Jedes Mal, wenn Sie suchen, surfen oder eine App nutzen, erzeugen Sie Daten.
Diese Daten sind für KI-Unternehmen Milliarden wert. Doch den Großteil der Wertschöpfung streichen bislang vor allem die Plattformen ein, die sie einsammeln.
Eine neue Generation dezentraler KI-Datenmarktplätze will dieses Modell umkehren – und mithilfe von Krypto-Bezahlungen jene direkt beteiligen, deren Daten tatsächlich zum Training von Machine-Learning-Modellen genutzt werden.
Dahinter steckt weit mehr als der simple Slogan „Besitze deine Daten“.
Es geht um Verifizierungs-Layer, Staking-Mechanismen, Datenschutzauflagen und Token-Ökonomie – und im Zusammenspiel entscheiden diese Faktoren, ob ein Beitragsleister fair vergütet wird oder leer ausgeht.
Dieser Artikel erklärt die Mechanik dieser Systeme von Grund auf.
Kurzfassung
- Dezentrale KI-Datenmarktplätze bringen Menschen mit Rohdaten mit KI-Entwicklern zusammen, die geprüfte, annotierte Trainingssets brauchen – abgewickelt werden Zahlungen automatisiert via Krypto-Token.
- Beitragsleister reichen Daten ein, die on-chain oder über dezentrale Orakellösungen geprüft werden. Erst dann fließt die Zahlung – die klassische Plattform als Margenabgreifer fällt weg.
- Datenschutztechniken wie föderiertes Lernen und Zero-Knowledge-Proofs erlauben die Monetarisierung, ohne dass rohe Ausgangsdaten das Gerät des Nutzers verlassen.
- Token-Ökonomie mit Staking, Slashing und Reputationsscores sorgt dafür, dass sich für Beitragsleister qualitativ hochwertige statt wertlose Daten ökonomisch lohnen.
- Projekte wie Kled AI auf Solana markieren die aktuelle Speerspitze, das Grundmodell verteilt sich aber über verschiedene Chains und konkurrierende Architekturen.
Warum KI-Konzerne unersättlich nach Daten sind – und wer heute die Rechnung zahlt
Sprachmodelle und Bild-KI-Systeme verschlingen Datenmengen, die sich kaum überschätzen lassen.
Ein einziges Training eines Spitzenmodells kann Hunderte Milliarden Text-Tokens, Millionen annotierte Bilder oder jahrelang aufgezeichnete Verhaltensdaten benötigen.
Diese Daten müssen irgendwoher kommen.
Heute stammen sie überwiegend aus wenigen Quellen.
Webscraping sammelt massenhaft frei zugängliche Texte. Lizenzdeals mit Plattformen verschaffen KI-Labs Zugriff auf proprietäre Datensätze – etwa von Reddit, Medienhäusern oder Bildagenturen.
Hinzu kommen Crowd-Plattformen, die menschliche Arbeitskräfte für Centbeträge Bilder taggen, Audios transkribieren oder KI-Antworten bewerten lassen.
Der Markt für Annotation ist groß, aber ausbeuterisch: Arbeiter auf zentralen Plattformen verdienen oft nur 1 bis 5 US-Dollar pro Stunde – während die von ihnen erzeugten Datensätze an KI-Entwickler zu einem Vielfachen pro Datensatz weiterverkauft werden.
Das Problem ist strukturell: Eine zentrale Plattform zwischen Datenquelle und KI-Käufer schöpft den Großteil der Marge ab. Sie setzt Preise, definiert Qualitätsstandards und kann Beitragsleister ohne Widerspruchsmöglichkeit aussperren. Dezentrale Marktplätze ersetzen diese Plattformschicht durch Smart Contracts, offene Protokolle und tokenbasierte Zahlungs-Schienen.
