opML in der Zange: billigere Beweise, schnellere Chips

opML sollte der bequeme Kompromiss sein. Zu einer Zeit, als kryptografische Beweise für KI-Modelle als praktisch unbezahlbar galten und vertrauliche Hardware nach einem Vertrauensvorschuss an den Chiphersteller klang, bot optimistic Machine Learning einen dritten Weg: Man veröffentlicht das Ergebnis einer KI-Inferenz zusammen mit einer Prüfsumme on-chain, behandelt es nach einem Einspruchsfenster als endgültig und rechnet nur dann nach, wenn jemand widerspricht. Billiger als ein Zero-Knowledge-Beweis, weniger abhängig von einem Hersteller als ein Trusted Execution Environment. Der pragmatische Mittelweg.

Im Herbst 2026 ist von diesem Mittelweg wenig übrig, jedenfalls wirtschaftlich. Beide Flanken haben sich bewegt. Auf der einen Seite ist zkML dabei, die Mauer zu durchbrechen, an der es jahrelang scheiterte: die vollständige Verifikation großer Sprachmodelle. Auf der anderen Seite haben vertrauliche Recheneinheiten (TEEs) den Sprung in echte Produktionslast geschafft, mit Durchsätzen, die noch vor einem Jahr utopisch wirkten. opML sitzt dazwischen, und seine eigenen ungelösten Probleme, die Latenz des Einspruchsfensters, das Verifier’s Dilemma, die Bit-genaue Reproduzierbarkeit, sind genau dort geblieben, wo sie 2024 waren.

Der Markt hat sein Urteil bereits gefällt. Der ORA-Token, das native Asset des opML-Pioniers Ora Protocol, wird zum Zeitpunkt dieses Artikels für rund 0,0025 Euro gehandelt, bei einer Marktkapitalisierung von keinen 420.000 Euro und einem Tagesumsatz, der sich im zweistelligen Eurobereich bewegt. Das ist mehr als 99,9 Prozent unter dem Allzeithoch. Die Technik funktioniert; die Bewertung sagt etwas anderes. Dieser Text erklärt, wie opML arbeitet, warum es als Mittelweg gedacht war und weshalb genau dieser Mittelweg 2026 in die Zange geraten ist.

Was opML ist und warum es „optimistisch“ heißt

opML steht für optimistic Machine Learning, und der Name ist Programm. Das Verfahren wurde formal in einem Paper mit dem Titel „opML: Optimistic Machine Learning on Blockchain“ beschrieben (arXiv 2401.17555, veröffentlicht Ende Januar 2024) und ist ausdrücklich den Optimistic Rollups nachempfunden, wie sie Arbitrum und der OP Stack für allgemeine EVM-Ausführung populär gemacht haben. Das Paper selbst nennt seinen Ansatz „reminiscent of the optimistic rollup systems“. Die Grundidee: Rechenarbeit ist teuer, das Nachprüfen von Rechenarbeit ist billig, also verlagert man die Rechnung nach off-chain und macht nur das Nachprüfen zur Not on-chain.

Konkret läuft die eigentliche KI-Inferenz, etwa die Antwort eines Sprachmodells auf einen Prompt, außerhalb der Blockchain. Der Anbieter, in der opML-Sprache der Submitter, veröffentlicht das Ergebnis zusammen mit einer kryptografischen Verpflichtung, üblicherweise einer Merkle-Wurzel über den gesamten Rechenverlauf. Danach beginnt ein Einspruchsfenster. Meldet sich in diesem Zeitraum niemand, gilt das Ergebnis als korrekt und wird endgültig. Meldet sich ein Herausforderer, der behauptet, die Rechnung sei falsch, kommt es zum Betrugsbeweis (Fraud Proof).

„Optimistisch“ heißt das Verfahren also, weil es im Normalfall davon ausgeht, dass alle ehrlich rechnen, und nur im Streitfall den teuren Prüfmechanismus anwirft. Das ist derselbe Handel, den Optimistic Rollups für Transaktionen eingehen; opML überträgt ihn auf maschinelles Lernen. Der Reiz liegt auf der Hand: Man muss nicht für jede einzelne Inferenz einen teuren Beweis erzeugen, sondern nur die Möglichkeit eines Beweises vorhalten. Für Anwendungen, bei denen Betrug selten und teuer ist, kann das eine sehr effiziente Wette sein.

