zk-ML 2026: Wie Krypto KI-Modelle überprüfbar macht

Jahrelang galt zk-ML als das eleganteste und zugleich unpraktischste Versprechen der KI-Krypto-Szene: ein kryptografischer Beweis, der zeigt, dass ein KI-Modell eine Ausgabe wirklich so berechnet hat, wie es behauptet, ohne dass jemand die Rechnung nachvollziehen muss. Elegant, weil er Vertrauen durch Mathematik ersetzt. Unpraktisch, weil ein solcher Beweis für ein ernstzunehmendes Modell schlicht zu teuer war. 2026 hat sich dieses Bild verschoben. Zum ersten Mal wurde die vollständige Inferenz eines echten Sprachmodells bewiesen, neue Verfahren senkten die Kosten für die teuersten Rechenschritte drastisch, und erste Anwendungen laufen produktiv.

Und trotzdem notieren die Token der Projekte, die diese Technik bauen, zwischen 89 und fast 100 Prozent unter ihren Höchstständen. Dieser Text erklärt, was zk-ML ist, warum es so schwer war, warum 2026 der Wendepunkt kam, wofür die Technik heute wirklich benutzt wird und warum die Kluft zwischen funktionierender Technik und einbrechenden Kursen so groß ist. Für deutsche Anlegerinnen und Anleger ordnet er außerdem ein, wo BaFin und MiCA greifen und wo nicht.

Was zk-ML ist, kurz erklärt

zk-ML steht für Zero-Knowledge Machine Learning: die Anwendung von Zero-Knowledge-Beweisen, meist ZK-SNARKs oder ZK-STARKs, auf die Ausführung eines maschinellen Lernmodells. Der Kern ist einfach zu benennen, auch wenn die Umsetzung es nicht ist. Wer ein KI-Modell auf einem fremden Server laufen lässt, bekommt eine Antwort zurück, hat aber keinerlei Garantie, dass dieser Server tatsächlich das versprochene Modell auf die versprochene Eingabe angewendet hat. Vielleicht hat er ein billigeres, kleineres Modell benutzt. Vielleicht hat er die Antwort manipuliert. Vielleicht ist einfach ein Fehler passiert. zk-ML erzeugt zusätzlich zur Antwort einen mathematischen Beweis, der genau eines belegt: Diese Ausgabe stammt aus genau diesem Modell, angewendet auf genau diese Eingabe. Der Beweis lässt sich in Millisekunden prüfen, ohne die Rechnung selbst zu wiederholen.

Wichtig ist, was zk-ML nicht ist. Es beweist nicht, dass ein Modell „gut“ oder „wahr“ ist. Es beweist Integrität der Ausführung, nicht Qualität des Ergebnisses. Ein schlechtes Modell, korrekt ausgeführt, liefert einen gültigen Beweis für eine schlechte Antwort. zk-ML ist also kein Wahrheitsdetektor, sondern eine Quittung: der Nachweis, dass niemand zwischen Modell und Antwort geschummelt hat. Diese Unterscheidung klingt akademisch, ist aber der ganze Punkt, denn genau hier setzen die meisten Missverständnisse an. Wer glaubt, ein Beweis mache eine KI vertrauenswürdig, verwechselt die korrekte Ausführung mit einem korrekten Urteil.

Von „Vertraue dem Server“ zu „Prüfe den Beweis“

zk-ML gehört zu einer größeren Familie, die in der Krypto-Welt unter dem Begriff Verifiable Compute läuft. Das Grundprinzip: Statt einem Betreiber zu vertrauen, prüft man einen Beweis. Das ist ein Unterschied ums Ganze. Reine dezentrale Rechenmärkte wie Akash oder das Netzwerk hinter Bittensor vermieten Hardware, sie beweisen aber nicht, dass die gemietete Maschine ehrlich gerechnet hat. Verifiable Compute verlangt beides: das Ergebnis und einen Beleg, dass es korrekt zustande kam. Vitalik Buterin ordnete diese Landschaft schon Anfang 2024 in einem viel zitierten Essay zu den Chancen und Grenzen von Krypto plus KI und unterschied vier Wege, die Ehrlichkeit einer Berechnung abzusichern (vitalik.eth.limo). zk-ML ist davon der strengste.

