De machtigste AI-modellen ter wereld worden vandaag gecontroleerd door een handvol bedrijven. Zij bepalen de prijs, zij beslissen wie toegang krijgt en zij bezitten elke weight en parameter die het model leert uit gebruikersdata.
Sentient (SENT) ging in 2026 live als directe aanval op dat model. Het bouwt een open AI-platform waar bijdragers een aantoonbaar belang krijgen in de modellen die zij helpen trainen. De token schoot in juli 2026 in één dag met zo’n 26% omhoog – een duidelijk signaal dat de markt het verhaal rond decentrale AI serieus begint te nemen.
Sentient staat daarbij niet alleen. Een snel groeiende groep protocollen gebruikt blockchains om open modeleigendom af te dwingen, gedistribueerde training te coördineren en inferentiemarkten te organiseren waar iedereen rekenkracht kan leveren en beloond wordt. Wie echt wil onderscheiden wat serieuze infrastructuur is en wat pure hype, moet kijken naar de mechanismen op het niveau van prikkels, cryptografie en on-chain afwikkeling.
TL;DR
- Decentrale AI-netwerken gebruiken blockchains om eigendomsrechten op AI-modellen af te dwingen, zodat bijdragers niet kunnen worden uitgespeeld zodra het model af is.
- Training en inferentie worden opgesplitst in aparte lagen; bijdragers verdienen beloningen voor rekenkracht en data in elke fase, geregistreerd op-chain.
- Cryptografische bewijzen (zero-knowledge of cryptografische attestaties) stellen het netwerk in staat inferentieresultaten te verifiëren zonder het hele model opnieuw te draaien.
- Governance-tokens geven bijdragers stemrecht over modelupdates, fee-structuren en toegangsregels.
- De kernafruil is performance versus verifieerbaarheid: volledig on-chain inferentie is nog trager en duurder dan gecentraliseerde API’s, maar het gat sluit snel.
Waarom gesloten AI structureel wringt met open netwerken
Elk groot AI-model wordt getraind op data die ergens vandaan komt. Gebruikers, onderzoekers en open-sourcegemeenschappen leveren de tekst, code en beelden waarop modellen leren. In het huidige gecentraliseerde model krijgen die bijdragers niets. Het bedrijf dat het model traint, strijkt alle waarde op.
Dat creëert een cumulatief probleem. De beste bijdragers stoppen met het open delen van hun data zodra ze doorhebben dat die zonder enige vergoeding wordt leeggetrokken.
Modellen worden dan afhankelijk van welke data het bedrijf nog legaal kan bemachtigen, vaak via het scrapen van het open web onder gebruiksvoorwaarden die in de rechtszaal worden aangevocht. De trainingsketen wordt extractief in plaats van collaboratief.
Decentrale AI-netwerken stellen een andere ordening voor. Bijdragers worden vóór de start van de training on-chain geregistreerd. Hun data- en compute-inbreng wordt vastgelegd als verifieerbare input. Smart contracts keren de inkomsten uit modelgebruik weer uit aan die bijdragers, volgens regels die vastliggen vóór er één GPU-uur is geleverd.
De blockchain doet zelf niet de AI-berekeningen. Zij handhaaft de eigendomsovereenkomst die vrijwillige bijdrage economisch logisch maakt.
Ook interessant: BNB Chain zet in op agentic trading bij BNB-uitbraak
Hoe on-chain modeleigendom in de praktijk werkt
Modeleigendom in een decentraal AI-netwerk is iets anders dan het bezit van een bestand. Een getraind AI-model is een set numerieke weights – vaak miljarden drijvende-kommagetallen – verspreid over gedistribueerde nodes. Eigendom van “een model” betekent dat je een afdwingbare, cryptografisch bewijsbare aanspraak hebt op een deel van de omzet die dat model genereert, plus zeggenschap over de verdere ontwikkeling.
De kern is een mint-event gekoppeld aan de eerste trainingsrun van het model. Wanneer een model voor het eerst wordt uitgerold, geeft het netwerk een vaste hoeveelheid eigendomstokens uit die specifiek dat model representeren. Bijdragers die tijdens training data, rekenkracht of code hebben geleverd, krijgen een proportioneel deel van die tokens.
De verdeelsleutel staat vóór de start van de training in het smart contract geprogrammeerd en kan achteraf niet worden aangepast.
