Verifiable Compute 2026: Die Beweise skalieren, die Token nicht

„Vertrau mir“ ist in der Kryptowelt kein Argument. Ein Jahrzehnt lang bestand die ganze Idee darin, Vertrauen durch Verifikation zu ersetzen: Ein Smart Contract tut, was sein Code sagt, und jeder kann es nachrechnen. Künstliche Intelligenz bringt genau dieses Problem zurück. Ein großes Sprachmodell ist eine Black Box; wenn ein KI-Agent eine Transaktion auslöst oder ein Orakel einen Preis meldet, muss man dem Betreiber schlicht glauben, dass die Berechnung ehrlich und korrekt lief. Verifiable compute, also nachweisbares Rechnen, will genau das abschaffen: nicht nur ein Ergebnis liefern, sondern einen billig prüfbaren Beweis mit, dass es richtig berechnet wurde.

2026 ist das Jahr, in dem diese Idee aus dem Labor auf die Straße gekommen ist. Über Jahre lautete der Standardeinwand gegen „beweisbare KI“, man könne die Ausgabe eines großen Sprachmodells mathematisch nicht in vertretbarer Zeit beweisen, die Rechenlast sei zu hoch. Diese Mauer ist gefallen. Lagrange hat mit DeepProve das erste produktionsreife zkML-System vorgelegt, das den Beweis einer vollständigen LLM-Inferenz erzeugt. EigenCloud hat verifizierbare Inferenz und verifizierbares Rechnen ins Mainnet gebracht. Boundless und Succinct haben Zero-Knowledge-Beweise zu einem Marktplatz gemacht. Die Technik liefert.

Und trotzdem: Jeder Token, der diesen Wert einfangen soll, notiert tief im Minus. EIGEN, PROVE, ZKC, LA, PHA, eine ganze Reihe funktionierender, ausgelieferter Infrastruktur, deren Kurse aussehen wie ein Trümmerfeld, zwischen 91 und 98 Prozent unter dem Allzeithoch. Diese Kluft zwischen Technik und Token ist die eigentliche Geschichte von verifiable compute im Jahr 2026. Dieser Beitrag erklärt, was nachweisbares Rechnen ist, warum ausgerechnet dieses Jahr der Wendepunkt war, wie die vier konkurrierenden Ansätze funktionieren, was tatsächlich live ging, was es kostet, wer es braucht, und warum der Markt bisher keinen dieser Fortschritte belohnt hat. Preise in Euro, Regulierung aus Sicht von BaFin und EU.

Was verifiable compute wirklich bedeutet

Der Kern ist einfach. Nachweisbares Rechnen heißt: Man führt eine Berechnung nicht nur irgendwo aus, sondern erzeugt zusätzlich einen Beweis, dass sie korrekt ausgeführt wurde, und dieser Beweis lässt sich deutlich billiger prüfen als die Berechnung selbst. Das Vertrauen verschiebt sich von „Vertrau dem Server“ zu „Prüfe den Beweis“. Der Prüfende muss die schwere Arbeit nie wiederholen; er kontrolliert nur ein kompaktes Zertifikat. Genau dieses Prinzip macht Blockchains überhaupt erst funktionsfähig, und es ist dasselbe Prinzip, das man nun auf KI anwenden will.

Wichtig ist die Abgrenzung zu bloß dezentralem Rechnen. Marktplätze wie Akash oder Netzwerke wie Bittensor vermieten GPU-Leistung, verteilen also die Hardware, aber sie beweisen nicht, dass ein Anbieter ehrlich gerechnet hat. Ein Anbieter könnte ein billigeres, schlechteres Modell einsetzen, die halbe Berechnung überspringen oder das Ergebnis fälschen, und niemand würde es merken. Verifiable compute schließt genau diese Lücke: Es geht nicht darum, wo gerechnet wird, sondern ob das Ergebnis nachweisbar dem entspricht, was hätte berechnet werden sollen.

