Hallo, ich bin Ning Fan.
Huang Huang hat kürzlich eine Reihe von Zahlen gesehen, und das hat ihn wirklich unruhig gemacht. Im Mai 2026 legte Epoch AI einen Bericht vor: Große Sprachmodelle könnten zwischen 2026 und 2032 alle öffentlich zugänglichen Textdaten im Internet vollständig aufbrauchen. Gleichzeitig war die Vorhersage des China Academy of Information and Communications Technology (CAICT) noch drastischer: Sie prognostiziert, dass das Training großer Sprachmodelle bereits 2026 möglicherweise verfügbare Textdaten vollständig aufbrauchen könnte.
Das ist kein fernes Science-Fiction-Szenario – das passiert gerade. Die KI-Branche steht nicht nur vor Urheberrechtsklagen: Am 5. Mai verklagte Elsevier zusammen mit fünf großen Verlagen Meta im Kollektiv und machte geltend, dass Llama in großem Maßstab raubkopierte Bücher für das Training genutzt habe. Die tiefere Krise ist jedoch: Hochwertige Daten gehen zur Neige. Die leicht zugänglichen Zweige öffentlich zugänglicher Internetdaten werden gerade kahlgeschoren – und die wirklich wertvollen Daten aus vertikalen Bereichen wie medizinische Bildgebung, Finanztransaktionsdaten, juristische Urteile und industrielle Parameter sind vollständig in Institutionen eingeschlossen. KI kommt schlicht nicht heran.
In einfachen Worten: Die „Nahrungsmittelkrise“ für KI ist da. Und zwar nicht, weil das Essen teurer wird – sondern weil es wirklich knapp wird.
Darum starrt Fan Fan seit Kurzem auch so konsequent auf @Openledger . Dieses Projekt erzählt nicht einfach die altbekannte Story von „dezentralisiertem GPT“. Sie packen direkt an der Datenquelle an – das ist genau ihr Datanets-System.
Datanets kann man als „Daten-Genossenschaften“ verstehen. Nehmen wir ein Beispiel aus der Medizin-Bildgebung: Man kann ein spezielles Datanet eröffnen. Ärztinnen und Ärzte, Krankenhäuser und Forschungseinrichtungen aus der ganzen Welt laden dort anonymisierte Bilddaten hoch. Beitragsleistende werden je nach Datenqualität und wie oft die Daten abgerufen werden mit $OPEN belohnt. Modellentwickler zahlen für den Zugriff auf diese verifizierten hochwertigen Datensätze, um spezialisierte Modelle zu trainieren. Finanztransaktionen, industrielle Fertigung, juristische Verträge – jedes vertikale Feld kann sein eigenes Datanet haben und diese „Dark Data“, die in den Tiefen von Institutionen eingeschlossen sind, freigeben.
Fan Fan findet: Warum diese Logik funktioniert, liegt im Kern daran, dass sie eine Schlüsselschwelle durchstoßen haben. Heute gibt es weltweit massenhaft hochwertige Daten, aber diese werden in „Dateninseln“ eingeschlossen: Standards zwischen Institutionen sind nicht kompatibel, Datenformate sind nicht einheitlich, und Mechanismen für plattformübergreifendes Teilen existieren kaum. OpenLedger will nicht selbst Daten einsammeln, sondern eine Infrastruktur bereitstellen, mit der sich jede Community rund um datenbezogene Bedürfnisse eines bestimmten Bereichs „selbst organisieren“ kann.
Sein wichtigstes Ass im Kern ist Proof of Attribution (Beweis der Zuordnung) – genau darüber hat Fan Fan vorher schon gesprochen. Aber heute will Fan Fan das Ganze aus einem anderen Blickwinkel betrachten: aus der Perspektive der „Daten-Lieferkette“.
Beim traditionellen KI-Training ist alles ein undurchsichtiger Kontostand: Woher die Daten kommen, wer sie in der Hand hatte, wie sie verarbeitet wurden und welchen Teil des Modells sie am Ende beeinflussen. Datenbeiträger werden einmalig abgegolten, und wenn das Modell Geld verdient, hat das mit den Datenanbietern praktisch nichts zu tun.