Telkens wanneer iemand betaalt om inferentie op het model te draaien – of dat nu gaat om een voorspelling, een gegenereerde tekst of een embedding – wordt een fee opgesplitst tussen de infrastructuurpartij die de inferentie uitvoert en de houders van de eigendomstokens. De verhouding wordt via governance bepaald. Daardoor blijven de oorspronkelijke bijdragers verdienen zolang het model populair blijft, zonder dat zij nog extra werk hoeven te doen – economisch vergelijkbaar met royalty’s.
De aanpak van Sentient gaat nog een stap verder met wat het zelf “Sentient Model Fingerprinting” noemt. Elk model dat op het Sentient-platform wordt getraind, krijgt een ingebedde cryptografische vingerafdruk die inferentie-uitvoer koppelt aan een specifieke modelversie.
Daardoor wordt het mogelijk te detecteren of iemand de modelweights heeft gekopieerd en inferentie draait zonder de eigendomsfee te betalen – een vorm van piraterij die met gesloten weights triviaal is, maar lastig hard te maken. De vingerafdruk creëert een on-chain audittrail die inning van inkomsten ondersteunt, zelfs wanneer de weights technisch gezien open zijn.
Ook interessant: Diepkope AI daagt OpenAI en Anthropic uit
De twee lagen: gedistribueerde training en inferentiemarkten
Decentrale AI-netwerken knippen de levenscyclus van een model op in twee economische lagen. Het is cruciaal om die los van elkaar te begrijpen: andere spelers, andere prikkels, andere technische problemen.
De trainingslaag is waar het model leert. In een gecentraliseerd systeem draait één bedrijf de volledige training op eigen hardware. In een decentraal netwerk wordt training uitgesmeerd over veel bijdragers, die elk een deel van de berekeningen uitvoeren.
De uitdaging is coördinatie: alle deelnemers moeten het op elk moment eens zijn over de staat van het model. Dat vereist een consensusmechanisme dat is aangepast aan gradient-updates in plaats van uitsluitend financiële transacties. Projecten als Bittensor en Gensyn bouwen hier specifieke protocollen voor, waarbij on-chain scores de kwaliteit van elke gradient-bijdrage rangschikken en de beloning daarop afstemmen.
De inferentielaag is waar het getrainde model output levert aan eindgebruikers. Economisch verschilt inferentie sterk van training: ze is repetitief, tijdkritisch en relatief makkelijk te verifiëren. Een gebruiker stuurt een query in, een inferentieprovider draait het model op zijn hardware en stuurt het resultaat terug. De kernvraag: hoe weet de gebruiker dat de provider écht het juiste model heeft gedraaid en niet een goedkopere, minder nauwkeurige variant?
Hier worden inferentiemarkten interessant. Meerdere providers dingen mee om een query te bedienen. De winnende provider draait het model en levert zowel het resultaat als een cryptografisch bewijs. Andere providers kunnen steekproefsgewijs controleren via een challenge-mechanisme. Oneerlijke partijen verliezen hun gestakete onderpand; eerlijke partijen verdienen fees. Het marktontwerp creëert zo een prikkel voor nauwkeurigheid, zonder dat elk resultaat door het hele netwerk hoeft te worden nagerekend.
“Inferentiemarkten leunen op hetzelfde economische ontwerp als prediction markets: deelnemers zetten waarde in op de juistheid van hun output; verkeerde output wordt bestraft via slashing, hetzelfde mechanisme dat misdragende validators in proof-of-stake-netwerken treft.”
Ook interessant: Grok 4.5 overklast Fable 5 en Opus 4.8 in agent-AI-test
Hoe cryptografische bewijzen AI-uitvoer verifiëren zonder het model opnieuw te draaien
De hardste technische knoop in decentrale AI is verificatie. Een groot taalmodel één keer draaien is al duur. Het twee keer draaien puur om het eerste resultaat te double-checken is op schaal economisch onhoudbaar. Maar zonder verificatie stort het hele incentive-model in: een provider zou elke willekeurige plausibele output kunnen terugsturen en de fee claimen.
In 2026 worden twee benaderingen actief ontwikkeld.