Warum kümmert das die Kryptobranche besonders? Weil Smart Contracts von Natur aus deterministisch und überprüfbar sind, KI aber genau das Gegenteil ist. Sobald man KI in eine Blockchain-Umgebung holt, in autonome Agenten, in Preisorakel, in Handelsstrategien, reißt man das Vertrauensloch wieder auf, das die Branche ein Jahrzehnt lang zu stopfen versucht hat. Vitalik Buterin hat dieses Spannungsfeld früh sortiert. In seinem Essay über die Chancen und Grenzen von Krypto plus KI ordnet er die Verbindungen beider Welten und warnt: Sobald eine KI innerhalb eines Mechanismus mitentscheidet, bei dem echtes Geld auf dem Spiel steht, braucht es die stärksten Garantien, die verfügbar sind. Man muss nachprüfen können, nicht nur vertrauen. Verifiable compute ist der Versuch, diese Garantie technisch zu liefern.

Warum 2026 der Wendepunkt ist

Die entscheidende Nachricht dieses Jahres ist technisch, nicht spekulativ: Die sogenannte LLM-Mauer ist gefallen. Am 3. Juni 2026 hat Lagrange Labs sein zkML-System DeepProve als Open Source freigegeben und dabei nach eigenen Angaben über 12 Millionen kryptografische Beweise erzeugt und mehr als 3 Millionen KI-Inferenzen Ende zu Ende verifiziert. Der Sprung, der wirklich zählt: DeepProve erzeugt laut Lagrange für LLM-Inferenzen die Beweise rund 60-mal schneller als der bisherige Stand der Technik und verifiziert sie bis zu 671-mal schneller. Je nach Modelltyp beziffert Lagrange die Beschleunigung gegenüber dem zuvor führenden zkML sogar noch höher.

Konkret bedeutet das: Zum ersten Mal lässt sich die vollständige Inferenz eines echten Transformer-Sprachmodells kryptografisch beweisen, von der Token-Einbettung bis zur Auswahl des nächsten Tokens. Bewiesen wurden Ende zu Ende zunächst GPT-2 und Modelle der Gemma-3-Klasse; Modelle im Llama-Maßstab nennt Lagrange als in aktiver Entwicklung. Man sollte das nüchtern einordnen: GPT-2 hat rund 124 Millionen Parameter, moderne Spitzenmodelle das Hundert- bis Tausendfache. Ein Frontier-Modell vollständig zu beweisen, ist also noch nicht erreicht. Aber die Kategorie „grundsätzlich unmöglich“ ist gefallen, und das ist der eigentliche Bruch mit den Vorjahren.

Lagrange-Chef Ismael Hishon-Rezaizadeh hat die Freigabe mit einem Satz umrissen, der die Ambition gut fasst: DeepProve sei nicht gebaut worden, um verifizierbare KI zu besitzen, sondern damit es niemand besitzen muss. „Heute wird DeepProve zu einem Primitiv. Die Black Box ist offen“, sagte er zur Open-Source-Veröffentlichung. Als öffentlicher Praxistest diente Turing Roulette, eine Live-Demonstration, bei der nach Lagranges Angaben mehr als 500.000 Teilnehmer 3,7 Millionen KI-Inferenzen erzeugten, jede einzeln kryptografisch verifiziert.

Parallel dazu ist die krypto-ökonomische Schiene erwachsen geworden. EigenCloud, der zu einer verifizierbaren Cloud umgebaute Restaking-Anbieter, hat seine Dienste EigenAI und EigenCompute bereits am 30. September 2025 im Mainnet-Alpha gestartet. EigenAI liefert eine zur OpenAI-Schnittstelle kompatible, deterministische Inferenz-API: Derselbe Aufruf soll bei jeder Ausführung dasselbe Ergebnis liefern, damit es überhaupt verifizierbar wird. EigenCompute führt beliebigen Code in vertraulichen VMs aus und stützt die Ausführung auf die wirtschaftliche Sicherheit des Restaking-Netzwerks. Wer die beiden früheren HOGE-Wire-Erklärstücke zu verifiable compute gelesen hat, findet hier den aktuellen Stand: Aus Konzept ist laufende Infrastruktur geworden.

