{"id":273,"date":"2026-08-13T16:30:12","date_gmt":"2026-08-13T16:30:12","guid":{"rendered":"https:\/\/hoge.gg\/de\/verifiable-compute-2026-beweise-skalieren-token\/"},"modified":"2026-08-13T16:30:12","modified_gmt":"2026-08-13T16:30:12","slug":"verifiable-compute-2026-beweise-skalieren-token","status":"publish","type":"post","link":"https:\/\/hoge.gg\/de\/verifiable-compute-2026-beweise-skalieren-token\/","title":{"rendered":"Verifiable Compute 2026: Die Beweise skalieren, die Token nicht"},"content":{"rendered":"

„Vertrau mir“ ist in der Kryptowelt kein Argument. Ein Jahrzehnt lang bestand die ganze Idee darin, Vertrauen durch Verifikation zu ersetzen: Ein Smart Contract tut, was sein Code sagt, und jeder kann es nachrechnen. K\u00fcnstliche Intelligenz bringt genau dieses Problem zur\u00fcck. Ein gro\u00dfes Sprachmodell ist eine Black Box; wenn ein KI-Agent eine Transaktion ausl\u00f6st oder ein Orakel einen Preis meldet, muss man dem Betreiber schlicht glauben, dass die Berechnung ehrlich und korrekt lief. Verifiable compute, also nachweisbares Rechnen, will genau das abschaffen: nicht nur ein Ergebnis liefern, sondern einen billig pr\u00fcfbaren Beweis mit, dass es richtig berechnet wurde.<\/p>

2026 ist das Jahr, in dem diese Idee aus dem Labor auf die Stra\u00dfe gekommen ist. \u00dcber Jahre lautete der Standardeinwand gegen „beweisbare KI“, man k\u00f6nne die Ausgabe eines gro\u00dfen Sprachmodells mathematisch nicht in vertretbarer Zeit beweisen, die Rechenlast sei zu hoch. Diese Mauer ist gefallen. Lagrange hat mit DeepProve das erste produktionsreife zkML-System vorgelegt, das den Beweis einer vollst\u00e4ndigen LLM-Inferenz erzeugt. EigenCloud hat verifizierbare Inferenz und verifizierbares Rechnen ins Mainnet gebracht. Boundless und Succinct haben Zero-Knowledge-Beweise zu einem Marktplatz gemacht. Die Technik liefert.<\/p>

Und trotzdem: Jeder Token, der diesen Wert einfangen soll, notiert tief im Minus. EIGEN, PROVE, ZKC, LA, PHA, eine ganze Reihe funktionierender, ausgelieferter Infrastruktur, deren Kurse aussehen wie ein Tr\u00fcmmerfeld, zwischen 91 und 98 Prozent unter dem Allzeithoch. Diese Kluft zwischen Technik und Token ist die eigentliche Geschichte von verifiable compute im Jahr 2026. Dieser Beitrag erkl\u00e4rt, was nachweisbares Rechnen ist, warum ausgerechnet dieses Jahr der Wendepunkt war, wie die vier konkurrierenden Ans\u00e4tze funktionieren, was tats\u00e4chlich live ging, was es kostet, wer es braucht, und warum der Markt bisher keinen dieser Fortschritte belohnt hat. Preise in Euro, Regulierung aus Sicht von BaFin und EU.<\/p>

Was verifiable compute wirklich bedeutet<\/h2>

Der Kern ist einfach. Nachweisbares Rechnen hei\u00dft: Man f\u00fchrt eine Berechnung nicht nur irgendwo aus, sondern erzeugt zus\u00e4tzlich einen Beweis, dass sie korrekt ausgef\u00fchrt wurde, und dieser Beweis l\u00e4sst sich deutlich billiger pr\u00fcfen als die Berechnung selbst. Das Vertrauen verschiebt sich von „Vertrau dem Server“ zu „Pr\u00fcfe den Beweis“. Der Pr\u00fcfende muss die schwere Arbeit nie wiederholen; er kontrolliert nur ein kompaktes Zertifikat. Genau dieses Prinzip macht Blockchains \u00fcberhaupt erst funktionsf\u00e4hig, und es ist dasselbe Prinzip, das man nun auf KI anwenden will.<\/p>

Wichtig ist die Abgrenzung zu blo\u00df dezentralem Rechnen. Marktpl\u00e4tze wie Akash oder Netzwerke wie Bittensor vermieten GPU-Leistung, verteilen also die Hardware, aber sie beweisen nicht, dass ein Anbieter ehrlich gerechnet hat. Ein Anbieter k\u00f6nnte ein billigeres, schlechteres Modell einsetzen, die halbe Berechnung \u00fcberspringen oder das Ergebnis f\u00e4lschen, und niemand w\u00fcrde es merken. Verifiable compute schlie\u00dft genau diese L\u00fccke: Es geht nicht darum, wo gerechnet wird, sondern ob das Ergebnis nachweisbar dem entspricht, was h\u00e4tte berechnet werden sollen.<\/p>