Zero-knowledge-bewijzen voor inferentie maken het mogelijk dat een provider een wiskundig bewijs genereert dat een specifieke berekening correct is uitgevoerd, zonder de modelweights prijs te geven of de verifier te dwingen het model opnieuw te draaien. De verifier controleert alleen het bewijs, wat veel goedkoper is dan het bewijs produceren. Projecten als Modulus Labs en ZKML hebben dit aangetoond op kleinere modellen, maar bij frontier-modellen van 70 miljard parameters en meer blijft de overhead fors. Het genereren van een bewijs voor één inferentie kan minuten duren op gespecialiseerde hardware, tegenover milliseconden voor de inferentie zelf.
Optimistische uitvoering met fraud proofs kiest een andere route, geïnspireerd op de optimistic rollups van Ethereum (ETH). Resultaten worden standaard als geldig geaccepteerd. Iedereen mag binnen een bepaalde termijn een resultaat aanvechten door de berekening opnieuw te draaien op een referentienode. Kan de challenger aantonen dat het oorspronkelijke resultaat fout was, dan verliest de provider zijn stake en ontvangt de challenger een beloning.
Die aanpak is in de praktijk sneller zolang providers zich correct gedragen, maar introduceert wel een vertraging voordat resultaten als definitief gelden.
De meeste productiesystemen in 2026 kiezen voor een hybride model: optimistische uitvoering voor routinematige queries, gecombineerd met willekeurige zero-knowledge-steekproeven om providers scherp te houden zonder elke request volledig te verifiëren. De verhouding tussen gecontroleerde en ongecontroleerde queries is een governanceparameter die tokenhouders kunnen bijstellen naarmate de kosten van bewijsproductie dalen.
Ook interessant: OpenAI verliest opnieuw veiligheidstop – wat leert de geschiedenis?
De rol van governance-tokens bij modelontwikkeling
Governance-tokens in een decentraal AI-netwerk doen veel meer dan stemmen over protocolupgrades. Ze bepalen beslissingen die direct ingrijpen op de economische waarde van het model: welke datasets mogen worden gebruikt voor toekomstige fine-tuning, welke veiligheidsfilters worden toegepast, hoe de inferentiefee wordt gesplitst en of modelweights volledig publiek mogen worden of juist beperkt toegankelijk blijven.
Daarmee ontstaat een wezenlijk andere machtsstructuur dan in gesloten AI. In een traditioneel model bepaalt een klein bestuur – of één bedrijf – welke richting een model opgaat, wie het mag gebruiken en onder welke voorwaarden. In een decentraal model vloeit die macht naar een bredere groep tokenhouders, waaronder dataleveranciers, ontwikkelaars en inferentieproviders. In een gecentraliseerd model bepaalt een intern veiligheidsteam welke waarborgen en beperkingen gelden. In een gedecentraliseerd netwerk ligt die macht bij de tokenhouders, die onderling uiteenlopende belangen kunnen hebben.
Bijdragers die vooral maximale modelcapaciteit nastreven, zullen geneigd zijn tegen veiligheidsmaatregelen te stemmen die de prestaties op bepaalde taken drukken. Partijen die juist zwaar tillen aan regelgeving in hun eigen rechtsgebied, zullen eerder kiezen voor strengere filters.
In de praktijk komt vrijwel elk netwerk uit bij een tweelaagse governance-structuur. Een kernraad, gekozen door de tokenhouders, neemt tijdkritische veiligheidsbeslissingen die niet kunnen wachten op een volledige governance-stemming. Brede economische parameters, zoals fee-structuren en opbrengstverdeling, gaan wél naar een stemming onder alle tokenhouders met een langere beraadslagingsperiode. Dit lijkt sterk op de manier waarop veel DeFi-protocollen als Aave en Compound hun governance hebben ingericht, nadat duidelijk werd dat volledig on-chain, volledig directe democratie kwetsbaar is voor lage opkomst en last-minute stemmanipulatie.
Modelgovernance brengt bovendien een AI-specifiek vraagstuk met zich mee: wat het model na een update feitelijk “is”. Een bijdrager die het oorspronkelijke model hielp trainen, bezit tokens die de waarde van dat model representeren. Als een governance-stemming een grote fine-tuning doorvoert die het gedrag van het model ingrijpend verandert, vertegenwoordigen die tokens dan nog steeds hetzelfde onderliggende actief? De meeste protocollen lossen dit op door voor elke grote versie een nieuwe token uit te geven en bestaande houders proportioneel te laten meedelen in die nieuwe versie, vergelijkbaar met hoe aandeelhouders aandelen ontvangen bij een afsplitsing.