Die Mechanik: Betrugsbeweise, FPVM und die Bisektion

Das Herzstück von opML ist die Fraud Proof Virtual Machine (FPVM). Damit ein Streit überhaupt entscheidbar ist, muss die umstrittene Rechnung deterministisch und Schritt für Schritt nachvollziehbar sein. Die FPVM ist eine eingeschränkte virtuelle Maschine, in der jeder einzelne Rechenschritt reproduzierbar wiederholt werden kann. Die technische Dokumentation dazu liegt offen auf GitHub.

Die naive Variante, das Single-Phase-Protokoll, spielt im Streitfall die gesamte Rechnung in dieser VM nach. Das ist einfach, aber quälend langsam, weil eine GPU-freie VM ein modernes Modell um Größenordnungen langsamer ausführt als spezialisierte Hardware. Deshalb setzt Ora auf ein Multi-Phase-Protokoll: Der unstrittige Teil der Rechnung läuft nativ auf GPU beziehungsweise parallel, und nur der eine mikroskopische Schritt, um den tatsächlich gestritten wird, wird in der VM nachvollzogen. Laut Projektangaben senkt das die Komplexität des Merkle-Baums von O(mn) auf O(m+n) und beschleunigt den Streitfall um das Zigfache gegenüber dem Single-Phase-Ansatz.

Wie schnell das in der Praxis ist, hängt stark vom Modell ab. Für kleine Netze im MNIST-Maßstab nennt Ora in eigenen Tests eine Inferenz von rund zwei Sekunden und einen kompletten Streitzyklus von etwa zwei Minuten auf einem lokalen Testnetz. Für größere Modelle wirbt das Projekt damit, dass sich ein 7B-Parameter-Modell wie LLaMA (rund 26 Gigabyte) mithilfe einer eigenen, schlanken Bibliothek ohne GPU auf einem gewöhnlichen PC ausführen lasse. Diese Zahlen sind selbst berichtet und nicht unabhängig geprüft; sie zeigen aber, worauf opML setzt: nicht auf rohe Geschwindigkeit, sondern auf die Machbarkeit von Verifikation mit minimaler Hardware.

Gefunden wird dieser eine strittige Schritt über ein Bisektionsspiel, das direkt aus der Truebit-Tradition stammt. Jason Teutsch und Christian Reitwiessner beschrieben diese interaktive Verifikation in ihrem Truebit-Paper Jahre bevor Optimistic Rollups sie für die allgemeine EVM-Ausführung populär machten; opML wendet dasselbe Muster gezielt auf maschinelles Lernen an. Submitter und Herausforderer grenzen den Streit iterativ ein: Man halbiert die Rechnung, fragt, ob der Zwischenstand nach der Hälfte stimmt, und je nach Antwort halbiert man die betroffene Hälfte erneut. Nach logarithmisch vielen Runden bleibt genau ein einzelner Rechenschritt übrig, den die Kette dann günstig selbst überprüfen kann. Der Verlierer verliert seinen Einsatz.

Das Verfahren ist elegant, aber es hat eine unbequeme Voraussetzung: Die Rechnung muss Bit für Bit reproduzierbar sein. Nur wenn ein ehrlicher Nachrechner exakt dasselbe Ergebnis erhält wie der Submitter, lässt sich ein echter Betrug von einer harmlosen Abweichung unterscheiden. Diese Voraussetzung wird sich weiter unten als eine der Achillesfersen von opML erweisen.

Ora Protocol: vom zkOracle zum opML-Pionier

opML als Idee gehört niemandem, aber in der Praxis ist es untrennbar mit Ora Protocol verbunden, dem früheren Hyper Oracle. Das Projekt wurde im September 2022 gegründet; Mitgründer Kartin Wong kam von Google und war zuvor für Infrastruktur bei TikTok verantwortlich. Als Chefwissenschaftlerin stieß Cathie So dazu, eine ehemalige zkML-Forscherin aus der Privacy-and-Scaling-Explorations-Gruppe der Ethereum Foundation, womit das Team sowohl zkML- als auch opML-Kompetenz unter einem Dach hatte.

Im Juni 2024 sammelte Ora 20 Millionen US-Dollar von Polychain, HF0 und HashKey Capital ein. Gegenüber CoinDesk erklärte Wong, man wolle mit dem Ansatz „unlock the design space for AI dapps“, also den Gestaltungsraum für KI-dApps öffnen; die Mittel seien ausdrücklich dafür gedacht, KI-Modelle zu tokenisieren und dezentrale KI ins Ethereum-Ökosystem zu bringen.

