1. Executive Summary

Eine exklusive Untersuchung von Reuters, die kürzlich veröffentlicht wurde, hat eine grundlegende Neubewertung in der Branche der künstlichen Intelligenz ausgelöst. Der Bericht legt substanzielle Beweise vor, dass chinesische KI-Entitäten systematisch die Ausgaben von US-amerikanischen Frontier-Modellen – insbesondere GPT-5.6 Sol von OpenAI und Claude Opus 5 von Anthropic – destilliert haben, um ihre eigenen Systeme mit militärischen Anwendungen zu trainieren. Die Überprüfung, die mehr als 80 akademische Arbeiten und technische Dokumente umfasst, deutet auf ein koordiniertes Muster der technologischen Aneignung hin, das über bloßen kommerziellen Wettbewerb hinausgeht und ernste Auswirkungen auf die globale Sicherheit hat. Dieses Phänomen, in der Fachsprache als „Wissensdestillation" oder „Knowledge Distillation" bekannt, ist im akademischen Bereich keine Neuheit. Jedoch verwandeln sein Ausmaß, die Systematik seiner Anwendung und seine explizite Ausrichtung auf den Verteidigungssektor es in einen strategischen Wendepunkt. Wir haben es nicht mit einem einfachen Fall von Industriespionage oder einer oberflächlichen Kopie zu tun; wir erleben eine Übertragung fortschrittlicher kognitiver Fähigkeiten, die das globale strategische Gleichgewicht verändern könnte. Die Destillation ermöglicht es chinesischen Laboren, die Denkfähigkeiten, das kontextuelle Verständnis und die Fähigkeit zur Lösung komplexer Probleme, die den US-Modellen innewohnen, zu replizieren, ohne die massive Investition in Recheninfrastruktur, Trainingsdaten und Ingenieurstalent nachbilden zu müssen, die für ihre ursprüngliche Entwicklung notwendig war. Dies stellt einen erheblichen asymmetrischen Vorteil dar. Für politische Entscheidungsträger, Technologieführer und Analysten für nationale Sicherheit ist dieser Bericht keine bloße Branchennachricht; er ist ein kritisches Alarmsignal hinsichtlich der Wirksamkeit aktueller Exportkontrollen und Zugangsbarrieren zu proprietären Modellen. Die zentrale Frage ist nicht mehr, ob China langfristig US-Technologie entwickeln oder kopieren kann, sondern wie die USA und ihre Verbündeten ihren unmittelbaren Wettbewerbsvorteil schützen können, wenn destilliertes Wissen über inhärent poröse digitale Grenzen fließt. Die Implikation ist, dass das geistige Eigentum von KI-Modellen, sobald es über eine API exponiert ist, zu einem Vermögenswert wird, der anfällig für effiziente und kostengünstige Replikation ist.

2. Tiefgehende Technische Analyse

Modelldestillation ist eine fortschrittliche Technik zur Kompression und Wissensübertragung im Bereich des maschinellen Lernens. Sie ermöglicht es einem kleineren und rechenintensiv weniger aufwendigen Modell, dem sogenannten „Schülermodell", von den probabilistischen Ausgaben und internen Repräsentationen eines größeren und leistungsfähigeren „Lehrermodells" zu lernen. Anstatt das Schülermodell von Grund auf mit riesigen Mengen roher Daten zu trainieren, wird es darauf trainiert, die Antworten, die zugrunde liegende Argumentation und die Entscheidungsmuster des Lehrermodells nachzuahmen. Dieser Prozess reduziert die Rechenkosten und Datenanforderungen drastisch und ermöglicht es Akteuren mit begrenzten Ressourcen, mit beispielloser Effizienz auf hochmoderne KI-Fähigkeiten zuzugreifen. Was der Reuters-Bericht offenbart, ist, dass diese Technik systematisch und im industriellen Maßstab auf Frontier-Modelle wie GPT-5.6 Sol und Claude Opus 5 angewendet wurde. Die untersuchten akademischen Arbeiten dokumentieren detaillierte Methoden, bei denen die Ausgaben dieser proprietären Modelle als hochwertige Trainingsdaten für chinesische Modelle, einschließlich DeepSeek-V4-Pro und Qwen 3.7-Max, verwendet werden. Die Raffinesse des Prozesses ist bemerkenswert: Es handelt sich nicht um eine einfache Kopie textueller Antworten, sondern um die Extraktion des „Denkstils", der logischen Struktur und der internen Repräsentationen, die diesen Modellen ihre Effektivität bei komplexen Aufgaben des natürlichen Sprachverständnisses, der Codegenerierung und der Problemlösung verleihen. Dies impliziert ein tiefes Verständnis der Architektur und des Verhaltens der Lehrermodelle. Der besorgniserregendste Aspekt dieser Enthüllung ist die explizite militärische Anwendung. Die überprüften Dokumente deuten darauf hin, dass die destillierten Modelle für kritische Verteidigungsaufgaben angepasst und optimiert wurden, wie z. B. autonome Logistikplanung in komplexen Umgebungen, Analyse von Signalerfassung (SIGINT) zur Identifizierung von Mustern und Anomalien, Optimierung von Lieferketten in dynamischen Operationsgebieten und Simulation von Kampfszenarien für strategische Entscheidungsfindung. Die robuste Denkfähigkeit von Claude Opus 5, bekannt für seine Exzellenz bei mehrstufigen Denkaufgaben und seine 1M-Kontextfenster, ist besonders wertvoll für autonome strategische Planung und die Ausführung komplexer Operationen, bei denen Kohärenz und Inferenzfähigkeit von größter Bedeutung sind.

