hat unwissentlich vertrauliche Dokumente an ChatGPT weitergegeben
• Nesa rekonstruiert diesen Prozess durch Datenumwandlung vor der Übertragung (EE) und verteilte Trennung über Knoten (HSS-EE), sodass keine einzelne Partei die Rohdaten einsehen kann
• Akademische Zertifizierungen (COLM 2025) und praktische Unternehmensimplementierungen (Procter & Gamble) verschaffen Nesa einen Vorsprung
• Ob der breitere Markt auf dezentrale Datenschutz-KI setzt oder weiterhin zentrale APIs nutzt, bleibt eine entscheidende Frage

1. Sind Ihre Daten sicher?

Quelle: CISA

Im Januar 2026 lud Madhu Gottumukkala, stellvertretender Leiter der US-amerikanischen Cybersicherheitsbehörde CISA, vertrauliche Regierungsdokumente bei ChatGPT hoch – nur um Verträge zusammenzufassen und zu ordnen.

Dieser Vorfall wurde weder von ChatGPT erkannt noch von OpenAI an die Regierung gemeldet. Stattdessen wurde er durch das interne Sicherheitssystem der Behörde entdeckt und führte zu einer Untersuchung wegen Verstoßes gegen Sicherheitsprotokolle.

Selbst die höchsten US-Cybersicherheitsbeamten nutzen täglich KI – und unabsichtlich vertrauliche Materialien hochladen.

Wir wissen alle, dass die meisten KI-Dienste Nutzereingaben verschlüsselt auf zentralen Servern speichern. Doch diese Verschlüsselung ist grundsätzlich reversibel. Bei rechtlicher Genehmigung oder in Notfällen können Daten entschlüsselt und offengelegt werden, ohne dass der Nutzer davon erfährt.

2. Datenschutz-KI für den Alltag: Nesa

KI ist Teil des täglichen Lebens geworden – Artikel zusammenfassen, Code schreiben, E-Mails entwerfen. Doch das eigentliche Problem ist: Wie im oben genannten Beispiel werden selbst vertrauliche Dokumente und persönliche Daten in einem Umfeld verarbeitet, in dem die Nutzer kaum Risiko- oder Sicherheitsbewusstsein haben.

Das Kernproblem: All diese Daten passieren zentrale Server des Dienstanbieters. Selbst bei Verschlüsselung liegen die Schlüssel beim Anbieter. Warum sollten Nutzer diesem System vertrauen?

Eingaben könnten auf verschiedenen Wegen an Dritte gelangen: Modelltraining, Sicherheitsüberprüfungen, rechtliche Anfragen. Bei Unternehmenskunden haben Administratoren Zugriff auf Chat-Logs; bei Privatnutzern können Daten ebenfalls im Rahmen gesetzlicher Vorgaben weitergegeben werden.

Da KI tief in den Alltag integriert ist, ist es jetzt an der Zeit, Datenschutz ernsthaft zu hinterfragen.

Nesa wurde genau dafür entwickelt: Es schafft eine dezentrale Infrastruktur, die KI-Inferenz ermöglicht, ohne Daten an zentrale Server zu übergeben. Nutzereingaben werden verschlüsselt verarbeitet, sodass kein einzelner Knoten die Rohdaten einsehen kann.

3. Wie löst Nesa das Problem?

Stellen wir uns ein Krankenhaus vor, das Nesa nutzt. Ein Arzt möchte eine KI-Analyse eines MRT-Bildes durchführen, um Tumore zu erkennen. Bei herkömmlichen KI-Diensten würde das Bild direkt an Server von OpenAI oder Google gesendet.

Bei Nesa wird das Bild bereits vor Verlassen des Computers des Arztes mathematisch umgewandelt.

Ein einfaches Beispiel: Das ursprüngliche Problem lautet „3 + 5 = ?“. Wenn man es direkt sendet, weiß der Empfänger genau, worum es geht.

Wenn man jedoch vor dem Senden jede Zahl verdoppelt, sieht der Empfänger „6 + 10 = ?“ und erhält die Antwort 16. Nach der Rücktransformation durch den Arzt erhält man 8 – das Ergebnis stimmt exakt mit der direkten Berechnung des Originals überein. Der Empfänger hat die Berechnung durchgeführt, kennt aber nie die ursprünglichen Zahlen 3 und 5.

Genau das ermöglicht die Äquivalenzverschlüsselung (EE) von Nesa. Daten werden vor der Übertragung mathematisch transformiert, das KI-Modell arbeitet mit den transformierten Daten.

Der Nutzer wendet eine inverse Transformation an, um das Ergebnis zu erhalten, das mit der Verarbeitung der Originaldaten identisch ist. Mathematisch nennt man diese Eigenschaft Invarianz: Es ist egal, ob man vor oder nach der Berechnung transformiert – das Ergebnis ist immer dasselbe.