Aus dieser Vision sind mehrere Produkte hervorgegangen. Das OAO (Onchain AI Oracle) ist ein Satz von opML-gesicherten Verträgen mit derselben Adresse über gut ein Dutzend Ketten hinweg (Ethereum, Optimism, Arbitrum, Base, Polygon und weitere); eine Anfrage geht an die opML-Knoten, das Ergebnis kommt mit Einspruchsfenster zurück und wird per Callback an den anfragenden Vertrag geliefert. opAgent, seit Anfang 2025 live, ist ein Rahmen für perpetuelle On-Chain-Agenten, deren Handlungen über opML überprüfbar werden sollen. Und mit dem Konzept der Initial Model Offering (IMO) hat Ora versucht, die Einnahmen eines Modells selbst zu tokenisieren. Diese Produkte sind technisch real; ob sie Nachfrage finden, ist die eigentliche Frage, und die Antwort des Marktes fällt bislang ernüchternd aus.

opMLs Versprechen: der pragmatische Mittelweg

Um zu verstehen, warum opML in die Zange gerät, muss man verstehen, warum es überhaupt attraktiv war. Die Landschaft der beweisbaren KI kennt grob vier Ansätze, und jeder macht einen anderen Kompromiss.

zkML erzeugt einen kryptografischen Beweis, einen Zero-Knowledge-Beweis, dass ein Modell korrekt gerechnet hat. Das ist mathematisch wasserdicht und braucht kein Vertrauen in irgendjemanden, aber der Aufwand war lange enorm. Vitalik Buterin hat das in seinem Essay über Krypto und KI nüchtern beziffert: Matrixmultiplikationen ließen sich mit weniger als dem Vierfachen an Aufwand beweisen, die nichtlinearen Schichten eines neuronalen Netzes jedoch kosteten rund das Zweihundertfache, und der ZK-SNARK-Beweis eines einzelnen Ethereum-Blocks könne Stunden dauern. Elena Burger, Deal Partner bei a16z crypto, brachte das Kernproblem auf den Punkt: Zero-Knowledge-Beweise könnten „32-bit floating point operations“ nicht ohne massiven Mehraufwand im nötigen arithmetischen Schaltkreisformat darstellen, weshalb Modelle für den Beweis auf 8 Bit quantisiert werden müssten, eine „crude approximation“ des eigentlichen Modells.

TEEs (Trusted Execution Environments) gehen den umgekehrten Weg. Statt die Rechnung zu beweisen, führen sie sie in einer hardwaregeschützten Enklave aus, die per Attestierung bestätigt, dass genau dieser Code auf genau dieser Hardware lief. Das ist schnell (der Mehraufwand liegt im einstelligen Prozentbereich), aber das Vertrauen verlagert sich auf den Chiphersteller und auf die Annahme, dass die Hardware nicht per Seitenkanal geknackt wird.

Der crypto-ökonomische Ansatz schließlich, Staking plus Slashing, wie ihn EigenLayer beziehungsweise EigenCloud verfolgt, macht Betrug schlicht teurer als den möglichen Gewinn, ohne kryptografische Garantie. In diese Aufstellung passte opML als Kompromiss: keine teuren ZK-Beweise, keine harte Hardware-Abhängigkeit, sondern die Wette, dass ein einziger ehrlicher Wächter genügt, um Betrug aufzudecken. Für viele Anwendungen klang das nach dem besten Preis-Leistungs-Verhältnis. Genau diese Rechnung verschiebt sich 2026.

Flanke eins: zkML knackt die LLM-Mauer

Der erste Grund liegt bei zkML. Jahrelang galt: Zero-Knowledge-Beweise für große Modelle sind schön in der Theorie und unbezahlbar in der Praxis. Genau diese Mauer ist ins Wanken geraten.

Lagrange meldete mit DeepProve das erste produktionsreife zkML-System, das eine vollständige LLM-Inferenz beweist, und führte als Beleg GPT-2 sowie Gemma-3 an, die Ende zu Ende bewiesen wurden (Modelle der Llama-Klasse sind laut Unternehmen in Arbeit). Die entsprechende Ankündigung ist nüchtern einzuordnen: Es ist ein Machbarkeitsnachweis, kein Performance-Report. GPT-2 ist um Größenordnungen kleiner als ein modernes Frontier-Modell, und harte Beweiszeit-Kosten für die großen Modelle wurden nicht offengelegt. Trotzdem ist die Botschaft klar: Die Grenze, an der zkML angeblich prinzipiell scheitert, ist keine Wand mehr, sondern eine verschiebbare Front.

