Gensyn 2026: Wer das dezentrale KI-Training wirklich liefert

Der $AI-Token von Gensyn notiert Anfang September 2026 bei rund 0,01759 Euro und rangiert damit auf Platz 703 der nach Marktwert größten Kryptowerte, keine 5 Prozent über dem Allzeittief, das der Token am 30. August markiert hat (CoinGecko). Bei einem zirkulierenden Angebot von gut 1,3 Milliarden Stück ergibt das einen Marktwert von knapp 23 Millionen Euro. Das ist die Zahl, an der sich die letzten Gensyn-Analysen abgearbeitet haben: Warum fällt ein Token, dessen Produkt wächst?

Dieser Text stellt eine andere Frage. Gensyn wurde nicht gegründet, um Wettmärkte abzurechnen. Das Projekt trat an, um das rechenintensivste, teuerste Stück moderner künstlicher Intelligenz zu dezentralisieren und beweisbar zu machen: das Training von Modellen. Genau dieses Versprechen erlebt 2026 sein bestes Jahr. Nur eben nicht bei Gensyn. Während das hauseigene Trainingsnetzwerk RL Swarm seit Monaten pausiert und das einzige Live-Produkt ein KI-gestützter Informationsmarkt namens Delphi ist, haben andere Teams die größten verteilten Trainingsläufe der Geschichte hingelegt und dafür Bewertungen von einer Milliarde Dollar und mehr eingesammelt. Wer das dezentrale KI-Training wirklich liefert, ist die interessantere Geschichte hinter dem Kurschart.

Woran Gensyn eigentlich glaubt

Gensyn entstand 2020 in London, gegründet von Ben Fielding (CEO) und Harry Grieve (CTO), die sich über das Gründerprogramm Entrepreneur First kennengelernt hatten. Die Grundidee ist bestechend einfach: Weltweit steht enorm viel GPU-Leistung ungenutzt herum, in Gaming-Rechnern, in kleinen Rechenzentren, in Firmen-Clustern. Wenn man diese Leistung zu einem Markt für maschinelles Lernen zusammenschalten könnte, ließe sich Training radikal verbilligen. Die a16z-Partner Ali Yahya und Guy Wuollet, die 2023 die 43 Millionen Dollar schwere Series A anführten, formulierten die Wette so, dass Gensyn die für maschinelles Lernen verfügbare Rechenleistung potenziell „um das 10- bis 100-Fache“ steigern könne (a16z crypto).

Das eigentliche Problem ist aber nicht die Rechenleistung, sondern das Vertrauen. Wenn ein anonymer Rechner irgendwo auf der Welt behauptet, er habe einen Trainingsschritt korrekt ausgeführt, muss das Netzwerk das überprüfen können, ohne die gesamte Rechnung selbst zu wiederholen. Genau dort verortet Fielding den Kern des Unternehmens. „Das ist die geheime Zutat hinter Gensyn: Wir haben dieses Problem speziell für das Training von Machine-Learning-Modellen gelöst“, sagte er dem Branchenmagazin Decrypt. Grieve ergänzte dort, man habe „ein sehr akutes Machine-Learning-Problem, das eine dezentrale Vertrauensschicht brauchte“. Insgesamt sammelte Gensyn über mehrere Runden rund 66,7 Millionen Dollar ein; der öffentliche $AI-Token kam erst im April 2026 mit dem Mainnet dazu.

Der Beweis-Stack: Verde, RepOps und Judge

Warum ist das Überprüfen von Training so schwer? Weil GPU-Rechnungen nicht deterministisch sind. Dieselbe Trainingsoperation liefert auf zwei unterschiedlichen Grafikkarten leicht abweichende Fließkomma-Ergebnisse, weil Reihenfolge und Parallelität der Rechenschritte variieren. Für einen Betrugsbeweis ist das fatal: Man kann ein ehrliches Ergebnis nicht von einem manipulierten unterscheiden, wenn schon ehrliche Hardware unterschiedliche Zahlen ausspuckt. Gensyns Antwort besteht aus mehreren Bausteinen, die zusammen den technischen Kern des Projekts bilden.

