Die weltweit leistungsfähigsten KI-Modelle werden von wenigen Konzernen kontrolliert. Sie legen die Preise fest, bestimmen, wer Zugriff erhält, und besitzen sämtliche Gewichte und Parameter, die das Modell aus den Nutzerdaten lernt.
Sentient (SENT) ist 2026 als direkter Gegenentwurf an den Start gegangen – mit einer offenen KI-Plattform, auf der Beitragende einen nachweisbaren Anteil an den Modellen halten, die sie mit aufbauen. Der Token legte im Juli 2026 an einem Tag um rund 26 % zu – ein deutliches Signal, dass der Markt dem Narrativ „dezentrale KI“ genau zuhört.
Sentient ist jedoch kein Einzelfall. Eine wachsende Zahl von Protokollen nutzt Blockchains, um offenes Modelleigentum zu erzwingen, verteiltes Training zu koordinieren und Inferenzmärkte aufzubauen, in denen jeder Rechenleistung beisteuern und Gebühren verdienen kann. Wer diese Netzwerke wirklich verstehen will, muss auf die Ebene der Anreize, der Kryptographie und der On-Chain-Abrechnung hinabsteigen – nur so lässt sich robuste Infrastruktur von bloßer PR unterscheiden.
TL;DR
- Dezentrale KI-Netzwerke nutzen Blockchains, um Eigentumsrechte an KI-Modellen durchzusetzen, sodass Beitragende nach dem Training nicht einfach herausgedrängt werden können.
- Training und Inferenz sind in zwei Schichten getrennt; für Rechenleistung und Daten werden auf jeder Stufe on-chain erfasste Vergütungen ausgezahlt.
- Kryptographische Nachweise (Zero-Knowledge oder kryptographische Attestierungen) erlauben es dem Netzwerk, Inferenz-Ergebnisse zu überprüfen, ohne das gesamte Modell erneut auszuführen.
- Governance-Token geben Beitragenden Stimmrechte über Modell-Upgrades, Gebührenstrukturen und Zugangsregeln.
- Der zentrale Zielkonflikt lautet Performance versus Verifizierbarkeit: Vollständig On-Chain ausgeführte Inferenz ist noch langsamer und teurer als zentrale APIs – aber die Lücke schließt sich rasant.
Warum geschlossene KI ein strukturelles Problem für offene Netzwerke schafft
Jeder große KI-Basiswert wird auf Daten trainiert, die irgendwo herkommen. Nutzer, Forscher und Open-Source-Communities erzeugen die Texte, den Code und die Bilder, von denen Modelle lernen. Im aktuellen, zentralisierten Modell gehen diese Beitragenden leer aus. Das Unternehmen, das das Modell trainiert, vereinnahmt den gesamten Wert.
Das erzeugt einen kumulativen Schaden: Die besten Beitragenden hören auf, ihre Daten offen zu teilen, sobald ihnen klar wird, dass sie ohne Kompensation abgeschöpft werden.
Modelle sind dann zunehmend auf das Datenmaterial beschränkt, das das Unternehmen rechtlich einwerben kann – häufig durch das massenhafte Scrapen des offenen Webs, nicht selten auf Basis von Nutzungsbedingungen, die vor Gericht angefochten werden. Die Trainingspipeline wird extraktiv statt kooperativ.
Dezentrale KI-Netzwerke schlagen eine andere Architektur vor. Beitragende werden bereits vor Trainingsbeginn on-chain registriert. Ihre Daten- und Compute-Leistungen werden als überprüfbare Inputs erfasst. Smart Contracts verteilen die Erlöse aus der Modellauslastung zurück an diese Beitragenden – nach Regeln, die feststehen, bevor auch nur eine GPU-Stunde geleistet wurde.
Die Blockchain rechnet die KI nicht aus. Sie setzt den Eigentumsvertrag durch, der freiwillige Beiträge überhaupt erst rational macht.