Technisch treibt das vor allem eine Idee: Lookups statt Schaltkreise. Arbeiten wie Jolt Atlas (arXiv 2602.17452) übertragen die Jolt-zkVM-Architektur von a16z auf ONNX-Tensoroperationen und ersetzen teure arithmetische Schaltkreise für nichtlineare Funktionen wie ReLU oder Softmax durch Nachschlagetabellen. Genau die nichtlinearen Schichten, die Buterin mit dem Zweihundertfachen bezifferte, werden damit deutlich billiger.

Für opML ist das ein Problem, weil sein Hauptargument gegenüber zkML immer der Preis war. Wenn der ZK-Beweis von unbezahlbar auf lediglich teuer sinkt und weiter fällt, schrumpft opMLs Kostenvorsprung, während zkMLs Vorteil bestehen bleibt: ein sofort prüfbarer Beweis ohne Wartefenster und ohne Wächter-Annahme. Wer eine harte kryptografische Garantie will, hatte nie einen Grund, opML zu wählen; wer sie sich früher schlicht nicht leisten konnte, bekommt sie langsam in Reichweite. Eine tiefergehende Einordnung der vier Ansätze und ihres Trilemmas bietet unsere Analyse zum Trilemma der beweisbaren KI.

Flanke zwei: TEEs gewinnen auf Tempo und Volumen

Die zweite Flanke ist die Hardware. Wo zkML mit Mathematik gegen opMLs Preis argumentiert, argumentieren TEEs mit Geschwindigkeit gegen opMLs Latenz.

Phala Network, einer der sichtbarsten Anbieter vertraulicher KI, meldet auf der eigenen Seite einen Durchsatz von rund 83 Milliarden vertraulichen Tokens pro Tag (Stand 23. September 2026), gemessen an OpenRouter-Providerdaten, über zehn aktive Modelle. Zum Vergleich: Ende August lag dieselbe Kennzahl noch bei rund 24 Milliarden, im Frühjahr bei unter drei Milliarden. Das ist echte Produktionslast, kein Testnetz. Die Hardware dahinter, Intel TDX auf CPU-Ebene plus NVIDIA H100, H200 und die Blackwell-Generation mit Confidential Computing, läuft laut Phala mit ungefähr 5 bis 10 Prozent Mehraufwand, abhängig von Modell und Chip.

Dieser Mehraufwand ist der springende Punkt. Ein TEE liefert eine Antwort mit Attestierung praktisch in Echtzeit, während opML per Konstruktion ein Einspruchsfenster braucht, bevor ein Ergebnis endgültig ist. Für alles, was interaktiv sein soll, einen Chat-Agenten, einen Handelsbot, ein Spiel, ist das ein entscheidender Unterschied. Dass vertrauliches Rechnen zudem im Mainstream ankommt (Apple betreibt seine Private Cloud Compute inzwischen auf derselben Hardware-Klasse), verstärkt den Sog. Auch Projekte wie Ritual bauen ihre gesamte These auf verifizierbarer und vertraulicher Inferenz auf, ein Ansatz, den wir in der Frage ob verifizierbare KI eine eigene Blockchain braucht gesondert untersucht haben.

Der Haken bleibt: TEEs verlangen Vertrauen in den Chiphersteller, und Angriffe wie die 2025 dokumentierte TEE.Fail-Klasse zeigen, dass diese Annahme nicht unverwundbar ist. Aber für latenzsensible Massenanwendungen wiegt das Tempo schwerer als die Reinheit der Vertrauensbasis. Genau dort, wo opML als „billiger als zkML“ antrat, ist TEE als „schneller als opML“ schwer zu schlagen.

Verstärkt wird der Sog dadurch, dass sich die Nachfrage nach beweisbarer KI genau dort bündelt, wo TEEs stark sind: bei autonomen Agenten, die in Echtzeit handeln, und bei vertraulichen Anwendungen, die sensible Daten verarbeiten. Für einen dezentralen GPU-Marktplatz, auf dem anonyme Anbieter Rechenzeit vermieten, ist die Attestierung zudem ein natürlicher Mechanismus: Sie beweist, was auf fremder Hardware lief, ohne dass ein Wächter jede einzelne Ausgabe nachrechnen müsste. Genau diese Nachrechnung ist bei opML unverzichtbar, und sie skaliert schlecht, wenn Millionen Anfragen pro Tag anfallen.