RepOps (reproduzierbare Operatoren) erzwingt bitgenaue, identische Rechenergebnisse über verschiedene Hardware hinweg, indem die mathematischen Grundoperationen streng festgelegt werden. Darauf setzt Verde auf, ein Schiedsrichter-Protokoll, das im Streitfall die exakte Rechenoperation identifiziert, an der ein ehrlicher und ein behaupteter Ausführer auseinanderlaufen, und nur diesen winzigen Schritt on-chain nachrechnen lässt (das zugehörige Paper erschien im Februar 2025, Mitautor ist der NYU-Kryptograf Joseph Bonneau, arXiv 2502.19405). Hinzu kommt Judge, ein kryptografisch überprüfbares System zur Bewertung von KI-Ausgaben, das Gensyn im August 2025 vorstellte (Gensyn-Blog). Das Ganze ist ein krypto-ökonomischer, kein rein kryptografischer Ansatz: Er unterscheidet sich damit deutlich von zero-knowledge-Verfahren, die einen mathematischen Beweis liefern, aber bei großen Modellen an Rechenkosten scheitern, und von hardwarebasierten TEE-Lösungen, deren Vertrauensanker der Chiphersteller ist. Wer die Alternativen einordnen will, findet in unseren Analysen zu zk-ML und zum Confidential Computing die Details.

Technisch ordnet Gensyn diese Bausteine in vier Schichten: eine reproduzierbare Ausführungsumgebung (REE), die Rechnungen bitgenau wiederholbar macht; eine Verifikationsschicht aus Verde und Judge; eine Kommunikationsschicht namens AXL, die Modelle und Nachrichten zwischen den Knoten transportiert und dabei Agentenprotokolle unterstützt; und schließlich die On-Chain-Koordination, die Bezahlung und Streitschlichtung abwickelt. Der harte Kern bleibt dabei ein Paradox: Große Sprachmodelle rechnen auf GPUs aus Geschwindigkeitsgründen nicht deterministisch, doch jeder Betrugsbeweis braucht exakt reproduzierbare Ergebnisse. RepOps löst genau diesen Widerspruch auf, indem es die erlaubten Rechenoperationen so eng fasst, dass zwei ehrliche Rechner garantiert dieselbe Zahl liefern. Das ist unspektakulär, aber es ist die Voraussetzung dafür, dass der ganze Rest überhaupt funktionieren kann.

Was Gensyn heute betreibt: Delphi statt Training

So elegant der Beweis-Stack klingt, so nüchtern ist die Produktrealität. Das einzige lebende Mainnet-Produkt von Gensyn ist Delphi, ein Marktplatz für sogenannte Informationsmärkte. Nutzer können Märkte auf beliebige Fragen eröffnen, von Bitcoin-Kurszielen über Sportergebnisse bis zu geopolitischen Ereignissen; abgerechnet wird nicht durch menschliche Orakel oder Insider, sondern durch KI-Modelle mit fixierten Gewichten, deren Urteil sich über Gensyns reproduzierbare Ausführungsumgebung nachprüfen lässt (The Block). Fielding grenzt das Produkt bewusst von den großen Wettbörsen ab: „Das sind keine Vorhersagemärkte, das sind Informationsmärkte“, sagte er, Delphi ziele auf die Nische kreatorgeführter Märkte statt auf die Massenmärkte von Polymarket und Kalshi.

Wie ernst Gensyn die Beweisbarkeit nimmt, zeigt die Abrechnung im Detail. Nach einer Analyse des Handelsunternehmens FalconX kennt Delphi zwei Modi: einen nicht verifizierbaren, bei dem ein Cloud-Modell das Internet liest und man dem Betreiber vertrauen muss, und einen verifizierbaren, der eine Art Quittung erzeugt (Modell, vollständiger Prompt, angehängte Daten und ein Hash), die jeder unabhängig nachrechnen kann (FalconX). Damit sitzt Delphi in einem der heißesten Segmente des Jahres: Vorhersage- und Informationsmärkte kamen 2026 zeitweise auf eine annualisierte Handelsrate im Bereich von mehreren hundert Milliarden Dollar. Genau dieser Rückenwind erklärt, warum Gensyn seine Energie vorerst in Delphi steckt und nicht in den Neustart von RL Swarm.