Warum k\u00fcmmert das die Kryptobranche besonders? Weil Smart Contracts von Natur aus deterministisch und \u00fcberpr\u00fcfbar sind, KI aber genau das Gegenteil ist. Sobald man KI in eine Blockchain-Umgebung holt, in autonome Agenten, in Preisorakel, in Handelsstrategien, rei\u00dft man das Vertrauensloch wieder auf, das die Branche ein Jahrzehnt lang zu stopfen versucht hat. Vitalik Buterin hat dieses Spannungsfeld fr\u00fch sortiert. In seinem Essay \u00fcber die Chancen und Grenzen von Krypto plus KI<\/a> ordnet er die Verbindungen beider Welten und warnt: Sobald eine KI innerhalb eines Mechanismus mitentscheidet, bei dem echtes Geld auf dem Spiel steht, braucht es die st\u00e4rksten Garantien, die verf\u00fcgbar sind. Man muss nachpr\u00fcfen k\u00f6nnen, nicht nur vertrauen. Verifiable compute ist der Versuch, diese Garantie technisch zu liefern.<\/p>

Warum 2026 der Wendepunkt ist<\/h2>

Die entscheidende Nachricht dieses Jahres ist technisch, nicht spekulativ: Die sogenannte LLM-Mauer ist gefallen. Am 3. Juni 2026 hat Lagrange Labs sein zkML-System DeepProve als Open Source freigegeben und dabei nach eigenen Angaben \u00fcber 12 Millionen kryptografische Beweise erzeugt und mehr als 3 Millionen KI-Inferenzen Ende zu Ende verifiziert<\/a>. Der Sprung, der wirklich z\u00e4hlt: DeepProve erzeugt laut Lagrange f\u00fcr LLM-Inferenzen die Beweise rund 60-mal schneller als der bisherige Stand der Technik und verifiziert sie bis zu 671-mal schneller. Je nach Modelltyp beziffert Lagrange die Beschleunigung gegen\u00fcber dem zuvor f\u00fchrenden zkML sogar noch h\u00f6her.<\/p>

Konkret bedeutet das: Zum ersten Mal l\u00e4sst sich die vollst\u00e4ndige Inferenz eines echten Transformer-Sprachmodells kryptografisch beweisen, von der Token-Einbettung bis zur Auswahl des n\u00e4chsten Tokens. Bewiesen wurden Ende zu Ende<\/a> zun\u00e4chst GPT-2 und Modelle der Gemma-3-Klasse; Modelle im Llama-Ma\u00dfstab nennt Lagrange als in aktiver Entwicklung. Man sollte das n\u00fcchtern einordnen: GPT-2 hat rund 124 Millionen Parameter, moderne Spitzenmodelle das Hundert- bis Tausendfache. Ein Frontier-Modell vollst\u00e4ndig zu beweisen, ist also noch nicht erreicht. Aber die Kategorie „grunds\u00e4tzlich unm\u00f6glich“ ist gefallen, und das ist der eigentliche Bruch mit den Vorjahren.<\/p>

Lagrange-Chef Ismael Hishon-Rezaizadeh hat die Freigabe mit einem Satz umrissen, der die Ambition gut fasst: DeepProve sei nicht gebaut worden, um verifizierbare KI zu besitzen, sondern damit es niemand besitzen muss. „Heute wird DeepProve zu einem Primitiv. Die Black Box ist offen“, sagte er zur Open-Source-Ver\u00f6ffentlichung<\/a>. Als \u00f6ffentlicher Praxistest diente Turing Roulette, eine Live-Demonstration, bei der nach Lagranges Angaben mehr als 500.000 Teilnehmer 3,7 Millionen KI-Inferenzen erzeugten, jede einzeln kryptografisch verifiziert.<\/p>

Parallel dazu ist die krypto-\u00f6konomische Schiene erwachsen geworden. EigenCloud, der zu einer verifizierbaren Cloud umgebaute Restaking-Anbieter, hat seine Dienste EigenAI und EigenCompute bereits am 30. September 2025 im Mainnet-Alpha gestartet<\/a>. EigenAI liefert eine zur OpenAI-Schnittstelle kompatible, deterministische Inferenz-API: Derselbe Aufruf soll bei jeder Ausf\u00fchrung dasselbe Ergebnis liefern, damit es \u00fcberhaupt verifizierbar wird. EigenCompute f\u00fchrt beliebigen Code in vertraulichen VMs aus und st\u00fctzt die Ausf\u00fchrung auf die wirtschaftliche Sicherheit des Restaking-Netzwerks. Wer die beiden fr\u00fcheren HOGE-Wire-Erkl\u00e4rst\u00fccke zu verifiable compute gelesen hat, findet hier den aktuellen Stand: Aus Konzept ist laufende Infrastruktur geworden.<\/p>

Die vier Wege, eine Berechnung zu beweisen<\/h2>

Es gibt nicht einen Weg zu nachweisbarem Rechnen, sondern vier, und sie unterscheiden sich grundlegend darin, wem oder was man am Ende vertrauen muss. Zero-Knowledge-Verfahren (zkML) liefern einen mathematischen Beweis, der ganz ohne Vertrauen auskommt, sind aber rechenintensiv. Trusted Execution Environments (TEE) verlagern das Vertrauen auf den Chiphersteller. Optimistisches ML (opML) macht das Betr\u00fcgen wirtschaftlich unattraktiv und verl\u00e4sst sich auf wachsame Beobachter. Krypto-\u00f6konomische Ans\u00e4tze hinterlegen Kapital, das bei Fehlverhalten verfallen kann. Die folgende Tabelle stellt sie gegen\u00fcber.<\/p>