Das Latenzproblem und die Frage der Komposabilität

Damit sind wir beim Kern der Zange. opMLs strukturelle Schwäche ist das Einspruchsfenster selbst. Ein Ergebnis ist erst dann sicher endgültig, wenn das Fenster ohne erfolgreichen Einspruch verstrichen ist. Verkürzt man das Fenster, um schneller zu werden, sinkt die Sicherheit, weil ein ehrlicher Wächter weniger Zeit hat, einen Betrug zu erkennen; verlängert man es für mehr Sicherheit, wird das System träge.

Die Autoren des OTR-Papers (arXiv 2512.20176, „Optimistic TEE-Rollups“) formulieren die Kritik unverblümt: Optimistische Ansätze „impose prohibitive dispute windows, preventing real-time interactivity“, also erzwingen prohibitive Einspruchsfenster, die Echtzeit-Interaktivität verhindern. Dasselbe Paper prägt den Begriff des Verifizierbarkeits-Trilemmas: Ein dezentrales Inferenzsystem könne hohe Recheninkorrektheit, niedrige Latenz und niedrige Kosten nicht gleichzeitig erreichen. opML opfert die Latenz. Der vorgeschlagene Hybrid des Papers erreicht nach eigenen Angaben 99 Prozent des Durchsatzes eines zentralen Systems bei rund 0,07 US-Dollar Mehrkosten pro Anfrage, gerade indem er das reine Einspruchsverfahren umgeht.

Die Latenz hat einen Folgeeffekt, der oft übersehen wird: Komposabilität. On-Chain-Anwendungen leben davon, dass ein Ergebnis sofort im nächsten Vertrag weiterverwendet werden kann. Ein Wert, der erst nach einem mehrminütigen oder gar mehrstündigen Fenster als endgültig gilt, lässt sich nicht ohne Weiteres in eine Kette von DeFi-Aktionen einbauen, ohne entweder zu warten oder das Risiko einer späteren Rücknahme zu tragen. Für ein Orakel, das eine Kreditlinie absichert oder einen Handel auslöst, ist das ein ernstes Problem. Gerade in Feldern wie autonomen KI-Agenten auf Prognosemärkten, wo Sekunden zählen, wirkt das Einspruchsfenster wie ein Fremdkörper; wie schnell sich dort Bots und Insider bewegen, zeigt unsere Analyse zum gläsernen Markt.

Verifier’s Dilemma und die Determinismus-Falle

Zwei weitere Probleme sind so alt wie opML selbst und 2026 unverändert offen.

Das erste ist das Verifier’s Dilemma. opMLs Sicherheit hängt an der Annahme, dass mindestens ein ehrlicher Wächter die veröffentlichten Ergebnisse tatsächlich nachrechnet. Aber Nachrechnen kostet Ressourcen, und solange alle ehrlich sind, gibt es nie eine Belohnung dafür. Ein rein rational handelnder Wächter spart sich also die Arbeit und vertraut darauf, dass jemand anderes prüft, mit dem Ergebnis, dass am Ende womöglich niemand prüft. Truebit, der geistige Vorläufer, adressierte das mit erzwungenen Fehlern und einem Jackpot als Belohnung; opML hat für dieses Problem bislang keine breit ausgerollte Antwort.

Das zweite ist die Determinismus-Falle, und sie trifft opML härter als jeden anderen Ansatz. Der Betrugsbeweis funktioniert nur, wenn ein ehrlicher Nachrechner exakt dasselbe Ergebnis Bit für Bit erhält. Moderne LLM-Inferenz auf GPUs ist aber notorisch nicht deterministisch. Das Team von Thinking Machines Lab um Horace He zeigte, wie tief das Problem sitzt: Bei 1.000 Durchläufen desselben Prompts bei Temperatur null lieferte ein großes Modell 80 unterschiedliche Ergebnisse; die häufigste Antwort erschien 78 Mal, und die Ausgaben waren nur für die ersten 102 Tokens identisch, bevor sie auseinanderliefen. Ursache ist nicht bloß die Nicht-Assoziativität von Gleitkomma-Additionen, sondern die Batch-Invarianz: Je nach Serverlast variiert die Batch-Größe und damit die Reihenfolge der Reduktionen.

Für opML heißt das: Ohne erzwungene Bit-Reproduzierbarkeit würde ein ehrlicher Wächter einen ebenso ehrlichen Submitter anfechten, nur weil die GPU anders gebündelt hat. Genau deshalb läuft die FPVM in einer GPU-freien, deterministischen Umgebung mit einer eigenen, schlanken DNN-Bibliothek. Das löst das Problem, aber es ist zugleich der Grund, warum der Streitfall so langsam ist. Determinismus ist für opML kein Detail, sondern zugleich Voraussetzung und Kostentreiber, ein Zielkonflikt, den die schnelleren Nachbarn TEE (die Ausführung wird attestiert, nicht nachgerechnet) so nicht kennen.