Ökonomisch funktioniert Delphi über eine Gesamtgebühr von 2 Prozent des Volumens: 1,5 Prozentpunkte gehen an den Marktschöpfer, 0,5 Prozentpunkte fließen in einen BuyBack-Vault, der $AI am Markt zurückkauft und den überwiegenden Teil davon verbrennt (Bitcoin.com). Weil die Verträge nicht zwischen Menschen und autonomen Agenten unterscheiden, ist Delphi zugleich eine Spielwiese für handelnde KI-Agenten, ein Feld, das eng mit Fragen der Agenten-Identität und -Reputation verzahnt ist (siehe unsere Analyse zu KI-Agenten und ERC-8004). Delphi ist ein reales, gebührengenerierendes Produkt. Nur ist es eben Abrechnung, nicht Training. Das Herzstück, für das Gensyn gebaut wurde, steht still.

RL Swarm, das pausierte Herzstück

RL Swarm war Gensyns sichtbarstes Trainingsexperiment: ein offenes Framework, in dem viele Rechner gemeinsam ein Modell per Reinforcement Learning verbessern, koordiniert über das Internet. Die Trainingsaufgabe wurde im Laufe von 2025 mehrfach umgebaut, zuletzt im November 2025 von der „Reasoning Gym“ auf ein System namens CodeZero mit den Rollen Proposer, Solver und Evaluator. Doch wer heute die Dokumentation aufruft, liest einen unmissverständlichen Satz: „There are no official swarms running right now.“ Es laufen aktuell keine offiziellen Schwärme; die Seite verweist Interessierte stattdessen auf Delphi (docs.gensyn.ai).

Das ist mehr als eine Fußnote. RL Swarm hatte in seiner aktiven Phase zehntausende Teilnehmer angezogen und war der beste Beweis dafür, dass Gensyns Koordinations- und Verifikationsschicht in freier Wildbahn funktioniert. Dass ausgerechnet diese Schicht dunkel ist, während das Wett-Produkt Umsatz macht, verschiebt die Erzählung: Aus dem Trainingsnetzwerk, das nebenbei Märkte abrechnet, ist vorerst ein Marktbetreiber geworden, der irgendwann wieder trainieren will. Für ein Projekt, dessen ganze Investmentthese am Training hängt, ist das die entscheidende Leerstelle. Und sie wird umso greller, je mehr die Konkurrenz liefert.

Der Wettlauf nebenan

Denn Gensyn ist mit seiner Idee nie allein gewesen, und 2026 ist das Feld der dezentralen Trainer erwachsen geworden. Drei Namen ragen heraus: Prime Intellect, das inzwischen eine Milliarden-Bewertung trägt und reihenweise Modelle veröffentlicht; Nous Research, das den bislang größten verteilten Pre-Training-Lauf hingelegt hat; und Pluralis Research, das an einem besonders radikalen Ansatz namens Protocol Learning arbeitet. Hinzu kommen Pretraining-Subnetze im Bittensor-Ökosystem. Alle verfolgen dasselbe Ziel wie Gensyn, nämlich Modelle über verstreute, heterogene Hardware zu trainieren. Nur gehen sie es anders an, und sie finanzieren sich anders. Der Vergleich sagt viel über den Zustand des ganzen Sektors aus.

Warum verteiltes Training an der Bandbreite hängt

Um zu verstehen, warum manche Läufe verteilt gelingen und andere ins zentrale Cluster zurückfallen, hilft ein Blick auf den eigentlichen Engpass. Beim Training tauschen die GPUs nach jedem Schritt riesige Mengen an Gradienten aus, damit alle Kopien des Modells synchron bleiben. In einem Rechenzentrum erledigt das ein InfiniBand-Netz mit hunderten Gigabit pro Sekunde und minimaler Latenz. Über normales Internet bricht dieser Austausch zusammen: Die Knoten verbringen mehr Zeit mit Warten als mit Rechnen, und der Lauf wird unwirtschaftlich. Das ist die physikalische Wand, an der die Idee vom global verteilten Training jahrelang hing.