Auch interessant: USDT Briefly Dethrones Ethereum As Crypto’s No. 2 Asset
Was ein dezentraler KI-Datenmarktplatz eigentlich ist
Im Kern ist ein dezentraler KI-Datenmarktplatz ein Protokoll, auf dem sich Datenangebot und -nachfrage ohne zentrale Instanz treffen.
Die Nachfrageseite besteht aus KI-Entwicklern oder Forschungsteams, die eine „Data Request“ veröffentlichen – inklusive Datentyp, Qualitätskriterien, Formatvorgaben und Preis pro validiertem Datensatz.
Auf der Angebotsseite stehen individuelle Beitragsleister oder Datenaggregatoren, die diese Aufträge bedienen.
Der Smart Contract fungiert als Treuhandstelle.
Ein Käufer sperrt beim Einstellen einer Anfrage die vorgesehenen Mittel im Contract. Reicht ein Beitragsleister Daten ein, die den Verifizierungsprozess bestehen, löst der Contract automatisch die Zahlung aus.
Keine Seite muss der anderen vertrauen – beide verlassen sich auf den Code des Contracts.
Die Daten selbst liegen in der Regel nicht on-chain.
Gigabytes an annotierten Bildern direkt auf Ethereum (ETH) oder Solana (SOL) abzulegen, wäre ökonomisch nicht darstellbar.
Stattdessen werden die Daten in dezentralen Speichern wie IPFS oder Arweave gehalten. On-chain landet lediglich ein inhaltsbasierter Hash – ein eindeutiger Fingerabdruck der Datei.
Der Smart Contract prüft, ob der vom Beitragsleister eingereichte Hash zu einer verifizierten, unveränderten Datei gehört, bevor er die Zahlung freigibt.
Ein Content-Hash ist eine kurze Zeichenkette, die mathematisch aus dem exakten Dateiinhalt abgeleitet wird. Ändert sich nur ein Byte, ändert sich der Hash vollständig. So wird verhindert, dass nachträglich manipulierte oder recycelte Daten zur Abrechnung eingereicht werden.
Auch interessant: Techdollar Raises $3M To Let Startup Workers Cash In Without Selling
Wie Datenprüfung ohne zentrale Instanz funktioniert
Verifikation ist der heikelste Teil des Designs. Eine zentrale Plattform kann interne Qualitätsprüfer beschäftigen.
Ein Smart Contract hingegen kann weder ein Bild „anschauen“ noch beurteilen, ob ein Text korrekt annotiert ist – er kann nur Logik ausführen. Dezentrale Marktplätze lösen das im Wesentlichen mit drei, oft kombinierten, Ansätzen.
Kryptografische Nachweise eignen sich für strukturierte Daten, deren Korrektheit sich mathematisch prüfen lässt. Reicht ein Beitragsleister etwa GPS-Tracks, Sensordaten oder Finanzdaten ein, können Zero-Knowledge-Proofs bestätigen, dass die Daten bestimmte Eigenschaften erfüllen, zu einem bestimmten Zeitpunkt aufgezeichnet wurden, in einem gültigen Wertebereich liegen oder von einem bestimmten Gerät stammen – ohne die Rohwerte offenzulegen.
Crowd-Validierung ist das Mittel der Wahl bei subjektiven oder interpretativen Aufgaben. Mehrere unabhängige Beitragsleister begutachten denselben Datensatz und geben ihre Einschätzung ab. Der Contract vergleicht die Antworten, vergütet jene, die mit der Mehrheit übereinstimmen, und bestraft systematische Ausreißer. Im Ergebnis entsteht ein dezentraler Zwilling der redundanten Annotation, wie sie große Plattformen zum Aussortieren nachlässiger oder böswilliger Labeler nutzen.
Staking und Slashing ergänzen eine ökonomische Komponente. Beitragsleister müssen einen bestimmten Betrag des nativen Tokens sperren, bevor sie Daten einreichen dürfen. Werden ihre Beiträge vom Crowd-Layer wiederholt abgelehnt oder als betrügerisch markiert, wird dieser Stake ganz oder teilweise „geslashed“, also eingezogen. Schlechte Daten werden damit finanziell teuer – die Anreize der Beitragsleister rücken näher an die Qualitätsanforderungen der Käufer.
