KI hat ein Vertrauensproblem in der Infrastruktur. Kann Dgrids Verifizierungsschicht das lösen?

Ein Unternehmen, das über einen Vermittler Zugang zu einem Premium-KI-Modell kauft, mag wissen, was auf der Rechnung steht, ohne eine unabhängige Möglichkeit zu haben, zu überprüfen, was hinter dem API-Aufruf passiert ist. Die Anfrage könnte das beworbene Modell erreichen, eine billigere Alternative bei hoher Nachfrage oder eine zusätzliche Verarbeitungsebene, bevor die Antwort den Kunden erreicht. Von außen können alle Wege identisch aussehen.

Diese Vereinbarung schafft eine ungewöhnliche Informationslücke. Die Plattform, die den Dienst verkauft, kontrolliert auch den größten Teil der Beweise, die zeigen, wie der Dienst erbracht wurde. Kunden müssen überprüfen, welches Modell eine Anfrage verarbeitet hat, ob die zurückgegebene Ausgabe der ursprünglichen Antwort des Modells entspricht und ob Latenz, Stabilität und Ausgabequalität dem von ihnen bezahlten Niveau entsprachen.

Für ein Unternehmen, das Kundensupport, Finanzanalysen oder andere sensible Arbeitsabläufe um das Verhalten eines bestimmten Modells herum aufbaut, können Routing-Änderungen betrieblich bedeutsam werden. Die API-Dokumentation von OpenAI warnt davor, dass sich das Prompting-Verhalten zwischen Modell-Snapshots ändern kann, und empfiehlt für Konsistenz festgepinnte Versionen. Letztes Jahr rollte OpenAI ein GPT-4o-Update zurück, nachdem Benutzer auf deutlich unterwürfigeres Verhalten gestoßen waren, was zeigt, wie bedeutende Änderungen die Bewertungen vor der Veröffentlichung entgehen können.

Die Verifizierung adressiert nur einen Teil der Abhängigkeit, die entsteht, wenn der Modellzugriff über einen Vermittler läuft. Dieselbe Abstraktionsebene, die den Zugriff vereinfacht, kann auch den Vermittler schwerer ersetzbar machen.

Die Komfortschicht kann zur Kontrollschicht werden

Die Abhängigkeit beginnt mit einem legitimen technischen Problem. Modellanbieter legen unterschiedliche APIs, Authentifizierungsmethoden, Abrechnungssysteme, Ratenbegrenzungen und Bereitstellungsanforderungen offen. Aggregatoren reduzieren diese Fragmentierung, indem sie Entwicklern eine Schnittstelle für den Zugriff auf mehrere Modelle bieten, oft ohne die Anwendung neu erstellen zu müssen, wenn sich der zugrunde liegende Anbieter ändert.

Bequemlichkeit verschiebt auch, wo sich Marktmacht ansammelt. In ihrer Cloud-Marktuntersuchung 2025 stellte die britische CMA fest, dass Amazon Bedrock Kunden Zugang zu mehreren Basismodellen bietet, aber dennoch Codeänderungen erfordert, wenn zu einem konkurrierenden Dienst wie OpenAI gewechselt wird oder von diesem weg. Sobald Routing, Überwachung, Abrechnung und interne Arbeitsabläufe um eine Aggregationsebene herum aufgebaut sind, kann die Migration zu einem Infrastrukturprojekt werden und nicht zu einem Modellwechsel.

Die Folgen gehen über den technischen Aufwand hinaus. Kunden können Verhandlungsmacht verlieren, stärker Ausfällen oder Richtlinienänderungen des Vermittlers ausgesetzt sein und zusätzliche Reibung beim Testen eines neu veröffentlichten oder hochspezialisierten Modells erleben. Kleinere Modellentwickler sehen sich von der Angebotsseite mit derselben Struktur konfrontiert. Starke technische Leistung garantiert keine Verbreitung, wenn eine Handvoll Marktplätze die Entdeckung, Preisregeln und den Kunden Zugang kontrollieren.

Die Öffnung des Modellangebots bietet ein potenzielles Gegengewicht zu dieser Konzentration, schafft aber ein schwierigeres Verifikationsproblem. Ein Markt, auf dem fast jeder behaupten kann, Modellzugriff bereitzustellen, braucht eine glaubwürdige Möglichkeit zu bestimmen, was jeder Anbieter tatsächlich liefert.

