Dezentralisierte KI verschiebt die Macht über die Modelle hinter Web3

Die mächtigsten KI-Modelle der Welt werden von einer Handvoll Konzerne kontrolliert. Sie bestimmen die Preise, sie entscheiden, wer Zugriff erhält, und sie besitzen sämtliche Gewichte und Parameter, die das Modell aus Nutzerdaten lernt.

Sentient (SENT) ist 2026 als direkter Gegenentwurf an den Start gegangen: eine offene KI-Plattform, auf der Mitwirkende einen nachweisbaren Anteil an den Modellen erhalten, die sie mit aufbauen. Der Token legte an einem Tag im Juli 2026 um rund 26 % zu – ein Signal, dass der Markt der Story „dezentrale KI“ sehr genau zuhört.

Sentient ist jedoch kein Einzelfall. Eine wachsende Zahl von Protokollen setzt auf Blockchains, um offene Modellbeteiligung durchzusetzen, verteiltes Training zu koordinieren und Inferenzmärkte zu betreiben, in denen jede und jeder Rechenleistung beisteuern und Erträge erzielen kann. Wer verstehen will, was echte Infrastruktur ist und was bloßer Hype, muss sich anschauen, wie diese Netzwerke auf Ebene von Anreizen, Kryptografie und On-Chain-Abrechnung tatsächlich funktionieren.

Kurzfassung

Dezentralisierte KI-Netzwerke nutzen Blockchains, um Eigentumsrechte an KI-Modellen zu sichern, sodass Beitragende nach dem Training nicht ausgebootet werden können.

Training und Inferenz werden in zwei Schichten getrennt; Beiträge an Rechenleistung und Daten werden in beiden Phasen on-chain erfasst und vergütet.

Kryptografische Nachweise (Zero-Knowledge oder kryptografische Attestierungen) erlauben es dem Netzwerk, Inferenz-Ergebnisse zu verifizieren, ohne das Modell neu auszuführen.

Governance-Token geben Beitragenden Stimmrechte über Modell-Updates, Gebührenstrukturen und Zugangsregeln.

Kerntrade-off ist Performance vs. Prüfbarkeit: Vollständig On-Chain-Inferenz ist noch langsamer und teurer als zentrale APIs – doch die Lücke schrumpft rasant.

Warum geschlossene KI ein strukturelles Problem für offene Netzwerke ist

Jedes große KI-Modell wird auf Daten trainiert, die irgendwoher stammen. Nutzer, Forschende und Open-Source-Communities liefern die Texte, den Code und die Bilder, aus denen die Modelle lernen. Im heutigen, zentralisierten Modell erhalten diese Beitragenden nichts. Das Unternehmen, das das Modell trainiert, schöpft den gesamten Wert ab.

Daraus entsteht ein sich verstärkendes Problem: Die besten Beitragenden hören auf, Daten offen zu teilen, sobald ihnen klar wird, dass diese ohne jegliche Kompensation eingesammelt werden.

Modelle sind dann auf Daten angewiesen, die das Unternehmen rechtlich beschaffen kann – oft per Scraping des offenen Webs unter Nutzungsbedingungen, die vor Gericht angefochten werden. Die Trainingspipeline wird extraktiv statt kollaborativ.

Dezentralisierte KI-Netzwerke schlagen ein anderes Arrangement vor. Beitragende werden vor Trainingsbeginn on-chain registriert. Ihre Daten- und Compute-Beiträge werden als verifizierbare Inputs erfasst. Smart Contracts verteilen die Erlöse aus der Modellauslastung nach Regeln an diese Beitragenden, die feststehen, bevor die erste GPU-Stunde geflossen ist.

Die Blockchain rechnet die KI nicht selbst, sie erzwingt die Eigentumsvereinbarung, die freiwillige Beiträge ökonomisch sinnvoll macht.

Auch interessant: https://yellow.com/news/bnb-chain-agentic-trading-bnb-breakout

Wie On-Chain-Modellbeteiligung praktisch funktioniert

Modellbesitz in einem dezentralen KI-Netzwerk bedeutet nicht, eine Datei zu besitzen. Ein trainiertes KI-Modell besteht aus numerischen Gewichten – oft Milliarden Gleitkommazahlen –, verteilt über viele Nodes. „Ein Modell besitzen“ heißt, einen nachweisbaren, durchsetzbaren Anspruch auf einen Anteil der Erlöse dieses Modells zu halten – plus Governance-Rechte über seine Weiterentwicklung.