Lesen Sie auch: Agentic Trading und KI-getriebene Märkte
Wie On-Chain-Modelleigentum konkret funktioniert
Eigentum an einem Modell in einem dezentralen KI-Netzwerk bedeutet nicht, eine Datei zu besitzen. Ein trainiertes KI-Modell ist ein Satz numerischer Gewichte – oft Milliarden von Fließkommazahlen –, verteilt über viele Knoten. „Ein Modell besitzen“ heißt: einen nachweisbaren, durchsetzbaren Anspruch auf einen Anteil der Erlöse zu halten, die dieses Modell generiert – plus Mitspracherechte bei seiner Weiterentwicklung.
Der Mechanismus läuft über ein „Minting Event“, gekoppelt an den ersten Trainingslauf. Wenn ein Modell erstmals deployed wird, gibt das Netzwerk einen festen Vorrat an Eigentumstoken aus, die genau dieses Modell repräsentieren. Beitragende, die während des Trainings Daten, Rechenleistung oder Code geliefert haben, erhalten anteilig Token.
Die Verteilungsformel ist vor Trainingsbeginn im Smart Contract kodifiziert und nachträglich nicht veränderbar.
Jedes Mal, wenn jemand das Modell für eine Inferenz bezahlt – sei es eine Prognose, einen generierten Text oder ein Embedding –, wird eine Gebühr zwischen dem Infrastrukturprovider, der die Inferenz ausführt, und den Eigentumstoken-Inhabern aufgeteilt. Das Verhältnis legt die Governance fest. Wird ein Modell zum Standardwerkzeug im Markt, verdienen die ursprünglichen Beitragenden weiter daran, ohne zusätzliche Arbeit – ökonomisch strukturell ähnlich einem Lizenz- oder Tantiemenmodell.
Sentients Ansatz geht weiter über ein Verfahren, das als „Sentient Model Fingerprinting“ bezeichnet wird. Jedes auf der Plattform trainierte Modell erhält einen eingebetteten kryptographischen Fingerabdruck, der Inferenz-Ausgaben einer konkreten Modellversion zuordnet.
Dadurch lässt sich feststellen, ob jemand Modellgewichte kopiert und Inferenz außerhalb des Protokolls ausführt, ohne Eigentumsgebühren zu zahlen – eine Form von Piraterie, die bei geschlossenen Gewichten trivial ist, aber schwer nachzuweisen. Der Fingerabdruck erzeugt eine On-Chain-Audit-Spur, die Einnahmensicherung auch dann erlaubt, wenn die Gewichte technisch offenliegen.
Lesen Sie auch: Billige KI im Vergleich zu OpenAI und Anthropic
Zwei Schichten: Verteiltes Training und Inferenzmärkte
Dezentrale KI-Netzwerke teilen den KI-Lebenszyklus in zwei klar getrennte ökonomische Schichten. Sie getrennt zu betrachten ist entscheidend, weil jeweils andere Akteure, Anreize und technische Hürden eine Rolle spielen.
Die Trainingsschicht ist dort, wo das Modell lernt. In zentralisierten Systemen betreibt ein einzelnes Unternehmen diesen Prozess auf eigener Hardware. Im dezentralen Netzwerk wird das Training über viele Beitragende verteilt, die jeweils einen Teil der Rechenarbeit übernehmen.
Die Herausforderung ist Koordination: Alle Teilnehmer müssen sich über den Zustand des Modells in jedem Schritt einig sein. Dafür braucht es einen Konsensmechanismus, der auf Gradienten-Updates statt auf Finanztransaktionen zugeschnitten ist. Projekte wie Bittensor und Gensyn haben hierfür Spezialprotokolle entwickelt, die on-chain Scoring nutzen: Beiträge werden nach Qualität ihrer Gradienten bewertet und entsprechend vergütet.
Die Inferenzschicht ist dort, wo das trainierte Modell für Endnutzer arbeitet. Ökonomisch unterscheidet sie sich stark vom Training: Inferenz ist repetitiv, latenzkritisch und leichter verifizierbar. Ein Nutzer schickt eine Anfrage, ein Inferenzprovider führt das Modell auf seiner Hardware aus, das Ergebnis kommt zurück. Die entscheidende Frage: Woher weiß der Nutzer, dass wirklich das autorisierte Modell und nicht ein billiger Ersatz genutzt wurde?
