Elke keer dat je een prompt intoetst bij een gecentraliseerde AI, gaat die tekst naar een server, wordt daar verwerkt – en gelogd.
Het bedrijf achter die server kan je input lezen. Het kan die opslaan, gebruiken om toekomstige modellen te trainen en op verzoek overdragen aan toezichthouders.
De meeste gebruikers accepteren die ruil zonder erbij stil te staan.
Maar een groeiende groep blockchainprojecten – met Venice als opvallendste voorbeeld – bouwt aan iets fundamenteel anders: een architectuur waarin noch de netwerkexploitant, noch enige andere partij kan zien wat jij hebt gevraagd.
Om te begrijpen hoe dat werkt, moet je twee vragen uit elkaar trekken. Eén: waar je data naartoe gaat zodra je een AI raadpleegt. Twee: welke cryptografische technieken kunnen voorkomen dat die data uitlekt.
De antwoorden zijn concreter dan je zou denken.
TL;DR
- Gecentraliseerde AI-aanbieders zoals OpenAI loggen standaard gebruikersprompts en hebben volledig zicht op je vragen.
- On-chain private AI-inferentie stuurt verzoeken via een netwerk van decentrale nodes en gebruikt vertrouwelijke hardware om data te verwerken zonder die bloot te leggen, zelfs niet aan de node-operator.
- Venice Token (VVV) is momenteel de meest gevolgde uitwerking van dit model en draait inferentie op Base met een ‘privacy-first’-ontwerp in de applicatielaag.
- De belangrijkste trade-offs zijn snelheid, kosten en modelgrootte: private inferentie is nu trager en duurder dan een standaard API-call.
- Deze architectuur is vooral relevant voor medische, juridische, financiële en bedrijfskritische vragen, waar vertrouwelijkheid van prompts niet onderhandelbaar is.
Wat “inferentie” is – en waarom precies daar je privacy barst
AI-modellen kennen grofweg twee levensfasen. Eerst is er de training, waarin een model leert van een enorme dataset. Daarna volgt de inferentie: de fase waarin het getrainde model een nieuwe input – jouw vraag – omzet in een output. Inferentie is wat er gebeurt elke keer dat je ChatGPT, Claude of Gemini gebruikt.
Bij inferentie gaat het mis met privacy. Tijdens training speelt jouw concrete data meestal geen rol. Maar bij inferentie moet je exacte prompt zichtbaar zijn voor het systeem dat hem verwerkt, in elk geval op het moment van berekening. Je kunt geen vraag stellen in een gesloten doos zonder dat het model die vraag op de een of andere manier leest.
In gecentraliseerde systemen is het oplossen van die spanning geen prioriteit.
De gebruikersvoorwaarden van OpenAI staan toe dat het bedrijf API-input gebruikt voor veiligheidsmonitoring, en mogelijk ook voor modelverbetering tenzij je via enterprise-contracten expliciet afziet. De doorsnee consument doet dat nooit. Resultaat: een enorme hoeveelheid zeer persoonlijke denkprocessen staat in bedrijfsdatabases.
Het privacyprobleem bij AI-inferentie is niet hypothetisch, maar de feitelijke standaard op elk groot gecentraliseerd AI-platform.
Decentrale AI-inferentie draait die aanname om. In plaats van vertrouwen op één centrale server, luidt de vraag: kun je elk individu in een gedistribueerd netwerk technisch onmogelijk maken om jouw prompt te lezen – terwijl datzelfde knooppunt wél het model draait dat je vraag beantwoordt?
Ook interessant: Kosten Iran-oorlog lopen op tot $37,5 mrd nu senatoren zich tegen Hegseth keren
Hoe centralized AI-logging onder de motorkap werkt
Wanneer je een prompt naar een gecentraliseerde AI-API stuurt, reist het verzoek via HTTPS naar de infrastructuur van de aanbieder. Die versleuteling beschermt de data onderweg: een derde partij op de lijn kan die niet zomaar onderscheppen. Maar zodra het verzoek de server bereikt, wordt de HTTPS-laag gestript.
De software van de aanbieder ziet dan platte tekst. Vanaf dat moment bepaalt de aanbieder wat er met die tekst gebeurt.
De meeste enterprise-aanbieders leveren een zero-retention-modus, waarbij prompts niet worden opgeslagen zodra de sessie eindigt. Microsoft Azure OpenAI Service biedt bijvoorbeeld endpoints die zo zijn te configureren dat inputs niet op schijf worden gelogd.
Maar die opties vereisen een betaald enterprisecontract én actieve configuratie. Voor consumenten is de standaard: bewaren.