Aus technischer Perspektive wirft die erfolgreiche Destillation von Frontier-Modellen ein grundlegendes Paradoxon auf: Die in diesen Modellen integrierten Sicherheits-, Ausrichtungs- und Bias-Minderungsmechanismen selbst können während des Destillationsprozesses übertragen oder, was kritischer ist, umgangen werden. Chinesische Forscher haben Techniken entwickelt, um die Sicherheitsebenen und Ausrichtungsfilter während der Destillation zu „beschneiden" oder zu modifizieren, wodurch die zentralen kognitiven Fähigkeiten des Lehrermodells erhalten bleiben, während die Mechanismen zur Ablehnung bösartiger oder unethischer Anfragen entfernt werden. Dies ist ein kritischer Befund, der nahelegt, dass die Ausrichtung an menschlichen Werten oder Sicherheitsprinzipien keine intrinsische Eigenschaft des destillierten Wissens ist, sondern ein Merkmal des Trainings, das bewusst verworfen oder neu konfiguriert werden kann. Der Bericht hebt auch die Verwendung von umgekehrtem oder modifiziertem „Reinforcement Learning from Human Feedback" (RLHF) hervor. Bei diesem Ansatz werden die destillierten Modelle mit Feedback neu trainiert, das taktische Aggressivität, letale Effizienz und die Maximierung militärischer Ziele belohnt, anstatt Sicherheit, allgemeinen Nutzen oder Schadensvermeidung. Dieser spezifische Neu-Trainingsprozess für militärische Anwendungen ist es, der diese Aktivität klar von bloßer akademischer Forschung oder der Entwicklung von Allzweck-KI unterscheidet. Die technische Infrastruktur hinter dieser Operation ist ebenso aufschlussreich für ihr Ausmaß und ihre Raffinesse. Die akademischen Arbeiten beschreiben Destillations-Pipelines, die im industriellen Maßstab arbeiten, mit Zugang zu großen Clustern von Grafikprozessoren (GPUs) und massiven Datensätzen von Interaktionen mit den US-Modellen. Diese Daten können nur durch anhaltenden, koordinierten und oft automatisierten Zugriff auf die APIs von OpenAI und Anthropic gewonnen werden. Dies deutet darauf hin, dass die Destillation kein isoliertes Ereignis oder eine Reihe von Ad-hoc-Experimenten war, sondern ein kontinuierliches und gut finanziertes Programm zur Wissensextraktion, das darauf ausgelegt ist, die Übertragung von Fähigkeiten zu maximieren.

Schließlich ist es entscheidend zu verstehen, dass die Destillation keine exakte oder identische Kopie des Originalmodells erzeugt. Destillierte Modelle sind typischerweise kleiner, schneller und oft stärker auf spezifische Aufgaben spezialisiert. Im militärischen Kontext ist diese Eigenschaft ein erheblicher operativer Vorteil: Ein destilliertes Modell von Claude Opus 5, optimiert für eine bestimmte Aufgabe, kann effizient auf eingebetteter Hardware in einer Drohne, in einem autonomen Fahrzeug oder in einem taktischen Kommandoposten mit begrenzten Ressourcen ausgeführt werden. Das Originalmodell mit seinen enormen Rechenanforderungen könnte auf diese Weise nicht eingesetzt werden. Die Destillation überträgt also nicht nur Wissen, sondern macht es auch operativ nutzbar und anpassbar für den Einsatz auf dem Schlachtfeld, wodurch der Zugang zu fortschrittlichen KI-Fähigkeiten demokratisiert wird.