Bemerkenswert ist, dass die gesamte Branche 2026 an diesem Problem arbeitet, nicht nur die Krypto-Welt. Forschungsgruppen und Anbieter haben batch-invariante Kernel vorgelegt, die identische Ausgaben über verschiedene Serverlasten hinweg erzwingen, um einen spürbaren, aber vertretbaren Aufschlag beim Durchsatz. Krypto-Projekte greifen das auf: Deterministische Inferenz-Engines sollen die Verifikation auf einen simplen Byte-Vergleich reduzieren, denn wenn jede ehrliche Neuberechnung exakt dieselbe Bytefolge liefert, wird aus einem probabilistischen Abstimmungsproblem eine triviale Gleichheitsprüfung. Für opML wäre das ein Segen, es verschiebt die Kosten aber nur, es beseitigt sie nicht.

Die Privatsphäre-Lücke und geschlossene Modelle

Zwei letzte Einschränkungen runden das Bild ab.

Erstens die Privatsphäre. Damit ein Herausforderer die Rechnung überhaupt anfechten kann, muss der gesamte Rechenverlauf öffentlich und reproduzierbar sein. opML ist damit von Natur aus transparent, nicht vertraulich. Wer sensible Eingaben verarbeiten will, Gesundheitsdaten, Geschäftsgeheimnisse, Identitätsmerkmale, kann das mit reinem opML nicht datenschutzfreundlich tun. Genau hier setzt Oras eigener Hybrid opp/ai an, der zkML für die Vertraulichkeit mit opML für die Effizienz kombiniert, was zugleich zeigt, dass opML allein die Lücke nicht schließt.

Zweitens die Frage geschlossener Modelle. opMLs Betrugsbeweis funktioniert nur für Modelle, die ein Herausforderer unabhängig nachrechnen kann, also für offene Gewichte wie Llama oder Stable Diffusion. Ein geschlossenes API-Modell wie GPT-4o kann niemand außer dem Anbieter reproduzieren; das OAO kann eine solche Antwort zwar durchreichen und attestieren, aber nicht im eigentlichen Sinne per opML absichern. Das ist eine wichtige Nuance, die in Marketingtexten gern verschwimmt: Ein erheblicher Teil der kommerziell relevanten KI läuft heute über geschlossene APIs, und genau dort greift opMLs Kernmechanismus nicht.

Vier Wege zur beweisbaren KI im Vergleich

Die folgende Tabelle fasst zusammen, wo opML zwischen seinen Nachbarn steht. Kein Ansatz gewinnt auf allen Achsen; das ist der Kern des Trilemmas.

Die Hybride: opMLs Antwort auf die Zange

Das vielleicht deutlichste Zeichen für die Zwickmühle ist, dass die interessantesten opML-Entwicklungen 2026 Hybride sind, die sich bei den Nachbarn bedienen. opp/ai kombiniert opML mit zkML für Vertraulichkeit. Ansätze wie zk-OPML nutzen Zero-Knowledge-Techniken, um opMLs Einspruchsfenster zu verkürzen. Und das erwähnte OTR-Paper schlägt vor, TEEs für schnelle vorläufige Endgültigkeit mit optimistischen Betrugsbeweisen und stichprobenartigen ZK-Kontrollen zu verbinden.

Strategisch ist das aufschlussreich. Jeder dieser Hybride borgt genau die Eigenschaft, die opML fehlt: opp/ai holt sich die Vertraulichkeit von zkML, zk-OPML holt sich die schnelle Endgültigkeit kurzer ZK-Beweise, und OTR holt sich das Tempo der TEEs. opML steuert in jedem Fall den günstigen optimistischen Rahmen bei, tritt die kritische Eigenschaft aber an einen Nachbarn ab. Das ist kein Scheitern, sondern eine ehrliche Arbeitsteilung; es unterstreicht nur, dass reines opML für sich genommen selten die vollständige Antwort ist.

Man kann das als Reife lesen (die Ansätze wachsen zusammen) oder als Eingeständnis (reines opML reicht für sich genommen nicht mehr). In beiden Lesarten verliert opML als eigenständige Kategorie an Kontur. Wenn die beste Version von opML eine ist, die zkML für die Privatsphäre und TEEs für das Tempo einbindet, dann ist die Frage berechtigt, was am Ende noch spezifisch optimistisch daran ist. Die Betrugsbeweis-Mechanik bleibt ein wertvoller Baustein; als vollständige, für sich stehende Antwort auf verifizierbare KI wirkt sie 2026 weniger überzeugend als noch bei ihrer Vorstellung.

