Ich habe in letzter Zeit die Stacked von @Pixels ziemlich lange beobachtet, und der Grund ist einfach: In Web3-Games kann das Wort 'AI' leicht zu einer PPT-Dekoration werden, aber Stacked scheint AI wieder an ihren Platz zu bringen – nicht um Geschichten zu erzählen, sondern um die dreckige Arbeit zu erledigen: Die Metriken für Belohnungen, Nutzerbindung, Zahlungen und Betrugsbekämpfung, die sich gegenseitig in die Quere kommen, hart in ein wiederholbar verifiziertes Experimentalsystem zu quetschen. Offiziell/Ökosystem wird immer wieder betont, dass es sich nicht um eine gewöhnliche Belohnungs-App handelt, sondern um einen belohnten LiveOps-Motor, auf dem ein AI-Game-Ökonom sitzt. Diese Positionierung gebe ich ihm gerne ein „Go“, denn dahinter stehen zwei sehr harte Anker: Die skalierbaren Daten, die im Pixels-Ökosystem bereits erzeugt wurden – „bearbeitet über 200M+ Belohnungen, verbunden/beigetragen über 25M+ Umsatz“ – sowie die Erzählung von „in Produktion gebaut / kampferprobt“. Es ist kein geschlossener Kreislauf auf Papier, sondern das System, das in einer realen Umgebung, wo Spieler und Roboter aufeinanderprallen, geschliffen wurde.
Aber was ich noch stärker im Blick habe, ist: **Wo genau liegt eigentlich die „Ökonomie“ bei einem KI-Ökonomen?** Wenn er nur das „Versenden von Belohnungen“ noch reibungsloser macht, ist es weiterhin nur ein noch besseres Aufgaben-Panel. Wenn er jedoch Belohnungen als „Budget“ behandelt, Spieler als „segmentierte Assets“, Verhalten als „erklärbares Signal“ und daraus ausführbare Experimentpläne, Retrospektive und Iterationspfade ableiten kann – dann ist er wirklich im Kern moderner Game-Operations angekommen.
Ich zerlege es mit einem sehr direkten Maßstab: Kann es die Fähigkeiten haben, die Frage zu beantworten „Wem geben wir was, wann geben wir es, wie viel geben wir – und ändern sich die Kennzahlen danach wirklich?“ Und zwar nicht mit „Wir haben das Gefühl, es wurde besser“, sondern mit harten Indikatoren wie Kohorten, Retention-Kurven, Konversions-Trichtern und LTV/ROI. Du wirst sehen: In der Stacked-Ökologie taucht immer wieder genau dieser Satzbau auf – „KI erforscht echtes Spielerverhalten, bestimmt who/when/why, Ziele sind Retention, Revenue, LTV“ statt nur kurzfristige Hype-Kennzahlen. Diese Zielfunktions-Definition ist an sich ehrlicher als bei den meisten P2E-Projekten: Sie gesteht ein, dass Rewards kein Wohltatprogramm sind, sondern ein Werkzeug; nicht „Token ausgeben heißt Wachstum“, sondern „Budget für Wachstum ausgeben“ – und dann wirklich prüfen: Gibt es keinen Return? Ist es zu teuer? Ist es an die falschen Leute gegangen? Du musst es abrechnen können.
Als „KI-Ökonom“ betrachte ich das als Nächstes und zerlege es in drei Ebenen (ohne Unterüberschriften; ich erkläre es als zusammenhängendes Narrativ): Datenebene, Entscheidungsebene und Experimentebene.
Zuerst zur Datenebene: Viele Probleme in der Ketten-/Chain-Gaming-Welt liegen nicht daran, dass man keine Belohnungen ausgeben kann, sondern daran, dass man nicht weiß, wem man die Belohnungen gibt – genauer gesagt: man weiß nicht, wer Spieler ist, wer Arbitrageure sind, wer ein Bot ist, wer ein Studio ist und wer nur so tut, als wäre er ein Spieler-Script. Traditionelles P2E macht Rewards zu öffentlich erwartbaren festen Regeln – und dann wird das Wirtschaftssystem zu einer Art optimierbarer Mathematikaufgabe: Skripte sind Menschen im Lösen von Aufgaben überlegen; also fließt die „Belohnung“ automatisch zu denen, die am besten „abgrasen“ können. In der Story von Pixels wird immer wieder ein Punkt betont: Stacked ist aus ihren eigenen Stolperfallen in Pixels entstanden – nachdem sie adversarialem Verhalten ausgesetzt waren. Deshalb behandelt es adversarial behavior (antagonistisches/angreifendes Verhalten) als Normalfall, nicht als Ausnahme. Kurz gesagt: Ohne „Anti-Cheat-Perspektive“ kann ein KI-Ökonom in Web3-Spielen schlicht nicht überleben.