Warum ist das mehr als eine akademische Spielerei? Weil immer mehr Wertschöpfung von KI-Ausgaben abhängt, die niemand nachprüfen kann. Ein autonomer Agent, der mit einer eigenen Wallet handelt, trifft Entscheidungen auf Basis eines Modells, das auf einem Server irgendwo läuft. Ein DeFi-Protokoll, das Gebühren oder Risikoparameter von einem KI-Modell setzen lässt, verlässt sich darauf, dass dieses Modell nicht manipuliert wurde. Ein Prognosemarkt, der einen Streit per KI-Urteil auflöst, braucht die Gewissheit, dass das Urteil nicht nachträglich gedreht wurde. In all diesen Fällen ist die Frage dieselbe: Woher weiß ich, dass die Maschine wirklich das getan hat, was sie behauptet? zk-ML gibt darauf die kompromissloseste Antwort, einen Beweis, den man nicht fälschen kann, ohne die zugrunde liegende Kryptografie zu brechen.

Die drei Mauern des zk-ML

Wenn zk-ML so überzeugend ist, warum hat es so lange gedauert? Weil zwischen der Idee und einem echten Modell drei Mauern stehen, und jede war für sich genommen hoch genug, um die Technik jahrelang aufzuhalten.

Die erste Mauer sind die nicht-linearen Operationen. Ein neuronales Netz besteht nicht nur aus Matrixmultiplikationen, sondern auch aus Aktivierungsfunktionen wie ReLU, Sigmoid oder Softmax. Für einen ZK-Beweis sind die Matrixmultiplikationen vergleichsweise günstig; Buterin schätzte in seinem Essay den Mehraufwand dafür auf weniger als das Vierfache. Die nicht-linearen Schichten dagegen kosteten in klassischen Schaltkreisen rund das Zweihundertfache. Genau diese Funktionen, die ein Modell erst ausdrucksstark machen, waren also der mit Abstand teuerste Teil des Beweises.

Die zweite Mauer ist die Fließkomma-Arithmetik. Moderne Modelle rechnen mit 32-Bit-Gleitkommazahlen, während ZK-Schaltkreise mit ganzzahliger Arithmetik über endlichen Körpern arbeiten. Die Modelle müssen also quantisiert werden, auf 8 Bit oder weniger heruntergerechnet, und jede Quantisierung kostet Genauigkeit. Was das für die Zuverlässigkeit bedeutet, behandelt der Abschnitt zum Fließkomma-Kompromiss weiter unten; hier zählt nur, dass die Übersetzung von Fließkomma zu Ganzzahl nie verlustfrei ist.

Die dritte Mauer ist die schiere Größe. Beweiszeit und Speicherbedarf wachsen mit der Zahl der Operationen, und große Modelle haben Milliarden davon. Buterin hielt fest, dass der ZK-Beweis für einen einzelnen Ethereum-Block schon Stunden dauern kann; ein modernes Sprachmodell ist um Größenordnungen komplexer. Ein oft genanntes frühes Beispiel aus der Forschung des zkML-Experten Daniel Kang: Ein Beweis für ein einziges Empfehlungsmodell dauerte mit dem damaligen Werkzeug EZKL rund sechs Stunden, und das für eine einzige Eingabe (medium.com/@danieldkang). Solange das so blieb, war zk-ML für alles jenseits winziger Modelle schlicht unbenutzbar.

Wo genau diese Kosten anfallen, zeigt ein Blick auf den Ablauf eines Beweises. Er entsteht nicht in einem Schritt, sondern in einer Kette, und jedes Glied hat seinen Preis; die drei Mauern stecken vor allem in der Quantisierung und der Beweiserzeugung.

1. Training und Export: Das Modell wird wie gewohnt trainiert und in ein neutrales Format wie ONNX exportiert, das die Rechenschritte maschinenlesbar beschreibt.
2. Quantisierung: Die Fließkommazahlen werden in ganzzahlige Werte übersetzt, damit sie in einen ZK-Schaltkreis passen. Hier entsteht der Genauigkeitsverlust.
3. Arithmetisierung: Jede Operation wird in ein System von Polynomgleichungen übersetzt, das ein Beweissystem verarbeiten kann; nicht-lineare Funktionen werden heute per Lookup abgebildet statt als aufwendiger Schaltkreis.
4. Beweiserzeugung: Der Prover rechnet das Modell einmal durch und erzeugt daraus einen kompakten kryptografischen Beweis. Das ist der mit Abstand teuerste Schritt.
5. Commitment: Ein kryptografisches Commitment bindet Modell und Eingabe an den Beweis, damit sich nachträglich nichts unbemerkt austauschen lässt.
6. Verifikation: Wer den Beweis prüft, braucht nur Millisekunden und muss das Modell nie selbst ausführen.

Der letzte Schritt ist der ganze Sinn der Übung: Die teure Arbeit fällt einmal beim Prover an, die Prüfung ist für alle anderen billig. Genau diese Asymmetrie, teuer beweisen und billig prüfen, macht zk-ML für Blockchains interessant, wo tausende Knoten dasselbe Ergebnis akzeptieren müssen, ohne es einzeln nachzurechnen.