In der Praxis ist die Transformation deutlich komplexer als eine einfache Multiplikation – sie ist speziell auf die interne Struktur des KI-Modells abgestimmt. Durch die perfekte Abstimmung von Transformation und Modellprozess bleibt die Genauigkeit erhalten.

Zurück zum Krankenhausbeispiel: Für den Arzt ändert sich nichts – Bild hochladen, Ergebnis erhalten, alles wie gewohnt. Das Einzige, was sich ändert: Kein Knotenpunkt im Prozess kann die Rohdaten des Patienten sehen.

Nesa geht noch einen Schritt weiter: Mit EE allein können Knoten die Rohdaten nicht einsehen, doch die transformierten Daten liegen weiterhin vollständig auf einem einzelnen Server.

HSS-EE (Homomorphe Geheimnisverteilung auf verschlüsselten Einbettungen) teilt die transformierten Daten noch weiter auf.

Zurück zum Beispiel: EE ist wie das Anwenden einer Multiplikationsregel vor dem Versand; HSS-EE ist, als würde man die transformierte Prüfung in zwei Hälften zerreißen – die erste Hälfte an Knoten A, die zweite an Knoten B.

Jeder Knoten kann nur seine eigene Hälfte lösen, sieht aber nicht das vollständige Bild. Nur wenn beide Teile zusammengeführt werden, entsteht das vollständige Ergebnis – und nur der ursprüngliche Absender kann diese Zusammenführung vornehmen.

Kurz gesagt: EE wandelt Daten mathematisch um, sodass der Originalinhalt nicht sichtbar ist; HSS-EE zerlegt die transformierten Daten weiter, sodass sie niemals vollständig an einer Stelle vorliegen. So wird der Datenschutz doppelt abgesichert.

4. Beeinträchtigt Datenschutz die Leistung?

Höherer Datenschutz bedeutet oft langsamere Performance – das ist eine langjährige Regel in der Kryptographie. Die vollhomomorphe Verschlüsselung (FHE) ist etwa 10.000 bis 1.000.000 Mal langsamer als Standardberechnungen und daher für Echtzeit-KI ungeeignet.

Nesa’s EE verfolgt einen anderen Ansatz. Zur Veranschaulichung: Das Verdoppeln vor dem Senden und das Teilen durch die Hälfte nach dem Empfangen kostet kaum Ressourcen.

Im Gegensatz zu FHE, das das Problem in ein völlig anderes mathematisches System übersetzt, fügt EE nur eine leichte Transformationsschicht auf bestehender Rechenbasis hinzu.

Leistungsdaten:

• EE: Verzögerung auf LLaMA-8B um weniger als 9 %, Genauigkeit entspricht dem Originalmodell, >99,99 %
• HSS-EE: Bei LLaMA-2 7B liegt die Inferenzzeit bei 700 bis 850 Millisekunden pro Durchlauf

Zusätzlich optimiert der MetaInf-Scheduler die Effizienz im Netzwerk. Er bewertet Modellgröße, GPU-Spezifikationen und Eingabedaten, um die schnellste Inferenzmethode automatisch auszuwählen.

MetaInf erreicht eine Trefferquote von 89,8 %, ist 1,55-mal schneller als herkömmliche ML-Selektoren und wurde auf der COLM 2025 Hauptkonferenz veröffentlicht, was akademische Anerkennung findet.

Diese Daten stammen aus kontrollierten Tests. Noch wichtiger ist: Die Nesa-Infrastruktur für Inferenz ist bereits in der Praxis bei Unternehmen im Einsatz und beweist produktionsfähige Performance.

5. Wer nutzt es? Wie?

Es gibt drei Zugangswege zu Nesa.

Erster: Playground. Nutzer können direkt auf der Webseite Modelle auswählen und testen – ohne Programmierkenntnisse. Man erlebt den kompletten Ablauf: Eingabe, Ausgabe, alles sichtbar.

Das ist der schnellste Weg, um die praktische Funktionsweise der dezentralen KI-Inferenz zu verstehen.

Zweiter: Pro-Abonnement. Für 8 USD monatlich erhält man unbegrenzten Zugang, 1000 schnelle Inferenzpunkte pro Monat, individuelle Modellpreisgestaltung und eine Modell-Übersichtsseite.

Dieses Paket richtet sich an Einzelentwickler oder kleine Teams, die eigene Modelle deployen und monetarisieren möchten.

Dritter: Enterprise. Kein öffentliches Preismodell, sondern maßgeschneiderte Verträge. Mit SSO/SAML-Unterstützung, optionalem Daten-Hosting, Audit-Logs, feingranularer Zugriffskontrolle und Jahresverträgen.

Startpreis: 20 USD pro Nutzer und Monat, konkrete Konditionen je nach Umfang. Ziel ist die Integration von Nesa in interne KI-Prozesse, mit API-Zugang und Organisationverwaltung via eigenem Vertrag.