Ansatz<\/th>Vertrauensmodell<\/th>St\u00e4rke<\/th>Schw\u00e4che<\/th>Projekte (Beispiele)<\/th><\/tr><\/thead>
zkML (ZK-Beweise)<\/td>Kryptografisch, vertrauenslos<\/td>Mathematische Gewissheit, keine Annahme \u00fcber Dritte<\/td>Hoher Overhead, lange Beweiszeiten, Quantisierung n\u00f6tig<\/td>Lagrange DeepProve, Succinct SP1, Boundless, EZKL<\/td><\/tr>
TEE (Confidential Computing)<\/td>Hardware-Attestierung, Vertrauen in den Chiphersteller<\/td>Schnell, geringer Overhead, gro\u00dfe Modelle m\u00f6glich<\/td>Seitenkanalangriffe, Abh\u00e4ngigkeit vom Hersteller<\/td>Phala Network, Intel TDX, NVIDIA H100<\/td><\/tr>
opML (optimistisch)<\/td>Wirtschaftlich plus mindestens ein ehrlicher Beobachter<\/td>G\u00fcnstig, skaliert auf gro\u00dfe Modelle<\/td>Latenz durch Challenge-Fenster, kein Echtzeit-Nachweis<\/td>Ora Protocol (OAO)<\/td><\/tr>
Krypto-\u00f6konomisch (Staking\/Slashing)<\/td>Wirtschaftlich (Kosten des Betrugs \u00fcber dem Gewinn)<\/td>Einfach, sofort skalierbar, hardwareunabh\u00e4ngig<\/td>Keine kryptografische Garantie, nur Anreiz<\/td>EigenCloud (EigenAI, EigenCompute)<\/td><\/tr><\/tbody><\/table><\/figure>

Keiner der vier Ans\u00e4tze ist in jeder Hinsicht \u00fcberlegen. Sie tauschen jeweils Sicherheit gegen Geschwindigkeit gegen Kosten. Genau deshalb gibt es 2026 nicht einen Gewinner, sondern eine Landschaft, in der Entwickler nach Einsatzzweck w\u00e4hlen und zunehmend mischen.<\/p>

zkML: der Durchbruch bei der Skalierung<\/h2>

zkML gilt als Goldstandard, weil ein Zero-Knowledge-Beweis mathematisch bindend ist: Wer den Beweis pr\u00fcft, muss niemandem vertrauen, keiner Hardware, keinem Betreiber, keinem Stake. Der Preis daf\u00fcr war lange prohibitiv. Ein neuronales Netz in einen arithmetischen Schaltkreis zu \u00fcbersetzen, den ein ZK-System verarbeiten kann, erzeugt gewaltigen Overhead, der mit der Modellgr\u00f6\u00dfe \u00fcberproportional w\u00e4chst. Elena Burger von a16z crypto hat das Grundproblem in ihrer Analyse zu Machine Learning und Zero-Knowledge-Beweisen<\/a> pr\u00e4zise benannt: Native 32-Bit-Flie\u00dfkommaoperationen lassen sich nicht ohne massiven Overhead in ZK-taugliche Schaltkreise gie\u00dfen, weshalb Entwickler auf 8-Bit-quantisierte Modelle ausweichen, die nur „grobe Ann\u00e4herungen“ des Originals sind. Genauigkeit gegen Beweisbarkeit, das war jahrelang der Zielkonflikt.<\/p>

2026 hat sich hier am meisten getan. DeepProve setzt auf moderne Beweisverfahren wie Sumcheck und logup-GKR, um die Kosten zu dr\u00fccken, und der Quellcode samt Prover, Verifier und ONNX-Pipeline liegt seit Juni offen auf GitHub<\/a>. Ein zweiter, akademischer Strang zielt auf dieselbe Engstelle: Jolt Atlas, im Februar 2026 als Preprint vorgestellt<\/a>, erweitert den Jolt-zkVM von a16z auf Tensor-Operationen und ersetzt teure Schaltkreise f\u00fcr Funktionen wie ReLU und Softmax durch Nachschlagetabellen (Lookups). Der Effekt: Beweise lassen sich sogar auf gew\u00f6hnlicher Hardware erzeugen, ohne Spezialbeschleuniger. Lookups statt teurer Arithmetik, das ist die technische Wirbels\u00e4ule des Jahres.<\/p>

Trotzdem gilt die n\u00fcchterne Einordnung: Der Basiswert EZKL, an dem sich alle messen, brauchte f\u00fcr den Beweis eines einzigen Beispiels eines kleinen Empfehlungsmodells historisch Stunden. Selbst mit den Beschleunigungen von 2026 kostet ein Beweis reale Zeit und reale Rechenleistung. zkML ist nicht mehr unm\u00f6glich f\u00fcr Sprachmodelle, aber es ist noch weit von der Echtzeit-Inferenz eines Frontier-Modells entfernt. Der Fortschritt ist gewaltig und die Grenze ist real, beides gleichzeitig.<\/p>