Offene Märkte brauchen einen Schiedsrichter

DGrid versucht, dieses Problem zu lösen, indem es Funktionen trennt, die normalerweise in einer einzigen Plattform gebündelt sind. Seine Architektur kombiniert eine gemeinsame Zugriffsebene für mehr als 200 Modelle, ein unabhängiges Bewertungssystem und einen offenen Marktplatz, auf dem Anbieter Modellzugriff anbieten und Zahlungen abwickeln können.

Das Gateway übernimmt vertraute Aggregationsfunktionen, einschließlich eines API-Schlüssels, einheitlicher Abrechnung, Routing und Failover über Anbieter hinweg. Die ungewöhnlichere Komponente von DGrid ist Proof of Quality. Teilnehmende Knoten erhalten regelmäßig blinde Test-Prompts, und ihre Antworten werden auf Ausgabequalität, Latenz, Stabilität und Formatkonformität bewertet. Die Bewertungen fließen in ein On-Chain-Reputationssystem ein, das Belohnungen und Strafen beeinflussen kann.

Der Ansatz wird durch akademische Forschung gestützt. Das Team von DGrid, einschließlich Mitgründern der Stony Brook University, hat vor dem Start des Netzwerks fünf peer-reviewte Arbeiten zu Proof of Quality veröffentlicht, die sich mit Verifikationsdesign, Kosteneffizienz und Angriffsresistenz befassen. Diese Grundlage unterscheidet DGrid von Projekten, die Code ausliefern und den Mechanismus anschließend in Blogbeiträgen erklären.

Der Ansatz führt externe Rechenschaftspflicht in einen Markt ein, in dem Servicebehauptungen schwer zu prüfen sind. Die Leistung von KI ist jedoch schwerer zu verifizieren als eine Finanztransaktion. Identische Prompts können unterschiedliche Ausgaben erzeugen, die Qualität hängt stark von der Aufgabe ab, und jeder Benchmark spiegelt die Bedingungen wider, für die er entwickelt wurde. Ein Knoten, der bei der Bewertung gut abschneidet, kann sich unter Produktionslast oder spezialisierten Workloads anders verhalten.

Die Anbieterverifizierung funktioniert daher als fortlaufendes Messproblem und nicht als binärer Beweis. Offene Marktplätze können Gatekeeping nur dann reduzieren, wenn Käufer glaubwürdige Signale darüber haben, wer Zugang verkauft und wie zuverlässig jeder Anbieter abschneidet.

Was passiert, wenn jeder Intelligenz verkaufen kann?

DGrid wendet dieselbe Logik auf die Angebotsseite an. Modell- und Compute-Anbieter können Dienste auf dem Marktplatz auflisten, ihre eigenen Preise festlegen und Einnahmen über Smart-Contract-Abrechnung erhalten, anstatt sich vollständig auf eine zentrale Plattform zu verlassen, die Zugang und Geschäftsbedingungen bestimmt. Im Prinzip erhalten spezialisierte und feinabgestimmte Modelle einen weiteren Weg zu Kunden, während Zahlungsströme transparenter werden.

Offene Teilnahme überträgt auch mehr Verantwortung auf die Qualitätskontrollen des Marktplatzes. Hugging Face baute sein Open LLM Leaderboard im Jahr 2024 neu auf, nachdem frühere Benchmarks gesättigt waren, einige neuere Modelle Anzeichen von Kontamination zeigten und GSM8K und TruthfulQA in Instruction-Tuning-Sets auftauchten. Die Episode veranschaulicht das Anreizproblem, dem jedes offene Bewertungssystem gegenübersteht. Anbieter können für sichtbare Tests optimieren, während die Produktionsqualität von der Leaderboard-Leistung abweicht.

DGrid nutzt auch Daten zu menschlichen Präferenzen. Mehr als 500.000 Teilnehmer seiner AI Arena vergleichen Modellantworten anonym und erzeugen Feedback, das in Bewertungs- und Routing-Entscheidungen einfließen kann. Menschliche Vergleiche können Qualitäten aufdecken, die automatisierte Benchmarks übersehen, obwohl die resultierenden Signale weiterhin von den verwendeten Prompts, Teilnehmern und Bewertungskriterien abhängen.