Der Durchbruch der letzten beiden Jahre bestand darin, diesen Kommunikationsbedarf drastisch zu senken. Verfahren wie DiLoCo (ursprünglich von Google DeepMind) lassen jeden Knoten viele lokale Schritte rechnen, bevor überhaupt synchronisiert wird; Nous Research trieb das mit seinen Optimierern DeMo und DisTrO auf die Spitze und reduzierte den nötigen Datenaustausch um mehrere Größenordnungen. Genau deshalb konnte ein 40-Milliarden-Modell wie Consilience über das offene Internet entstehen. Doch je größer das Modell und je enger die Synchronisation, desto weniger tragen diese Tricks. An der Frontier, wo Reinforcement Learning enge Rückkopplung verlangt, bleibt die eng gekoppelte InfiniBand-Verkabelung vorerst unschlagbar, wie INTELLECT-3 vorführt. Gensyns Verifikationswette ändert an dieser Physik nichts; sie setzt eine Ebene höher an, bei der Frage, ob man den beteiligten Rechnern überhaupt trauen kann.

Prime Intellect: von INTELLECT-1 zu INTELLECT-3

Prime Intellect, 2024 gegründet, ist zum Aushängeschild des dezentralen Trainings geworden. Den Anfang machte Ende 2024 INTELLECT-1, ein Modell mit 10 Milliarden Parametern, trainiert über fünf Länder und drei Kontinente hinweg auf bis zu 112 H100-GPUs, mit einer globalen Rechenauslastung von etwa 83 Prozent. Es folgte INTELLECT-2, ein 32-Milliarden-Parameter-Modell, das per Reinforcement Learning über ein permissionless-Netzwerk beitragender Rechner nachtrainiert wurde (arXiv 2505.07291). Damit war der Beweis erbracht: Verteiltes Training funktioniert nicht nur im Kleinen.

Der jüngste Schritt ist zugleich der aufschlussreichste. Das Flaggschiff INTELLECT-3, ein Mixture-of-Experts-Modell mit 106 Milliarden Parametern (davon rund 12 Milliarden aktiv), lief laut Berichten eben nicht über ein weltweites Bastelnetz, sondern auf einem klassischen, eng gekoppelten Cluster aus 512 NVIDIA-H200-GPUs mit InfiniBand-Vernetzung, über rund zwei Monate (Implicator). Trotz des dezentralen Markennamens brauchte das Frontier-Modell die enge Synchronisation, die nur InfiniBand liefert, nicht handelsübliches Breitband. Das ist die harte Realität, die auch Gensyn einholen wird: Je näher man an die Spitze der Modellgröße kommt, desto stärker widersetzt sich das Training der Verteilung.

Finanziell spielt Prime Intellect in einer anderen Liga als Gensyns Token-Markt. Nach einer Seed-Runde über 5,5 Millionen Dollar (April 2024) und einer Erweiterung um 15 Millionen Dollar (Februar 2025, unter anderem mit den Angel-Investoren Andrej Karpathy und Clem Delangue) folgte im Juli 2026 die große Series A über 130 Millionen Dollar zu einer Bewertung von einer Milliarde Dollar, angeführt von Radical Ventures, mit Nvidia Ventures, Intel Capital, Dell Technologies Capital und Iconiq an Bord (TechCrunch, Prime-Intellect-Blog). Kunden wie Ramp und Zapier sollen das Unternehmen bereits auf eine annualisierte Umsatzrate von rund 100 Millionen Dollar gehoben haben. David Katz, Partner bei Radical Ventures, lobte, das Team betreibe seinen Stack „auf dem Niveau der Spitzenforschung, und zwar auf eine Art, die bezahlbar ist“, als „one-stop shop“ für Unternehmen, die eigene Modelle trainieren wollen. Bemerkenswert: Prime Intellect hat keinen öffentlich gehandelten Token. Der Wert steckt im Eigenkapital.

Nous Research: der größte verteilte Trainingslauf

Der zweite große Herausforderer ist Nous Research. Sein Trainingsnetzwerk Psyche koordiniert verteilte GPUs über Smart Contracts auf der Solana-Blockchain und stützt sich auf hauseigene Optimierer (DisTrO und dessen Vorläufer DeMo), die den nötigen Datenaustausch zwischen den Knoten um mehrere Größenordnungen senken. Genau das macht Training über normale Internetbandbreite überhaupt praktikabel. Das Vorzeigeprojekt heißt Consilience: ein Modell mit 40 Milliarden Parametern, das Nous als „den bislang größten verteilten Pre-Training-Lauf“ bezeichnet, gemessen an Parameterzahl und Datensatzgröße, trainiert über das offene Internet (Nous Research). Anders als bei Prime Intellects Frontier-Flaggschiff blieb hier die Verteilung erhalten. Erklärtes Ziel ist ausdrücklich kein Benchmark-Sieg, sondern ein echtes Basismodell, das die kreative Bandbreite der Menschheit abbilden soll; parallel trainiert Nous auf Psyche seine bekannte Hermes-Modellreihe weiter.