Hier kommen Inferenzmärkte ins Spiel. Mehrere Provider bieten sich um eine Anfrage. Der Zuschlag geht an den Sieger der Auktion, der das Modell ausführt und neben dem Ergebnis einen kryptographischen Nachweis liefert. Andere Provider können das Resultat über ein Challenge-Verfahren stichprobenartig überprüfen. Unehrliche Anbieter verlieren ihren hinterlegten Einsatz (Stake), ehrliche verdienen Gebühren. Die Marktmechanik schafft Anreize für korrekte Ausführungen, ohne dass jede einzelne Antwort vom gesamten Netzwerk nachgerechnet werden muss.
„Inferenzmärkte übernehmen das ökonomische Design von Prognosemärkten: Teilnehmer hinterlegen Wert auf die Richtigkeit ihrer Outputs, und fehlerhafte Ergebnisse werden über Slashing sanktioniert – denselben Mechanismus, mit dem Fehlverhalten von Validatoren in Proof-of-Stake-Netzwerken bestraft wird.“
Lesen Sie auch: Grok 4.5 im Agenten-KI-Vergleichstest
Wie kryptographische Beweise KI-Outputs prüfen, ohne das Modell neu zu starten
Die härteste technische Hürde in dezentraler KI ist Verifikation. Einen großen Sprachmodell-Call einmal auszuführen ist bereits teuer. Ihn zur Kontrolle ein zweites Mal zu laufen zu lassen, ist im großen Maßstab ökonomisch nicht tragfähig. Ohne Verifikation kollabiert aber der Anreizmechanismus: Ein Provider könnte irgendein plausibel wirkendes Ergebnis senden und die Gebühr einstreichen.
2026 werden zwei Ansätze besonders aktiv weiterentwickelt.
Zero-Knowledge-Proofs für Inferenz ermöglichen es einem Provider, einen mathematischen Beweis zu erzeugen, dass eine bestimmte Berechnung korrekt ausgeführt wurde – ohne die Modellgewichte offenzulegen oder den Verifizierer zur erneuten Ausführung zu zwingen. Der Verifizierer prüft nur den Beweis, der deutlich billiger zu prüfen ist, als ihn zu erzeugen. Projekte wie Modulus Labs und ZKML haben das für kleinere Modelle demonstriert, doch der Overhead bei Frontier-Modellen mit 70 Milliarden Parametern und mehr ist noch erheblich. Die Beweiserzeugung für eine einzige Inferenz kann auf Spezialhardware Minuten dauern, während die eigentliche Inferenz in Millisekunden erledigt ist.
Optimistische Ausführung mit Fraud Proofs wählt einen anderen Ansatz und lehnt sich an das Optimistic-Rollup-Design von Ethereum (ETH) an. Ergebnisse gelten zunächst als gültig. Innerhalb eines bestimmten Zeitfensters kann jeder das Resultat durch eine Referenzausführung anfechten. Gelingt der Nachweis, dass das ursprüngliche Ergebnis falsch war, verliert der Provider seinen Stake, der Herausforderer erhält eine Belohnung.
Dieser Weg ist im Normalfall – bei ehrlichen Providern – deutlich schneller, führt aber zu einer zeitlichen Verzögerung, bis Ergebnisse als endgültig gelten.
Die meisten produktiven Systeme 2026 setzen auf einen Hybridansatz: Optimistische Ausführung für Routineanfragen, kombiniert mit zufälligen Zero-Knowledge-Stichproben, um Provider diszipliniert zu halten, ohne jeden Request zu verifizieren. Das Verhältnis von geprüften zu ungeprüften Anfragen ist ein Governance-Parameter, den Token-Inhaber nachjustieren können, wenn die Kosten für Beweise sinken.
Lesen Sie auch: Abgänge im OpenAI-Sicherheitsteam
Die Rolle von Governance-Token in der Modellentwicklung
Governance-Token in einem dezentralen KI-Netzwerk sind mehr als bloße Abstimmungsrechte über Protokoll-Updates. Sie steuern Entscheidungen, die direkt den ökonomischen Wert eines Modells berühren: welche Datensätze für künftige Fine-Tuning-Runden zugelassen sind, welche Safety-Filter greifen, wie die Gebühren zwischen Inferenzprovidern und Modelleigentümern aufgeteilt werden und ob Modellgewichte vollständig veröffentlicht oder nur eingeschränkt zugänglich sein dürfen.