Technik lebt, Token stirbt

Wenn die Technik so lebendig ist, warum dann der Titel dieses Abschnitts? Weil die Bewertung der zugehörigen Token eine andere Geschichte erzählt. Praktisch jeder Token im Feld der beweisbaren KI notiert tief unter seinem Allzeithoch, und ORA ist der extremste Fall.

ORA wird laut CoinGecko für rund 0,0025 Euro gehandelt, die Marktkapitalisierung liegt bei keinen 420.000 Euro, der Tagesumsatz bei rund 26 Euro. Bei solchen Volumina ist der Kurs kaum aussagekräftig; zweistellige Prozentbewegungen an einzelnen Tagen bedeuten wenig, wenn insgesamt nur für wenige Dutzend Euro gehandelt wird. Es wäre unseriös, daraus einen konkreten Auslöser abzuleiten; die ehrlichere Beschreibung ist schlichte Illiquidität. Der Kontrast zu den technisch ausgereiften, aber ebenfalls weit unter ihrem Hoch notierenden Nachbarn (PROVE, PHA und EIGEN alle 86 bis 96 Prozent im Minus) zeigt ein Sektormuster: Funktionierende Infrastruktur und Token-Bewertung haben sich entkoppelt. Für opML ist die Lücke nur am größten.

Ein Blick auf die Angebotsseite rundet das Bild ab: Von den insgesamt rund 333 Millionen ORA sind etwa 166 Millionen im Umlauf, also ungefähr die Hälfte. Weitere Freigaben stehen damit noch aus, was in einem so dünnen Markt zusätzlichen Angebotsdruck bedeuten kann. Für die Bewertung eines Infrastruktur-Projekts zählt am Ende aber weniger die Angebotsmechanik als die Nachfrage nach der Infrastruktur selbst, und genau die lässt sich bei opML bislang nicht in belastbaren Nutzungszahlen ablesen. Ora betreibt zwar ein öffentliches Dashboard für OAO-Anfragen, doch eine unabhängig bestätigte Schlagzahl (Millionen bezahlter Inferenzen, aktive Agenten, laufender Umsatz) ist nicht dokumentiert.

Regulierung: BaFin, MiCA und die Infrastruktur-Grauzone

Für deutschsprachige Leser stellt sich die Frage, wie ein Token wie ORA regulatorisch einzuordnen ist. Die kurze Antwort: in einer Grauzone.

MiCA reguliert Krypto-Dienstleister (CASPs) und Emittenten, nicht das Protokoll selbst; die BaFin bringt das in ihrem Merkblatt zu Kryptowerte-Dienstleistungen auf die bekannte Formel, dass Dienstleistung und Emission erfasst sind, die zugrunde liegende Technik aber nicht per se. In Deutschland endete der Bestandsschutz für Altanbieter bereits zum 31. Dezember 2025 nach dem Kryptomärkteaufsichtsgesetz (KMAG, Teil des FinmadiG), früher als die EU-weite Frist; seither dürfen nur MiCA-lizenzierte CASPs operieren. Ein reiner Infrastruktur- oder Utility-Token wie ORA fällt nicht automatisch darunter, solange kein Dienstleister ihn im regulierten Rahmen anbietet.

Heikler wird es, sobald ein Token Einnahmen verspricht. Oras IMO-Konzept mit seinen Revenue-Share-Token rückt näher an ein Finanzinstrument, weil ein Anteil an den Einnahmen eines Modells eher wie ein Wertpapier aussieht als wie ein Zahlungsmittel; solche Konstruktionen fallen potenziell unter MiFID II, nicht unter MiCA. Warum dezentrale Strukturen dabei besonders schwer zu fassen sind, haben wir mit Blick auf MiCA und DeFi beleuchtet.

In den USA ist das Bild ähnlich unscharf. Die gemeinsame Auslegung von SEC und CFTC vom März 2026 benannte zwar eine Reihe großer Token (Bitcoin, Ethereum, Solana und weitere) als digitale Rohstoffe, sagte aber nichts über KI-Orakel oder Infrastruktur-Token für beweisbare Berechnung. Nach dem Scheitern des CLARITY Act bleibt die Zuständigkeit umstritten, ein Zustand, den wir in unserer Analyse zur US-Aufsicht nach dem CLARITY-Aus eingeordnet haben. Für ORA bedeutet das: keine klare Einordnung, kein klarer Aufseher.