Der Mechanismus läuft über ein „Minting Event“, das mit dem ersten Training verknüpft ist. Wenn ein Modell erstmals in Betrieb geht, emittiert das Netzwerk ein fixes Kontingent an Ownership-Token, die genau dieses Modell repräsentieren. Beitragende, die Daten, Rechenleistung oder Code gestellt haben, erhalten anteilig Token.

Die Verteilungsformel ist im Smart Contract verankert, bevor das Training startet, und kann im Nachhinein nicht geändert werden.

Jedes Mal, wenn jemand das Modell gegen Gebühr für eine Inferenz nutzt – sei es eine Prognose, einen generierten Text oder ein Embedding –, wird die Gebühr zwischen dem Infrastruktur-Anbieter, der die Inferenz ausführt, und den Ownership-Token-Haltern aufgeteilt. Das Verhältnis legt die Governance fest. Wird ein Modell zum Standardwerkzeug in einem Segment, verdienen ursprüngliche Beitragende weiter daran – ohne erneuten Aufwand, ähnlich einem Lizenz- oder Royalty-Modell.

Sentient geht mit dem Konzept des „Sentient Model Fingerprinting“ noch einen Schritt weiter. Jedes auf der Sentient-Plattform trainierte Modell trägt einen eingebetteten kryptografischen Fingerabdruck, der Inferenz-Ausgaben eindeutig einer Modellversion zuordnet.

Damit lässt sich erkennen, wenn jemand Modellgewichte kopiert und Inferenz ohne Zahlung der Eigentumsgebühr ausführt – eine Art Piraterie, die bei geschlossenen Gewichten trivial, aber schwer nachzuweisen ist. Der Fingerabdruck erzeugt eine On-Chain-Audit-Spur und stützt damit die Durchsetzung von Erlösansprüchen, selbst wenn die Gewichte technisch offen sind.

Auch interessant: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic

Zwei Schichten: Verteiltes Training und Inferenzmärkte

Dezentralisierte KI-Netzwerke zerlegen den KI-Lebenszyklus in zwei ökonomische Ebenen. Sie getrennt zu betrachten ist entscheidend, weil jeweils andere Akteure, Anreize und technische Hürden im Spiel sind.

Die Trainingsschicht ist dort, wo das Modell lernt. In zentralen Systemen betreibt ein Unternehmen das Training auf eigener Hardware. In einem dezentralen Netzwerk wird die Last auf viele Beitragende verteilt, die jeweils Teile der Rechenarbeit übernehmen.

Das Koordinationsproblem ist erheblich: Alle Teilnehmer müssen sich nach jedem Schritt auf den aktuellen Modellzustand einigen – ein Konsensmechanismus, der nicht Finanztransaktionen, sondern Gradienten-Updates synchronisiert. Projekte wie Bittensor und Gensyn haben dafür Spezialprotokolle entwickelt, die on-chain die Qualität der Gradienten-Beiträge bewerten und entsprechend vergüten.

Die Inferenzschicht ist dort, wo das trainierte Modell Ausgaben für Endnutzer erzeugt. Ökonomisch unterscheidet sich Inferenz deutlich vom Training: Sie ist repetitiv, zeitkritisch und tendenziell leichter zu überprüfen. Ein Nutzer stellt eine Anfrage, ein Inferenz-Anbieter führt das Modell auf seiner Hardware aus, und das Ergebnis wird zurückgeliefert. Die Schlüsselfrage: Woher weiß der Nutzer, dass wirklich das richtige Modell lief – und nicht ein günstigerer Ersatz?

Hier kommen Inferenzmärkte ins Spiel. Mehrere Anbieter bieten darauf, eine Anfrage zu bedienen. Der Zuschlag geht an den Gewinner, der das Modell ausführt und Ergebnis plus kryptografischen Nachweis liefert. Andere Anbieter können die Ausgabe stichprobenartig über ein Challenge-Verfahren prüfen. Unehrliche Anbieter verlieren ihre hinterlegte Sicherheit, ehrliche verdienen die Gebühren. Die Marktarchitektur erzeugt einen Anreiz zu korrekten Ergebnissen, ohne dass jede einzelne Antwort vom gesamten Netzwerk geprüft werden muss.