3. Auswirkungen auf die Industrie und Marktimplikationen

Die Auswirkungen dieses Berichts auf das globale Technologie-Ökosystem sind tiefgreifend und vielschichtig und definieren die Wettbewerbsdynamik und die Sicherheitsrisiken neu. In erster Linie untergräbt er eine grundlegende Prämisse, auf der der Wettbewerbsvorteil amerikanischer Labore aufgebaut wurde: dass ihre massiven Investitionen in Forschung und Entwicklung (F&E) zusammen mit ihrer Führungsrolle in der Forschung an Frontier-Modellen ihnen einen unschlagbaren und dauerhaften Vorteil verschaffen würden. Die Destillation zeigt, dass Wissen und kognitive Fähigkeiten, sobald sie erzeugt und über Anwendungsprogrammierschnittstellen (APIs) exponiert wurden, zu einem Bruchteil der ursprünglichen Kosten repliziert werden können, wodurch die Eintrittsbarriere schnell erodiert und die Parität der Fähigkeiten beschleunigt wird. Für OpenAI und Anthropic ist die Auswirkung zweifach und von großer Tragweite. Einerseits sehen sie sich einem direkten Verlust des kommerziellen Werts gegenüber: Ihre proprietären Modelle, die Milliarden von Dollar an Investitionen in Rechenleistung, Daten und Talente repräsentieren, werden de facto als kostenlose Trainingsinfrastruktur für ihre Konkurrenten genutzt. Dies verwässert die Kapitalrendite und die Exklusivität ihrer Produkte. Andererseits stehen sie vor einem Dilemma der nationalen Sicherheit und der Ethik: Ihre Technologien werden verwendet, um militärische Fähigkeiten aufzubauen und zu verstärken, die letztendlich gegen die Interessen ihres eigenen Landes oder ihrer Verbündeten eingesetzt werden könnten. Diese Situation erfordert eine Neubewertung ihrer Zugriffs- und Nutzungsrichtlinien. Investoren und Aktionäre dieser Unternehmen müssen die Risiken im Zusammenhang mit geistigem Eigentum und der Sicherheit ihrer Vermögenswerte neu bewerten. Die Destillation ist kein einmaliges Ereignis oder eine isolierte Schwachstelle; sie ist eine kontinuierliche und systemische Bedrohung, die technische, organisatorische und rechtliche Gegenmaßnahmen erfordert. Amerikanische Technologieunternehmen werden gezwungen sein, anspruchsvollere Mechanismen zur Erkennung von Destillation in ihren APIs zu implementieren. Dies könnte die Injektion subtiler statistischer "Wasserzeichen" in die Modellausgaben, die erweiterte Überwachung anomaler Abfragemuster, die auf eine nicht autorisierte Nutzung für das Training hindeuten, oder die Implementierung von Systemen zur kryptografischen Attribuierung umfassen. Diese zusätzlichen Sicherheits- und Minderungskosten werden unweigerlich auf die API-Preise abgewälzt und betreffen alle Entwickler und legitimen Nutzer des Ökosystems. Auf dem chinesischen Markt stärkt die Nachricht, obwohl sie eine zugrunde liegende Abhängigkeit offenlegt, auch die Erzählung von technologischer Selbstversorgung und der Fähigkeit seines KI-Ökosystems, schnell voranzukommen. Unternehmen wie DeepSeek (mit DeepSeek-V4-Pro), Alibaba (mit Qwen 3.7-Max) und Zhipu AI (mit GLM-5.2.2.2) können argumentieren, dass ihr schneller Fortschritt nicht nur auf Kopieren beruht, sondern auf einer intelligenten Strategie der Absorption und Anpassung von globalem Wissen. Die Enthüllung offenbart jedoch auch ihre kritische Abhängigkeit von amerikanischer Infrastruktur und Frontier-Modellen, was Chinas Bemühungen weiter beschleunigen könnte, eine vollständig eigene Lieferkette für Halbleiter, KI-Software und grundlegende Modelle zu entwickeln, um ihre Verwundbarkeit gegenüber zukünftigen Beschränkungen zu verringern. Für westliche Regierungen ist der Bericht ein dringender Aufruf zum Handeln. Die derzeitigen Exportkontrollen, die sich überwiegend auf physische Hardware wie die Hochleistungschips von NVIDIA konzentrieren, haben sich als unzureichend erwiesen, um die Verbreitung von KI-Fähigkeiten einzudämmen. Wissen kann, anders als Silizium, nicht an einem Zoll beschlagnahmt oder mit herkömmlichen Mitteln verfolgt werden. Neue rechtliche, diplomatische und technische Instrumente werden benötigt, um den Abfluss von geistigem Eigentum durch grenzüberschreitende Destillation zu bekämpfen, obwohl die dezentrale und globale Natur des Internets diese Aufgabe äußerst komplex und beispiellos macht. Auch der westliche Verteidigungssektor muss diese Implikationen zur Kenntnis nehmen. Wenn destillierte chinesische Modelle in der Lage sind, amerikanische Modelle bei bestimmten militärischen Aufgaben zu erreichen oder sogar zu übertreffen, könnte sich der technologische Vorteil, den der Westen seit Jahrzehnten genießt, schnell verflüchtigen. Die Programme zur Beschaffung militärischer KI in den USA und Europa müssen beschleunigt, ihre Prioritäten neu bewertet und an diese neue Realität der Fähigkeitsproliferation angepasst werden. Die Geschwindigkeit der Entwicklung und des Einsatzes von KI in Verteidigungssystemen wird zu einem kritischen Faktor für Abschreckung und Überlegenheit.