Der Durchbruch 2026: Lookups statt Schaltkreise

Die erste Mauer, die nicht-linearen Operationen, ist 2026 gefallen, und zwar durch einen Trick, der so simpel klingt, dass er fast enttäuscht: Nachschlagetabellen, im Fachjargon Lookups. Statt eine komplizierte Funktion wie ReLU als arithmetischen Schaltkreis nachzubauen, hinterlegt man ihre Ergebnisse in einer Tabelle und beweist nur noch, dass ein bestimmter Eintrag korrekt nachgeschlagen wurde. Kombiniert mit einem Verfahren namens Sumcheck, das die Korrektheit vieler solcher Schritte in einem gebündelten Beweis prüft, verschwindet ein Großteil des Aufwands, der die nicht-linearen Schichten so teuer machte.

Der prominenteste Vertreter dieses Ansatzes ist Jolt Atlas, eine Weiterentwicklung des von a16z Crypto stammenden Jolt-zkVM, angepasst von ICME Labs und NovaNet auf die Tensor-Operationen des ONNX-Formats (arXiv 2602.17452, github.com/ICME-Lab/jolt-atlas). Statt ein Modell mühsam in einen Schaltkreis zu übersetzen, verarbeitet Jolt Atlas die Rechenschritte direkt mit Lookups. Wyatt Benno von ICME Labs bringt die Konsequenz auf den Punkt: „Lookups machen die Schaltkreis-Darstellung komplett überflüssig“ (blog.icme.io). In den Benchmarks des Teams beweist der Lookup-basierte Ansatz eine kleine Modellinferenz in rund 0,7 Sekunden, wo das ältere EZKL noch vier bis fünf Sekunden brauchte. Ein zusätzlicher Vorteil: Weil der Speicherbedarf sinkt, lässt sich der Beweis auf normaler Hardware erzeugen, im Idealfall sogar auf dem Gerät des Nutzers, statt in einem spezialisierten Rechenzentrum.

DeepProve und der erste vollständige LLM-Beweis

Wenn die Lookups die Kosten senkten, lieferte ein zweites Projekt den Beleg, dass die Technik reif ist. Lagrange, ein auf Beweisinfrastruktur spezialisiertes Team, veröffentlichte 2026 sein zk-ML-System DeepProve und stellte es im Juni quelloffen (lagrange.dev, syndizierte Pressemitteilung). Die Kennzahlen, die das Team nennt: über 12 Millionen erzeugte Beweise und mehr als 3 Millionen end-to-end verifizierte Inferenzen im ersten Jahr, dazu eine rund 60-mal schnellere Beweiserzeugung und eine 671-mal schnellere Verifikation gegenüber dem bisherigen Stand der Technik.

Der eigentliche Meilenstein ist aber ein anderer: Bereits im August 2025 erzeugte Lagrange nach eigenen Angaben den ersten vollständigen Zero-Knowledge-Beweis für die Inferenz von OpenAI GPT-2, ein echtes, wenn auch älteres Sprachmodell. Inzwischen sind GPT-2 und Googles Gemma-3 Ende-zu-Ende bewiesen; Modelle der Llama-Klasse befinden sich nach Angaben des Teams in aktiver Entwicklung. Wichtig für die Einordnung: Das ist ein Machbarkeitsnachweis, kein Beleg, dass sich ein Frontier-Modell mit hunderten Milliarden Parametern schon heute wirtschaftlich beweisen lässt. Aber die Mauer, an der zk-ML jahrelang scheiterte, hat einen tiefen Riss.

Ismael Hishon-Rezaizadeh, Gründer und CEO von Lagrange, rahmt den Schritt bewusst offen. In seinen Worten habe man DeepProve nicht gebaut, um verifizierbare KI zu besitzen, sondern damit es niemand besitzen muss; heute werde DeepProve zu einem Primitiv, und die Blackbox sei offen (im Original: „Today, DeepProve becomes a primitive. The black box is open“). Wie groß der Bedarf sein könnte, untermauert das Team mit einer Zahl aus der Beratungsbranche: Laut einer von Lagrange zitierten McKinsey-Erhebung sagen 71 Prozent der befragten Führungskräfte, sie würden KI-Systeme nicht skalieren, ohne einen Nachweis ihrer Korrektheit.