„Inferenzmärkte übernehmen das Ökonomie-Design von Prognosemärkten: Teilnehmer setzen Kapital auf die Korrektheit ihrer Outputs. Falsche Ergebnisse werden über Slashing sanktioniert – denselben Mechanismus, der auch fehlverhaltende Validatoren in Proof-of-Stake-Netzwerken bestraft.“

Auch interessant: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test

Wie kryptografische Beweise KI-Ausgaben prüfen, ohne das Modell neu zu rechnen

Das härteste technische Problem in dezentraler KI ist die Verifikation. Einen großen Sprachmodell-Run durchzuführen, ist teuer. Ihn zur Kontrolle zu verdoppeln, ist im großen Maßstab ökonomisch unhaltbar. Ohne Verifikation bricht allerdings das gesamte Anreizsystem zusammen: Ein Anbieter könnte irgendeinen plausiblen Output zurücksenden und die Gebühr kassieren.

2026 werden vor allem zwei Ansätze erprobt.

Zero-Knowledge-Beweise für Inferenz erlauben es einem Anbieter, einen mathematischen Nachweis zu erzeugen, dass eine bestimmte Berechnung korrekt ausgeführt wurde – ohne die Modellgewichte offenzulegen oder den Prüfer zu zwingen, das Modell selbst zu rechnen. Der Verifizierer kontrolliert den Beweis, was deutlich günstiger ist als die ursprüngliche Inferenz. Projekte wie Modulus Labs und ZKML haben das für kleinere Modelle demonstriert. Bei Modellen an der Frontier-Skala ab 70 Milliarden Parametern sind die Proof-Kosten jedoch noch massiv: Ein einzelner Inferenzbeweis kann auf Spezialhardware Minuten dauern, während die eigentliche Inferenz in Millisekunden läuft.

Optimistische Ausführung mit Fraud Proofs verfolgt einen anderen, aus dem Design von Ethereum (ETH)‑Rollups bekannten Ansatz. Ergebnisse gelten zunächst als gültig. Innerhalb eines Challenge-Fensters kann jeder Einwände erheben und die Berechnung auf einem Referenzknoten nachrechnen. Gelingt der Nachweis, dass das ursprüngliche Ergebnis falsch war, verliert der Anbieter seinen Einsatz, der Challenger erhält eine Belohnung.

Im Regelfall – wenn Anbieter ehrlich sind – ist dieser Ansatz schneller, führt aber zu einer Verzögerung, bis Ergebnisse endgültig sind.

Die meisten produktiven Systeme kombinieren 2026 beide Varianten: Optimistische Ausführung für Standardanfragen, ergänzt um zufällige Zero-Knowledge-Stichproben, um Anbieter diszipliniert zu halten, ohne jede Anfrage vollständig zu prüfen. Das Verhältnis geprüfter zu ungeprüften Anfragen ist ein Governance-Parameter, den Tokenhalter anpassen können, wenn die Proof-Kosten sinken.

Also interessant: https://yellow.com/news/openai-safety-veteran-exit-history

Die Rolle von Governance-Token in der Modellentwicklung

Governance-Token in einem dezentralen KI-Netzwerk entscheiden über weit mehr als nur Protokoll-Upgrades. Sie steuern Beschlüsse, die direkt den ökonomischen Wert eines Modells betreffen: welche Datensätze für weiteres Fine-Tuning genutzt werden dürfen, welche Sicherheits- und Filterregeln gelten, wie die Gebühren zwischen Inferenzanbietern und Modell-Eigentümern geteilt werden und ob Modellgewichte vollständig offen gelegt oder restriktiv bleiben müssen.

Damit entsteht eine tatsächlich andere Machtstruktur als in der Welt geschlossener KI. In einer zentralisierten Architektur bündelt ein einzelnes Unternehmen alle Hebel: Datenzugang, Trainingsinfrastruktur, Produktgestaltung, Monetarisierung und Nutzungsrichtlinien. In einem dezentralen Netzwerk werden genau diese Stellschrauben über Token-getriebene Governance verteilt – an Entwickler, Rechenzentrumsbetreiber, Datenlieferanten und teilweise an Endnutzer.