Logging vindt op meerdere lagen plaats. Applicatielogs vangen het ruwe verzoek af. De infrastructuur die de modellen uitserveert kan prompts cachen om prestaties te verbeteren. Veiligheidsfilters scannen content vóór en na generatie. Elke laag is een systeem waarin je data in leesbare vorm bestaat. Zelfs bij strikte verwijderingsbeleid heeft die data op enig moment op systemen gestaan die in theorie zijn te auditen, te hacken of via een gerechtelijk bevel kunnen worden opgevraagd.
Het commerciële motief vergroot dat spanningsveld. Een model dat is getraind op echte gebruikersvragen, is een beter model. Bedrijven die prompts verzamelen, hebben een structureel voordeel bij het verbeteren van hun product. Dat creëert een permanente botsing tussen gebruikersprivacy en businessoptimalisatie die gecentraliseerde partijen door hun ontwerp nooit volledig kunnen oplossen.
Ook interessant: Solana en Hyperliquid pakken 80% van altcoin-ETF-handelsvolume
De twee cryptografische bouwstenen achter private inferentie
Twee hoofdtechnieken maken het mogelijk om inferentie uit te voeren zonder dat de verwerkende partij de inputdata kan inzien. Ze sluiten elkaar niet uit; in praktijk worden ze vaak gecombineerd.
Trusted Execution Environments (TEEs) zijn op hardware gebaseerde, afgeschermde enclaves in moderne processors. Intels SGX en AMD’s SEV-SNP zijn de bekendste implementaties. Een TEE creëert een geïsoleerd geheugenblok dat onleesbaar is voor het hostbesturingssysteem, de node-operator en zelfs de chipfabrikant. Code in een TEE kan worden geattesteerd: een externe partij kan cryptografisch verifiëren dat een specifiek, ongewijzigd programma draait in een echte enclave. Jouw prompt gaat versleuteld de enclave in, het model draait volledig ín die enclave, en de output komt er weer versleuteld uit. De eigenaar van de fysieke machine ziet niets.
Fully Homomorphic Encryption (FHE) pakt het anders aan. FHE maakt het mogelijk om wiskundige berekeningen uit te voeren op versleutelde data zonder ooit te ontsleutelen. Het model werkt in feite op ciphertext en produceert een versleutelde output die alleen de oorspronkelijke aanvrager kan ontcijferen. Theoretisch elegant, praktisch extreem zwaar: inferentie van een groot taalmodel onder FHE is nu vele ordes van grootte trager dan normale inferentie. Realistische toepassingen beperken FHE daarom tot kleinere modellen of specifieke deelberekeningen, niet tot volledige LLM-responsen.
TEEs maken vandaag al praktische private inferentie mogelijk met vrijwel normale snelheden. FHE biedt sterkere theoretische garanties, maar is anno medio 2026 te traag voor de meeste LLM-toepassingen.
Een derde opkomende techniek is secure multi-party computation (MPC). Daarbij worden zowel de modelgewichten als de gebruikersinput over meerdere partijen gesplitst. Samen rekenen zij een output uit, zonder dat één partij ooit het volledige plaatje ziet. MPC is flexibel, maar introduceert aanzienlijke coördinatie- en netwerkoverhead.
Ook interessant: Geheime AI-chip van Google bakt Gemini in de hardware voor 10x winst
Hoe Venice private inferentie op de blockchain bouwt
Venice draait op Base, een Ethereum (ETH) Layer 2-netwerk. De architectuur van Venice splitst drie functies die gecentraliseerde aanbieders bundelen: modelhosting, inferentiecomputatie en afwikkeling van betalingen.
Node-operators in het Venice-netwerk leveren GPU-rekenkracht.
Ze downloaden open-source modelgewichten – Llama, Mistral en vergelijkbare open modellen – en beantwoorden inferentieverzoeken met die gewichten. Omdat de modellen zelf open source zijn, is er geen eigendomsmodel dat beschermd moet worden. De privacy-uitdaging gaat uitsluitend over de input én output van de gebruiker.
Venice gebruikt TEE-gebaseerde isolatie op deelnemende nodes. Als een gebruiker een vraag via de Venice-interface indient, wordt het verzoek naar een node gerouteerd waarvan de TEE-omgeving de berekening uitvoert. Het hostsysteem van de node-operator kan de inhoud van de enclave niet inspecteren. Attestatiebewijzen stellen de client in staat om te controleren dat de juiste, ongewijzigde inferentiesoftware draait, vóórdat de prompt wordt verstuurd.