Ook interessant: https://yellow.com/news/bitcoin-63k-war-chatter
Databijdrage, Privacy En Het Federated-Training-Dilemma
Een van de kernvragen bij elk gedecentraliseerd AI-netwerk is: hoe kunnen databijdragers meedoen zonder gevoelige informatie bloot te leggen? Medische dossiers, financiële data en persoonlijke communicatie behoren tot de meest waardevolle trainingsinputs voor gespecialiseerde AI-modellen. Maar die kun je niet zomaar op een gedeeld netwerk zetten zonder forse privacy- en compliance-risico’s te creëren.
Federated learning biedt een gedeeltelijke uitweg. In plaats van ruwe data naar een centrale trainingsnode te sturen, draait iedere bijdrager lokaal een trainingsstap op de eigen data en stuurt alleen de gradient door: de wiskundige richting waarin de modelgewichten moeten verschuiven. Het netwerk aggregeert de gradients van vele deelnemers, zonder ooit toegang te krijgen tot de onderliggende data. Het model profiteert van de privédata, terwijl die data het domein van de bijdrager nooit verlaat.
De rol van de blockchain in federated learning is coördinatie en afrekening. Smart contracts leggen vast welke bijdragers in elke trainingsronde gradients aanleveren, beoordelen de kwaliteit en bruikbaarheid van die gradients via on-chain evaluatiefuncties en keren op basis daarvan beloningen uit. Die evaluatie is allesbehalve triviaal: een bijdrager zou willekeurige gradients kunnen insturen en toch betaald krijgen zonder eerlijk werk te leveren. Protocollen als FedML en Sentients eigen trainingsframework zetten cryptografische commitments en “delayed reveal”-mechanismen in om dit te ondervangen: bijdragers moeten zich vastleggen op hun gradient voordat ze de inzendingen van anderen zien.
Daarbovenop wordt doorgaans differential privacy toegepast om formele, wiskundig onderbouwde garanties te bieden dat individuele trainingsvoorbeelden niet kunnen worden gereconstrueerd uit de gepubliceerde modelgewichten. Het privacybudget – de mate waarin het model informatie over individuele datapunten mag lekken – is opnieuw een governance-parameter. Tokenhouders sturen hiermee de trade-off tussen modelnut en de privacybescherming van databijdragers.
“Federated learning plus differential privacy geeft gedecentraliseerde AI-netwerken een geloofwaardig antwoord op het dataprivacyprobleem. De bijdrager staat zijn data nooit af. Het netwerk ziet die data nooit. En toch wordt het model er beter van.”
Ook interessant: https://yellow.com/news/gpt-56-beats-human-interns-openai
Wie Nú Profiteert Van Gedecentraliseerde AI-Netwerken
Weten hoe de techniek werkt is één ding. Begrijpen wie er in 2026 écht baat bij heeft, is iets anders. De technologie is vandaag al concreet inzetbaar in specifieke niches, en tegelijk ronduit onpraktisch in andere.
Onafhankelijke AI-onderzoekers en open-sourcebouwers zijn de meest directe winnaars. Zij kunnen rekenkracht of zorgvuldig samengestelde datasets inbrengen in modellen waar zij in geloven, krijgen in ruil een aantoonbaar eigendomsbelang en delen vervolgens mee in de gebruiksopbrengsten. Het alternatief – bijdragen aan een open-sourcemodel zoals LLaMA-derivaten – levert reputatie op, maar geen direct economisch rendement zodra het model wordt gecommercialiseerd.
Bedrijven met proprietaire data en strenge compliance-eisen tonen snel groeiende interesse in federated-trainingopzetten. Een ziekenhuisgroep die een gespecialiseerd medisch AI-model wil, kan patiëntgegevens niet zomaar delen met een gecentraliseerde aanbieder. Een gedecentraliseerd, federated netwerk maakt het mogelijk om mee te trainen terwijl de data on-premises blijft. Het on-chain eigendomsregister levert bovendien een controleerbare audittrail die toezichthouders tevreden stelt.
DeFi-protocollen en Web3-applicaties hebben behoefte aan AI-inferentie die niet gecensureerd of offline gehaald kan worden door één centrale API-provider. Een prediction market die AI inzet om real-world events te verwerken, kan zich niet permitteren dat haar AI-aanbieder de API-toegang halverwege dichtdraait. Gedecentraliseerde inferentiemarkten bieden redundantie en censuurbestendigheid die gecentraliseerde API’s structureel niet kunnen garanderen.