Die Kehrseite: Governance wird politisch. Token-Verteilungen, Delegationssysteme und Abstimmungsregeln entscheiden, ob ein Netzwerk wirklich dezentral bleibt oder ob sich neue Machtzentren bilden. Aus Investorensicht verschiebt sich damit das Risiko: Weg vom reinen Technologie-Bet, hin zu einem Mix aus Protokoll-Ökonomie, Game Theory und Community-Management.

Für Web3-Projekte, die KI tief in ihre Protokolle integrieren wollen, ist die Wahl zwischen geschlossener und dezentralisierter KI daher nicht nur eine technologische oder kostenseitige Frage – sie bestimmt, wer die Rendite auf diese KI-Kapazität langfristig abschöpft und wer an der Wertschöpfung beteiligt wird. In einem zentralisierten Modell entscheidet ein internes Safety-Team, welche Schutzmechanismen ein KI-System erhält. In einem dezentralen Netzwerk treffen dagegen die Token-Inhaber diese Entscheidungen – und deren Interessen liegen oftmals weit auseinander.

Beiträger, denen es in erster Linie um maximale Modellleistung geht, werden tendenziell gegen Sicherheitsauflagen stimmen, die die Performance in bestimmten Anwendungsfällen begrenzen. Teilnehmer mit starkem Fokus auf Regulierung und lokale Compliance dagegen dürften für strengere Filter plädieren.

Die praktische Antwort, auf die sich die meisten Netzwerke inzwischen zubewegen, ist eine zweistufige Governance-Struktur. Ein Core Council, von den Token-Inhabern gewählt, entscheidet über zeitkritische Sicherheitsfragen, die nicht wochenlang auf ein Vollvotum warten können. Grundlegende ökonomische Parameter wie Gebührenmodelle und Umsatzaufteilung gehen in ein reguläres Tokenholder-Votum mit längerer Diskussions- und Abstimmungsphase. Dieses Modell erinnert an Governance-Strukturen vieler DeFi-Protokolle wie Aave und Compound, die gelernt haben, dass eine vollständig on-chain, vollständig direkte Demokratie anfällig ist für Abstimmungen mit extrem niedriger Beteiligung und für Manipulationen in letzter Minute.

Die Governance von Modellen bringt zudem eine AI-spezifische Frage mit sich: Was passiert mit dem Modell über die Zeit – und was genau repräsentieren die Token dann noch? Ein Contributor, der das Ursprungsmodell mittrainiert hat, hält Token, die dessen Wert abbilden sollen. Wird per Governance ein umfangreicher Fine-Tuning-Lauf beschlossen, der das Verhalten des Modells substanziell verändert, stellt sich die Frage: Verweisen diese Token noch auf dasselbe Asset? Die meisten Protokolle lösen das, indem sie für jede große Modellversion einen neuen Token herausgeben und bestehenden Inhabern eine anteilige Allokation in der neuen Version zusprechen – ähnlich wie Aktionäre bei einem Spin-off neue Anteile erhalten.

Also Read: https://yellow.com/news/bitcoin-63k-war-chatter

Datenbeiträge, Privatsphäre und das Problem föderierten Trainings

Eine der zentralen Designfragen für jedes dezentrale AI-Netzwerk lautet: Wie können Dateneigner teilnehmen, ohne sensible Informationen offenzulegen? Medizinische Akten, Finanzdaten und private Kommunikation gehören zu den wertvollsten Trainingsinputs für spezialisierte Modelle. Gleichzeitig können diese Daten nicht einfach in ein gemeinsames Netz hochgeladen werden, ohne massive Datenschutz- und Regulierungsrisiken zu schaffen.

Federated Learning liefert eine Teillösung. Anstatt Rohdaten an einen zentralen Trainingsknoten zu schicken, berechnet jeder Teilnehmer lokal ein Modell-Update auf Basis seiner Daten und übermittelt nur den Gradienten – also die mathematische Richtung, in die die Modellgewichte angepasst werden sollen – an das Netzwerk. Dieses aggregiert die Gradienten vieler Beiträger, ohne jemals die zugrundeliegenden Daten zu sehen. Das Modell lernt aus den privaten Daten, ohne dass diese den Besitz des Contributors verlassen.

