Die KI-Branche konsolidiert sich rasch. Fünf führende Forschungslabore (OpenAI, Anthropic, Google DeepMind, Meta und xAI) kontrollieren den Großteil der weltweit leistungsfähigsten Modelle, die proprietären Daten, mit denen diese trainiert wurden, sowie die Rechencluster, die für das Training weiterer Modelle benötigt werden. Dezentrale KI ist die Antwort der Krypto-Branche darauf.
Dezentrale KI, kurz DeAI, basiert auf der Idee, dass dieselben Komponenten, die moderne KI ausmachen, durch Blockchains und Token-Anreize koordiniert werden können, anstatt von einem einzigen Unternehmen. Dabei geht es nicht darum, OpenAI mit einem 10-Milliarden-Dollar-GPU-Cluster zu übertrumpfen, sondern offene Alternativen auf den Ebenen zu schaffen, auf denen Dezentralisierung tatsächlich funktioniert.
Was ist dezentrale KI?
Dezentrale KI, oft als DeAI abgekürzt, bezeichnet Systeme künstlicher Intelligenz, die auf einer Blockchain-Infrastruktur basieren und durch Token-Anreize koordiniert werden – dabei werden Rechenleistung, Daten, Modelle und Entscheidungsfindung auf viele Teilnehmer verteilt, anstatt auf ein einzelnes Unternehmen.
Die Abkürzung „DeAI“ (großes D, großes AI) hat sich in der Branche mittlerweile etabliert; wir verwenden sie im gesamten Text synonym mit „dezentrale KI“. Der Begriff ist weiter gefasst als jedes einzelne Projekt. Er umfasst einen Stack (Rechenmarktplätze an der Basis, Daten- und Modellnetzwerke in der Mitte, Agenten-Frameworks an der Spitze), der durch Blockchain-Koordinationsschichten verbunden ist.
DeAI wurde gegründet, um drei Trends entgegenzuwirken. Erstens der Konzentration der Spitzenforschung im Bereich KI auf fünf Labore, deren interne Abstimmungen, Sicherheits- und Preisentscheidungen Auswirkungen auf alle haben. Zweitens die Undurchsichtigkeit geschlossener Modelle, die auf Daten trainiert wurden, die die Öffentlichkeit nicht einsehen kann und denen sie nicht zugestimmt hat. Drittens die Diskrepanz zwischen KI-Labors und den Nutzern, auf deren Daten sie trainiert wurden: Der Wert fließt nur in eine Richtung, ohne dass Token, Anteile oder Einnahmen an die Mitwirkenden zurückfließen.
Keines dieser Probleme lässt sich durch den Einsatz einer Blockchain vollständig lösen. Doch jedes einzelne lässt sich besser angehen, wenn Eigentumsverhältnisse, Zahlungen und Nachweise in einem genehmigungsfreien System koordiniert werden können.
Dezentrale KI vs. Föderatives Lernen
„Dezentrale KI“ und „föderiertes Lernen“ klingen zwar ähnlich, lösen jedoch ganz unterschiedliche Probleme. Föderiertes Lernen ist eine datenschutzkonforme ML-Technik, die von großen Technologieunternehmen eingesetzt wird; DeAI ist eine krypto-native Bewegung, die auf Blockchains und Token basiert.
Beim föderierten Lernen wird ein Modell über viele Geräte hinweg trainiert (Ihr Smartphone, die Server eines Krankenhauses, die Datenbank einer Bank), ohne dass die Rohdaten jemals das jeweilige Gerät verlassen. Es werden lediglich Modellaktualisierungen übertragen. Google Gboard nutzt es für die Wortvorhersage; Apple nutzt es für das On-Device-Lernen; medizinische Konsortien nutzen es, um Diagnosemodelle zu trainieren, ohne Patientenakten offenzulegen. Eine zentrale Stelle, in der Regel das Unternehmen, dem das Modell gehört, koordiniert alles.
DeAI ist das Gegenteil von zentraler Koordination. Rechenleistung, Daten und manchmal auch das Modell selbst befinden sich im Besitz vieler unabhängiger Akteure und werden von diesen betrieben. Eine Blockchain koordiniert sie; nützliche Beiträge werden mit Token belohnt.
Beides lässt sich kombinieren, da Techniken des föderierten Lernens innerhalb von DeAI-Systemen eingesetzt werden können, um den Datenschutz zu gewährleisten. Doch föderiertes Lernen allein ist noch kein DeAI. Beim föderierten Lernen geht es darum, wie die Berechnungen durchgeführt werden. Bei DeAI geht es darum, wem das System gehört.
So funktioniert dezentrale KI
DeAI ist keine einzelne Technologie, sondern ein Technologie-Stack. Dabei spielen vier Schichten eine Rolle, von denen jede ihre eigenen Projekte umfasst.