4. Expertenperspektiven und strategische Analyse

Der technische Konsens unter Branchenanalysten ist, dass die Destillation von Frontier-Modellen weitgehend technisch unvermeidbar und rechtlich nur schwer absolut zu verhindern ist. Experten für KI-Sicherheit und maschinelles Lernen weisen darauf hin, dass jedes Modell, das über eine API zugänglich ist, eine ausreichende Anzahl von Abfragen ermöglicht und die Beobachtung seiner Ausgaben erlaubt, mit den aktuellen Techniken destilliert werden kann. Bestehende Schutzmaßnahmen wie Nutzungsbedingungen oder Nutzungsbeschränkungen sind allein unzureichend. Die einzig wirklich wirksame Verteidigung wäre, den Zugang zu den fortschrittlichsten Modellen drastisch einzuschränken, aber dies würde in direktem Konflikt mit den Geschäftsmodellen von OpenAI und Anthropic stehen, die für die Finanzierung ihrer F&E auf massiven Zugang und die Monetarisierung ihrer APIs angewiesen sind. Aus strategischer Perspektive argumentieren einige Analysten, dass die Destillation paradoxerweise ein "Segen in Verkleidung" für die westlichen Mächte sein könnte. Wenn China die Fähigkeiten amerikanischer Modelle relativ schnell replizieren kann, wird sich der Wettbewerbsvorteil unweigerlich in Richtung kontinuierlicher Innovation, Iterationsgeschwindigkeit und der Fähigkeit verlagern, neue Fähigkeiten schnell in operative Systeme zu integrieren. Die USA könnten mit ihrem lebendigeren Forschungs-Ökosystem, ihrer Kultur der offenen Innovation und ihrer Fähigkeit, globales Talent anzuziehen, ihre Führungsrolle behaupten, wenn es ihnen gelingt, das Entwicklungstempo neuer Modelle und Architekturen zu beschleunigen, die inhärent schwerer zu destillieren sind oder flüchtige, aber bedeutende Vorteile bieten. Die Destillation komprimiert in diesem Sinne den Lebenszyklus des technologischen Vorteils von Jahren auf Monate und erfordert eine beispiellose Agilität. Diese optimistische Sichtweise ignoriert jedoch den militärischen und geopolitischen Kontext. Die Anwendung destillierter Modelle auf autonome Waffensysteme, offensive Cyberkriegsführung und strategische Entscheidungsfindung führt ein existenzielles Risiko ein, das über den kommerziellen Wettbewerb hinausgeht. Experten für nationale Sicherheit warnen, dass es beim Wettlauf um militärische KI nicht nur darum geht, wer zu einem bestimmten Zeitpunkt das beste Modell hat, sondern wer es schneller und robuster in operative Verteidigungssysteme integrieren kann. China hat mit seinem Ansatz der "zivil-militärischen Fusion" (军民融合) einen strukturellen Vorteil bei dieser Integration, der einen schnellen Transfer von Innovationen aus dem zivilen in den militärischen Sektor ermöglicht. Die strategischen Empfehlungen für amerikanische Labore sind klar und vielschichtig. Erstens müssen sie massiv in die Forschung zur "Anti-Destillation" investieren: Entwicklung von Techniken, die die Qualität des durch nicht autorisierte Methoden extrahierten Wissens verschlechtern, ohne die Leistung des Modells für legitime Nutzer zu beeinträchtigen. Dies könnte die Einführung von "adversarialem Rauschen" oder die Modifikation interner Repräsentationen umfassen. Zweitens müssen sie ihre Quellen des Wettbewerbsvorteils diversifizieren, indem sie sich über die bloße Fähigkeit des grundlegenden Modells hinaus in Richtung Integration komplexer Systeme, Entwicklung proprietärer, hochwertiger und schwer zu replizierender Daten sowie Echtzeit-Bereitstellungsfähigkeiten in spezifischen Umgebungen bewegen, die intrinsisch schwerer zu kopieren sind als das statische Wissen eines Modells. Drittens müssen sie enger mit Regierungen zusammenarbeiten, um rechtliche und regulatorische Rahmenbedingungen zu entwickeln, die nicht autorisierte Destillation und böswillige Nutzung von Modellen sanktionieren, obwohl die praktische Durchsetzung solcher Gesetze in einem globalisierten Umfeld ungewiss und herausfordernd ist. Für politische Entscheidungsträger ist die grundlegende Lektion, dass die nationale Sicherheit im KI-Zeitalter nicht allein von Hardware-Exportkontrollen abhängen kann. Es bedarf einer umfassenden und ganzheitlichen Strategie, die die aktive Förderung offener und grundlegender Forschung (um die Führungsrolle bei Innovationen zu erhalten), robuste Investitionen in Cybersicherheit und digitale Resilienz (um Wissensvermögen und kritische Infrastruktur zu schützen) und die beschleunigte Entwicklung eigener, ethisch ausgerichteter militärischer KI-Fähigkeiten (um Aggression abzuschrecken und strategische Stabilität zu wahren) umfasst. Die Destillation ist keine hypothetische zukünftige Bedrohung; sie ist eine gegenwärtige Realität, die eine sofortige, koordinierte und vielschichtige Antwort erfordert. Die Zeit der strategischen Selbstgefälligkeit ist vorbei.