Die vier Wege, eine Berechnung zu beweisen

Es gibt nicht einen Weg zu nachweisbarem Rechnen, sondern vier, und sie unterscheiden sich grundlegend darin, wem oder was man am Ende vertrauen muss. Zero-Knowledge-Verfahren (zkML) liefern einen mathematischen Beweis, der ganz ohne Vertrauen auskommt, sind aber rechenintensiv. Trusted Execution Environments (TEE) verlagern das Vertrauen auf den Chiphersteller. Optimistisches ML (opML) macht das Betrügen wirtschaftlich unattraktiv und verlässt sich auf wachsame Beobachter. Krypto-ökonomische Ansätze hinterlegen Kapital, das bei Fehlverhalten verfallen kann. Die folgende Tabelle stellt sie gegenüber.

Keiner der vier Ansätze ist in jeder Hinsicht überlegen. Sie tauschen jeweils Sicherheit gegen Geschwindigkeit gegen Kosten. Genau deshalb gibt es 2026 nicht einen Gewinner, sondern eine Landschaft, in der Entwickler nach Einsatzzweck wählen und zunehmend mischen.

zkML: der Durchbruch bei der Skalierung

zkML gilt als Goldstandard, weil ein Zero-Knowledge-Beweis mathematisch bindend ist: Wer den Beweis prüft, muss niemandem vertrauen, keiner Hardware, keinem Betreiber, keinem Stake. Der Preis dafür war lange prohibitiv. Ein neuronales Netz in einen arithmetischen Schaltkreis zu übersetzen, den ein ZK-System verarbeiten kann, erzeugt gewaltigen Overhead, der mit der Modellgröße überproportional wächst. Elena Burger von a16z crypto hat das Grundproblem in ihrer Analyse zu Machine Learning und Zero-Knowledge-Beweisen präzise benannt: Native 32-Bit-Fließkommaoperationen lassen sich nicht ohne massiven Overhead in ZK-taugliche Schaltkreise gießen, weshalb Entwickler auf 8-Bit-quantisierte Modelle ausweichen, die nur „grobe Annäherungen“ des Originals sind. Genauigkeit gegen Beweisbarkeit, das war jahrelang der Zielkonflikt.

2026 hat sich hier am meisten getan. DeepProve setzt auf moderne Beweisverfahren wie Sumcheck und logup-GKR, um die Kosten zu drücken, und der Quellcode samt Prover, Verifier und ONNX-Pipeline liegt seit Juni offen auf GitHub. Ein zweiter, akademischer Strang zielt auf dieselbe Engstelle: Jolt Atlas, im Februar 2026 als Preprint vorgestellt, erweitert den Jolt-zkVM von a16z auf Tensor-Operationen und ersetzt teure Schaltkreise für Funktionen wie ReLU und Softmax durch Nachschlagetabellen (Lookups). Der Effekt: Beweise lassen sich sogar auf gewöhnlicher Hardware erzeugen, ohne Spezialbeschleuniger. Lookups statt teurer Arithmetik, das ist die technische Wirbelsäule des Jahres.

Trotzdem gilt die nüchterne Einordnung: Der Basiswert EZKL, an dem sich alle messen, brauchte für den Beweis eines einzigen Beispiels eines kleinen Empfehlungsmodells historisch Stunden. Selbst mit den Beschleunigungen von 2026 kostet ein Beweis reale Zeit und reale Rechenleistung. zkML ist nicht mehr unmöglich für Sprachmodelle, aber es ist noch weit von der Echtzeit-Inferenz eines Frontier-Modells entfernt. Der Fortschritt ist gewaltig und die Grenze ist real, beides gleichzeitig.

TEE: schnell, aber das Vertrauen wandert zum Chiphersteller

Wo zkML rechnet, bis der Beweis steht, geht der TEE-Ansatz einen ganz anderen Weg. Ein Trusted Execution Environment ist ein abgeschotteter, verschlüsselter Bereich im Prozessor, der von außen nicht einsehbar ist und per kryptografischer Attestierung bezeugen kann, welcher Code darin lief. Intel liefert das mit TDX, AMD mit SEV, und entscheidend für KI: NVIDIAs H100-Generation bringt Confidential Computing auf die GPU, mit einem Speicher-Firewall und laut NVIDIA weniger als 7 Prozent Inferenz-Overhead. Damit lassen sich sehr große Modelle in nahezu voller Geschwindigkeit ausführen und trotzdem attestieren, was zkML heute schlicht nicht kann.