TEE: schnell, aber das Vertrauen wandert zum Chiphersteller<\/h2>

Wo zkML rechnet, bis der Beweis steht, geht der TEE-Ansatz einen ganz anderen Weg. Ein Trusted Execution Environment ist ein abgeschotteter, verschl\u00fcsselter Bereich im Prozessor, der von au\u00dfen nicht einsehbar ist und per kryptografischer Attestierung bezeugen kann, welcher Code darin lief. Intel liefert das mit TDX, AMD mit SEV, und entscheidend f\u00fcr KI: NVIDIAs H100-Generation bringt Confidential Computing auf die GPU<\/a>, mit einem Speicher-Firewall und laut NVIDIA weniger als 7 Prozent Inferenz-Overhead. Damit lassen sich sehr gro\u00dfe Modelle in nahezu voller Geschwindigkeit ausf\u00fchren und trotzdem attestieren, was zkML heute schlicht nicht kann.<\/p>

Der praktische Vorreiter ist Phala Network<\/a> mit \u00fcber 30.000 TEE-Ger\u00e4ten und, nach eigenen Angaben, mehr als einer Milliarde per TEE verarbeiteter LLM-Token pro Tag \u00fcber den Router OpenRouter. Die Zahl zeigt: TEE ist keine Theorie, sondern tr\u00e4gt bereits echten Verkehr. Der Haken steckt im Vertrauensmodell. TEE ist nicht vertrauenslos. Man vertraut darauf, dass der Chiphersteller sauber gearbeitet hat und dass kein Seitenkanalangriff die Enklave aufbricht. Die Geschichte der TEE-Sicherheit ist eine Kette gefundener und gepatchter L\u00fccken; HOGE Wire hat in der englischen Ausgabe eigens beschrieben, wie regelm\u00e4\u00dfig TEEs geknackt werden. Wer TEE einsetzt, tauscht den Betreiber gegen den Siliziumhersteller als Vertrauensanker, mehr nicht, aber auch nicht weniger.<\/p>

opML und krypto-\u00f6konomische Sicherheit<\/h2>

Der dritte Weg leiht sich direkt bei den Rollups. opML, optimistisches Machine Learning, ver\u00f6ffentlicht ein Ergebnis samt einer Merkle-Verpflichtung auf der Kette und behandelt es nach einem Challenge-Fenster als endg\u00fcltig, sofern niemand widerspricht. Widerspricht jemand, entscheidet ein Fraud-Proof in einer eingeschr\u00e4nkten virtuellen Maschine, wer recht hat. Das Verfahren ist ausdr\u00fccklich den optimistischen Rollups nachempfunden und wurde von Ora Protocol vorangetrieben und 2024 formalisiert<\/a>. Der Vorteil: Es ist g\u00fcnstig und skaliert auf gro\u00dfe Modelle, weil im Normalfall gar kein Beweis erzeugt werden muss. Der Preis: Latenz durch das Streitfenster und die Annahme, dass mindestens ein ehrlicher Beobachter mitschaut. Echtzeit-Interaktion ist so nicht zu haben.<\/p>

Der vierte Weg ist der krypto-\u00f6konomische, und EigenCloud ist sein prominentester Vertreter. Die Garantie ist hier nicht mathematisch, sondern wirtschaftlich: Wer rechnet, hinterlegt Kapital (per Restaking gebundenes ETH), das per Slashing verf\u00e4llt, wenn Fehlverhalten nachgewiesen wird. Solange die Kosten eines Betrugs den m\u00f6glichen Gewinn \u00fcbersteigen, lohnt sich Ehrlichkeit. Das ist kein Beweis im kryptografischen Sinn, sondern ein Anreiz, aber ein sofort skalierbarer, hardwareunabh\u00e4ngiger. Dass Sicherheit selbst zu einem handelbaren Gut wird, ist ein Muster, das \u00fcber KI hinausreicht; HOGE Wire hat es am Beispiel von SSVs Sicherheitsmarktplatz<\/a> beschrieben, bei dem gestaktes Kapital als Dienstleistung an andere Protokolle vermietet wird. Verifiable compute ist eine Anwendung genau dieser Idee.<\/p>

EigenCloud, Boundless, Succinct: was 2026 live ging<\/h2>

Der oft \u00fcbersehene Punkt der Debatte ist, dass 2026 nichts davon mehr Zukunftsmusik ist. Die tragenden Systeme sind im Mainnet, verarbeiten Verkehr und haben erste Partner. Die folgende Zeitleiste fasst zusammen, was tats\u00e4chlich ausgeliefert wurde.<\/p>