Damit entsteht eine Machtarchitektur, die sich fundamental von geschlossener KI unterscheidet. In einem zentralisierten Modell entscheidet typischerweise ein internes Safety- oder Policy-Team über Zugangsregeln, Moderation und Risikobudgets – letztlich im Interesse des Unternehmens und seiner Anteilseigner. In einem dezentralen KI-Netzwerk sind es hingegen die Token-Inhaber – also Datenlieferanten, Rechenanbieter, Entwickler und frühe Kapitalgeber –, die diese Parameter definieren.
Diese Verschiebung ist mehr als Governance-Kosmetik. Sie bestimmt, ob offene Netzwerke eine tragfähige Alternative zu den dominanten, geschlossenen KI-Plattformen werden können – oder ob sie an denselben Konzentrationstendenzen scheitern, die sie eigentlich aufbrechen wollen. Welche Leitplanken gelten sollen, ist in einem dezentralen Netzwerk keine Management-Entscheidung, sondern eine Frage der Token-Governance – mit entsprechend widerstreitenden Interessen.
Beiträger, denen maximale Modellleistung am wichtigsten ist, werden tendenziell gegen Sicherheitsauflagen stimmen, die die Performance in bestimmten Anwendungsfällen beschneiden. Teilnehmer mit starkem Fokus auf die Einhaltung lokaler Regulierung dagegen werden eher für schärfere Filter und Einschränkungen votieren.
In der Praxis hat sich in den meisten Netzwerken ein zweistufiges Governance-Modell durchgesetzt. Ein Core Council, gewählt von den Tokenholdern, trifft zeitkritische Entscheidungen zu Sicherheitsfragen, bei denen ein langwieriger Governance-Prozess zu langsam wäre. Über grundlegende ökonomische Parameter wie Gebührenstrukturen und Revenue-Splits stimmen dagegen alle Tokenhalter in einem längeren Verfahren ab. Dieses Modell ähnelt der Governance vieler DeFi-Protokolle wie Aave und Compound, die nach schmerzlichen Erfahrungen lernen mussten, dass vollständig on-chain und vollständig direkte Demokratie anfällig ist für Angriffe bei geringer Wahlbeteiligung und kurzfristige Stimmrechtsmanipulation.
Modell-Governance bringt zudem eine AI-spezifische Besonderheit mit sich: die Frage, was aus dem Modell nach Updates überhaupt wird. Wer beim ursprünglichen Training mitgewirkt hat, hält Token, die den Wert genau dieses Modells repräsentieren. Wird per Governance-Votum ein umfangreicher Fine-Tuning-Lauf beschlossen, der das Verhalten des Modells substantiell verändert, stellt sich die Frage: Repräsentieren diese Token noch dasselbe Asset? Die gängige Antwort der Protokolle: Für jede große Version wird ein neuer Token emittiert; bestehende Holder erhalten eine anteilige Zuteilung an der neuen Tranche – ähnlich wie Aktionäre bei einem Spin-off neue Anteile erhalten.
Also Read: https://yellow.com/news/bitcoin-63k-war-chatter
Datenbeitrag, Privatsphäre und das Problem föderierten Trainings
Eine der zentralen Architekturfragen für jedes dezentrale AI-Netzwerk lautet: Wie können Datengeber teilnehmen, ohne sensible Informationen offenzulegen? Medizinische Akten, Finanzdaten oder private Kommunikation zählen zu den wertvollsten Trainingsinputs für spezialisierte Modelle – lassen sich aber nicht einfach unverschlüsselt ins Netzwerk kippen, ohne massive Datenschutz- und Compliance-Risiken zu erzeugen.
Federated Learning liefert einen teilweisen Ausweg. Statt Rohdaten an einen zentralen Trainingsknoten zu senden, berechnet jeder Teilnehmer auf seinen eigenen Daten ein lokales Modell-Update und übermittelt nur den Gradienten – also die mathematische Richtung, in die die Gewichte des Modells angepasst werden sollen – an das Netzwerk. Die Netzwerkebene aggregiert die Gradienten vieler Teilnehmer, ohne jemals die zugrundeliegenden Daten zu sehen. Das Modell lernt aus privaten Daten, ohne dass diese den Kontrollbereich der Beiträger verlassen.