Der praktische Vorreiter ist Phala Network mit über 30.000 TEE-Geräten und, nach eigenen Angaben, mehr als einer Milliarde per TEE verarbeiteter LLM-Token pro Tag über den Router OpenRouter. Die Zahl zeigt: TEE ist keine Theorie, sondern trägt bereits echten Verkehr. Der Haken steckt im Vertrauensmodell. TEE ist nicht vertrauenslos. Man vertraut darauf, dass der Chiphersteller sauber gearbeitet hat und dass kein Seitenkanalangriff die Enklave aufbricht. Die Geschichte der TEE-Sicherheit ist eine Kette gefundener und gepatchter Lücken; HOGE Wire hat in der englischen Ausgabe eigens beschrieben, wie regelmäßig TEEs geknackt werden. Wer TEE einsetzt, tauscht den Betreiber gegen den Siliziumhersteller als Vertrauensanker, mehr nicht, aber auch nicht weniger.

opML und krypto-ökonomische Sicherheit

Der dritte Weg leiht sich direkt bei den Rollups. opML, optimistisches Machine Learning, veröffentlicht ein Ergebnis samt einer Merkle-Verpflichtung auf der Kette und behandelt es nach einem Challenge-Fenster als endgültig, sofern niemand widerspricht. Widerspricht jemand, entscheidet ein Fraud-Proof in einer eingeschränkten virtuellen Maschine, wer recht hat. Das Verfahren ist ausdrücklich den optimistischen Rollups nachempfunden und wurde von Ora Protocol vorangetrieben und 2024 formalisiert. Der Vorteil: Es ist günstig und skaliert auf große Modelle, weil im Normalfall gar kein Beweis erzeugt werden muss. Der Preis: Latenz durch das Streitfenster und die Annahme, dass mindestens ein ehrlicher Beobachter mitschaut. Echtzeit-Interaktion ist so nicht zu haben.

Der vierte Weg ist der krypto-ökonomische, und EigenCloud ist sein prominentester Vertreter. Die Garantie ist hier nicht mathematisch, sondern wirtschaftlich: Wer rechnet, hinterlegt Kapital (per Restaking gebundenes ETH), das per Slashing verfällt, wenn Fehlverhalten nachgewiesen wird. Solange die Kosten eines Betrugs den möglichen Gewinn übersteigen, lohnt sich Ehrlichkeit. Das ist kein Beweis im kryptografischen Sinn, sondern ein Anreiz, aber ein sofort skalierbarer, hardwareunabhängiger. Dass Sicherheit selbst zu einem handelbaren Gut wird, ist ein Muster, das über KI hinausreicht; HOGE Wire hat es am Beispiel von SSVs Sicherheitsmarktplatz beschrieben, bei dem gestaktes Kapital als Dienstleistung an andere Protokolle vermietet wird. Verifiable compute ist eine Anwendung genau dieser Idee.

EigenCloud, Boundless, Succinct: was 2026 live ging

Der oft übersehene Punkt der Debatte ist, dass 2026 nichts davon mehr Zukunftsmusik ist. Die tragenden Systeme sind im Mainnet, verarbeiten Verkehr und haben erste Partner. Die folgende Zeitleiste fasst zusammen, was tatsächlich ausgeliefert wurde.