Projekt<\/th>Ansatz<\/th>Meilenstein<\/th>Datum<\/th><\/tr><\/thead>
Succinct (SP1, PROVE)<\/td>zkVM \/ zkML<\/td>Mainnet, 35+ Protokolle, \u00fcber 5 Mio. Beweise<\/td>5. Aug. 2025<\/td><\/tr>
Boundless (ZKC)<\/td>ZK-Beweismarktplatz<\/td>Mainnet auf Base, Proof of Verifiable Work<\/td>Sep. 2025<\/td><\/tr>
EigenCloud (EigenAI, EigenCompute)<\/td>Krypto-\u00f6konomisch \/ TEE<\/td>Mainnet-Alpha, deterministische Inferenz-API<\/td>30. Sep. 2025<\/td><\/tr>
Lagrange (DeepProve)<\/td>zkML<\/td>Open Source, erste vollst\u00e4ndige LLM-Inferenz bewiesen<\/td>3. Jun. 2026<\/td><\/tr><\/tbody><\/table><\/figure>

Succinct SP1<\/a> ist eine zkVM auf RISC-V-Basis, an die inzwischen mehr als 35 Protokolle andocken, darunter Namen wie Polygon und Celestia; der Token PROVE dient als Sicherheit per Stake und Slashing f\u00fcr die Prover. Boundless<\/a> verwandelt Beweiserzeugung in einen offenen Markt: Provers konkurrieren um Auftr\u00e4ge und werden \u00fcber einen Mechanismus namens Proof of Verifiable Work nach Menge, Geschwindigkeit und Komplexit\u00e4t ihrer Beweise entlohnt. Das Mainnet ging im September 2025 auf Base live, unterst\u00fctzt von der Ethereum Foundation, Base und Wormhole; nach dem Start hatten bereits mehr als 30 Protokolle die Beweis-Funktionen integriert. EigenCompute wiederum verkauft sich als vertraute Entwicklererfahrung im AWS-Stil, nur mit Verifizierbarkeit auf der Kette, und nennt auf seiner Produktseite<\/a> reale Integrationen. Ein sprechendes Beispiel: Coinbases AgentKit soll einen Agenten betreiben, der auf EigenCompute l\u00e4uft, f\u00fcr die Inferenz EigenAI nutzt und die Blockchain-Interaktionen abwickelt. Genau dort, wo ein Agent eigenst\u00e4ndig handelt, wird Verifizierbarkeit vom Luxus zur Bedingung.<\/p>

Das Verifizierbarkeits-Trilemma<\/h2>

Warum gibt es nicht einfach den einen besten Ansatz? Weil verifiable compute einem Trilemma unterliegt: Integrit\u00e4t, Latenz und Kosten lassen sich nicht gleichzeitig maximieren. Wer die st\u00e4rkste Integrit\u00e4t will (zkML), zahlt mit Rechenlast und Wartezeit. Wer niedrige Latenz und geringe Kosten will (TEE oder opML), gibt einen Teil der kryptografischen Garantie auf. Jede Architektur ist eine Position in diesem Dreieck, keine L\u00f6sung, die es aufl\u00f6st.<\/p>

Versch\u00e4rft wird das Ganze durch ein Determinismus-Paradox, das speziell KI betrifft. Die Inferenz gro\u00dfer Modelle auf GPUs ist von Haus aus nicht bit-genau reproduzierbar: Flie\u00dfkomma-Rundung und die Reihenfolge paralleler Berechnungen f\u00fchren dazu, dass derselbe Prompt minimal unterschiedliche Ausgaben erzeugen kann. Ein ZK-Beweis aber verlangt exakte Determiniertheit, sonst passt der Beweis nicht zum Ergebnis. Deshalb ist die scheinbar langweilige Zusage von EigenAI, eine deterministische Inferenz zu liefern, in Wahrheit die halbe Miete: Ohne reproduzierbares Ergebnis gibt es nichts zu beweisen.<\/p>

Der Trend 2026 hei\u00dft entsprechend Hybride. In Fachpreprints kursieren optimistische TEE-Rollups, die eine H100-Enklave f\u00fcr schnelle Endg\u00fcltigkeit mit optimistischen Fraud-Proofs und stichprobenartigen ZK-Kontrollen kombinieren. Die Logik: die Geschwindigkeit von TEE, die \u00d6konomie des Optimistischen und der harte kryptografische Anker von ZK, aber nur dort, wo er sich lohnt. Kein Ansatz gewinnt allein; sie werden geschichtet.<\/p>

Der Preis der Gewissheit: Overhead, Latenz, Energie<\/h2>

Nachweisbares Rechnen ist nicht gratis, und das ist mehr als eine Fu\u00dfnote. Einen Beweis zu erzeugen, kann die reine Berechnung um ein Vielfaches verteuern; fr\u00fche Benchmarks bewegten sich im Bereich von Stunden pro Beispiel f\u00fcr vergleichsweise kleine Modelle. Selbst nach den Spr\u00fcngen von 2026 gilt: Wer beweist, rechnet die Arbeit einmal und beweist sie ein weiteres Mal, oft mit erheblichem Zusatzaufwand. Das ist kein Argument gegen die Technik, aber gegen ihren pauschalen Einsatz.<\/p>

Dazu kommt die Energiefrage, die in einem Jahr, in dem KI-Rechenzentren ohnehin um jede Kilowattstunde ringen, alles andere als nebens\u00e4chlich ist. Zus\u00e4tzliche Beweisrechnung bedeutet zus\u00e4tzlichen Strombedarf, und der landet in derselben angespannten Bilanz, \u00fcber die HOGE Wire im Krypto-Energiemix 2026<\/a> geschrieben hat, wo Mining, KI und Netz um denselben Strom konkurrieren. Verifizierbarkeit hat also einen \u00f6kologischen Preis, den man ehrlich einpreisen muss.<\/p>