5. Zukünftige Roadmap und Prognosen

In den nächsten sechs bis zwölf Monaten erwarten wir, dass OpenAI und Anthropic aggressive und ausgefeilte technische Maßnahmen implementieren, um Destillation zu erkennen und einzudämmen. Dies wird, wie bereits erwähnt, die Einführung von statistischem „Rauschen" oder kryptografischen „Wasserzeichen" in den Ausgaben ihrer Modelle umfassen, die erweiterte Überwachung anomaler Abfragemuster, die auf massives Training hindeuten, sowie die mögliche Einschränkung oder Segmentierung des API-Zugriffs für Kunden in Hochrisiko-Jurisdiktionen oder mit verdächtigen Nutzungshistorien. Diese Maßnahmen sind zwar notwendig, erhöhen jedoch die Betriebskosten für Modellanbieter und könnten die Erfahrung legitimer Nutzer leicht verschlechtern, indem sie Latenz oder Variabilität in den Antworten einführen. Mittelfristig, zwischen einem und drei Jahren, erwarten wir eine Eskalation dessen, was man als „Destillationskrieg" bezeichnen könnte. Chinesische Labore werden mit ihrer nachgewiesenen Fähigkeit zum Reverse Engineering und zur Adaption ausgefeiltere Techniken entwickeln, um die Gegenmaßnahmen zu umgehen. Dies könnte den Einsatz von Zwischenmodellen umfassen, die Wasserzeichen „bereinigen" oder Rauschen filtern, verteilte Destillation über mehrere Konten und Jurisdiktionen, um Nutzungsmuster zu verschleiern, oder die Entwicklung von Destillationsmethoden, die weniger direkte API-Interaktionen erfordern. Dieses technische Wettrüsten wird auf beiden Seiten erhebliche Ressourcen verbrauchen und Investitionen von grundlegender Innovation hin zu Sicherheit und Gegenmaßnahmen umleiten. Im geopolitischen Bereich prognostizieren wir, dass dieser Bericht die Bemühungen zur Etablierung eines internationalen KI-Governance-Regimes beschleunigen wird, wenn auch mit ungewissen Ergebnissen. Die grenzüberschreitende Destillation von Modellen mit militärischen Anwendungen ist ein Problem, das kein Land unilateral lösen kann, angesichts der globalen Natur von Technologie und Wissen. Wir werden Vorschläge für internationale Verträge sehen, die sich mit geistigem Eigentum an KI-Modellen, Haftung für böswillige Nutzung und Transparenz bei der Entwicklung militärischer KI befassen. Die Wahrscheinlichkeit eines verbindlichen und wirksamen Abkommens ist jedoch gering, angesichts des tiefen geopolitischen Misstrauens zwischen den USA und China und der inhärenten Schwierigkeit, die Einhaltung zu verifizieren. Langfristig, über 2028 hinaus, könnte Destillation weniger relevant werden oder sich transformieren, wenn sich die KI-Technologie hin zu kleineren, effizienteren und