Venice Token (VVV) is het nutstoken van dit netwerk. Het geeft houders toegang tot inferentiecapaciteit; stakers krijgen voorrang bij de toewijzing van throughput. Het token legt zo een economische laag over de privacy-infrastructuur: compute-aanbieders verdienen fees, gebruikers betalen of staken VVV om private inferentiecapaciteit te gebruiken. Privacy is daarmee geen marketingclaim, maar een eigenschap die via TEEs op hardwareniveau wordt afgedwongen – onafhankelijk van wat Venice als bedrijf of individuele operators zouden willen.
De bredere categorie heet vaak decentralized AI inference, en Venice is één van meerdere spelers in dat segment. Gensyn, io.net en Akash Network richten zich elk op gedistribueerde GPU-capaciteit, met uiteenlopende niveaus van privacygaranties. Venice onderscheidt zich door promptprivacy expliciet als primaire ontwerpconstraint te nemen, niet als bijproduct.
Ook interessant: Warren Buffett noemt markten een gokpaleis en zet daarna groot in op AI
Wat de node-operator wél en niet kan zien
Het is belangrijk om hier precies te zijn, want “privé” kan misleidend klinken. In een TEE-architectuur à la Venice wordt het zicht van de node-operator strikt begrensd door de hardware.
Wat de node-operator niet kan zien: de platte tekst van je prompt, de tussenberekeningen binnen het model, en de platte tekst van de output voordat die voor verzending wordt versleuteld.
Wat de node-operator wél kan zien: dát zijn machine een verzoek verwerkt (er komt een job binnen), de grootte van verzoek en antwoord in bytes, de timing van de transactie, en het walletadres of de identificatie die met het verzoek is gekoppeld – tenzij die op zijn beurt verder wordt geanonimiseerd.
Dit betekent dat het systeem niet… Content is in de sterkst mogelijke zin privé als het om inhoud gaat: niemand kan lezen welke vraag u stelde of welk antwoord het model gaf. Volledige anonimiteit op het vlak van metadata is er echter niet. Een operator kan zien dat adres X om 14:22 UTC een prompt van 340 tokens indiende en een reactie van 1.200 tokens terugkreeg. Patroonanalyse over langere tijd kan zo, zelfs zonder inzage in de inhoud, gevoelige gebruikspatronen blootleggen.
Voor de meeste praktische toepassingen – een advocatenkantoor met vertrouwelijke dossiers, een arts met differentiële diagnosen, een bedrijf dat eigen financiële data doorrekent – is contentprivacy de kernvoorwaarde. Metadatalekken zijn secundair en kunnen worden gemitigeerd met extra netwerklagen zoals VPN-routing of zero-knowledge-identiteitsschema’s.
TEE-gebaseerde systemen bieden inhoudsprivacy door hardwarematige afdwinging. Voor metadataprivacy is aanvullende, applicatielaag-anonimisering nodig, die in huidige implementaties bij de gebruiker zelf wordt neergelegd.
Ook interessant: Nvidia Presenteert 88-Core CPU Om Intel En AMD Aan Te Vallen
De Werkelijke Trade-offs In Snelheid, Kosten En Modelgrootte
Private inference is niet gratis. De overhead kent meerdere bronnen; wie die begrijpt, kan beter beoordelen of de ruilverhouding passend is voor de eigen usecase.
Snelheid. TEE-enclaves brengen extra geheugenisolatie met zich mee. Versleuteld geheugengebruik en attestation-handshakes zorgen voor extra latency ten opzichte van een bare-metal GPU met een standaard inferentieserver.
In de praktijk draait TEE-gebaseerde inference op een moderne AMD EPYC-server met SEV-SNP volgens benchmarks van het SUAVE-team van Flashbots en AMD’s ontwikkelaarsdocumentatie grofweg 10 tot 30 procent langzamer dan non-TEE-inference op vergelijkbare hardware. Dat is merkbaar, maar voor de meeste conversational toepassingen niet onoverkomelijk.
Kosten. Decentrale rekennetwerken kunnen voorlopig niet tippen aan de stukseconomics van hyperscale GPU-clusters. Amazon, Google en Microsoft opereren op een schaal waarop de marginale inferentiekosten dalen tot fracties van een cent per duizend tokens. Decentrale netwerken missen die bezettingsgraad. Venice en vergelijkbare netwerken prijzen inference doorgaans boven centrale API’s. Die opslag is de expliciete prijs van privacy.
Modelgrootte. TEE-enclaves hebben beperkt beschermd geheugen. Een model met 70 miljard parameters volledig binnen een enclave laden is op de meeste huidige systemen simpelweg niet haalbaar.