Die Blockchain übernimmt im föderierten Training vor allem Koordination und Abrechnung. Smart Contracts zeichnen auf, welche Teilnehmer in welcher Trainingsrunde Gradienten eingereicht haben, bewerten deren Qualität und Nützlichkeit über on-chain Evaluation-Mechanismen und verteilen darauf basierend die Rewards. Das Evaluationsproblem ist alles andere als trivial: Ein Teilnehmer könnte zufällige Gradienten einreichen und dennoch Belohnungen einstreichen, ohne echte Arbeit zu leisten. Protokolle wie FedML und das Trainings-Framework von Sentient nutzen deshalb kryptografische Commitments und verzögerte Offenlegung, um solches Verhalten zu erkennen. Contributors müssen ihren Gradienten zunächst versteckt „committen“, bevor sie die Beiträge anderer sehen.

Differential Privacy wird typischerweise zusätzlich auf das Föderationsmodell aufgesetzt, um formale mathematische Garantien zu liefern, dass einzelne Trainingsbeispiele nicht aus den veröffentlichten Modellgewichten rekonstruiert werden können. Das sogenannte Privacy Budget – also wie viel Information das Modell über einen individuellen Datenpunkt maximal „durchsickern“ lässt – wird wiederum über Governance gesteuert. Tokenhalter bestimmen so den Trade-off zwischen Modellnützlichkeit und Datenschutz für Beiträger.

„Federated Learning plus Differential Privacy gibt dezentralen AI-Netzwerken eine belastbare Antwort auf die Datenschutzfrage. Der Contributor gibt seine Daten nie aus der Hand. Das Netzwerk sieht sie nie. Und das Modell wird trotzdem besser.“

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 praktisch davon profitiert, ist eine andere. Die Technologie ist heute in bestimmten Szenarien klar einsetzbar – und in anderen nach wie vor unpraktikabel.

Unabhängige AI-Forscher und Open-Source-Contributors gehören aktuell zu den größten Gewinnern. Sie können Rechenleistung oder kuratierte Datensätze in Modelle einbringen, an deren Erfolg sie glauben, erhalten einen nachweisbaren Eigentumsanteil und partizipieren an laufenden Nutzungsumsätzen. Das Alternativszenario – Beiträge zu einem Open-Source-Modell wie LLaMA-Derivaten – bringt Reputation, aber keinen direkten wirtschaftlichen Return, wenn das Modell später kommerzialisiert wird.

Unternehmen mit proprietären Daten und hohen Compliance-Anforderungen interessieren sich zunehmend für föderierte Trainingsansätze. Ein Klinikverbund, der ein spezialisiertes medizinisches AI-Modell aufbauen will, kann Patientenakten nicht einfach an einen zentralen Anbieter weiterreichen. Ein föderiertes, dezentrales Netzwerk erlaubt Trainingsbeiträge, während die Daten on-premises bleiben. Die on-chain dokumentierten Eigentums- und Beitragsnachweise sorgen zusätzlich für eine auditierbare Spur, die gegenüber Aufsichtsbehörden als Compliance-Nachweis dient.

DeFi-Protokolle und Web3-Anwendungen benötigen AI-Inferenz, die weder zensiert noch von einem zentralen API-Provider über Nacht abgestellt werden kann. Ein Prediction Market, der AI nutzt, um Realweltdaten auszuwerten, kann sich keinen API-Cut mitten im Betrieb leisten. Dezentrale Inferenzmärkte bieten Redundanz und Zensurresistenz, die zentralisierte APIs strukturell nicht liefern können.

Retail-Investoren in Governance-Token befinden sich dagegen in einer deutlich ambivalenteren Lage. Ein Governance-Token verleiht Stimmrechte und eine Beteiligung an Fee-Strömen, setzt aber aktive Teilnahme voraus, um Wert zu realisieren. Passive Halter, die nicht abstimmen, werden de facto von aktiven Teilnehmern verwässert. Die Dynamik ähnelt damit Governance-Token in DeFi-Protokollen: Das ökonomische Upside ist real, muss aber durch Engagement erst gehoben werden.