Kurz zusammengefasst: Playground für Exploration, Pro für individuelle Entwicklung, Enterprise für Organisationen.

6. Warum braucht es Token?

Dezentrale Netzwerke haben keinen zentralen Betreiber. Server und Validierung erfolgen durch verteilte Akteure weltweit. Das wirft die Frage auf: Warum sollten Nutzer ihre GPUs dauerhaft für andere laufen lassen, um KI-Inferenz zu ermöglichen?

Antwort: Wirtschaftliche Anreize. In Nesa heißt das Token $NES.

Quelle: Nesa

Das Prinzip ist simpel: Bei jeder KI-Anfrage wird eine Gebühr fällig. Nesa nennt das PayForQuery – eine feste Grundgebühr plus eine variable Gebühr, die proportional zur Datenmenge ist.

Je höher die Gebühr, desto höher die Priorität – ähnlich wie bei Gasgebühren auf Blockchains.

Diese Gebühren gehen an die Miner. Um am Netzwerk teilzunehmen, müssen Miner eine bestimmte Menge an $NES staken – sie setzen ihre Token also einem Risiko aus, bevor sie Aufgaben zugewiesen bekommen.

Bei Fehlern oder Nichtantworten werden Strafen vom Stake abgezogen; bei korrekter und schneller Verarbeitung winken höhere Belohnungen.

$NES ist auch das Governance-Token: Inhaber können Vorschläge einreichen und über wichtige Parameter wie Gebühren und Belohnungsquoten abstimmen.

Kurz gesagt: $NES erfüllt drei Funktionen: Bezahlung für Anfragen, Sicherheiten und Belohnungen für Miner sowie Mitbestimmung bei der Netzwerksteuerung. Ohne Token läuft nichts; ohne Knoten keine Datenschutz-KI.

Wichtig ist: Das Funktionieren der Token-Ökonomie hängt von bestimmten Voraussetzungen ab.

Genügend Nachfrage nach Inferenz, damit Miner belohnt werden; Belohnungen, damit Miner bleiben; genügend Miner, damit das Netzwerk stabil bleibt.

Das ist ein positiver Kreislauf: Nachfrage treibt Angebot, Angebot sichert Nachfrage – doch den Anfang zu machen, ist die größte Herausforderung.

Procter & Gamble und andere Unternehmen setzen die Infrastruktur bereits produktiv ein – ein positives Signal. Doch ob das Gleichgewicht zwischen Token-Wert und Mining-Belohnungen dauerhaft hält, bleibt abzuwarten.

7. Notwendigkeit von Datenschutz-KI

Nesa will ein klares Problem lösen: die strukturelle Veränderung, dass Nutzerdaten beim Einsatz von KI an Dritte gelangen.

Die technische Basis ist solide. Die Kernverschlüsselungstechnologien – Äquivalenzverschlüsselung (EE) und HSS-EE – stammen aus der akademischen Forschung. Der inference-optimierende Scheduler MetaInf wurde auf der COLM 2025 vorgestellt.

Hierbei handelt es sich nicht nur um eine einfache Zitierung von Forschungsergebnissen. Das Team hat die Protokolle selbst entworfen und in der Infrastruktur implementiert.

In dezentralen KI-Projekten gibt es nur wenige, die auf akademisch validierten Verschlüsselungsprimitiven aufbauen und diese in produktive Systeme integrieren. Große Unternehmen wie P&G setzen bereits auf diese Infrastruktur für Inferenzaufgaben – ein bedeutendes Signal für den Fortschritt.

Dennoch sind die Grenzen deutlich:

• Marktgröße: Fokus auf Unternehmenskunden; Privatnutzer sind vorerst kaum bereit, für Datenschutz zu zahlen
• Produkt-Erfahrung: Playground wirkt eher wie eine Web3-/Investment-Plattform, nicht wie eine Alltags-KI
• Skalierung: Kontrollierte Tests sind nicht gleichbedeutend mit Tausenden paralleler Knoten im Live-Betrieb
• Marktzeitpunkt: Bedarf an Datenschutz-KI besteht, doch dezentrale Lösungen sind noch nicht bewiesen; Unternehmen sind noch an zentrale APIs gewöhnt

Viele Firmen setzen weiterhin auf zentrale APIs, und die Infrastruktur auf Blockchain-Basis ist noch nicht breit etabliert.

Wir leben in einer Zeit, in der selbst US-Cybersicherheitsverantwortliche vertrauliche Dokumente an KI hochladen. Der Bedarf an Datenschutz-KI ist vorhanden und wächst stetig.

Nesa verfügt über akademisch validierte Technologien und eine funktionierende Infrastruktur, um diesen Bedarf zu decken. Trotz aller Limitationen ist der Start bereits führend gegenüber anderen Projekten.

Wenn der Markt für Datenschutz-KI sich öffnet, wird Nesa sicherlich zu den ersten genannten Namen gehören.