Succinct SP1 ist eine zkVM auf RISC-V-Basis, an die inzwischen mehr als 35 Protokolle andocken, darunter Namen wie Polygon und Celestia; der Token PROVE dient als Sicherheit per Stake und Slashing für die Prover. Boundless verwandelt Beweiserzeugung in einen offenen Markt: Provers konkurrieren um Aufträge und werden über einen Mechanismus namens Proof of Verifiable Work nach Menge, Geschwindigkeit und Komplexität ihrer Beweise entlohnt. Das Mainnet ging im September 2025 auf Base live, unterstützt von der Ethereum Foundation, Base und Wormhole; nach dem Start hatten bereits mehr als 30 Protokolle die Beweis-Funktionen integriert. EigenCompute wiederum verkauft sich als vertraute Entwicklererfahrung im AWS-Stil, nur mit Verifizierbarkeit auf der Kette, und nennt auf seiner Produktseite reale Integrationen. Ein sprechendes Beispiel: Coinbases AgentKit soll einen Agenten betreiben, der auf EigenCompute läuft, für die Inferenz EigenAI nutzt und die Blockchain-Interaktionen abwickelt. Genau dort, wo ein Agent eigenständig handelt, wird Verifizierbarkeit vom Luxus zur Bedingung.

Das Verifizierbarkeits-Trilemma

Warum gibt es nicht einfach den einen besten Ansatz? Weil verifiable compute einem Trilemma unterliegt: Integrität, Latenz und Kosten lassen sich nicht gleichzeitig maximieren. Wer die stärkste Integrität will (zkML), zahlt mit Rechenlast und Wartezeit. Wer niedrige Latenz und geringe Kosten will (TEE oder opML), gibt einen Teil der kryptografischen Garantie auf. Jede Architektur ist eine Position in diesem Dreieck, keine Lösung, die es auflöst.

Verschärft wird das Ganze durch ein Determinismus-Paradox, das speziell KI betrifft. Die Inferenz großer Modelle auf GPUs ist von Haus aus nicht bit-genau reproduzierbar: Fließkomma-Rundung und die Reihenfolge paralleler Berechnungen führen dazu, dass derselbe Prompt minimal unterschiedliche Ausgaben erzeugen kann. Ein ZK-Beweis aber verlangt exakte Determiniertheit, sonst passt der Beweis nicht zum Ergebnis. Deshalb ist die scheinbar langweilige Zusage von EigenAI, eine deterministische Inferenz zu liefern, in Wahrheit die halbe Miete: Ohne reproduzierbares Ergebnis gibt es nichts zu beweisen.

Der Trend 2026 heißt entsprechend Hybride. In Fachpreprints kursieren optimistische TEE-Rollups, die eine H100-Enklave für schnelle Endgültigkeit mit optimistischen Fraud-Proofs und stichprobenartigen ZK-Kontrollen kombinieren. Die Logik: die Geschwindigkeit von TEE, die Ökonomie des Optimistischen und der harte kryptografische Anker von ZK, aber nur dort, wo er sich lohnt. Kein Ansatz gewinnt allein; sie werden geschichtet.

Der Preis der Gewissheit: Overhead, Latenz, Energie

Nachweisbares Rechnen ist nicht gratis, und das ist mehr als eine Fußnote. Einen Beweis zu erzeugen, kann die reine Berechnung um ein Vielfaches verteuern; frühe Benchmarks bewegten sich im Bereich von Stunden pro Beispiel für vergleichsweise kleine Modelle. Selbst nach den Sprüngen von 2026 gilt: Wer beweist, rechnet die Arbeit einmal und beweist sie ein weiteres Mal, oft mit erheblichem Zusatzaufwand. Das ist kein Argument gegen die Technik, aber gegen ihren pauschalen Einsatz.

Dazu kommt die Energiefrage, die in einem Jahr, in dem KI-Rechenzentren ohnehin um jede Kilowattstunde ringen, alles andere als nebensächlich ist. Zusätzliche Beweisrechnung bedeutet zusätzlichen Strombedarf, und der landet in derselben angespannten Bilanz, über die HOGE Wire im Krypto-Energiemix 2026 geschrieben hat, wo Mining, KI und Netz um denselben Strom konkurrieren. Verifizierbarkeit hat also einen ökologischen Preis, den man ehrlich einpreisen muss.