Auch interessant: XRP Tests $1 Support As $0.60 Crash Risk Deepens
Wie Datenschutztechniken Beitragsleister schützen
Das Spannungsfeld liegt auf der Hand: Wer etwa seinen Browserverlauf oder Gesundheitsdaten an einen KI-Entwickler verkauft, generiert echten Wert – setzt sich aber erheblicher Datenexposition aus. Dezentrale Marktplätze reagieren darauf mit zwei inzwischen gereiften Ansätzen.
Föderiertes Lernen belässt Rohdaten vollständig auf dem Gerät des Nutzers. Statt Daten an einen zentralen Server zu schicken, wird das Modell selbst zum Endgerät übertragen. Das Training findet lokal auf den Rohdaten statt. Zurück an den Entwickler gehen nur aktualisierte Modellgewichte – abstrakte mathematische Parameter, aus denen sich die ursprünglichen Datensätze nicht direkt rekonstruieren lassen. Die Updates vieler Teilnehmer werden aggregiert, um ein besseres Modell zu erzeugen. Die Trainingsdaten verlassen die Umgebung des Nutzers nie.
Differential Privacy fügt Datensätzen gezielt statistisches Rauschen hinzu, bevor sie geteilt werden. So wird verhindert, dass Rückschlüsse auf individuelle Datensätze möglich sind, während die statistischen Muster erhalten bleiben, die das Training überhaupt erst wertvoll machen. Die Intensität des Rauschens ist justierbar: Mehr Rauschen bedeutet stärkere Privatsphäre, aber etwas geringere Datenqualität.
Diese Verfahren sind auch regulatorisch relevant. Gesetze wie die DSGVO in Europa oder der California Consumer Privacy Act in den USA setzen enge Grenzen für Übermittlung und Nutzung personenbezogener Daten. Marktplätze, die glaubhaft darlegen können, dass in ihrer Pipeline keine Rohdaten das System verlassen, haben regulatorisch bessere Karten als Modelle, die schlicht den Export sensibler Daten monetarisieren.
Also lesen: HIVE Just Borrowed $115M At Zero Percent To Bet Against Bitcoin Mining
Token-Ökonomie, Staking – und wie Beitragsleister tatsächlich bezahlt werden
Das Auszahlungsmodell variiert je nach Plattform, meist kommt jedoch ein nativer Utility-Token zum Einsatz, statt direkt in Schwergewichten wie Bitcoin (BTC) zu vergüten. Der Token erfüllt dabei mehrere Funktionen gleichzeitig.
Erstens dient er als Rechnungseinheit für Datenaufträge. Käufer geben ihre Gebote im Token an – damit spiegelt sich die Nachfrageseite im Token-Wert wider: Je mehr Aufträge, desto höher der Bedarf an Token, um sie zu finanzieren.
Zweitens schafft Staking eine Angebots-Verknappung. Beitragsleister müssen Token halten und sperren, um am Marktplatz teilzunehmen. Das reduziert das zirkulierende Angebot und koppelt ihre Anreize eng an die Gesundheit des Netzwerks.
Drittens ist Reputation häufig an die Token-Historie gebunden. Wer kontinuierlich stakt, regelmäßig akzeptierte Beiträge liefert und nie geslashed wurde, baut eine überprüfbare On-Chain-Vergangenheit auf. Dieser Reputationsscore rechtfertigt mitunter höhere Preise für die eigenen Datensätze, weil Käufer ihm mehr vertrauen als einem „Newcomer“ ohne Historie.