Die pragmatische Antwort darauf hat Vitalik Buterin schon vorgezeichnet: Nicht jede Berechnung braucht einen Beweis. Es gibt einen Zielkonflikt zwischen billigem, unverifiziertem und teurem, verifiziertem Rechnen, und die Kunst liegt darin, das teure Verfahren nur auf die wenigen wirklich kritischen Prozente anzuwenden, nicht auf die banalen 99 Prozent. Ein KI-Chatbot, der Wetterfragen beantwortet, braucht keinen ZK-Beweis. Ein Agent, der eine sechsstellige Summe bewegt oder ein Orakel, das einen Derivatepreis festsetzt, sehr wohl. Verifiable compute ist ein Werkzeug f\u00fcr hohe Eins\u00e4tze, kein Standard f\u00fcr jede Zeile Rechnung.<\/p>

Wof\u00fcr man das braucht: KI-Agenten mit echtem Geld<\/h2>

Die Nachfrage nach verifiable compute ist kein akademisches Bed\u00fcrfnis, sie folgt einem konkreten Wandel: KI-Agenten fangen an, echtes Geld zu halten und zu bewegen. Solange ein Modell nur Text ausgibt, ist ein falsches Ergebnis \u00e4rgerlich. Sobald ein autonomer Agent eine Wallet kontrolliert, Auftr\u00e4ge platziert oder Vertr\u00e4ge abschlie\u00dft, wird „vertrau mir“ zum Risiko. Genau deshalb baut Coinbase seinen Agenten-Baukasten so, dass er auf verifizierbarer Infrastruktur laufen kann. Ein Agent, der beweisen kann, welches Modell mit welchen Eingaben zu welcher Entscheidung f\u00fchrte, bevor er unterschreibt, ist ein anderes Sicherheitsversprechen als eine Black Box mit Kontovollmacht.<\/p>

Die Anwendungsf\u00e4lle reichen weiter. Verifizierbare Orakel k\u00f6nnen nicht nur einen Preis melden, sondern beweisen, dass er aus den richtigen Daten korrekt abgeleitet wurde. Prognosem\u00e4rkte, in denen zunehmend Bots handeln und teils KI \u00fcber die Aufl\u00f6sung entscheidet, brauchen einen nachpr\u00fcfbaren Schiedsspruch, sonst wird die Entscheidung selbst zur Angriffsfl\u00e4che; HOGE Wire hat diese Dynamik in der Analyse zu Prediction-Market-Agents<\/a> ausgeleuchtet. Und KI-native Ketten treiben das Prinzip auf die Spitze, indem sie verifizierbare Inferenz zum Kern des Protokolls machen, wie das Beispiel Ritual<\/a> zeigt. Der gemeinsame Nenner: \u00dcberall dort, wo eine KI-Ausgabe eine finanzielle oder verbindliche Folge ausl\u00f6st, wird der Beweis vom Extra zum Fundament.<\/p>

Die gro\u00dfe Divergenz: Technik liefert, Token nicht<\/h2>

Hier kommt der unbequeme Teil. Man k\u00f6nnte erwarten, dass funktionierende, ausgelieferte Infrastruktur mit echten Partnern sich in den Token-Kursen niederschl\u00e4gt. Das Gegenteil ist der Fall. Ausnahmslos jeder Token aus diesem Feld notiert tief unter seinem Allzeithoch, und zwar unabh\u00e4ngig davon, wie gut die Technik ausgeliefert hat. Die folgenden Werte stammen aus einem direkten Abruf bei CoinGecko<\/a> am 13. August 2026.<\/p>

Token<\/th>Ansatz<\/th>Preis (EUR)<\/th>Marktkap. (EUR)<\/th>Abstand vom ATH<\/th><\/tr><\/thead>
EIGEN (EigenCloud)<\/td>Krypto-\u00f6konomisch<\/td>0,146<\/td>108,3 Mio.<\/td>-97,3 %<\/td><\/tr>
PROVE (Succinct)<\/td>zkVM \/ zkML<\/td>0,130<\/td>25,3 Mio.<\/td>-91,2 %<\/td><\/tr>
ZKC (Boundless)<\/td>ZK-Marktplatz<\/td>0,033<\/td>9,6 Mio.<\/td>-97,8 %<\/td><\/tr>
LA (Lagrange)<\/td>zkML<\/td>0,041<\/td>7,9 Mio.<\/td>-97,3 %<\/td><\/tr>
PHA (Phala)<\/td>TEE<\/td>0,019<\/td>16,0 Mio.<\/td>-98,3 %<\/td><\/tr><\/tbody><\/table><\/figure>

Zum Vergleich: TAO, der Token des gr\u00f6\u00dften dezentralen KI-Netzwerks Bittensor, h\u00e4lt sich mit rund 170 Euro deutlich besser, ist aber selbst kein verifiable-compute-Token im engeren Sinn, sondern Bezahlmittel f\u00fcr ein Marktplatzmodell. Die f\u00fcnf Werte oben dagegen sollen genau den Wert einfangen, den nachweisbares Rechnen schafft, und der Markt bewertet sie wie gescheiterte Experimente.<\/p>