Man kann es so verstehen: Die erste Aufgabe der Datenebene ist nicht „DAU/MAU ansehen“, sondern zuerst die Menschen klar einzuordnen. Die eigentliche Spiel-Ökonomie ist nie makro – sie ist Mikro, also Segmentierung: Einsteiger, Rückkehrer, Heavy User, Light User, zahlende und nicht zahlende Nutzer, potenziell zahlende, bereits abgewanderte, aber möglicherweise rückholbare… Die Verhaltensmuster all dieser Kohorten sind völlig unterschiedlich. Der Wert eines KI-Ökonomen liegt darin, dass er diese Kohorten aus den Verhaltenssequenzen „herausgräbt“ – nicht indem man vom Bauchgefühl der Operations ausgeht. In der Community gibt es dafür eine sehr anschauliche Beschreibung: Das System erkennt bestimmte Kohorten (zum Beispiel alte Spieler, die 30 Tage nicht bezahlt haben, oder Spieler mit hoher Kaufabsicht) und löst dann mit stärker personalisierten Anreizen Konversion oder Retention aus.
Kommen wir zur Entscheidungsebene. Wenn man LiveOps traditionell betreibt, ist das Schmerzhafte nicht so sehr „keine Kreativität zu haben“, sondern nicht zu wissen, ob Kreativität etwas wert ist. Du startest eine Aktion, schickst eine Welle von Rewards, am nächsten Tag steigen DAU – im Operations-Chat wird gefeiert. Aber am dritten Tag fallen DAU wieder, Zahlungen kommen nicht hoch, und die wirtschaftliche Inflation setzt ein; das Studio wird aktiver – und dann hast du das klassische „Kennzahlen schießen sich gegenseitig ab“. Stacked definiert sich als rewarded LiveOps engine: Im Kern zieht es Operations weg von „Content-Produktion“ hin zu „Systemkontrolle“. Rewards sind dabei die Stellgröße (Kontrollvariable), das Spielerhandeln ist das Rückmeldesignal, und KI passt in der Feedback-Schleife die Parameter an. Sie betont „die richtigen Leute zur richtigen Zeit mit den richtigen Rewards“. Ich würde das eher so übersetzen: Rewards von gleichmäßigem Token-Rangeal zu „differenzierter Preisgestaltung + verhaltensgesteuertem Trigger + Budget-Constraints“ weiterentwickeln.
Da ist noch ein sehr realistischer Punkt: In Web2-Spielen sind LiveOps-Teams bereits sehr reif – sie behandeln Aktionen als Wachstumstools, Rewards als Promotionskosten und rechnen am Ende ROI aus. Was Web3-Spiele in den vergangenen Jahren dagegen häufig vermisst haben, ist genau diese „Abrechnungs-/Rechenkompetenz“ – und noch mehr eine „adversariale/gegenangreifende“ Fähigkeit. Die Ambition von Stacked ist, diese Fähigkeiten zu einer Infrastruktur zu machen und sie Dritt-Studios zugänglich zu machen (die jüngste Diskussion konzentriert sich aktuell auf Third-Party-Studio-Play/SDK-Erweiterungen). Dass sie das so mutig tun, liegt daran, dass sie Belege für „schon in der Pixels-Ökologie gelaufen“ liefern: Pixel Dungeons hat bereits im Dezember 2025 Stacked’s Offer System als Reward-Plugin integriert – das ist ein entscheidender Zeitanker vom Eigenbetrieb zum Einsatz nach außen.
Und dann kommt die Experimentebene, die mir am wichtigsten ist. Viele Projekte reden über KI und bleiben bei „KI hilft dir, Daten zu analysieren“ stehen. Ein echter KI-Ökonom muss jedoch Analyse in Handeln verwandeln: Er muss ein Experimentdesign liefern, Messkennzahlen definieren, Iterationsvorschläge machen – sogar sagen, wo du „Geld verlierst“. In der Ökologie gibt es dafür schon typische Fragen: Zum Beispiel kannst du direkt fragen: „Welche Reward-Experimente können D7 Retention erhöhen?“ oder „Wo läuft mein Reward Spend ins Leere?“ Das Entscheidende ist nicht, ob die Frage cool klingt, sondern dass dahinter bereits eine Operations-Methodik vorausgesetzt wird: Alle Belohnungen müssen wie „rückforderbare Investitionen“ behandelt werden; du musst eine zurechenbare Kennzahlenkette aufbauen, die Experimente zuverlässig verbindet.