Dass die Technik nicht nur im Labor läuft, zeigte eine öffentliche Demo namens Turing Roulette, ein Mensch-gegen-KI-Spiel, in dem laut Lagrange über 500.000 Teilnehmer mehr als 3,7 Millionen live verifizierte Inferenzen auslösten. Für ein Krypto-Gaming-Publikum ist das der greifbarste Beleg: Jeder Zug der KI kam mit einem Beweis, dass kein Modell heimlich ausgetauscht wurde.

Bemerkenswert ist auch der Schritt, DeepProve quelloffen zu stellen. Ein Beweissystem, das nur als geschlossener Dienst existiert, verlangt wieder Vertrauen in genau den Anbieter, dessen Ehrlichkeit man eigentlich beweisen wollte. Offener Code lässt sich prüfen, forken und unabhängig betreiben; erst dadurch wird ein Beweis zu einem neutralen Baustein statt zu einem Produkt. Ob sich damit auch Geld verdienen lässt, ist eine andere Frage, auf die der Abschnitt zur Kluft zwischen Technik und Token zurückkommt.

Das Werkzeug-Ökosystem im Überblick

Wer heute zk-ML bauen will, wählt aus einer kleinen, aber ausdifferenzierten Werkzeugkiste. Grob lassen sich zwei Lager unterscheiden: spezialisierte Compiler, die ein Modell direkt in einen Beweis-Schaltkreis übersetzen, und universelle Zero-Knowledge-VMs (zkVMs), die beliebige Programme beweisen und auf die ein Modell aufgesetzt wird. Die folgende Übersicht ordnet die wichtigsten Namen ein.

Am Anfang dieser Entwicklung stand Modulus Labs, das mit dem Bericht „The Cost of Intelligence“ Anfang 2023 als eines der ersten Teams systematisch maß, wie teuer ZK-Beweise für KI wirklich sind, und mit „Leela vs the World“ ein frühes On-Chain-KI-Schachspiel baute, bei dem jeder Zug bewiesen wurde, damit der Betreiber das Modell nicht heimlich austauschen konnte (medium.com/@ModulusLabs). Von dieser Grundlagenarbeit bis zum quelloffenen LLM-Beweis von 2026 liegen nur wenige Jahre. Das Tempo, mit dem die Kosten fielen, ist die eigentliche Nachricht: Was 2023 noch Stunden brauchte, dauert heute Sekundenbruchteile.

zk-ML im Vergleich: opML, TEE und krypto-ökonomische Beweise

zk-ML ist nicht der einzige Weg, eine KI-Berechnung überprüfbar zu machen; es ist der strengste. Drei Alternativen konkurrieren mit ihm, und jede tauscht einen anderen Kompromiss ein. opML (optimistic Machine Learning) überträgt die Logik optimistischer Rollups auf KI: Das Ergebnis gilt als korrekt, solange niemand es innerhalb einer Einspruchsfrist anficht. Das ist schnell und günstig, verlangt aber mindestens einen ehrlichen Wächter und macht Echtzeit-Interaktion durch die Wartefrist schwierig.

TEEs (Trusted Execution Environments), also Confidential Computing in Chips von Intel, AMD oder Nvidia, führen das Modell in einer abgeschotteten Hardware-Enklave aus und bescheinigen das Ergebnis per Attestierung. Das ist mit nur wenigen Prozent Mehraufwand fast so schnell wie ungeschützte Ausführung, verlagert das Vertrauen aber vom Mathematiker zum Chiphersteller; die Schwächen dieses Ansatzes hat HOGE Wire im Text zum Confidential Computing und dem Hardware-Risiko ausführlich behandelt. Der krypto-ökonomische Ansatz schließlich, wie ihn EigenCloud verfolgt, sichert die Ehrlichkeit nicht mathematisch, sondern über hinterlegtes Kapital, das bei Betrug einbehalten wird (Slashing).

Für Anwendungen, in denen es auf jeden Cent oder jede Millisekunde ankommt, ist zk-ML noch immer der teuerste Weg; für alles, wo maximale Fälschungssicherheit zählt, der beste. Diese Abwägung ist der Grund, warum 2026 zunehmend Hybride entstehen, die mehrere Ansätze kombinieren. In der Agentenwirtschaft, in der Maschinen eigenständig zahlen und handeln, wird verifizierbare Rechenleistung überhaupt zur Vertrauensschicht schlechthin, ein Thema, das HOGE Wire als Vertrauensschicht für KI-Agenten gesondert beleuchtet hat.