Woran liegt die Kluft? Mehrere Gr\u00fcnde greifen ineinander. Erstens ist bei Infrastruktur-Token oft unklar, wie Nutzung in Token-Wert flie\u00dft: Ein Protokoll kann viele Beweise erzeugen, ohne dass davon viel beim Token ankommt. Zweitens dr\u00fccken Freischaltungen von Team- und Investoren-Anteilen laufend neues Angebot in d\u00fcnne M\u00e4rkte. Drittens ist die gesamte KI-Krypto-Erz\u00e4hlung 2024 den realen Ums\u00e4tzen weit vorausgeeilt, und 2026 holt die Ern\u00fcchterung nach. Das Ergebnis ist eine seltene Konstellation: Die Technologie-These und die Token-These fallen auseinander. Man kann von verifiable compute \u00fcberzeugt sein und trotzdem feststellen, dass die zugeh\u00f6rigen Token bisher keinen tragf\u00e4higen Wertmechanismus haben.<\/p>

Regulierung: BaFin, MiCA und der EU AI Act<\/h2>

F\u00fcr deutsche Leser lohnt der Blick auf zwei Regelwerke, die sich hier unerwartet ber\u00fchren. Zun\u00e4chst die Kryptoregulierung: MiCA und die BaFin regulieren nicht das Protokoll oder die Rechen-Infrastruktur selbst, sondern die Dienstleister und Emittenten. Wer in der EU Kryptowerte-Dienstleistungen anbietet, also etwa Handel, Verwahrung oder Vermittlung, braucht eine Erlaubnis; die BaFin fasst das in ihrem Merkblatt zu Kryptowerte-Dienstleistungen<\/a> zusammen. Die verk\u00fcrzte MiCA-\u00dcbergangsfrist ist in Deutschland zum 1. Juli 2026 ausgelaufen, Anbieter m\u00fcssen also voll konform oder drau\u00dfen sein. Ein Beweissystem als solches f\u00e4llt nicht darunter; ein Token, der f\u00fcr dessen Nutzung bezahlt, oder ein Agent, der Kundengelder verwaltet, kann sehr wohl in den Anwendungsbereich rutschen.<\/p>

Damit r\u00fcckt die Einordnung der Token in den Fokus. Sind PROVE, ZKC, LA oder EIGEN reine Nutzungs-Token oder faktisch Investments? Diese Frage kennt man aus der US-Debatte als Howey-Frage, und sie ist auch f\u00fcr europ\u00e4ische Emittenten relevant, weil sie \u00fcber die anzuwendenden Regeln entscheidet; HOGE Wire hat die Systematik im Beitrag zum Howey-Test<\/a> aufbereitet. In den USA haben SEC und CFTC 2026 in einer gemeinsamen Auslegung mehrere digitale Rohstoffe benannt, darunter LINK, aber zu KI- und verifiable-compute-Infrastruktur schweigen sie, was diese Token in einer Grauzone bel\u00e4sst.<\/p>

Der eigentlich interessante europ\u00e4ische Dreh liegt woanders: Der EU AI Act k\u00f6nnte Nachfrage nach nachweisbarem Rechnen erzeugen. Seit dem 2. August 2025 gelten die Pflichten f\u00fcr Anbieter von Modellen mit allgemeinem Verwendungszweck (GPAI), und der Rahmen betont Transparenz, Dokumentation und Nachvollziehbarkeit von KI-Systemen, wie die Europ\u00e4ische Kommission in ihrem Regulierungsrahmen f\u00fcr KI<\/a> darlegt. Ein kryptografischer Nachweis, dass ein bestimmtes Modell eine bestimmte Ausgabe erzeugt hat, ist genau die Art von pr\u00fcfbarem Artefakt, das eine Auditpflicht bedienen kann. Was als Krypto-Spielerei begann, k\u00f6nnte so zum Compliance-Werkzeug werden, ein regulatorischer R\u00fcckenwind, den die US-Perspektive meist \u00fcbersieht.<\/p>

Was Entwickler und Anleger jetzt beachten sollten<\/h2>

F\u00fcr Entwickler ist die Botschaft von 2026 handfest: W\u00e4hle den Ansatz nach dem Einsatz. F\u00fcr hohe Werte mit Toleranz f\u00fcr etwas Wartezeit ist zkML das st\u00e4rkste Versprechen, weil es ohne Vertrauen auskommt. F\u00fcr gro\u00dfe Modelle in nahezu Echtzeit f\u00fchrt derzeit kaum ein Weg an TEE vorbei, mit dem Hersteller als Vertrauensanker. F\u00fcr g\u00fcnstige Skalierung \u00fcber viele unkritische Aufrufe bieten sich opML oder krypto-\u00f6konomische Sicherung an. Und zunehmend ist die richtige Antwort ein Hybrid, der Schichten kombiniert, statt sich auf eine einzige Garantie zu verlassen.<\/p>