spezialisierten Modellarchitekturen entwickelt, die von Grund auf mit weniger Daten oder hochwertigen synthetischen Daten trainiert werden können. Der Trend hin zu spezialisierten und kleineren Modellen, wie sie effizient auf Edge-Geräten oder in verteilten Rechenumgebungen laufen, könnte die Abhängigkeit von riesigen Frontier-Modellen in der Cloud verringern. Dieser Übergang wird jedoch das grundlegende Problem des Wissenstransfers nicht beseitigen; er wird es lediglich transformieren und neue Schutz- und Kontrollstrategien erfordern.

6. Fazit: Strategische Imperative

Der Reuters-Bericht über die Destillation amerikanischer Frontier-Modelle durch China für militärische Anwendungen ist ein prägender Moment für die KI-Industrie und die nationale Sicherheit. Es ist keine einfache Geschichte von Wirtschaftsspionage; es ist ein unübersehbarer Beweis dafür, dass fortgeschrittenes Wissen, einmal in die digitale Welt über programmatische Schnittstellen freigesetzt, inhärent replizierbar ist. Der Wettbewerbsvorteil der USA und ihrer Verbündeten kann nicht allein auf dem Besitz überlegener Modelle basieren, sondern auf der Fähigkeit, schneller zu innovieren als Wettbewerber kopieren können, und auf dem aktiven Schutz der KI-Wertschöpfungskette. Für CTOs und Technologieverantwortliche ist der unmittelbare Imperativ zweifach und erfordert eine robuste technische Strategie. Erstens ist es entscheidend, eine rigorose unternehmensweite Daten-Governance zu implementieren, die sicherstellt, dass Trainingsdaten und Ausgaben proprietärer Modelle durch Ende-zu-Ende-Verschlüsselung und rollenbasierte Zugriffskontrollen geschützt sind, wodurch die Exposition gegenüber Destillation gemindert wird. Parallel dazu müssen die Optimierung der Produktionslatenz und die wirtschaftliche Token-/Kosteneffizienz Prioritäten sein, nicht nur für die Wettbewerbsfähigkeit, sondern auch um leichtere und spezialisiertere Modelle zu entwickeln, die, obwohl abgeleitet, einen Bereitstellungsvorteil behalten. Zweitens ist die Investition in modulare Architekturen und Interoperabilität von entscheidender Bedeutung. Dies ermöglicht die schnelle Integration neuer Anti-Destillationsfähigkeiten, die Rotation von Modellen, um Reverse Engineering zu erschweren, und die Fähigkeit, zwischen Modellanbietern zu migrieren, um das Risiko von Vendor Lock-in zu mindern, während kontinuierlich die architektonische Resilienz gegenüber Bedrohungen durch Wissensextraktion bewertet wird. Sicherheit durch Design muss sich auf den Schutz der internen Modellrepräsentationen erstrecken, nicht nur auf deren Eingabe- und Ausgabedaten.