Auch Nous ist gut kapitalisiert, und der Vergleich mit Gensyns Kapitalstruktur ist lehrreich. Im April 2025 führte die Krypto-VC-Größe Paradigm eine Series A über 50 Millionen Dollar an, zu einer Token-Bewertung von einer Milliarde Dollar, strukturiert als SAFT (Simple Agreement for Future Tokens) (The Block). Mitte 2026 verhandelte Nous Berichten zufolge über eine weitere Runde von mindestens 75 Millionen Dollar zu einer Bewertung von 1,5 Milliarden Dollar (TechCrunch). Ein handelbarer Token steht also im Raum, ist aber noch nicht auf dem Markt, während Gensyns $AI längst notiert und den vollen Abschwung des Sektors mitmacht.

Pluralis und der Rest des Feldes

Radikaler noch denkt Pluralis Research. Sein Ansatz, genannt Protocol Learning, verteilt ein Modell so über viele Beitragende, dass keine einzelne Partei jemals die kompletten Gewichte kontrolliert; das Modell existiert nur als Protokoll, nicht als Datei auf einem Server. Finanziert wurde das Team im März 2025 mit einer Seed-Runde über 7,6 Millionen Dollar, gemeinsam angeführt von Union Square Ventures und CoinFund, mit Angel-Investoren wie Balaji Srinivasan und HuggingFace-Mitgründer Clem Delangue (GlobeNewswire). Im Juli 2026 versammelte Pluralis auf der Fachkonferenz ICML einen eigenen Workshop zum Thema, ein Signal, dass Protocol Learning als ernsthaftes Forschungsparadigma wahrgenommen wird.

Dazu kommen die Pretraining-Subnetze im Bittensor-Ökosystem, in denen Teilnehmer um Emissionen konkurrieren, indem sie Modelle vortrainieren, sowie eine wachsende akademische Literatur zu den Governance-Risiken verteilten Trainings (Stichwort „No-Off-Problem“: ein Modell, das niemandem gehört, lässt sich auch von niemandem abschalten). Das Feld ist also dicht besiedelt, technisch vielfältig und, mit Ausnahme von Gensyn und den GPU-Marktplätzen, überwiegend über Eigenkapital oder SAFTs finanziert, nicht über frei handelbare Token. Genau diese Trennung wird gleich noch wichtig.

Was der Vergleich verrät

Legt man die Trainingsläufe nebeneinander, kristallisieren sich zwei nüchterne Wahrheiten heraus. Erstens: Dezentrales Training ist real. Ein 40-Milliarden-Parameter-Modell über das offene Internet zu trainieren (Consilience) oder ein 32-Milliarden-Modell per permissionless Reinforcement Learning (INTELLECT-2) war vor zwei Jahren noch Science-Fiction. Zweitens: An der absoluten Spitze schlägt die Physik zurück. Sobald die Modelle groß und die Synchronisationsanforderungen hoch werden, weichen selbst die Pioniere auf eng gekoppelte InfiniBand-Cluster aus, wie INTELLECT-3 zeigt. Zwischen diesen beiden Polen entscheidet sich, wie groß der adressierbare Markt für dezentrales Training wirklich ist.

Und Gensyn? Gensyns eigentliche Wette liegt quer zu dieser Achse. Das Projekt konkurriert weniger über die Größe des trainierten Modells als über die Verifizierbarkeit der Rechnung. Je heterogener, anonymer und weniger vertrauenswürdig die beteiligte Hardware, desto wertvoller ist ein Beweis-Stack wie Verde plus RepOps. Das ist ein legitimer, sogar wichtiger Blickwinkel. Nur hat Gensyn bislang keinen Trainingslauf in der Größenordnung vorgelegt, mit der Nous und Prime Intellect Schlagzeilen machen. Die Verifikationsschicht ist die Antwort auf eine Frage, die andere gerade erst durch schiere Ingenieursleistung aufwerfen. Die folgende Tabelle ordnet die jüngsten Meilensteine ein.