Die Blockchain übernimmt dabei Koordination und Vergütung. Smart Contracts protokollieren, welche Teilnehmer in einer Trainingsrunde Gradienten eingereicht haben, bewerten deren Qualität und Nützlichkeit über On-Chain-Evaluationsfunktionen und verteilen darauf basierend Rewards. Die Evaluierung ist alles andere als trivial: Ein Node könnte einfach zufällige Gradienten einreichen und Prämien kassieren, ohne ehrlich zu rechnen. Protokolle wie FedML und das hauseigene Trainings-Framework von Sentient setzen deshalb auf kryptografische Commitments und „Delayed Reveal“-Mechanismen: Teilnehmer müssen sich zunächst kryptografisch auf ihren Gradienten festlegen, bevor sie die Einsendungen anderer sehen.
Zusätzlich wird typischerweise Differential Privacy über das föderierte Training gelegt, um formale mathematische Garantien zu liefern, dass aus den veröffentlichten Modellgewichten keine individuellen Trainingsbeispiele rekonstruiert werden können. Das sogenannte Privacy Budget – also wie viel Information das Modell über einen einzelnen Datenpunkt maximal „preisgeben“ darf – ist wiederum ein Governance-Parameter. Tokenholder steuern damit den Trade-off zwischen Modellnützlichkeit und Datenschutzniveau für Beiträger.
„Federated Learning plus Differential Privacy verschafft dezentralen AI-Netzwerken eine belastbare Antwort auf das Datenschutzproblem. Der Beiträger gibt seine Daten nie wirklich aus der Hand. Das Netzwerk sieht sie nie. Und das Modell lernt trotzdem daraus.“
Also Read: https://yellow.com/news/gpt-56-beats-human-interns-openai
Wer heute tatsächlich von dezentralen AI-Netzwerken profitiert
Die Mechanik zu verstehen ist das eine. Die Frage, wer im Jahr 2026 realen Nutzen aus dieser Infrastruktur zieht, ist das andere. Technologie und Markt sind heute in manchen Segmenten produktionsreif – und in anderen faktisch unbrauchbar.
Unabhängige AI-Forscher und Open-Source-Beiträger gehören zu den klaren Gewinnern. Sie können Rechenleistung oder kuratierte Datensätze in Modelle einspeisen, an die sie glauben, erwerben damit einen klar nachweisbaren Eigentumsanteil und partizipieren an laufenden Nutzungserlösen. Die Alternative – Beiträge zu offenen Modellen wie LLaMA-Derivaten – bringt vor allem Reputation, aber kaum direkten wirtschaftlichen Rückfluss, wenn das Modell später kommerzialisiert wird.
Unternehmen mit proprietären Daten und strengen Compliance-Vorgaben interessieren sich zunehmend für föderierte Trainings-Setups. Ein Krankenhausverbund etwa, der ein spezialisiertes medizinisches AI-Modell entwickeln will, kann Patientenakten nicht einfach an einen zentralen Provider auslagern. Ein föderiertes, dezentrales Netzwerk ermöglicht die Teilnahme am Training, während die Daten on-premises bleiben. Die On-Chain-Eigentumsdokumentation erzeugt zugleich eine auditierbare Spur, die Regulatoren und Prüfer beruhigt.
DeFi-Protokolle und Web3-Anwendungen benötigen AI-Inferenz, die nicht durch einen zentralen API-Anbieter zensiert oder abgeschaltet werden kann. Ein Prediction Market, der AI nutzt, um Real-World-Daten zu verarbeiten, kann es sich nicht leisten, dass der AI-Provider mitten im Betrieb den API-Zugang sperrt. Dezentrale Inferenzmärkte liefern hier Redundanz und Zensurresistenz, die zentrale APIs strukturell nicht bieten können.
Retail-Tokenholder haben dagegen die ambivalenteste Position. Ein Governance-Token gewährt Stimmrechte und Fee-Exposure, setzt aber aktive Teilnahme voraus, um Wert zu heben. Passive Holder, die nicht abstimmen, werden de facto von aktiven Teilnehmern verwässert. Das Muster gleicht Governance-Token in DeFi: Das ökonomische Upside ist real, aber es will erarbeitet werden.