Und auf OpenLedger wird jede Datenzeile, sobald sie hochgeladen wurde, per On-Chain-Hash verankert. Der gesamte Prozess von Markierung und Validierung wird aufgezeichnet. Beim Training kommen Trainingslogs und Dataset-Referenzen zusammen ebenfalls on-chain. Wenn dann beim Inferenz-Output der Zuordnungs-Engine läuft, verfolgt sie automatisch, welche Datenpunkte den größten Beitrag geleistet haben – und verteilt anschließend per Smart Contract die Vergütung. Datenbeiträger werden nicht „abgekauft“, sondern besitzen „Daten-Eigenkapital“. Solange deine Daten noch genutzt werden, erhältst du weiterhin laufende Erträge.
Die gesamte Kette nennt OpenLedger „verifizierbare Datenpipelines“. Fan Fan gibt ihr einen greifbareren Namen: die „Sonnenschein-Lieferkette“ für Daten. Von Erfassung über Bereinigung bis hin zu Validierung und Übertragung ist jeder Schritt on-chain prüfbar. So kann jede böswillige Datenverunreinigung oder unklare Datenquelle sofort aufgespürt werden.
Außerdem kämpft OpenLedger nicht allein. Im Januar 2026 haben sie zusammen mit Story Protocol eine große Aktion gestartet – sie bringen gemeinsam einen neuen Standard für das Copyright-Clearing bei KI-Trainingsdaten und für automatische Zahlungen an Creator heraus. Wie genau läuft das? Bei Story werden IP-Registrierung und Lizenzbedingungen geregelt, bei OpenLedger die Durchsetzung und Validierung. Wenn autorisierte Inhalte im Training verwendet werden, wird die IP-Nutzung verschlüsselt verifiziert und dann automatisch an die Rechteinhaber ausgezahlt. Dieses düstere Szenario wie bei Elsevier, das bis vor Gericht durchkämpfen musste, könnte in dem OpenLedger-Setup gar nicht erst passieren.
Lass uns noch über die Position von OPEN im gesamten Schachspiel sprechen. Fan Fan hat sich die Position von OPEN im gesamten Spiel einmal komplett angesehen. Bei der Recherche nach den konkreten Use-Cases von OPEN wurde klar: Es ist wirklich nicht nur diese „Governance-Token“-Floskel. Datenbeiträger bekommen über die Zuordnungs-Engine OPEN als Vergütung. Modellentwickler melden Modelle an und veröffentlichen sie, wobei sie OPEN als Kosten einsetzen. Modellentwickler setzen beim Anmelden und Veröffentlichen von Modellen ebenfalls OPEN als „Gas“ ein. Wenn Nutzer das Modell für Inferenz aufrufen, bezahlen sie ebenfalls mit $OPEN – ein Teil geht an die Modellseite, ein Teil an vorgelagerte Datenbeiträger und ein weiterer Teil in einen Fonds für öffentliche Infrastruktur. Wenn man diese gesamte wirtschaftliche Kreislaufkette verbindet, ist das genau das, was OpenLedger „zahlbares KI“ nennt: An jeder Stufe gibt es jemanden, der Arbeit leistet, und an jeder Stufe gibt es jemanden, der Geld bekommt. Wirtschaftliche Aktivitäten sind damit nicht länger ein Spiel, das von Konzernen monopolisiert wird.
Fan Fan hat schon immer gedacht: Die sexyeste Web3-Erzählung ist nicht, noch ein weiteres Casino zu bauen, sondern echte Probleme aus der realen Welt mit Technologie zu lösen. Beim Thema KI-Datenverknappung ist das wirklich keine Übertreibung – wenn sich die bestehenden Beziehungen zur Datenproduktion nicht ändern, ist das KI-Entwicklungslimit mit bloßem Auge sichtbar. Ob OpenLedger der Durchbruch sein kann, traut sich Fan Fan nicht zu garantieren – aber das Konzept, das sie vorlegen, schiebt zumindest das „Wie entstehen Daten, wie wird abgerechnet?“ um einen großen Schritt nach vorn.
Was meint ihr? Steht die Datenknappheit wirklich schon vor der Tür – oder ist das nur Panikmache? Kann Dezentralisierung von Daten überhaupt etwas reißen? Redet im Kommentarbereich, ihr wartet ja alle auf Fan Fan. Vergesst nicht, die Geschichten in @Openledger und $OPEN anzuschauen – wir schauen gemeinsam und reden darüber!