Token gegen Eigenkapital

Die vielleicht wichtigste Beobachtung steht nicht im Code, sondern in der Kapitalstruktur. Die Teams, die 2026 die spektakulärsten Trainingsläufe abliefern, haben sich überwiegend gegen einen frei handelbaren Token entschieden. Prime Intellect trägt eine Milliarden-Bewertung, aber die steckt im Eigenkapital, das nur professionellen Investoren offensteht. Nous Research finanziert sich über eine SAFT-Struktur zu ein bis anderthalb Milliarden Dollar, der eigentliche Token ist noch nicht am Markt. Pluralis läuft auf Seed-Kapital. Gensyn dagegen hat einen öffentlichen Token, und dieser Token trägt den vollen Kursverlust des Sektors, während die operative Wertentwicklung in privaten Runden bei anderen anfällt.

Das wirft eine unbequeme Grundsatzfrage auf, die den ganzen Sektor betrifft: Braucht dezentrales KI-Training überhaupt einen eigenen Token? Prime Intellect, Nous und Pluralis zeigen, dass sich die Forschung auch ohne handelbares Asset finanzieren lässt, allein über Eigenkapital, SAFTs und echte Umsätze mit Unternehmenskunden. Ein Token ergibt vor allem dort Sinn, wo er eine Ressource koordiniert, die kein Unternehmen allein besitzt, etwa die verstreute GPU-Leistung tausender anonymer Beitragender. Genau das ist Gensyns Argument. Nur muss dieser Koordinationsnutzen erst sichtbar werden, bevor der Markt ihn bezahlt, und bis dahin trägt der Token das Risiko, während die Technik anderswo reift.

Für Privatanleger ist das eine unbequeme Asymmetrie. Wer an dezentrales KI-Training glaubt, kann öffentlich fast nur die Token kaufen (Gensyns $AI oder die GPU-Marktplätze), während die Teams mit den beeindruckendsten Ergebnissen den Aufschlag im geschlossenen Eigenkapitalmarkt einsammeln. Diese Dynamik erinnert an frühere Krypto-Zyklen, in denen sich Erzählung und realer Wertfluss entkoppelten; ähnliche Bereinigungsmuster haben wir zuletzt bei den Bitcoin-L2s gesehen. Die folgende Übersicht stellt die Finanzierungswege nebeneinander.

Zahlen zum $AI-Token

Zurück zum Kurschart, das die Debatte bisher dominiert hat. $AI notiert Anfang September bei rund 0,01759 Euro (0,01987 Dollar), mit einem Marktwert von knapp 23 Millionen Euro und einer voll verwässerten Bewertung (FDV) von etwa 176 Millionen Euro. Diese Lücke ist der eigentliche Überhang: Nur gut 13 Prozent der maximal 10 Milliarden Token zirkulieren, der große Rest, vor allem die Anteile von Team und Investoren, entsperrt sich erst über die kommenden Jahre, mit einer ersten großen Welle rund um April 2027. Wer die Entsperrungs-Mechanik im Detail nachvollziehen will, findet die Rechnung in unserer früheren Analyse zur $AI-Unlock-Klippe; hier genügt der Befund, dass die Emission die bescheidenen Verbrennungen aus Delphi absehbar übersteigt.

Der Kursverfall ist kein Gensyn-Sonderfall, sondern Sektortrend. Bittensor ($TAO) notiert bei 212,63 Euro und rund 2,04 Milliarden Euro Marktwert, etwa 70 Prozent unter dem Allzeithoch (CoinGecko). Der GPU-Marktplatz Akash ($AKT) liegt bei 0,4835 Euro und knapp 143,5 Millionen Euro, gut 93 Prozent unter dem Hoch (CoinGecko). io.net ($IO) steht bei 0,1162 Euro und 45,8 Millionen Euro, rund 98 Prozent unter dem Rekord (CoinGecko). Anders gesagt: Der Markt preist die gesamte tokenisierte KI-Compute-Kohorte skeptisch, unabhängig davon, wie viel Technik tatsächlich ausgeliefert wird. Das ist der Kern der Entkopplung von Technik und Token, die diesen Sektor 2026 prägt.