Die Grenzen zwischen den Ansätzen verschwimmen ohnehin. 2026 experimentieren mehrere Teams mit Hybriden, die eine schnelle TEE-Ausführung mit stichprobenartigen ZK-Beweisen oder optimistischen Betrugsbeweisen kombinieren, um Tempo und Sicherheit zu versöhnen. Der Grundgedanke: Man muss nicht jede einzelne Inferenz mit dem teuersten Verfahren beweisen, sondern nur so viele, dass Betrug sich nicht mehr lohnt. zk-ML liefert dabei den Goldstandard, an dem sich die günstigeren Verfahren messen lassen, auch wenn es selten die ganze Last allein trägt.

Der Fließkomma-Kompromiss: Warum Quantisierung der Preis ist

Ein Detail verdient besondere Aufmerksamkeit, weil es oft unterschlagen wird: der Preis der Quantisierung. Damit ein Modell überhaupt in einen ZK-Beweis passt, müssen seine Fließkommazahlen in ganzzahlige Werte übersetzt werden, meist auf 8 Bit heruntergerechnet. Elena Burger, Investorin bei a16z Crypto, hat das Problem in einem viel beachteten Essay klar benannt: Zero-Knowledge-Beweise könnten heute 32-Bit-Fließkomma-Operationen nicht ohne massiven Mehraufwand im nötigen Schaltkreis-Format abbilden (a16zcrypto.com). Das quantisierte Modell, das man am Ende beweist, sei deshalb oft nur eine grobe Annäherung an das höherwertige Ausgangsmodell.

Für den Einsatz heißt das: Man beweist unter Umständen, dass eine leicht abweichende Variante des Modells korrekt lief, nicht das Original in voller Präzision. Für viele Anwendungen ist das akzeptabel, für andere nicht. Ein Klassifikator, der Betrug erkennt, verträgt etwas Rundung; ein Modell, an dessen Ausgabe große Summen hängen, vielleicht nicht. Die Lookup-Technik lindert das Problem, weil sie auch nicht-lineare und quantisierte Operationen effizient abbildet, aber sie hebt den grundsätzlichen Zielkonflikt zwischen Genauigkeit und Beweisbarkeit nicht auf. Wer zk-ML verkauft, verkauft immer auch diesen Kompromiss mit, und ein seriöser Anbieter weist ihn offen aus.

Wofür zk-ML 2026 wirklich eingesetzt wird

Genug Theorie, wo läuft die Technik? Die ehrlichste Antwort für 2026 lautet: in einer Handvoll konkreter Nischen, nicht flächendeckend. Aber diese Nischen sind aufschlussreich, weil sie zeigen, wo ein Beweis wirklich einen Unterschied macht.

Im DeFi-Bereich ist der sichtbarste Fall die Zusammenarbeit von OpenGradient und EZKL: ein KI-Modell, das die Gebühren eines Uniswap-V3-Pools dynamisch an die Volatilität anpasst, wobei ein Beweis garantiert, dass das Modell nicht manipuliert wurde (blog.ezkl.xyz, github.com/zkonduit/ezkl). Der Reiz liegt auf der Hand: Wenn ein Algorithmus über echte Gebühren entscheidet, will das Protokoll belegen können, dass genau der geprüfte Algorithmus lief und kein manipuliertes Duplikat.

Im Gaming, dem zweiten Standbein von HOGE Wire, ist zk-ML das technische Rückgrat des Versprechens „provably fair“ für KI-Gegner. Modulus' „Leela vs the World“ und Lagranges Turing Roulette sind die Musterbeispiele: Jeder Zug einer KI kommt mit dem Nachweis, dass der Betreiber nicht heimlich ein stärkeres oder schwächeres Modell eingewechselt hat. Für Spiele, in denen Geld auf dem Tisch liegt, ist das mehr als Kosmetik, es ist die Grundlage der Fairness.

Der dritte und vielleicht wichtigste Bereich sind autonome Agenten. Ein Agent, der mit einer eigenen Wallet handelt oder Rechnungen bezahlt, sollte beweisen können, dass seine Entscheidung tatsächlich aus dem deklarierten Modell stammt, bevor er eine Transaktion signiert. Genau hier verbindet sich zk-ML mit den Zahlungsstandards, über die Maschinen heute selbstständig Geld bewegen, ein Feld, das HOGE Wire im Zusammenhang mit dem Lightning Network und KI-Agenten beleuchtet hat.

Dazu kommen zwei weitere Felder: private Inferenz, bei der ein Beweis zeigt, dass ein Modell korrekt lief, ohne die Eingabedaten offenzulegen (dazu gleich mehr), und die Auflösung von Prognosemärkten, bei denen ein KI-Urteil überprüfbar sein muss, damit es niemand nachträglich dreht. Allen Fällen gemeinsam ist ein Muster: Der Beweis wird dort gekauft, wo eine falsche oder manipulierte Ausgabe echtes Geld oder echten Schaden bedeutet.