Retailtokenhouders staan in de meest dubbelzinnige positie. Een governance-token geeft stemrecht en aanspraak op fees, maar vereist actieve participatie om die waarde echt te verzilveren. Passieve houders die niet stemmen, worden effectief verwaterd ten opzichte van actieve deelnemers die dat wel doen. De dynamiek lijkt sterk op governance-tokens in DeFi-protocollen: er is reëel opwaarts potentieel, maar alleen voor wie bereid is om zich er daadwerkelijk mee te bemoeien.
Ook interessant: https://yellow.com/news/solana-etf-bitwise-filing
De Echte Trade-Off Tussen Performance En Verifieerbaarheid
Geen enkel overzicht van gedecentraliseerde AI is compleet zonder een nuchtere blik op de tekortkomingen. De kernspanning is fundamenteel: hoe beter een AI-berekening cryptografisch verifieerbaar wordt gemaakt, hoe trager en duurder zij doorgaans wordt.
Een gecentraliseerde API zoals GPT-5 van OpenAI levert een gemiddeld antwoord in zo’n 500 milliseconden. Een volledig zero-knowledge geverifieerde inferentie op een model van vergelijkbare schaal kost in 2026 ergens tussen de 30 seconden en enkele minuten, afhankelijk van hardware en het gebruikte bewijssysteem. Voor toepassingen waar latency cruciaal is – live handelssignalen, realtime contentmoderatie, interactieve chatbots – is dat gat nog steeds onoverbrugbaar.
De “optimistic execution”-benadering verkleint dat gat fors. Bij optimistische inferentie is de latency voor het initiële resultaat vrijwel gelijk aan die van gecentraliseerde aanbieders. De prijs die je betaalt, is uitgestelde finaliteit: applicaties moeten wachten tot de challenge-periode is verstreken voordat een resultaat als definitief geldt. Voor de meeste Web3-gebruiksscenario’s is een challenge-window van enkele minuten acceptabel. Voor echte realtime-toepassingen niet.
Qua kosten lopen de kaarten gunstiger. Gecentraliseerde API-aanbieders rekenen een forse premie voor toegang tot frontiermodellen, omdat ze beschikken over monopolistische prijszettingsmacht. In een competitieve inferentiemarkt, waar meerdere aanbieders bieden op query-executie, bewegen prijzen richting marginale kosten. Vroege data uit inferentiemarkten, zoals de AI-computeproducten van Akash Network, suggereren dat gecommoditiseerde GPU-capaciteit via gedecentraliseerde markten 30–60% goedkoper kan draaien dan vergelijkbare gecentraliseerde API-tarieven, mits het niet om de absolute frontier-modellen gaat.
De eerlijke samenvatting: gedecentraliseerde AI-netwerken zijn vandaag productierijp voor toepassingen die latency kunnen verdragen, extra privacy vereisen of censuurbestendigheid nodig hebben. Ze lopen nog achter voor realtime, frontier-capability use cases waar de beste gecentraliseerde aanbieders een structureel voordeel behouden. De ontwikkeling van speciale proof-hardware en zkML-onderzoek wijst erop dat de kloof kleiner wordt, maar niet volledig zal verdwijnen op de korte termijn.
Ook interessant: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
Conclusie
Gedecentraliseerde AI-netwerken proberen niet de GPU-clusters te vervangen die frontiermodellen trainen.
Ze bouwen een economische en juridische laag bovenop AI-ontwikkeling die vrijwillige bijdragen rationeel maakt, open eigendom afdwingbaar en inferentie-inkomsten controleerbaar. De blockchain fungeert als eigendomsregister en als settlement-laag, niet als supercomputer.
De Sentient-rally in juli 2026 weerspiegelt een markt die begint in te prijzen dat open AI-ontwikkeling een geloofwaardig economisch model nodig heeft om naast kapitaalkrachtige, gesloten concurrenten te blijven bestaan. De bouwstenen – on-chain modelfingerprinting, inferentiemarkten met cryptografische verificatie, federated training met differential privacy – zijn geen theoretische exercities meer. Ze draaien live, op netwerken die hun bijdragers vandaag al uitbetalen.
Lees verder: Grok 4.5 Daagt OpenAI En Anthropic Uit Met Goedkopere Agentic AI