Die pragmatische Antwort darauf hat Vitalik Buterin schon vorgezeichnet: Nicht jede Berechnung braucht einen Beweis. Es gibt einen Zielkonflikt zwischen billigem, unverifiziertem und teurem, verifiziertem Rechnen, und die Kunst liegt darin, das teure Verfahren nur auf die wenigen wirklich kritischen Prozente anzuwenden, nicht auf die banalen 99 Prozent. Ein KI-Chatbot, der Wetterfragen beantwortet, braucht keinen ZK-Beweis. Ein Agent, der eine sechsstellige Summe bewegt oder ein Orakel, das einen Derivatepreis festsetzt, sehr wohl. Verifiable compute ist ein Werkzeug für hohe Einsätze, kein Standard für jede Zeile Rechnung.

Wofür man das braucht: KI-Agenten mit echtem Geld

Die Nachfrage nach verifiable compute ist kein akademisches Bedürfnis, sie folgt einem konkreten Wandel: KI-Agenten fangen an, echtes Geld zu halten und zu bewegen. Solange ein Modell nur Text ausgibt, ist ein falsches Ergebnis ärgerlich. Sobald ein autonomer Agent eine Wallet kontrolliert, Aufträge platziert oder Verträge abschließt, wird „vertrau mir“ zum Risiko. Genau deshalb baut Coinbase seinen Agenten-Baukasten so, dass er auf verifizierbarer Infrastruktur laufen kann. Ein Agent, der beweisen kann, welches Modell mit welchen Eingaben zu welcher Entscheidung führte, bevor er unterschreibt, ist ein anderes Sicherheitsversprechen als eine Black Box mit Kontovollmacht.

Die Anwendungsfälle reichen weiter. Verifizierbare Orakel können nicht nur einen Preis melden, sondern beweisen, dass er aus den richtigen Daten korrekt abgeleitet wurde. Prognosemärkte, in denen zunehmend Bots handeln und teils KI über die Auflösung entscheidet, brauchen einen nachprüfbaren Schiedsspruch, sonst wird die Entscheidung selbst zur Angriffsfläche; HOGE Wire hat diese Dynamik in der Analyse zu Prediction-Market-Agents ausgeleuchtet. Und KI-native Ketten treiben das Prinzip auf die Spitze, indem sie verifizierbare Inferenz zum Kern des Protokolls machen, wie das Beispiel Ritual zeigt. Der gemeinsame Nenner: Überall dort, wo eine KI-Ausgabe eine finanzielle oder verbindliche Folge auslöst, wird der Beweis vom Extra zum Fundament.

Die große Divergenz: Technik liefert, Token nicht

Hier kommt der unbequeme Teil. Man könnte erwarten, dass funktionierende, ausgelieferte Infrastruktur mit echten Partnern sich in den Token-Kursen niederschlägt. Das Gegenteil ist der Fall. Ausnahmslos jeder Token aus diesem Feld notiert tief unter seinem Allzeithoch, und zwar unabhängig davon, wie gut die Technik ausgeliefert hat. Die folgenden Werte stammen aus einem direkten Abruf bei CoinGecko am 13. August 2026.

Zum Vergleich: TAO, der Token des größten dezentralen KI-Netzwerks Bittensor, hält sich mit rund 170 Euro deutlich besser, ist aber selbst kein verifiable-compute-Token im engeren Sinn, sondern Bezahlmittel für ein Marktplatzmodell. Die fünf Werte oben dagegen sollen genau den Wert einfangen, den nachweisbares Rechnen schafft, und der Markt bewertet sie wie gescheiterte Experimente.

Woran liegt die Kluft? Mehrere Gründe greifen ineinander. Erstens ist bei Infrastruktur-Token oft unklar, wie Nutzung in Token-Wert fließt: Ein Protokoll kann viele Beweise erzeugen, ohne dass davon viel beim Token ankommt. Zweitens drücken Freischaltungen von Team- und Investoren-Anteilen laufend neues Angebot in dünne Märkte. Drittens ist die gesamte KI-Krypto-Erzählung 2024 den realen Umsätzen weit vorausgeeilt, und 2026 holt die Ernüchterung nach. Das Ergebnis ist eine seltene Konstellation: Die Technologie-These und die Token-These fallen auseinander. Man kann von verifiable compute überzeugt sein und trotzdem feststellen, dass die zugehörigen Token bisher keinen tragfähigen Wertmechanismus haben.