Die Rechenschicht
GPUs und andere Hardware, die zum Trainieren und Ausführen von KI-Modellen benötigt wird. Hier überschneidet sich DeAI direkt mit DePIN. Netzwerke wie Render, Akash und io.net vermieten dezentrale GPU-Leistung für KI-Anwendungen – von einzelnen Hobbyentwicklern, die Inferenz-Jobs ausführen, bis hin zu Start-ups, die Feinabstimmungen in großem Maßstab vornehmen. Der GPU-Engpass in den Jahren 2024–2026 hat diese Ebene zum aktivsten Teil des DeAI-Ökosystems gemacht.
Die Datenschicht
Für das Training von Modellen werden Datensätze benötigt. Dezentrale Datenmarktplätze ermöglichen es Dateneigentümern, ihre Datensätze zu monetarisieren, ohne die Kontrolle darüber abzugeben. Speichernetzwerke wie Filecoin und Arweave hosten Modellgewichte, Trainingsdatensätze und Ausgabedaten. Das Volumen ist hier im Vergleich zu zentralisierten Datenbrokern zwar noch bescheiden, aber die Infrastruktur funktioniert.
Die Modellschicht
Open-Weight-Modelle, die jeder ausführen, feinabstimmen oder modifizieren kann. Durch Token-Anreize gestützte Trainingsnetzwerke – allen voran Bittensor – belohnen Teilnehmer für nützliche Modellverbesserungen bei bestimmten Aufgaben. Beachten Sie, dass „Open-Weight“ allein (Metas Llama, Mistrals Modelle) noch keine DeAI ist. Es handelt sich um Open Source. DeAI ergänzt die Offenheit um Blockchain-Koordination und Token-Ökonomie.
Die Inferenz- und Agentenebene
Sobald ein Modell vorliegt, muss es von jemandem ausgeführt werden. Dezentrale Inferenznetzwerke verteilen diese Arbeit auf viele Knotenbetreiber. Darüber liegt die Ebene der KI-Agenten – autonome Programme, die im Namen eines Nutzers handeln und Zahlungen zunehmend in Kryptowährung abwickeln. Olas und Virtuals Protocol sind die in diesem Zusammenhang am häufigsten genannten Projekte, die sich beide noch in der Entwicklungsphase befinden.
Die wichtigsten DeAI-Projekte, die man 2026 kennen sollte
DeAI ist eine Kategorie und kein einzelner Konkurrent von OpenAI. Gruppiere die Projekte danach, was sie tatsächlich leisten.
KI-native Blockchains und Trainingsnetzwerke
Bittensor (TAO) ist das am häufigsten angeführte Beispiel. Es betreibt 128 aktive „Subnetze“, von denen jedes einen speziellen Markt für eine bestimmte KI-Aufgabe darstellt: Vortraining von Sprachmodellen, Bild-Embeddings, Finanzprognosen, Sprachverarbeitung und Suche.
Die Miner konkurrieren in jedem Subnetz um Token-Belohnungen, die sich nach der Qualität der Outputs richten. Im ersten Quartal 2026 hat NVIDIA 420 Millionen US-Dollar als Einsatz bereitgestellt, und Polychain Capital hat weitere 200 Millionen US-Dollar beigesteuert, wodurch sich die institutionellen Zuflüsse insgesamt auf über 620 Millionen US-Dollar beliefen. Die Netzwerkeinnahmen erreichten im letzten Quartal 43 Millionen US-Dollar.
Die ASI-Allianz
Fetch.ai, SingularityNET, Ocean Protocol und (später) CUDOS schlossen sich 2024 zur Artificial Superintelligence Alliance zusammen, konsolidierten ihre Token zu FET und planten, diesen in ASI umzubenennen. Die vollständige Umbenennung wurde an den Börsen nie vollständig umgesetzt, sodass die meisten weiterhin FET führen.
Im Oktober 2025 trat Ocean Protocol aufgrund von Streitigkeiten bezüglich der Governance offiziell aus der Allianz aus. Die verbleibenden Mitglieder (Fetch.ai, SingularityNET und CUDOS) bringen weiterhin Produkte auf den Markt, darunter ASI-1 mini, ein Web3-natives LLM mit 7 Milliarden Parametern, sowie eine geplante Layer-1-Blockchain namens ASI Chain.
Vertreter
Olas konzentriert sich auf die Wirtschaft autonomer Agenten: unabhängige Programme, die sich gegenseitig bezahlen, koordinieren und Aufgaben erledigen. Das Virtuals Protocol konzentriert sich auf KI-Agenten für Verbraucher, insbesondere in den Bereichen Gaming und soziale Netzwerke. Diese Ebene ist die neueste und befindet sich noch in der Entwicklung.
Was ist tatsächlich dezentralisiert und was nicht?