Ein verwandtes Feld sind verifizierbare Orakel. Wenn ein Smart Contract eine KI-gestützte Einschätzung braucht, etwa eine Betrugsbewertung oder eine Klassifizierung von Marktdaten, kann ein zk-ML-Beweis dem Vertrag garantieren, dass die Einschätzung von genau dem hinterlegten Modell stammt und nicht von einem manipulierten Ersatz. Damit wird KI zu einer Datenquelle, der eine Blockchain vertrauen kann, ohne einem einzelnen Betreiber vertrauen zu müssen, ein Baustein, der die klassischen Orakelnetzwerke ergänzt statt sie zu ersetzen.

Der Datenschutz-Trumpf: KI beweisen, ohne die Daten zu zeigen

Der Name Zero-Knowledge deutet auf eine Eigenschaft hin, die in der Debatte um Kosten oft untergeht, aber der eigentliche strategische Trumpf sein könnte: Ein ZK-Beweis kann Korrektheit belegen, ohne die zugrunde liegenden Daten preiszugeben. Das eröffnet Anwendungen, die weder mit offenen Modellen noch mit reinem Vertrauen funktionieren.

Ein Krankenhaus könnte beweisen, dass es ein zugelassenes Diagnosemodell korrekt auf Patientendaten angewendet hat, ohne die Patientendaten offenzulegen. Ein Kreditgeber könnte belegen, dass er ein genehmigtes Scoring-Modell benutzt hat, ohne das geschützte Modell oder die Kundendaten zu zeigen. Eine Börse könnte nachweisen, dass ihr Risikomodell wie deklariert lief, ohne interne Positionen offenzulegen. In all diesen Fällen ist der Beweis wertvoller als das Ergebnis selbst, weil er Vertrauen schafft, ohne ein Geheimnis zu opfern.

Damit unterscheidet sich zk-ML von den Alternativen an einer entscheidenden Stelle: opML verlangt, dass die gesamte Rechenspur öffentlich wird, damit ein Wächter sie anfechten kann, und schließt echte Vertraulichkeit damit aus. TEEs bieten Vertraulichkeit, aber nur, solange man dem Chiphersteller vertraut. zk-ML ist der einzige Ansatz, der Vertraulichkeit und mathematische Fälschungssicherheit zugleich verspricht, und genau das macht ihn trotz aller Kostenprobleme so hartnäckig attraktiv.

Die Kluft zwischen Technik und Token

Man könnte erwarten, dass eine Technik, die 2026 einen jahrelang unlösbaren Engpass überwindet, sich in den Kursen der beteiligten Projekte niederschlägt. Das Gegenteil ist der Fall. Nahezu jeder Token aus dem Umfeld der überprüfbaren Rechenleistung notiert tief unter seinem Höchststand, unabhängig davon, wie gut die Technik funktioniert (Stand 4. September 2026, CoinGecko).

Das schärfste Beispiel ist Giza. Das Team startete 2023 als zk-ML-Projekt, hat sein Geschäft inzwischen aber auf autonome DeFi-Agenten verlagert; sein Vorzeigeprodukt ARMA ist ein Agent, der auf Base selbstständig Stablecoin-Renditen über Protokolle wie Aave und Morpho optimiert (finbold.com). Der GIZA-Token notiert bei rund 0,0006 Euro, fast 100 Prozent unter seinem Hoch, bei einer Marktkapitalisierung von unter einer Viertelmillion Euro. Die Lektion, die andere daraus ziehen: Reines zk-ML ist ein hartes Geschäft, in dem sich die Technik verkaufen lässt, der Token aber nicht.

Andere Projekte setzen nicht auf ein einzelnes Werkzeug, sondern auf einen Marktplatz für Beweise: Boundless (Token ZKC) und Succinct (Token PROVE) verkaufen Rechenkapazität, mit der beliebige Anwendungen Beweise in Auftrag geben können, ohne selbst eine Beweisfarm zu betreiben. Die Idee ist elegant, doch auch hier klafft dieselbe Lücke zwischen laufender Technik und Kursverlauf. Ein funktionierender Marktplatz garantiert eben noch keine zahlende Nachfrage.

Warum diese Kluft? Zum einen war der Markt für infrastrukturnahe KI-Krypto-Token 2024 und 2025 stark überhitzt und korrigierte danach hart; dieselbe Enttäuschung traf die Token toter oder pivotierender Fondsexperimente, wie HOGE Wire am Beispiel von ai16z gezeigt hat. Zum anderen ist unklar, ob überprüfbare Rechenleistung überhaupt einen eigenen Token braucht: Ein Beweissystem lässt sich als Bibliothek einbinden, ohne dass jemand ein Netzwerk-Asset kaufen muss. Die Technik kann also gewinnen, während der Token verliert, und genau das passiert gerade. Auch wenn einzelne dieser Werte zuletzt kurzfristig zulegten, etwa LA mit rund 20 Prozent binnen einer Woche, bleibt der Abstand zum Hoch gewaltig.

