Ich habe in einem früheren AI-Assistenztool einmal eine halbe Seite lang Produktideen skizziert. Keine Passwörter, kein Handelssignal – nur eine noch nicht veröffentlichte Einschätzung. Sobald man sie absendet, habe ich jedoch immer das Gefühl, dass der Text nicht mehr ganz mir gehört: Wer trägt ihn in seine Logs ein, wird er zum Training genutzt, und kann man ihn später noch wirklich sauber löschen? Am Ende muss ich der Darstellung der Plattform vertrauen.
Der private Pfad von OpenGradient Chat – das, was sich am meisten lohnt zu zerlegen, ist die kleine Passage direkt vor dem Senden. Solange die Anfrage noch im Browser sitzt, holt sich der Client zunächst den HPKE-öffentlichen Schlüssel für die private Verarbeitungsstufe. HPKE lässt sich als „lokales Verpacken“ verstehen: Der Klartext wird auf dem Gerät zu Chiffre verschlüsselt; wenn die Anfrage den Browser verlässt, ist der Prompt nicht mehr direkt lesbar.
Das ist etwas anderes als eine normale „Transportverschlüsselung“. Viele KI-Dienste verschlüsseln zwar den Datenkanal, aber sobald der Klartext auf dem Server angekommen ist, kann das Plattform-Backend ihn dennoch lesen, protokollieren, zur Fehleranalyse verwenden und sogar zur Verbesserung des Modells einsetzen. OpenGradient blockt dieses Risiko früher: Die Eingabe wird zuerst lokal zu Chiffre, bevor sie in die nachgelagerte private Verarbeitungsstrecke gelangt. Zwischenstationen sehen dann nur die Anfrage-Hülle und sollten nicht erkennen können, was der Nutzer wirklich geschrieben hat.
Das Prinzip lässt sich einfach aufdröseln: Eingabe sind der Klartext des Nutzers und der öffentliche Schlüssel; die Verarbeitung erfolgt innerhalb des Browsers, inklusive Verschlüsselung; die Ausgabe ist die chiffrierte Anfrage; der Schlüssel muss nicht an den Server übergeben werden. Der Wert dieser Gestaltung besteht darin, Datenschutz nicht mehr als „verlass dich darauf, dass das Unternehmen nicht hinsieht“ zu verstehen, sondern als „das Unternehmen bekommt keinen lesbaren Klartext“. Je früher diese Stufe passiert, desto klarer sind die Grenzen später bei Logs, Berechtigungen und Trainings-Ausschlüssen – und desto schwerer ist es, Lücken nur mit späteren Regeln zu stopfen. Das senkt das Risiko weiter.
Es löst genau den realistischsten Engpass in der KI-Nutzung: Nutzer haben nicht keine Fragen – sondern sie trauen sich nicht, die entscheidenden Punkte herauszugeben. OpenGradient startet den privaten Pfad schon vor dem Versand, nicht erst, wenn die Daten auf dem Server angekommen sind und man dann nachträglich reparieren müsste. Noch wichtiger: Ausgabe und Eingabe sollten nicht standardmäßig zu Trainingsmaterial werden; das Ziel des privaten Pfads ist, dass diese Unterhaltung zuerst dem Nutzer gehört – nicht zuerst der Plattform.
Auch die Position $OPG wird dabei konkreter: Verschlüsselte Anfrage, private Inferenz, Verifikation und Abrechnung verbrauchen Netzwerkressourcen. Und die entscheidende Rückfrage lautet: Wenn das lokale Gerät bereits von einer bösartigen Software kontrolliert wird, könnte der Klartext noch vor dem Versand abgegriffen werden.
#OPG $OPG @OpenGradient #opg $OPG
Der private Pfad von OpenGradient Chat – das, was sich am meisten lohnt zu zerlegen, ist die kleine Passage direkt vor dem Senden. Solange die Anfrage noch im Browser sitzt, holt sich der Client zunächst den HPKE-öffentlichen Schlüssel für die private Verarbeitungsstufe. HPKE lässt sich als „lokales Verpacken“ verstehen: Der Klartext wird auf dem Gerät zu Chiffre verschlüsselt; wenn die Anfrage den Browser verlässt, ist der Prompt nicht mehr direkt lesbar.
Das ist etwas anderes als eine normale „Transportverschlüsselung“. Viele KI-Dienste verschlüsseln zwar den Datenkanal, aber sobald der Klartext auf dem Server angekommen ist, kann das Plattform-Backend ihn dennoch lesen, protokollieren, zur Fehleranalyse verwenden und sogar zur Verbesserung des Modells einsetzen. OpenGradient blockt dieses Risiko früher: Die Eingabe wird zuerst lokal zu Chiffre, bevor sie in die nachgelagerte private Verarbeitungsstrecke gelangt. Zwischenstationen sehen dann nur die Anfrage-Hülle und sollten nicht erkennen können, was der Nutzer wirklich geschrieben hat.
Das Prinzip lässt sich einfach aufdröseln: Eingabe sind der Klartext des Nutzers und der öffentliche Schlüssel; die Verarbeitung erfolgt innerhalb des Browsers, inklusive Verschlüsselung; die Ausgabe ist die chiffrierte Anfrage; der Schlüssel muss nicht an den Server übergeben werden. Der Wert dieser Gestaltung besteht darin, Datenschutz nicht mehr als „verlass dich darauf, dass das Unternehmen nicht hinsieht“ zu verstehen, sondern als „das Unternehmen bekommt keinen lesbaren Klartext“. Je früher diese Stufe passiert, desto klarer sind die Grenzen später bei Logs, Berechtigungen und Trainings-Ausschlüssen – und desto schwerer ist es, Lücken nur mit späteren Regeln zu stopfen. Das senkt das Risiko weiter.
Es löst genau den realistischsten Engpass in der KI-Nutzung: Nutzer haben nicht keine Fragen – sondern sie trauen sich nicht, die entscheidenden Punkte herauszugeben. OpenGradient startet den privaten Pfad schon vor dem Versand, nicht erst, wenn die Daten auf dem Server angekommen sind und man dann nachträglich reparieren müsste. Noch wichtiger: Ausgabe und Eingabe sollten nicht standardmäßig zu Trainingsmaterial werden; das Ziel des privaten Pfads ist, dass diese Unterhaltung zuerst dem Nutzer gehört – nicht zuerst der Plattform.
Auch die Position $OPG wird dabei konkreter: Verschlüsselte Anfrage, private Inferenz, Verifikation und Abrechnung verbrauchen Netzwerkressourcen. Und die entscheidende Rückfrage lautet: Wenn das lokale Gerät bereits von einer bösartigen Software kontrolliert wird, könnte der Klartext noch vor dem Versand abgegriffen werden.
#OPG $OPG @OpenGradient #opg $OPG