Marktgröße und Prognose für datenschutzfreundliche Berechnungen nach Technologie (homomorphe Verschlüsselung, vertrauenswürdige Ausführungsumgebungen, Mehrparteienberechnung, differenzielle Privatsphäre, persönliche Datenspeicher); Typ; Endnutzung – Wachstumstrends, Hauptakteure, regionale Analyse 2026-2035

Wachstumstreiber und Herausforderungen auf dem Markt für datenschutzfreundliche Computer:

Wachstumstreiber

• Zunehmende Nutzung von PEC im Finanzdienstleistungssektor: Unternehmen im Bankensektor sowie im Versicherungs- und Gesundheitswesen setzen zunehmend datenschutzfreundliche Computertechnologien ein, um sichere Transaktionen, Betrugspräventionssysteme und Datenaustauschmechanismen zu entwickeln. Sichere Mehrparteien-Berechnung ermöglicht es verschiedenen Unternehmen, gemeinsam an Datenanalyseprojekten zu arbeiten und gleichzeitig die Privatsphäre ihrer Eingabedaten zu wahren, um Datenschutzanforderungen und gesetzliche Datenschutzstandards zu erfüllen. Der Einsatz von SMPC ermöglicht es Finanzinstituten, Betrugsmuster unternehmensübergreifend zu analysieren und die Privatsphäre ihrer Kundendaten zu schützen. Dadurch verbessern sie ihre Erkennungsfähigkeiten, ohne die Vertraulichkeit zu gefährden.
  
  Viele Institute, darunter die ABN MRO Bank und die Rabobank, implementieren das mit SMPC entwickelte Anti-Geldwäsche-System. Das Scoring-System verteilt Kontobewertungen an Transaktionsnetzwerke und ermöglicht es Banken, unbekannte Transaktionen zu erkennen, ohne Datenschutzstandards zu verletzen. Die Verbreitung von Risikobewertungen erhöht die Erkennungsgenauigkeit verdächtiger Aktivitäten und hält gleichzeitig die Trefferquote hoch, wodurch Fehlalarme deutlich reduziert werden. Die Entwicklung unterstreicht das Potenzial sicherer Multi-Party-Berechnungen zur Verbesserung der Datensicherheit im Umgang mit sensiblen Informationen.
  
• Ausbau von KI und ML im Hinblick auf Datenschutzanforderungen: Aufgrund ihrer kontinuierlichen Weiterentwicklung sind immer mehr Technologien für künstliche Intelligenz und maschinelles Lernen auf große Datensätze mit personenbezogenen Daten und sensiblen Informationen angewiesen. Diese Abhängigkeit von diesem Aspekt unterstreicht das Potenzial datenschutzfördernder Technologien, darunter differenzielle Privatsphäre und föderiertes Lernen, die unverzichtbar sind. Solche PETs unterstützen Organisationen bei der Erstellung von KI-Trainingsmodellen zum Schutz personenbezogener Daten und zur Steigerung des Vertrauens in Organisationen, wodurch der breitere Einsatz von KI-Systemen gefördert wird. Auch staatliche Institutionen nutzen PETs für ihr Datenschutzmanagement. So startete beispielsweise die US-amerikanische National Science Foundation im Juni 2024 das Programm „Datenschutzerhaltender Datenaustausch in der Praxis“. PDaSP ist eine Initiative, die daran arbeitet, PETs durch praktische Implementierungen schnell zu kommerzialisieren, um den sicheren Datenaustausch in verschiedenen Sektoren zu verbessern.
  
  Technologieunternehmen entwickeln innovative, datenschutzfreundliche KI-Frameworks und konzentrieren sich auf die Entwicklung föderierter Lernansätze, die es trainierten KI-Modellen ermöglichen, an verschiedenen Datensatzstandorten zu arbeiten, ohne den tatsächlichen Dateninhalt preiszugeben. Technologien wie homomorphe Verschlüsselung und sichere Multi-Party-Computing ermöglichen die kontinuierliche Weiterentwicklung der Datensicherheit. Unternehmen können regulatorische Probleme minimieren und fortschrittliche KI-basierte Anwendungen für das Gesundheitswesen, Finanzdienstleistungen und Unternehmen entwickeln. Unternehmen, die PET implementieren, verschaffen sich strategische Vorteile durch KI-Erkenntnisse, die die Privatsphäre der Nutzer schützen und so eine besser geschützte digitale Grundlage schaffen.

Herausforderungen

• Komplexität der Integration in bestehende Systeme: Die Integration datenschutzfreundlicher Computerlösungen in die bestehende IT-Infrastruktur erfordert komplexe und ressourcenintensive Schritte. Moderne Unternehmen nutzen veraltete Informationssysteme, die mit neuen datenschutzfreundlichen Technologien, einschließlich Federated Learning, nicht effizient funktionieren. Die Installation dieser Systeme erfordert umfangreiche Systemänderungen und Fachwissen sowie gründliche Testverfahren, was zu Betriebsverzögerungen und höheren Gesamtkosten führt. Unternehmen tun sich schwer mit der Einführung von PEC, da sie eine reibungslose Integration dieser Systeme in ihre bestehenden Datenverarbeitungs-Frameworks nicht erreichen können, obwohl sie Stabilität und Effizienz erhalten und nicht auf zusätzliche Datenschutzfunktionen setzen.
  
• Kompromiss zwischen Datenschutz und Leistung: Vollständig homomorphe Verschlüsselung (FHE) sowie andere datenschutzfreundliche Berechnungstechniken wie vertrauenswürdige Ausführungsumgebungen und Multi-Party-Berechnung bieten hohe Sicherheit durch Operationen mit verschlüsselten Informationen. FHE bringt erhebliche Leistungseinschränkungen mit sich, da sie enorme Rechenleistung und große Speicherressourcen erfordert. Bei der Implementierung in FHE sind die Rechenanforderungen hoch, und herkömmliche Datenanalysemethoden erweisen sich als deutlich schneller. Der Zeitaufwand für die Verarbeitung durch PEC-Technologien kann diese Methode in Situationen, die Echtzeitfunktionen erfordern, wie z. B. häufige Marktoperationen und Betrugserkennungssysteme, unbrauchbar machen. Viele leistungsorientierte Unternehmen vermeiden die Einführung von PEC aufgrund der Integrationsbeschränkungen in ihren Branchen.