Wichtig für Anlegerinnen und Anleger: Ein funktionierender Machbarkeitsnachweis ist kein Kursversprechen. Die Bewertung eines Infrastruktur-Tokens hängt an tatsächlicher, bezahlter Nutzung, und die ist bei zk-ML bislang dünn. Wer die Technik spannend findet, sollte den Token trotzdem wie jedes andere hochspekulative Krypto-Asset behandeln.

Was die Nachfrage antreiben könnte: EU AI Act, Agenten und DeFi

Wenn die Technik reift und die Token schwächeln, entscheidet über die Zukunft von zk-ML eine einzige Frage: Wer bezahlt am Ende für die Beweise? Drei Kräfte könnten die Nachfrage tragen.

Die erste ist Regulierung. Der EU AI Act ist seit dem 2. August 2026 allgemein anwendbar; seither kann die Europäische Kommission Transparenzpflichten und die Vorgaben für KI-Modelle mit allgemeinem Verwendungszweck durchsetzen, und die strengeren Pflichten für Hochrisiko-Anwendungen greifen gestaffelt bis 2027 und 2028 (digital-strategy.ec.europa.eu). Wo Gesetze einen Nachweis verlangen, dass ein bestimmtes, geprüftes Modell eine Entscheidung getroffen hat, wird ein kryptografischer Beweis vom Kostenfaktor zum Verkaufsargument. Genau auf diese Nachfrage zielt die McKinsey-Zahl, die Lagrange zitiert.

Die zweite Kraft ist die Agentenwirtschaft. Je mehr autonome Software eigenständig Geld bewegt, desto größer der Bedarf, ihre Entscheidungen belegbar zu machen. Ein Agent, der beweisen kann, dass er tatsächlich das deklarierte Modell benutzt hat, ist vertrauenswürdiger als einer, dessen Betreiber man einfach glauben muss. Verifizierbare Rechenleistung wird so zur Grundvoraussetzung, damit Maschinen einander überhaupt vertrauen können.

Die dritte Kraft ist DeFi, überall dort, wo echtes Geld an einer Modellausgabe hängt: dynamische Gebühren, Risikoparameter, Liquidationsentscheidungen, die Auflösung von Prognosemärkten. Der Fall OpenGradient und Uniswap zeigt, dass diese Nachfrage real ist, wenn auch noch klein. Gemeinsam ist allen drei Kräften, dass sie zk-ML nicht als Selbstzweck brauchen, sondern als Antwort auf eine konkrete Frage: Kann ich beweisen, dass die Maschine getan hat, was sie sollte?

Regulierung: BaFin, MiCA und die Grauzone der Infrastruktur-Token

Für den deutschen Markt ist die Einordnung zweigeteilt. Die zugrunde liegende Technik, ein Beweissystem oder ein Modell, ist selbst kein reguliertes Finanzprodukt; niemand braucht eine Lizenz, um einen ZK-Beweis zu erzeugen. Reguliert werden Dienstleister und Emittenten. Die BaFin beaufsichtigt nach MiCA Anbieter von Kryptowerte-Dienstleistungen (CASPs) und die Ausgabe von Kryptowerten, nicht das Protokoll selbst (bafin.de). Seit dem 1. Januar 2026 dürfen in Deutschland nur noch nach MiCA lizenzierte CASPs operieren; der nationale Bestandsschutz für Altanbieter endete zum 31. Dezember 2025 unter dem Kryptomärkteaufsichtsgesetz, früher als die EU-weite Frist. Was diese Marktbereinigung für Anleger und Plattformen bedeutet, hat HOGE Wire im Text zu MiCA und dem Preis der Lizenz gesondert aufgearbeitet.

Für die Token der zk-ML-Projekte, LA, PROVE, ZKC und Verwandte, gilt: MiCA erfasst Kryptowerte, aber die Einstufung eines Netzwerk- oder Utility-Tokens ist eine Einzelfallfrage. Verspricht ein Token Gewinnbeteiligung oder wirkt er wie ein Finanzinstrument, greift eher die MiFID II als die MiCA. In den USA ist die Lage offener: Die Aufsichtsbehörden haben sich zu KI- und Verifiable-Compute-Infrastruktur bislang nicht klar geäußert, sodass diese Token dort in einer Grauzone bleiben, während sich die Regulierung neu sortiert. Für deutsche Anlegerinnen und Anleger heißt das konkret: Steuerlich und aufsichtsrechtlich zählt, wie der Token ausgestaltet ist und über welche Plattform er gehandelt wird, nicht wie clever die dahinterstehende Kryptografie ist.