In der Praxis läuft ein Zahlungsfluss etwa so ab: Ein Käufer stellt eine Anfrage ein und hinterlegt beispielsweise 500 Token im Treuhand-Contract. Ein Beitragsleister liefert 50 annotierte Datensätze. Die Validierungsschicht prüft und genehmigt. Der Contract zahlt 50 Token an den Beitragsleister, 2 Token an die Validatoren, die den Beitrag bestätigt haben, und hält die restlichen 448 Token für weitere Lieferanten bereit. Der Käufer erhält Zugriff auf den verifizierten Datensatz, sobald die Zahlung bestätigt ist.
Token-Ökonomie funktioniert nur, wenn echte Nachfrage nach den Daten besteht. Projekte, die mit hohem… Belohnungen für Datenlieferanten, aber keine zahlenden KI-Entwickler auf der Nachfrageseite des Marktplatzes, erzeugen einen inflationären Verkaufsdruck auf den Token – ein Modell, das sich langfristig nicht tragen kann.
Lesen Sie auch: OpenAI verschiebt 1-Billion-Dollar-Börsengang, während Marktvolatilität Altmans Ambitionen auf die Probe stellt
Wie Kled AI und ähnliche Projekte dieses Modell auf Solana umsetzen
Kled AI gilt aktuell als Referenzprojekt auf Solana. Das Protokoll positioniert sich als dezentraler Marktplatz, auf dem Nutzer ihre persönlichen Daten gezielt für das Training von KI-Modellen monetarisieren können. Die Kombination aus extrem niedrigen Transaktionskosten und hoher Durchsatzkapazität macht Solana prädestiniert für hochfrequente Kleinstzahlungen – etwa Bruchteile eines Tokens für ein einzelnes gelabeltes Bild. Auf Solana ist dieses Micropayment-Modell wirtschaftlich darstellbar, auf Ethereum-Mainnet praktisch nicht.
Auch die Architektur von Solana ist für die Geschwindigkeit entscheidend. Die Datenverifizierung, die eine Auszahlung auslöst, muss nahezu in Echtzeit finalisiert werden. Kein Contributor akzeptiert einen Marktplatz, auf dem Auszahlungen erst nach Stunden bestätigt werden. Solanas Finalität im Subsekundenbereich sorgt dafür, dass sich der Zahlungsablauf fast wie bei einer klassischen Plattform anfühlt – bei gleichzeitigem Erhalt der trustless-Eigenschaften eines Smart Contracts.
Velvet, das derzeit gemeinsam mit Kled AI an Fahrt gewinnt, setzt einen anderen Schwerpunkt: Es handelt sich um ein KI-gestütztes On-Chain-Portfolio-Terminal, das Spot-Handel, Perpetuals und Renditestrategien integriert. Das Projekt ist für dieses Themenfeld relevant, weil es dieselbe Grundlogik demonstriert: KI-Systeme, die auf On-Chain-Daten operieren und in Krypto-Token abrechnen. Während Kled AI einen Markt für Rohdaten für das Training schafft, ist Velvet ein Beispiel für eine KI-Anwendung, die genau solche veredelten Marktdaten konsumiert. Beide bilden die gegenüberliegenden Enden derselben datengetriebenen Wertschöpfungskette.
Weitere Projekte in diesem Segment sind Ocean Protocol, das das Konzept tokenisierter Daten-Assets auf Ethereum früh vorangetrieben hat, sowie Grass, das Nutzer explizit dafür entlohnt, ungenutzte Bandbreite und Browsing-Daten in KI-Trainingspipelines einzuspeisen. Die technische Umsetzung unterscheidet sich im Detail, das Grundprinzip ist identisch: kryptografisch abgesicherte Zahlungen für verifizierte Datenbeiträge.
