K\u00fcnstliche Intelligenz braucht zwei Dinge im \u00dcberma\u00df: Rechenleistung, um Modelle zu trainieren, und Rechenleistung, um sie danach zu betreiben. Der zweite Teil, im Fachjargon Inferenz genannt, verschlingt inzwischen den Gro\u00dfteil der laufenden Kosten gro\u00dfer KI-Dienste. Genau hier setzt eine wachsende Gruppe von Krypto-Netzwerken an: Sie wollen die Inferenz von zentralen Cloud-Anbietern l\u00f6sen und \u00fcber tausende verteilte GPUs abwickeln, koordiniert und bezahlt per Token. F\u00fcr Anlegerinnen und Anleger im deutschsprachigen Raum ist das mehr als ein technisches Nischenthema, denn seit dem 1. Juli 2026 gilt die MiCA-Verordnung ohne \u00dcbergangsfrist, und die BaFin schaut genau hin, wer solche Token anbietet.<\/p>
Inferenz bezeichnet den Moment, in dem ein fertig trainiertes KI-Modell eine Anfrage beantwortet: Ein Chatbot formuliert einen Satz, ein Bildmodell rendert ein Motiv, ein Handelsalgorithmus bewertet einen Datenstrom. Bei zentralen Anbietern l\u00e4uft das in gro\u00dfen Rechenzentren, die einem einzigen Unternehmen geh\u00f6ren. Dezentrale Inferenz verteilt dieselbe Aufgabe auf ein offenes Netzwerk unabh\u00e4ngiger GPU-Betreiber, vom professionellen Serverpark bis zur Grafikkarte im Wohnzimmer. Ein Blockchain-Protokoll \u00fcbernimmt die Buchhaltung: Es weist Auftr\u00e4ge zu, misst die erbrachte Leistung und zahlt in einem nativen Token aus.<\/p>
Der Reiz liegt auf der Hand. Wer Rechenzeit einkauft, umgeht die Preissetzung der wenigen gro\u00dfen Hyperscaler. Wer Rechenzeit anbietet, macht ungenutzte Hardware zu Geld. Und weil kein einzelnes Unternehmen den Zugang kontrolliert, l\u00e4sst sich ein Modell schwerer zensieren oder abschalten. Das Analysehaus Delphi Digital<\/a> nennt die Inferenz deshalb den Bereich, in dem dezentrale KI zuerst sp\u00fcrbaren Umsatz erzielen d\u00fcrfte.<\/p> In der \u00f6ffentlichen Debatte dominiert das Training der Modelle, weil dort die spektakul\u00e4ren Zahlen entstehen. \u00d6konomisch entscheidend ist jedoch die Inferenz. Ein Modell wird einmal trainiert, aber millionenfach abgefragt, und jede Abfrage kostet Strom, Speicher und GPU-Zyklen. \u00dcber die Lebensdauer eines popul\u00e4ren Modells verursacht die Inferenz deshalb ein Vielfaches der urspr\u00fcnglichen Trainingskosten.<\/p> F\u00fcr dezentrale Netzwerke ist das Chance und H\u00fcrde zugleich. Training in verteilten Umgebungen galt lange als kaum machbar, weil die GPUs ununterbrochen riesige Datenmengen austauschen m\u00fcssen. Inferenz ist gen\u00fcgsamer: Eine einzelne Anfrage l\u00e4sst sich oft auf wenigen Karten abwickeln. Genau deshalb r\u00fccken Inferenz-Dienste 2026 in den Vordergrund, w\u00e4hrend echtes verteiltes Training das schwierigere Fernziel bleibt.<\/p> Der Markt hat sich in wenige Lager sortiert. Manche Projekte verkaufen schlicht g\u00fcnstige Rechenkapazit\u00e4t, andere bauen komplette Marktpl\u00e4tze f\u00fcr KI-Dienste. Die folgende Tabelle fasst die relevantesten Netzwerke zusammen.<\/p>Training frisst Schlagzeilen, Inferenz frisst das Budget<\/h2>
Die wichtigsten Netzwerke im \u00dcberblick<\/h2>