Ausblick: Was als Nächstes kommt

Der ehrlichste Ausblick für zk-ML ist weder Euphorie noch Abgesang. Die Technik hat 2026 bewiesen, dass sie kann, was jahrelang als unmöglich galt: einen vollständigen Sprachmodell-Beweis erzeugen und die teuersten Rechenschritte per Lookup bezahlbar machen. Was noch fehlt, ist der Schritt von älteren Modellen wie GPT-2 zu den großen Systemen, die heute im Einsatz sind, und vor allem eine Nachfrage, die die Beweise auch bezahlt.

Zwei Entwicklungen sind absehbar. Erstens werden Hybride wichtiger: Systeme, die zk-ML für den Teil nutzen, der maximale Sicherheit braucht, und schnellere Verfahren wie TEEs oder optimistische Beweise für den Rest. Zweitens verschiebt sich der Wettbewerb von der Frage „Geht es überhaupt?“ zu „Wie günstig und auf welcher Hardware?“. Wer einen brauchbaren Beweis auf einem normalen Laptop erzeugen kann, statt in einem Rechenzentrum, gewinnt Anwendungen, die vorher unwirtschaftlich waren.

Für Leserinnen und Leser, die zwischen Technik und Investment unterscheiden, bleibt die Kernbotschaft: zk-ML ist 2026 vom Versprechen zur Praxis gereift, aber die Reife der Technik und der Wert der zugehörigen Token sind zwei verschiedene Dinge. Das eine ist messbar besser geworden. Das andere hängt an einer Nachfrage, die sich erst noch zeigen muss.

Häufig gestellte Fragen

Was ist zk-ML einfach erklärt?

zk-ML (Zero-Knowledge Machine Learning) erzeugt zusätzlich zur Antwort eines KI-Modells einen kryptografischen Beweis, dass genau dieses Modell die Antwort auf genau diese Eingabe berechnet hat. Der Beweis lässt sich in Millisekunden prüfen, ohne die Rechnung zu wiederholen. Er belegt die Integrität der Ausführung, nicht die Qualität des Ergebnisses.

Kann zk-ML große Sprachmodelle wie ChatGPT beweisen?

Noch nicht in voller Größe. 2026 wurde mit DeepProve erstmals ein vollständiges, aber älteres Modell (OpenAI GPT-2) sowie Googles Gemma-3 Ende-zu-Ende bewiesen; Modelle der Llama-Klasse sind laut Lagrange in Entwicklung. Frontier-Modelle mit hunderten Milliarden Parametern lassen sich heute noch nicht wirtschaftlich beweisen, aber der Engpass sinkt schnell.

Was ist der Unterschied zwischen zk-ML, opML und TEE?

zk-ML setzt auf einen mathematischen Beweis (vertrauenslos, aber rechenintensiv). opML gilt als korrekt, solange niemand innerhalb einer Frist widerspricht (schnell, aber mit Wartezeit und einem nötigen ehrlichen Wächter). TEEs führen das Modell in einer abgeschotteten Chip-Enklave aus (sehr schnell, aber man vertraut dem Chiphersteller). zk-ML ist der einzige Ansatz, der Beweis und Vertraulichkeit zugleich bietet.

Warum fallen die Kurse der zk-ML-Token, obwohl die Technik funktioniert?

Weil Technik und Tokenwert zwei verschiedene Dinge sind. Der Markt für KI-Krypto-Infrastruktur war 2024 und 2025 überhitzt und korrigierte danach hart; zugleich ist unklar, ob ein Beweissystem überhaupt einen eigenen Token braucht, da es sich als Bibliothek einbinden lässt. Nahezu alle Projekt-Token notieren zwischen 89 und fast 100 Prozent unter ihren Höchstständen.

Ist zk-ML in Deutschland reguliert?

Die Technik selbst nicht. Die BaFin beaufsichtigt nach MiCA Kryptowerte-Dienstleister und Emittenten, nicht das Protokoll. Ob ein zk-ML-Token unter MiCA oder als Finanzinstrument unter die MiFID II fällt, ist eine Einzelfallfrage. Der EU AI Act kann dagegen indirekt Nachfrage schaffen, weil er Nachweise über den Einsatz bestimmter KI-Modelle verlangen kann.

Von Marcus Okafor, HOGE Wire