DeAI hat echte Dynamik und echte Lücken. Eine ehrliche Einschätzung, Schritt für Schritt:
Training von Frontier-Modellen: nach wie vor zentralisiert
Das Trainieren eines Modells im GPT-5-Maßstab erfordert Hunderte Millionen Dollar für koordinierte Rechenleistung, proprietäre Daten und ein zentralisiertes Entwicklerteam. Kein DeAI-Projekt schafft dies in dieser Größenordnung, und das wird sich so schnell auch nicht ändern.
Selbst Bittensors größter technischer Meilenstein (der im März 2026 durchgeführte kollaborative Vortrainingslauf von Covenant AI mit 72 Milliarden Parametern) war um Größenordnungen kleiner als die Bemühungen der Spitzenforschungslabore. Covenant verließ später das Netzwerk und bezeichnete die Dezentralisierung angesichts von Governance-Streitigkeiten als „Theater“ – eine Erinnerung daran, dass „dezentralisiert“ zwar die Mathematik beschreiben kann, nicht aber die Macht.
Rechnen: echte Dezentralisierung
GPUs sind austauschbar, die Aufträge sind kurz und die Überprüfung der Ergebnisse ist unkompliziert – deshalb hat sich hier tatsächlich ein Angebot etabliert. Render verarbeitet monatlich rund 1,5 Millionen Frames; Akash hat im ersten Quartal 2026 die Marke von 5 Millionen Dollar an Rechenkosten überschritten; io.net bündelt GPUs aus über 130 Ländern. Die gleiche Grafikkarte, auf der abends ein Videospiel läuft, kann am nächsten Morgen einen Inferenz-Job ausführen, und der Kunde muss nicht wissen, wem sie gehört.
Schlussfolgerung: machbar und auf dem Vormarsch
Die Inferenz ist zustandslos, die Jobs sind klein und die Ergebnisse sind überprüfbar – die logische nächste Stufe der Dezentralisierung nach der reinen Rechenleistung. Die Netzwerke nutzen Verbraucher- und Gaming-GPUs, die sonst ungenutzt bleiben würden, sodass ein kleines Modell mit geringem Gewicht wie Llama-3-8B oft zum halben Preis von AWS oder Azure bereitgestellt werden kann. Die Lücke verringert sich mit zunehmender Modellgröße; die dezentrale Bereitstellung eines Modells mit 400 Milliarden Parametern ist jedoch immer noch schwieriger als bei einem Hyperscaler.
Datenmarktplätze: noch in den Kinderschuhen, aber bereits Realität
Netzwerke wie Vana für personenbezogene Daten und Grass für aus dem Internet gesammelte Daten beweisen, dass ein dezentraler Datenaustausch technisch machbar ist. Die schwierigere Frage ist die nach der Nachfrage. KI-Labore verfügen bereits über das, was sie brauchen: aus dem offenen Internet gesammelte Daten sowie exklusive Direktverträge (Reddit–Google, NYT–OpenAI, Shutterstock). Dezentrale Marktplätze lösen ein Problem auf der Angebotsseite, das auf der Nachfrageseite noch nicht besteht – das ändert sich jedoch, wenn Trainingsdaten umkämpfter werden.
Durch Token incentivierte Forschung und Entwicklung: Arbeit in engen Nischen
Token-Belohnungen eignen sich gut für schrittweise Verbesserungen bei messbaren Aufgaben (Genauigkeit der Sprach-zu-Text-Umwandlung, Einbettungsqualität, Benchmarks zur Bildklassifizierung), und die Subnetze von Bittensor liefern genau in diesen Nischen wettbewerbsfähige Modelle. Was sich mit Token nicht ohne Weiteres finanzieren lässt, ist bahnbrechende Forschung, die jahrelanges geduldiges Kapital, teure Experimente und Toleranz gegenüber Fehlschlägen erfordert. Die Governance-Streitigkeiten bei Bittensor werfen zudem eine strukturelle Frage auf: Token-basierte Forschung und Entwicklung funktioniert nur so gut wie das sie umgebende Protokoll.
Fazit
Die spannende Frage im Zusammenhang mit DeAI im Jahr 2026 lautet: Welche Schichten des Stacks werden einer genauen Prüfung standhalten? Rechenleistung und Inferenz leisten echte, messbare Arbeit für zahlende Kunden.
Daten- und Modellmarktplätze wachsen zwar, haben sich aber noch nicht bewährt. Die Governance-Ebene (der Teil, der darüber entscheidet, ob „dezentralisiert“ sich auf die Mathematik oder die Macht bezieht) sorgt immer wieder für Kontroversen, wie beispielsweise der Austritt von Ocean aus der ASI Alliance und der von Covenant aus Bittensor.
DeAI wird OpenAI im Jahr 2026 nicht ersetzen – und wird es vielleicht auch nie tun. Aber es schafft echte Alternativen in der Mitte und an den Rändern des Stacks, und genau dort werden die meisten Menschen letztendlich ohnehin mit KI interagieren.