Also Read: https://yellow.com/news/solana-etf-bitwise-filing

Der eigentliche Trade-off zwischen Performance und Verifizierbarkeit

Eine ehrliche Bestandsaufnahme dezentraler AI kommt nicht ohne den Blick auf aktuelle Grenzen aus. Die zentrale Spannung ist fundamental: Je stärker sich eine AI-Berechnung kryptografisch verifizieren lässt, desto langsamer und teurer wird sie.

Ein zentralisierter Dienst wie OpenAIs GPT-5 liefert Inferenz-Ergebnisse für typische Anfragen in rund 500 Millisekunden. Eine vollständig Zero-Knowledge-verifizierte Inferenz für ein Modell vergleichbarer Größe benötigt im Jahr 2026 je nach Hardware und Proof-System zwischen 30 Sekunden und mehreren Minuten. Für Anwendungen, bei denen Latenz kritisch ist – etwa Live-Handelssignale, Echtzeit-Content-Moderation oder interaktive Chatbots – ist diese Lücke weiterhin prohibitiv.

Der Ansatz der „optimistischen“ Ausführung reduziert diese Kluft deutlich. Bei optimistischer Inferenz entspricht die Latenz für das initiale Ergebnis nahezu der eines zentralisierten Dienstes. Der Preis dafür ist eine Verzögerung der Endgültigkeit: Anwendungen müssen das Ende eines Challenge-Fensters abwarten, bevor ein Resultat als endgültig gilt. Für viele Web3-Anwendungsfälle sind ein paar Minuten Challenge-Zeitraum akzeptabel – für harte Echtzeit-Anwendungen nicht.

Kostenvergleiche fallen günstiger aus. Zentralisierte Anbieter verlangen für Zugriff auf Frontier-Modelle Aufschläge, weil sie über klare Preissetzungsmacht verfügen. In einem wettbewerblichen Inferenzmarkt, in dem mehrere Anbieter um Ausführungsaufträge bieten, tendieren die Preise gegen die Grenzkosten. Erste Daten aus Inferenzmärkten wie den AI-Compute-Angeboten des Akash Network deuten darauf hin, dass standardisierte GPU-Kapazitäten über dezentrale Märkte um 30–60 % günstiger betrieben werden können als vergleichbare zentralisierte API-Angebote – zumindest für Modelle, die nicht an der absoluten Frontier operieren müssen.

Unterm Strich sind dezentrale AI-Netzwerke heute produktionsreif für Anwendungen, die mit höherer Latenz leben können, besonderen Wert auf Datenschutz legen oder Zensurresistenz benötigen. Sie hängen weiterhin hinterher bei Echtzeitanwendungen und bei Aufgaben, für die nur die leistungsstärksten zentralisierten Modelle in Frage kommen. Die Entwicklung spezialisierter Hardware für Proof-Generierung und der Fortschritt in zkML sprechen dafür, dass sich diese Lücke weiter schließt – aber sie wird auf absehbare Zeit nicht vollständig verschwinden.

Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin

Fazit

Dezentrale AI-Netzwerke haben nicht den Anspruch, die GPU-Cluster zu ersetzen, auf denen Frontier-Modelle trainiert werden.

Ihr Ziel ist es, eine ökonomische und rechtliche Schicht über die AI-Entwicklung zu legen, die freiwillige Beiträge rational macht, offenes Eigentum durchsetzbar und Inferenzumsätze prüfbar. Die Blockchain fungiert dabei als Eigentumsregister und Settlement-Layer – nicht als Supercomputer.

Der Sentient-Sprung im Juli 2026 steht für einen Markt, der beginnt, der Idee einen Preis zu geben, dass offene AI-Entwicklung ein tragfähiges Wirtschaftsmodell braucht, um neben kapitalstarken Closed-Source-Konzernen zu bestehen. Die Mechanismen – on-chain Modell-Fingerprints, Inferenzmärkte mit kryptografischer Verifikation, föderiertes Training mit Differential Privacy – sind keine Theorie mehr. Sie laufen im Produktivbetrieb auf Netzwerken, die schon heute reale Beiträge vergüten.