Ein funktionierender Marktplatz benötigt offene Auflistungen, technische Abwicklung und genügend kommerzielle Aktivität, um eine reale Wirtschaft zu unterstützen. Käufer, Anbieter und wiederkehrende Transaktionen müssen dem Bewertungssystem etwas wirtschaftlich Bedeutsames zum Messen geben.

Der schwierige Teil beginnt, nachdem das Produkt funktioniert

Das dezentrale KI-Netzwerk DGrid tritt mit einer bestehenden kommerziellen Basis in diesen Test ein. Das Unternehmen meldete einen Umsatz von 23 Millionen US-Dollar für das erste Halbjahr 2026, mehr als 15.000 zahlende Nutzer und 5 Millionen US-Dollar an Seed-Finanzierung. Diese Zahlen unterscheiden DGrid von vielen Krypto-KI-Netzwerken, die mit Token-Anreizen beginnen und anschließend nach dauerhafter Nachfrage suchen.

DGrid hat die umgekehrte Reihenfolge gewählt. Das Unternehmen baute zunächst einen zentralisierten Dienst auf, den Kunden bereits nutzen, und begann dann, Teile von Zugang, Bewertung und Abwicklung in Richtung eines dezentralen Netzwerks zu verlagern. Diese Reihenfolge könnte ein Frühphasenrisiko verringern, indem sie beweist, dass Kunden für das zugrunde liegende Produkt zahlen, bevor getestet wird, ob eine On-Chain-Ökonomie den Dienst aufrechterhalten kann.

Die schwierigere Frage betrifft die Umstellung von bestehenden Geschäften auf Netzwerkaktivitäten. Ein zentralisierter Kunde, der für den API-Zugang zahlt, wird nicht automatisch zu einem aktiven Teilnehmer an einem dezentralen Marktplatz. Ebenso stellen 500.000 Menschen, die Modelle kostenlos vergleichen, eine andere Form der Nachfrage dar als 15.000 kommerzielle Nutzer. Die Netzwerkliquidität hängt von wiederkehrendem Inferenzvolumen, aktiven Anbietern und Transaktionen ab, die ohne starke Abhängigkeit von Anreizen fortbestehen.

Umsatz zeigt Produktnachfrage, kann aber keine Nachfrage für die darunterliegende Netzwerkarchitektur etablieren. Diese Unterscheidung wird besonders wichtig, sobald der Token in das System eintritt, da die wirtschaftliche Rolle des Tokens davon abhängt, ob echte KI-Nutzung die Aktivität erzeugen kann, die Anreize andernfalls künstlich herstellen müssten.

Kann der Token zur Infrastruktur statt zum Anreiz werden?

Die Rolle des Tokens geht über die Finanzierung hinaus. In der vorgeschlagenen Netzwerkökonomie von DGrid setzen Knotenbetreiber Token als Sicherheit ein, Nutzer können Token für KI-Dienste ausgeben, Anbieter erhalten Belohnungen und Inhaber nehmen an der Governance teil. Jede Funktion ist darauf ausgelegt, das Asset mit der operativen Aktivität im Netzwerk zu verbinden, statt nur mit dem Handel.

Dauerhafte Nachfrage stellt den anspruchsvolleren Test dar. Ein Token, der verwendet wird, weil Kunden Inferenz benötigen und Anbieter Sicherheiten brauchen, hat eine andere wirtschaftliche Grundlage als einer, der hauptsächlich durch Belohnungen angetrieben wird, die darauf abzielen, frühe Teilnehmer anzuziehen. In der Wachstumsphase eines Netzwerks können organische Nutzung und subventionierte Teilnahme leicht koexistieren und diese Unterscheidung verschwimmen lassen.

Das Angebotsdesign erhöht den Einsatz. Die Hälfte der Token-Allokation ist für Knoten vorgesehen, wobei die Verteilung über einen langen Emissionszeitraum erfolgt. Anreize können helfen, die Infrastruktur aufzubauen, machen es aber auch schwieriger zu bestimmen, ob Anbieter nach dem Rückgang der Belohnungen oder bei sich ändernden Marktbedingungen weiterhin Kapazitäten bereitstellen würden.