Regulierung: BaFin, MiCA und das Trainingsnetzwerk

Für deutsche Anleger stellt sich die Frage, wo ein solches Konstrukt regulatorisch steht. Gensyn ist ein britisches Unternehmen und fällt als Protokoll nicht direkt unter die europäische MiCA-Verordnung. Der $AI-Token ist weder ein wertreferenzierter Token (ART) noch ein E-Geld-Token (EMT), sondern zählt zur Restkategorie der „sonstigen Kryptowerte“. Regulatorische Pflichten greifen deshalb nicht am Protokoll, sondern auf der Ebene der Dienstleister: Handelsplattformen und Verwahrer, die deutschen Kunden $AI anbieten, brauchen eine CASP-Erlaubnis, und die BaFin beaufsichtigt diese Dienstleister (BaFin-Merkblatt Kryptowerte-Dienstleistungen). Wie aus der Lizenz laufende Aufsicht wird, haben wir in unserer Analyse zur MiCA-Umsetzung beschrieben.

Zwei Sonderfälle sind für Gensyn relevant. Erstens Delphi: Ein KI-Orakel ändert nichts an der rechtlichen Einordnung des zugrundeliegenden Marktes. Wetten auf Nicht-Sportereignisse sind nach dem deutschen Glücksspielstaatsvertrag praktisch nicht lizenzierbar, und Krypto-Derivate fallen unter MiFID II, nicht unter MiCA. Zweitens das Training selbst: Das Trainieren von Modellen ist keine erlaubnispflichtige Finanzdienstleistung, wohl aber ein Feld, das der EU AI Act zunehmend erfasst. Dessen Pflichten für allgemeine KI-Modelle (GPAI) gelten seit August 2025, die Durchsetzungsbefugnisse der Kommission seit August 2026. Die spannende, bislang ungelöste Frage lautet: Wer ist der „Anbieter“ eines Modells, das über tausende anonyme Rechner trainiert wurde und niemandem allein gehört? Genau dieses No-Off-Problem macht dezentrales Training juristisch so unhandlich.

Konkret unterscheidet der AI Act nach Rechenaufwand: Modelle oberhalb einer Schwelle von 10 hoch 25 Rechenoperationen (FLOP) gelten als potenziell systemisch und tragen strengere Pflichten. Die meisten offenen, verteilt trainierten Modelle liegen heute darunter, doch die Größenordnungen der Consilience- und INTELLECT-Läufe zeigen, wie schnell diese Grenze näher rückt. Für Anleger in Deutschland heißt das zweierlei: Der $AI-Token selbst ist ein handelbarer Kryptowert, dessen Handel und Verwahrung eine BaFin-beaufsichtigte CASP-Erlaubnis erfordert; das Training dahinter ist ein KI-, kein Finanzthema und wird auf EU-Ebene reguliert. Beide Regelwerke greifen an unterschiedlichen Stellen, und keines davon adressiert bislang sauber, wer bei einem herrenlosen, verteilt trainierten Modell die Verantwortung trägt.

Was 2026 und 2027 über Gensyn entscheiden

Am Ende läuft alles auf eine Identitätsfrage hinaus: Ist Gensyn ein Trainingsnetzwerk, das nebenbei Märkte abrechnet, oder ein Marktbetreiber, der einmal ein Trainingsnetzwerk sein wollte? Solange Delphi das einzige Live-Produkt ist und RL Swarm pausiert, gibt der Markt die zweite Antwort, und bepreist den Token entsprechend. Mehrere konkrete Auslöser könnten das drehen: der Neustart von RL Swarm als dauerhaft laufender, bezahlter Trainingsschwarm; die Veröffentlichung des vollständigen Trail-of-Bits-Audits zu Delphi; die erste Integration von Gensyns Verifikation außerhalb des eigenen Hauses; oder schlicht der erste öffentlich nachweisbare Trainingslauf in der Größenordnung, die Nous und Prime Intellect vorgelegt haben.