Was bleibt von opML?

Es wäre falsch, opML für tot zu erklären. Als Idee bleibt der optimistische Ansatz elegant, und für bestimmte Nischen (günstige, nicht latenzkritische Verifikation offener Modelle) ist er weiter sinnvoll. Ora liefert weiterhin funktionierende Produkte, und die Hybride zeigen, dass die Grundmechanik anschlussfähig ist.

Für Entwickler lautet die praktische Frage nicht „opML ja oder nein“, sondern welche Eigenschaft ihre Anwendung wirklich braucht. Ein Orakel, das einmal täglich einen aggregierten Wert liefert und Zeit bis zur Endgültigkeit hat, kann mit opML günstig und robust arbeiten. Ein Agent, der im Sekundentakt auf einem Prognosemarkt handelt, wird das Einspruchsfenster hingegen als Bremse erleben. opMLs Zukunft liegt weniger in der Konkurrenz zu jedem Anwendungsfall als in der klaren Beschränkung auf jene, für die der optimistische Handel tatsächlich passt.

Aber die Positionierung als der pragmatische Mittelweg trägt nicht mehr so wie 2024. Auf der Kostenseite holt zkML auf; auf der Tempo-Seite ist TEE davongezogen; und opMLs eigene Baustellen (Latenz, Verifier’s Dilemma, Determinismus, Privatsphäre, geschlossene Modelle) sind ungelöst geblieben. Die spannendste Entwicklung ist, dass opML sich in Hybriden mit genau den Nachbarn verbindet, gegen die es einst angetreten ist.

Wer 2026 verifizierbare KI baut, wählt seinen Ansatz nach dem konkreten Bedarf: harte Garantie und keine Eile sprechen für zkML, Tempo und Vertraulichkeit für TEE, Ethereum-verankerte Wirtschaftssicherheit für den crypto-ökonomischen Weg. opML bleibt eine Option, aber immer seltener die erste. Die Zange ist real; ob opML sich als eigenständige Kategorie behauptet oder in den Hybriden aufgeht, wird das nächste Jahr entscheiden.

Häufig gestellte Fragen

Was ist opML einfach erklärt?

opML (optimistic Machine Learning) veröffentlicht das Ergebnis einer KI-Berechnung zusammen mit einer Prüfsumme on-chain und behandelt es nach einem Einspruchsfenster als korrekt, sofern niemand widerspricht. Nur im Streitfall wird die Rechnung per Betrugsbeweis überprüft. Das Verfahren ist den Optimistic Rollups nachempfunden und stammt maßgeblich von Ora Protocol.

Worin unterscheidet sich opML von zkML?

zkML erzeugt für jede Inferenz einen kryptografischen Beweis, der sofort und ohne Vertrauen in Dritte prüfbar ist, aber rechenintensiv bleibt. opML verzichtet im Normalfall auf diesen Beweis und verlässt sich auf ein Einspruchsfenster plus mindestens einen ehrlichen Wächter. opML ist günstiger, aber langsamer bis zur Endgültigkeit und weniger streng in der Garantie.

Warum ist der ORA-Token so stark gefallen?

Der ORA-Token notiert mehr als 99,9 Prozent unter seinem Allzeithoch und wird bei sehr geringem Volumen gehandelt, mit Tagesumsätzen im zweistelligen Eurobereich. Bei solcher Illiquidität ist der Kurs kaum aussagekräftig, und ein konkreter Auslöser lässt sich seriös nicht benennen. Das Muster einer Entkopplung von funktionierender Technik und Token-Bewertung zieht sich durch den gesamten Sektor.

Kann opML geschlossene Modelle wie GPT-4o absichern?

Nicht im eigentlichen Sinne. opMLs Betrugsbeweis setzt voraus, dass ein Herausforderer die Rechnung unabhängig nachvollziehen kann, was nur bei offenen Gewichten möglich ist. Ein geschlossenes API-Modell kann durchgereicht und attestiert, aber nicht per opML verifiziert werden.

Ist opML in Deutschland reguliert?

Das opML-Protokoll selbst ist nicht reguliert. Unter MiCA und der Aufsicht der BaFin fallen Krypto-Dienstleister und Emittenten, nicht die zugrunde liegende Technik. Ein reiner Infrastruktur-Token wie ORA liegt in einer Grauzone; Revenue-Share-Konstruktionen wie Oras IMO könnten dagegen als Finanzinstrument unter MiFID II eingestuft werden.

Von Marcus Okafor, Redakteur für KI und Krypto bei HOGE Wire.