Lesen Sie auch: Anthropics „Mythos Freeze“ öffnet die Tür für asiatische Herausforderer Sakana AI und 360
Wer von diesem Modell tatsächlich profitiert – und wo die Risiken liegen
Für einzelne Datenspender ist der Reiz offensichtlich: Wert, der bislang kostenlos abgeschöpft wurde, kann erstmals direkt vereinnahmt werden. Personen mit großer Social-Media-Reichweite, spezialisiertem Fachwissen oder Zugang zu seltenen Datentypen – etwa medizinische Unterlagen, professionelle Rechtsdokumente oder nicht-englischsprachige Inhalte – können in einem Markt mit realer KI-Nachfrage signifikante Aufschläge durchsetzen.
Für KI-Entwickler eröffnen dezentrale Marktplätze Zugang zu Datensätzen, die sich weder durch Scraping noch über klassische Lizenzmodelle leicht beschaffen lassen. Menschliche Präferenzdaten, Annotationen in Nischenbereichen und mehrsprachige Inhalte aus unterrepräsentierten Regionen sind tatsächlich knapp. Ein Protokoll, das solche Daten in großer Menge beschaffen und verlässlich verifizieren kann, schafft handfesten Mehrwert.
Die Risiken sind jedoch beiderseitig erheblich. Die Volatilität der Tokenpreise bedeutet: Ein Contributor, der heute im nativen Token bezahlt wird, kann feststellen, dass diese Vergütung zum Zeitpunkt der Verwendung in Fiat-Währung deutlich weniger wert ist. Käufer tragen das spiegelbildliche Risiko: Zieht der Tokenpreis zwischen Budgetplanung und tatsächlichem Dateneinkauf an, verteuert sich die Akquise über das geplante Maß hinaus.
Das Problem der Datenqualität ist in der Breite nach wie vor ungelöst. Crowd-basierte Validierung und Staking-Mechanismen können Betrug eindämmen, aber nicht vollständig eliminieren.
Versierte Angreifer können sich über die Zeit in Reputationssysteme „einschleichen“, und KI-Entwickler, die Daten von einem neuen, noch unbewährten Marktplatz beziehen, tragen ein Qualitätsrisiko, das beim Einkauf über etablierte Annotation-Dienstleister mit langjähriger Historie so nicht besteht.
Am schwersten einzuschätzen ist die Regulierung. Die Monetarisierung personenbezogener Daten liegt im Schnittfeld von Datenschutzrecht, Wertpapieraufsicht für die involvierten Token und KI-Governance-Rahmen, die derzeit vielerorts erst entworfen werden. Ein Marktplatz, der in einer Jurisdiktion regelkonform arbeitet, kann in einer anderen in einer rechtlichen Grauzone agieren.
Lesen Sie auch: Steuert Ethereum nach Verlust wichtiger Unterstützung auf 1.000 Dollar zu?
Fazit
Dezentrale KI-Datenmarktplätze sind ein konkreter, technisch fundierter Lösungsansatz für ein reales ökonomisches Problem: Die Menschen, die Trainingsdaten erzeugen, haben bislang kaum an deren Wertschöpfung partizipiert.
Smart Contracts, inhaltsadressierte Speicherlösungen, föderiertes Lernen und Token-Staking schaffen gemeinsam ein System, in dem dieser Wert direkt an die Contributor fließen kann – ohne eine zentrale Plattform, die dazwischen die Marge abschöpft.
Das Modell steht dennoch am Anfang.
Die Token-Ökonomie befindet sich im Reifeprozess, Verifizierungssysteme müssen erst noch beweisen, dass sie mit Millionen von Teilnehmern skalieren, ohne manipulierbar zu werden, und der regulatorische Rahmen rund um die Monetarisierung personenbezogener Daten ist weiterhin im Fluss.
Die Nachfrageseite verschwindet allerdings nicht.
KI-Entwickler benötigen immer mehr Daten – und zwar in einer Vielfalt, die zentrale Quellen auf Dauer kaum abdecken können.
Genau dieser strukturelle Bedarf untermauert die Langfrist-These dezentraler Datenmarktplätze.
Weiterlesen: XRP droht 30-%-Korrektur, da Walaktivität und RSI gleichzeitig einbrechen