In de praktijk werken implementaties óf met kleinere modellen (7B tot 13B parameters), óf met een hybride aanpak waarbij gevoelige input-output-lagen in de TEE draaien en niet-gevoelige matrixvermenigvuldigingen in onbeschermd geheugen, óf met encryptie van de modelgewichten in plaats van volledige enclave-loading. Dat is cruciaal, omdat de krachtigste frontier-modellen – GPT-4-achtige systemen met honderden miljarden parameters – vandaag niet volledig privé te draaien zijn binnen TEE-beperkingen.
De eerlijke samenvatting: private inference levert nu sterke privacy met open modellen van 7B tot 13B parameters, tegen kosten die ruwweg 2 tot 5 keer hoger liggen dan bij centrale API’s. Past uw usecase binnen die bandbreedte, dan is de architectuur vandaag al productierijp.
Ook interessant: Claude Fable 5 Maakt Einde Aan 87 Jaar Oude Rekenstrijd – En Bitcoin Let Op
Wie Echt Baat Heeft Bij On-chain Private AI Inference
Niet elke AI-gebruiker heeft dit beschermingsniveau nodig. Maar bepaalde groepen lopen direct en concreet risico door prompt-logging, en dat is precies wat private inference adresseert.
Juristen en compliance-specialisten gebruiken AI voor documentanalyse, contractreview en jurisprudentieonderzoek. Het indienen van cliëntcommunicatie bij een gecentraliseerde AI die inputs logt, kan de advocaat-cliëntprivilege aantasten en in meerdere Amerikaanse staten op gespannen voet staan met tuchtrechtelijke regels. Private inference haalt die derde partij uit de logging-keten.
Zorgprofessionals en onderzoekers vallen onder HIPAA, dat streng is over waar beschermde medische informatie mag worden verzonden en opgeslagen. Gewone ChatGPT inzetten voor klinische verslaglegging creëert compliancerisico. Een TEE-gebaseerd inferentiesysteem dat aantoonbaar nooit patiëntdata opslaat, valt in een totaal andere risicocategorie.
Financieel analisten en handelaren die met niet-openbare koersgevoelige informatie werken, mogen die data niet invoeren in systemen waar ze gelogd, ontdekt of uitgelekt kunnen worden. Private inference stelt hen in staat AI-tools toe te passen op vertrouwelijke dealdata, zonder een regulatoire papieren spoor achter te laten.
Individuen in hoog-surveillanceregimes – journalisten, activisten, dissidenten – kunnen AI nodig hebben voor gevoelig onderzoek, zonder een doorzoekbaar logboek van hun zoekopdrachten te creëren. Standaardtools zijn daar een liability. Private inference niet.
Ondernemingen die bedrijfsgeheimen beschermen kunnen R&D-vragen, concurrentieanalyses en zoekopdrachten naar eigen formules door AI laten lopen zonder dat die informatie op een externe server belandt die gehackt, gedagvaard of leeggeschraapt kan worden.
Voor doorsnee gebruikers – e-mails opstellen, creatieve teksten maken, feitjes opzoeken – weegt de extra kost van private inference waarschijnlijk niet op tegen de baten. De architectuur kan in de toekomst, naarmate kosten dalen, naar deze groep ‘afschalen’, maar de directe valuepropositie is nu het duidelijkst voor de hierboven geschetste high-stakes usecases.
Ook interessant: Telegram Integreert Non-Custodial Gram Wallet In Elke App, Zegt Durov
Slotbeschouwing
On-chain private AI inference lost een probleem op waarvan veel gebruikers niet wisten dat ze het hadden.
Gecentraliseerde AI-providers loggen prompts standaard. Dat geeft bedrijven – en potentieel overheden – zicht op enkele van de meest gevoelige denkprocessen van hun gebruikers.
De oplossing is niet om AI te mijden, maar om te veranderen wáár inference plaatsvindt.
Trusted Execution Environments maken het vandaag al mogelijk dat een gedecentraliseerde node-operator een taalmodel op uw prompt draait, zonder die prompt ooit te kunnen lezen.
De hardware zelf dwingt de privacygarantie af, op een niveau dat geen enkel beleid of terms-of-service kan evenaren.
Venice Token is de bekendste huidige implementatie van deze architectuur. Maar het is vooral een blauwdruk voor een breder ontwerppatroon – een patroon dat zich naar verwachting breed zal verspreiden in de decentrale AI-sector, naarmate GPU-kosten dalen en TEE-hardware volwassener wordt.
Lees Verder: Laatste Gravelpartij Van Wawrinka Valt Samen Met Explosie Van Markt Met 3 Miljoen Voorspellers