F\u00fcr Anleger ist die Trennung zweier Thesen entscheidend, und das ist keine Anlageberatung, sondern eine Beobachtung. Die Technologie-These, dass verifizierbares Rechnen f\u00fcr eine agentische KI-Zukunft gebraucht wird, ist 2026 st\u00e4rker als je zuvor, weil die Systeme laufen und die h\u00e4rteste technische Grenze gefallen ist. Die Token-These dagegen ist unbewiesen: Jeder der genannten Werte steht aus einem Grund 90 Prozent und mehr im Minus, n\u00e4mlich weil ein \u00fcberzeugender Mechanismus fehlt, wie Nutzung in nachhaltigen Token-Wert \u00fcbergeht. Wer das eine f\u00fcr das andere h\u00e4lt, verwechselt eine gute Technologie mit einer guten Investition.<\/p>

Der Ausblick auf 2027 hat damit eine klare Messlatte. 2026 hat die Machbarkeit bewiesen. Die offenen Fragen sind jetzt Kosten (fallen Beweiszeiten und Energiebedarf weit genug), allgemeine Verf\u00fcgbarkeit (verlassen EigenAI und Co. den Alpha-Status) und, am wichtigsten, ob zahlende Nachfrage auftaucht, sei es von KI-Agenten mit echtem Geld oder von Unternehmen, die den EU AI Act erf\u00fcllen m\u00fcssen. Wenn diese Nachfrage kommt, war die Divergenz von 2026 eine Chance. Wenn nicht, war sie ein Urteil.<\/p>

H\u00e4ufig gestellte Fragen<\/h2>

Was ist verifiable compute einfach erkl\u00e4rt?<\/h3>

Verifiable compute (nachweisbares Rechnen) bedeutet, dass eine Berechnung nicht nur ein Ergebnis liefert, sondern zus\u00e4tzlich einen kompakten Beweis, dass sie korrekt ausgef\u00fchrt wurde. Dieser Beweis l\u00e4sst sich viel billiger pr\u00fcfen als die Berechnung selbst. Statt dem Server oder KI-Anbieter zu vertrauen, pr\u00fcft man den Beweis. Im KI-Kontext hei\u00dft das, dass man belegen kann, dass ein bestimmtes Modell eine bestimmte Eingabe verarbeitet und ein bestimmtes Ergebnis erzeugt hat.<\/p>

Kann man wirklich beweisen, dass eine KI ein Ergebnis korrekt berechnet hat?<\/h3>

Seit 2026 teilweise ja. Lagranges DeepProve hat als erstes produktionsreifes zkML-System den kryptografischen Beweis einer vollst\u00e4ndigen LLM-Inferenz erzeugt, zun\u00e4chst f\u00fcr kleinere Transformer wie GPT-2 und Modelle der Gemma-3-Klasse. Sehr gro\u00dfe Spitzenmodelle vollst\u00e4ndig und in Echtzeit zu beweisen, ist noch nicht erreicht. F\u00fcr gro\u00dfe Modelle nutzt man alternativ Hardware-Enklaven (TEE) oder wirtschaftliche Sicherungen, die schneller sind, aber ein anderes Vertrauensmodell haben.<\/p>

Was ist der Unterschied zwischen zkML, TEE und opML?<\/h3>

zkML liefert einen mathematischen Beweis, der ganz ohne Vertrauen in Dritte auskommt, ist aber rechenintensiv und langsam. TEE f\u00fchrt die Berechnung in einer abgeschotteten Hardware-Enklave aus und attestiert sie; das ist schnell, verlangt aber Vertrauen in den Chiphersteller und ist anf\u00e4llig f\u00fcr Seitenkanalangriffe. opML ver\u00f6ffentlicht ein Ergebnis und l\u00e4sst es innerhalb eines Challenge-Fensters anfechten; es ist g\u00fcnstig und skaliert, braucht aber mindestens einen ehrlichen Beobachter und bringt Latenz mit.<\/p>

Warum fallen die Token, wenn die Technik funktioniert?<\/h3>

Weil Technologie-Wert und Token-Wert zwei verschiedene Dinge sind. Bei Infrastruktur-Token ist oft unklar, wie Nutzung in Token-Wert flie\u00dft, laufende Freischaltungen erh\u00f6hen das Angebot, und die KI-Krypto-Erz\u00e4hlung war den realen Ums\u00e4tzen weit vorausgeeilt. Am 13. August 2026 notierten EIGEN, PROVE, ZKC, LA und PHA laut CoinGecko alle zwischen rund 91 und 98 Prozent unter ihrem Allzeithoch, obwohl die zugeh\u00f6rigen Systeme live sind.<\/p>

Ist verifiable compute in Deutschland reguliert?<\/h3>

Die Rechen-Infrastruktur selbst nicht direkt. MiCA und die BaFin regulieren Dienstleister und Emittenten, nicht das Protokoll. Ein Token, der f\u00fcr die Nutzung bezahlt, oder ein KI-Agent, der Kundengelder verwaltet, kann jedoch in den Anwendungsbereich fallen. Zus\u00e4tzlich verlangt der EU AI Act seit August 2025 mehr Transparenz und Nachvollziehbarkeit von KI-Systemen, was kryptografische Nachweise perspektivisch zu einem Compliance-Werkzeug machen k\u00f6nnte.<\/p>