Der Token wird wirtschaftlich bedeutsam, wenn der Nutzen mit produktiver Netzwerkaktivität verknüpft ist, einschließlich gekaufter Inferenz, von arbeitenden Knoten bereitgestellter Sicherheiten und Governance, die über Marktplatzentscheidungen ausgeübt wird. Ohne diese Verbindung riskiert die Dezentralisierung, eine finanzielle Ebene zu einem Dienst hinzuzufügen, dessen Kunden ähnliche Funktionalität auch ohne eine solche erhalten könnten.

Der Maßstab ist Vertrauen ohne die Blockchain

Der Wettbewerbsmaßstab geht weit über dezentrale KI-Netzwerke hinaus. Modellunternehmen wie OpenAI und Anthropic entwickeln proprietäre Systeme, Computernetzwerke liefern Infrastruktur, und Aggregationsplattformen machen mehrere Modelle über eine gemeinsame Schnittstelle leichter zugänglich. DGrid versucht, Aggregation mit offenem Angebot, externer Qualitätsbewertung und On-Chain-Abwicklung zu kombinieren.

Diese zusätzlichen Ebenen sind wichtig, wenn sie Probleme lösen, die zentralisierte Plattformen ungelöst lassen. Offene Teilnahme kann den Anbieterpool erweitern. Reputationsdaten können Kunden stärkere Belege für die Leistung von Anbietern liefern, während gemeinsame Zugangsinfrastruktur die technischen Kosten für den Wechsel zwischen Modellen senken kann. Zentralisierte Aggregatoren konkurrieren derweil bereits aggressiv bei Komfort, Zuverlässigkeit und Zugangsbreite, ohne dass Kunden mit Blockchain-Infrastruktur interagieren müssen.

Der Käufer wird daher zum entscheidenden Test. Niedrigere Wechselkosten, breitere Modellauswahl, prüfbare Servicequalität und wettbewerbsfähigere Preise würden jeweils einen messbaren Grund liefern, eine größere architektonische Komplexität zu akzeptieren. Ohne diese Vorteile fungiert die Blockchain-Abwicklung hauptsächlich als Implementierungsentscheidung und nicht als Kundenvorteil.

Der stärkste Maßstab für DGrid ist das Vertrauen und der Komfort, den Nutzer bereits von zentralisierten Diensten erhalten. Zu beweisen, dass eine dezentrale Alternative besser abschneidet, erfordert Belege dafür, wie sich das Netzwerk unter realer kommerzieller Nachfrage verhält, insbesondere wenn Anreize weniger Last tragen.

Was würde beweisen, dass das Modell funktioniert?

Drei Formen von Belegen würden den klarsten Test liefern. Kommerzielle Nachfrage steht an erster Stelle. Das Inferenzvolumen sollte wachsen, weil Kunden DGrid wegen seiner Wirtschaftlichkeit, des Modellzugriffs oder der Verifizierungsfunktionen wählen, wobei anhaltende Nutzung zeigt, ob Netzwerkaktivität überleben kann, wenn die Kosten für die Gewinnung früher Nutzer steigen.

Anbieterdiversität bietet ein zweites Maß. Ein offener Marktplatz wird bedeutungsvoller, wenn unabhängige Anbieter, spezialisierte Modelle und feinabgestimmte Systeme eine Verbreitung erlangen, die sie anderswo nur schwer erreichen würden. Wenn sich die meiste Aktivität weiterhin auf Modelle konzentriert, die bereits über etablierte Aggregatoren verfügbar sind, könnte der Marktplatz die Abwicklung verbreitern, ohne das Angebot wesentlich zu erweitern.

Die Token-Aktivität bietet den dritten Test. Zahlungen für Inferenz, Staking durch produktive Knoten und Governance-Beteiligung würden die Token-Nutzung mit dem Betrieb des Netzwerks verbinden. Spekulativer Umsatz und Teilnahme, die hauptsächlich durch Emissionen angetrieben werden, würden auf eine schwächere Beziehung zwischen dem Vermögenswert und der zugrunde liegenden KI-Nachfrage hindeuten.

KI-Aggregation macht den Modellzugriff bereits einfacher. DGrid testet, ob dieser Komfort mit offenem Angebot und unabhängig beobachtbarer Leistung koexistieren kann, ohne die gleichen Vertrauensabhängigkeiten an anderer Stelle im Stack zu reproduzieren. Die Antwort wird sich aus dem Kundenverhalten, der Lieferantenbeteiligung und der Netzwerkökonomie ergeben, sobald DGrid in großem Maßstab operiert.