Also Read: https://yellow.com/news/solana-etf-bitwise-filing
Der echte Trade-off zwischen Performance und Verifizierbarkeit
Eine ehrliche Bestandsaufnahme dezentraler AI kommt ohne den zentralen Pain Point nicht aus: Je stärker eine AI-Berechnung kryptografisch verifizierbar gemacht wird, desto langsamer und teurer wird sie.
Ein zentraler API-Anbieter wie OpenAI mit GPT‑5 liefert Inferenzresultate für typische Anfragen in rund 500 Millisekunden. Eine vollständig Zero-Knowledge-verifizierte Inferenz auf einem Modell ähnlicher Größenordnung benötigt im Jahr 2026 – je nach Hardware und Proof-System – zwischen 30 Sekunden und mehreren Minuten. Für Anwendungen mit hoher Latenz-Sensitivität – Live-Tradingsignale, Echtzeit-Content-Moderation, interaktive Chatbots – ist diese Spanne nach wie vor inakzeptabel.
Der „optimistic execution“-Ansatz reduziert dieses Delta deutlich. Bei optimistischer Inferenz entspricht die Latenz des Erst-Ergebnisses nahezu einem zentralen Setup. Der Preis dafür ist ein Finalitäts-Lag: Anwendungen müssen warten, bis das Challenge-Fenster abgelaufen ist, bevor ein Ergebnis als endgültig gilt. Für viele Web3-Use-Cases sind ein paar Minuten akzeptabel; für Echtzeitanwendungen nicht.
Bei den Kosten sieht es günstiger aus. Zentrale API-Provider verlangen für Zugang zu Frontier-Modellen einen hohen Aufschlag, weil sie faktisch Monopolpreise durchsetzen können. Ein kompetitiver Inferenzmarkt, in dem mehrere Provider um Aufträge bieten, drückt die Preise Richtung Grenzkosten. Frühe Daten aus Inferenzmärkten wie den AI-Compute-Offerten des Akash Network deuten darauf hin, dass standardisierte GPU-Rechenleistung über dezentrale Marktplätze um 30–60 % günstiger bereitgestellt werden kann als vergleichbare zentrale APIs – zumindest dort, wo kein absoluter Frontier-Capability-Level erforderlich ist.
Die nüchterne Bilanz: Dezentrale AI-Netzwerke sind heute produktionsreif für Anwendungen, die Latenz verkraften, besonderen Wert auf Privatsphäre legen oder Zensurresistenz brauchen. Sie holen auf bei Echtzeit-Szenarien und High-End-Modellen, wo zentrale Anbieter strukturelle Vorteile behalten. Der Fortschritt bei spezialisierter Hardware für Proof-Generierung und in der zkML-Forschung dürfte die Lücke weiter verkleinern – aber sie wird kurzfristig nicht vollständig verschwinden.
Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
Fazit
Dezentrale AI-Netzwerke treten nicht mit dem Anspruch an, die GPU-Cluster zu ersetzen, auf denen Frontier-Modelle trainiert werden.
Ihr Fokus liegt auf der ökonomischen und rechtlichen Meta-Ebene von AI-Entwicklung: Sie schaffen Anreizsysteme, die freiwillige Beiträge rational machen, sorgen für durchsetzbares, offenes Eigentum und machen Inferenzumsätze transparent und auditierbar. Die Blockchain fungiert hier als Grundbuch und Settlement-Layer – nicht als Supercomputer.
Der Sentient-Hype im Juli 2026 spiegelt einen Markt wider, der beginnt, der offenen AI-Entwicklung ein glaubwürdiges Geschäftsmodell zuzuschreiben – als Gegengewicht zu hochfinanzierten, geschlossenen Systemen. Die Bausteine dafür – On-Chain-Modell-Fingerprinting, Inferenzmärkte mit kryptografischer Verifikation, föderiertes Training mit Differential Privacy – sind keine Zukunftsmusik. Sie laufen bereits im Mainnet und zahlen heute reale Erträge an ihre Beiträger aus.
Read Next: Grok 4.5 Fordert OpenAI und Anthropic mit günstigerer Agentic-AI heraus