Für Anleger lohnt es sich, diese Auslöser von der reinen Kursbewegung zu trennen. Ein neues Allzeittief sagt wenig darüber aus, ob Gensyns Technik trägt; umgekehrt wäre ein kurzer Kurssprung ohne laufenden Trainingsmarkt nur ein Strohfeuer. Die belastbaren Signale sind operativer Natur: messbares Delphi-Volumen, das die Verbrennungen real werden lässt; ein veröffentlichter, unabhängiger Sicherheitsaudit; und vor allem ein Trainingslauf, der zeigt, dass Gensyns Verifikation nicht nur auf dem Papier funktioniert, sondern echte, bezahlte Rechenarbeit absichert. Erst wenn diese Bausteine zusammenkommen, verwandelt sich die gute Idee in ein tragfähiges Geschäftsmodell.

Bis dahin bleibt die zentrale Ironie bestehen. Gensyn hat früh die richtige Frage gestellt, nämlich wie man Training dezentral und überprüfbar macht. Die Überprüfbarkeit ist Gensyns beste Karte, und sie könnte umso mehr wert sein, je mehr sich das Training über nicht vertrauenswürdige Hardware verteilt. Doch die spektakulären Antworten auf die Trainingsfrage kommen 2026 von anderen, die vorerst auf die Verifikation verzichten und dafür ausliefern. Der $AI-Token wird sich erst dann nachhaltig erholen, wenn Gensyn beides zusammenbringt: einen echten, laufenden Trainingsmarkt und den Beweis-Stack, der ihn von den Rivalen unterscheidet. Die Idee war und ist richtig. Die Frage ist, ob Gensyn sie schneller einlöst, als der Kapitalmarkt die Geduld verliert.

Häufige Fragen (FAQ)

Was ist Gensyn und wofür ist der $AI-Token da?

Gensyn ist ein 2020 in London gegründetes Protokoll, das ungenutzte GPU-Leistung zu einem Markt für maschinelles Lernen zusammenschalten und die geleistete Rechenarbeit beweisbar machen will. Der $AI-Token, seit April 2026 live, dient für Zahlungen, Staking und Sicherheit sowie Governance im Netzwerk und wird über die Gebühren des Marktplatzes Delphi teilweise zurückgekauft und verbrannt.

Warum ist RL Swarm pausiert und was betreibt Gensyn stattdessen?

RL Swarm, Gensyns verteiltes Reinforcement-Learning-Framework, läuft derzeit nicht; die Dokumentation stellt ausdrücklich fest, dass aktuell keine offiziellen Schwärme aktiv sind. Das einzige lebende Mainnet-Produkt ist Delphi, ein KI-gestützter Informationsmarkt, der Gebühren generiert, aber selbst kein Modelltraining ist.

Wer sind die größten Konkurrenten von Gensyn beim dezentralen KI-Training?

Die wichtigsten Herausforderer sind Prime Intellect (Modelle der INTELLECT-Reihe, 130 Mio. Dollar Series A zu 1 Mrd. Dollar Bewertung) und Nous Research (Psyche-Netzwerk und das 40-Milliarden-Modell Consilience, der bislang größte verteilte Pre-Training-Lauf). Hinzu kommen Pluralis Research mit seinem Protocol-Learning-Ansatz sowie Pretraining-Subnetze im Bittensor-Ökosystem.

Warum ist der $AI-Token 2026 so stark gefallen?

$AI liegt rund 81 Prozent unter seinem Allzeithoch vom April 2026 und notiert nahe dem Tief vom 30. August. Gründe sind ein großer Angebotsüberhang (nur gut 13 Prozent der Token zirkulieren, große Entsperrungen stehen ab April 2027 an), das Fehlen eines laufenden Trainingsprodukts sowie ein sektorweiter Abschwung, der auch TAO, AKT und IO um 70 bis 98 Prozent unter ihre Hochs gedrückt hat.

Wie wird Gensyn in Deutschland reguliert?

Gensyn ist ein britisches Unternehmen und fällt als Protokoll nicht direkt unter MiCA; der $AI-Token zählt zu den sonstigen Kryptowerten. Regulierungspflichten greifen bei den Dienstleistern: Plattformen und Verwahrer für deutsche Kunden brauchen eine CASP-Erlaubnis und werden von der BaFin beaufsichtigt. Der Wettmarkt Delphi berührt zusätzlich Glücksspiel- und MiFID-II-Fragen, das Training selbst zunehmend den EU AI Act.

Marcus Okafor berichtet für HOGE Wire über die Schnittstelle von Krypto und künstlicher Intelligenz.