Regulierung: BaFin, MiCA und der EU AI Act

Für deutsche Leser lohnt der Blick auf zwei Regelwerke, die sich hier unerwartet berühren. Zunächst die Kryptoregulierung: MiCA und die BaFin regulieren nicht das Protokoll oder die Rechen-Infrastruktur selbst, sondern die Dienstleister und Emittenten. Wer in der EU Kryptowerte-Dienstleistungen anbietet, also etwa Handel, Verwahrung oder Vermittlung, braucht eine Erlaubnis; die BaFin fasst das in ihrem Merkblatt zu Kryptowerte-Dienstleistungen zusammen. Die verkürzte MiCA-Übergangsfrist ist in Deutschland zum 1. Juli 2026 ausgelaufen, Anbieter müssen also voll konform oder draußen sein. Ein Beweissystem als solches fällt nicht darunter; ein Token, der für dessen Nutzung bezahlt, oder ein Agent, der Kundengelder verwaltet, kann sehr wohl in den Anwendungsbereich rutschen.

Damit rückt die Einordnung der Token in den Fokus. Sind PROVE, ZKC, LA oder EIGEN reine Nutzungs-Token oder faktisch Investments? Diese Frage kennt man aus der US-Debatte als Howey-Frage, und sie ist auch für europäische Emittenten relevant, weil sie über die anzuwendenden Regeln entscheidet; HOGE Wire hat die Systematik im Beitrag zum Howey-Test aufbereitet. In den USA haben SEC und CFTC 2026 in einer gemeinsamen Auslegung mehrere digitale Rohstoffe benannt, darunter LINK, aber zu KI- und verifiable-compute-Infrastruktur schweigen sie, was diese Token in einer Grauzone belässt.

Der eigentlich interessante europäische Dreh liegt woanders: Der EU AI Act könnte Nachfrage nach nachweisbarem Rechnen erzeugen. Seit dem 2. August 2025 gelten die Pflichten für Anbieter von Modellen mit allgemeinem Verwendungszweck (GPAI), und der Rahmen betont Transparenz, Dokumentation und Nachvollziehbarkeit von KI-Systemen, wie die Europäische Kommission in ihrem Regulierungsrahmen für KI darlegt. Ein kryptografischer Nachweis, dass ein bestimmtes Modell eine bestimmte Ausgabe erzeugt hat, ist genau die Art von prüfbarem Artefakt, das eine Auditpflicht bedienen kann. Was als Krypto-Spielerei begann, könnte so zum Compliance-Werkzeug werden, ein regulatorischer Rückenwind, den die US-Perspektive meist übersieht.

Was Entwickler und Anleger jetzt beachten sollten

Für Entwickler ist die Botschaft von 2026 handfest: Wähle den Ansatz nach dem Einsatz. Für hohe Werte mit Toleranz für etwas Wartezeit ist zkML das stärkste Versprechen, weil es ohne Vertrauen auskommt. Für große Modelle in nahezu Echtzeit führt derzeit kaum ein Weg an TEE vorbei, mit dem Hersteller als Vertrauensanker. Für günstige Skalierung über viele unkritische Aufrufe bieten sich opML oder krypto-ökonomische Sicherung an. Und zunehmend ist die richtige Antwort ein Hybrid, der Schichten kombiniert, statt sich auf eine einzige Garantie zu verlassen.

Für Anleger ist die Trennung zweier Thesen entscheidend, und das ist keine Anlageberatung, sondern eine Beobachtung. Die Technologie-These, dass verifizierbares Rechnen für eine agentische KI-Zukunft gebraucht wird, ist 2026 stärker als je zuvor, weil die Systeme laufen und die härteste technische Grenze gefallen ist. Die Token-These dagegen ist unbewiesen: Jeder der genannten Werte steht aus einem Grund 90 Prozent und mehr im Minus, nämlich weil ein überzeugender Mechanismus fehlt, wie Nutzung in nachhaltigen Token-Wert übergeht. Wer das eine für das andere hält, verwechselt eine gute Technologie mit einer guten Investition.

Der Ausblick auf 2027 hat damit eine klare Messlatte. 2026 hat die Machbarkeit bewiesen. Die offenen Fragen sind jetzt Kosten (fallen Beweiszeiten und Energiebedarf weit genug), allgemeine Verfügbarkeit (verlassen EigenAI und Co. den Alpha-Status) und, am wichtigsten, ob zahlende Nachfrage auftaucht, sei es von KI-Agenten mit echtem Geld oder von Unternehmen, die den EU AI Act erfüllen müssen. Wenn diese Nachfrage kommt, war die Divergenz von 2026 eine Chance. Wenn nicht, war sie ein Urteil.

Häufig gestellte Fragen

Was ist verifiable compute einfach erklärt?

Verifiable compute (nachweisbares Rechnen) bedeutet, dass eine Berechnung nicht nur ein Ergebnis liefert, sondern zusätzlich einen kompakten Beweis, dass sie korrekt ausgeführt wurde. Dieser Beweis lässt sich viel billiger prüfen als die Berechnung selbst. Statt dem Server oder KI-Anbieter zu vertrauen, prüft man den Beweis. Im KI-Kontext heißt das, dass man belegen kann, dass ein bestimmtes Modell eine bestimmte Eingabe verarbeitet und ein bestimmtes Ergebnis erzeugt hat.

Kann man wirklich beweisen, dass eine KI ein Ergebnis korrekt berechnet hat?

Seit 2026 teilweise ja. Lagranges DeepProve hat als erstes produktionsreifes zkML-System den kryptografischen Beweis einer vollständigen LLM-Inferenz erzeugt, zunächst für kleinere Transformer wie GPT-2 und Modelle der Gemma-3-Klasse. Sehr große Spitzenmodelle vollständig und in Echtzeit zu beweisen, ist noch nicht erreicht. Für große Modelle nutzt man alternativ Hardware-Enklaven (TEE) oder wirtschaftliche Sicherungen, die schneller sind, aber ein anderes Vertrauensmodell haben.

Was ist der Unterschied zwischen zkML, TEE und opML?

zkML liefert einen mathematischen Beweis, der ganz ohne Vertrauen in Dritte auskommt, ist aber rechenintensiv und langsam. TEE führt die Berechnung in einer abgeschotteten Hardware-Enklave aus und attestiert sie; das ist schnell, verlangt aber Vertrauen in den Chiphersteller und ist anfällig für Seitenkanalangriffe. opML veröffentlicht ein Ergebnis und lässt es innerhalb eines Challenge-Fensters anfechten; es ist günstig und skaliert, braucht aber mindestens einen ehrlichen Beobachter und bringt Latenz mit.

Warum fallen die Token, wenn die Technik funktioniert?

Weil Technologie-Wert und Token-Wert zwei verschiedene Dinge sind. Bei Infrastruktur-Token ist oft unklar, wie Nutzung in Token-Wert fließt, laufende Freischaltungen erhöhen das Angebot, und die KI-Krypto-Erzählung war den realen Umsätzen weit vorausgeeilt. Am 13. August 2026 notierten EIGEN, PROVE, ZKC, LA und PHA laut CoinGecko alle zwischen rund 91 und 98 Prozent unter ihrem Allzeithoch, obwohl die zugehörigen Systeme live sind.

Ist verifiable compute in Deutschland reguliert?

Die Rechen-Infrastruktur selbst nicht direkt. MiCA und die BaFin regulieren Dienstleister und Emittenten, nicht das Protokoll. Ein Token, der für die Nutzung bezahlt, oder ein KI-Agent, der Kundengelder verwaltet, kann jedoch in den Anwendungsbereich fallen. Zusätzlich verlangt der EU AI Act seit August 2025 mehr Transparenz und Nachvollziehbarkeit von KI-Systemen, was kryptografische Nachweise perspektivisch zu einem Compliance-Werkzeug machen könnte.

Marcus Okafor berichtet für HOGE Wire über künstliche Intelligenz, Krypto und die Infrastruktur, die beide verbindet.