Ich denke das Ganze einmal ganz konkret durch, in einem Szenario, das man ausführen kann: Wenn ich ein Studio wäre, das Stacked integriert, würde ich den KI-Ökonomen zuerst drei ziemlich realistische Dinge tun lassen (ich schreibe es nicht als Liste, aber die Logik sind genau diese drei Abschnitte).
Als Erstes: die Kohorte zu finden, die am ehesten durch Belohnungen „falsch getroffen“ wird – also die Gruppe, die bei jeder Reward als Erstes lossprintet: Ist das wirklich jemand, den du behalten willst? Der Weg ist nicht, nur die Gesamtsumme zu betrachten, sondern das Verhaltensmuster: Kehren Menschen nach Erhalt der Belohnung innerhalb von 24h/72h in das Kern-Gameplay zurück? Entsteht eine soziale Kette/Verbindung? Gibt es eine „Ressourcen-Umbruch-/Bau“-Route (Ressourcen hin- und her schieben)? Und tauchen diese batchartigen Merkmale auf – auf demselben Gerät oder in derselben Adress-/Adressbereichsgruppe? Wenn diese Stufe nicht gemacht ist, gilt: Je präziser die Belohnung, desto stärker wird man „abgemolken“.
Zweitens: die Belohnungen von „fester Rezeptur“ auf „dynamische Rezeptur“ umstellen. In der Einsteigerphase brauchst du vielleicht Ressourcenpakete, die Frustration senken; Rückkehrer brauchen das Zurückkehren zu einer Aufgaben-/Quest-Kette; Heavy User brauchen knappe Ziele und ein Gefühl von Identität/Status; zahlende Spieler brauchen eher einen höheren, fortgeschrittenen „Wert“-Eindruck statt kleiner Zuckerstücke. Wenn ein KI-Ökonom auf Kohorten basierend differenziert aussteuert und zudem die Veränderungen nach dem Versand – Retention/Käufe/Abwanderung – automatisch zurechnet (attributet), dann versendet er nicht einfach Belohnungen, sondern betreibt „preis-diskriminierende“ Präzisions-Operations. Das ist in klassischen Spielen zwar eigentlich recht verbreitet, aber im Web3 sagt es kaum jemand so direkt.
Drittens: jede Aktion/Season/Promotion als A/B- oder als geschichtetes Experiment erzwingen. Viele Teams scheuen das, weil es mühsam ist und man Angst hat, dass die Daten nicht gut aussehen. Aber der Sinn dieser Infrastruktur wie Stacked ist genau: die Mühe einfacher zu machen – Experimente werden zur Standardhandlung. Wenn du es hinbekommst, „dieselbe Kohorte, gleiches Zeitfenster, unterschiedliche Reward-Strategie“ als Vergleich zu fahren und zusätzlich noch Anti-Cheat-Filter dranhängst, kannst du sehr schnell zu einem entscheidenden Schluss kommen: Kaufen diese Rewards wirklich Retention – oder kaufen sie nur „falschen Wohlstand/ Scheinwachstum“.
Bis hierhin muss ich auf zwei harte Anker zurück: 200M+ Rewards und 25M+ Revenue. Viele sehen in solchen Zahlen sofort „Marketing“ – aber ich betrachte es aus Engineering-Sicht: Das Verarbeiten von 200M+ Rewards bedeutet, dass es genug viele Fehlermuster erlebt und durchlitten hat – Scripts, Grinder/Bots, Grey-Production (Grauwirtschaft), Arbitrage, Randspieler, Event-Müdigkeit, wirtschaftliche Inflation, die Anpassungsfähigkeit der Spieler an Rewards… Das lernt man nicht einfach in ein paar Wochen auf einem Testnetz. Es musste im echten Betrieb „geprügelt“ werden, damit daraus „defensive“ Eigenschaften entstehen. Und 25M+ Revenue (laut den Beschreibungen in der Community zu seinem Beitrag innerhalb von Pixels) zeigt zumindest, dass das Ziel nicht war „Rewards ausgeben“, sondern „Rewards in messbare Geschäftsergebnisse zu verwandeln“.
Ich will auch ein bisschen kaltes Wasser draufgießen: Die Stelle, an der ein KI-Ökonom am ehesten kippt, ist paradoxerweise „zu schlau“. Wenn das System immer besser darin wird, Kennzahlen zu optimieren, kann es zu einem gefährlichen Extrem führen: Man belohnt nur noch die, die sich am leichtesten durch Anreize motivieren lassen – und dadurch wird das Spielerlebnis opportunistisch, die Spieler werden zu Tieren dressiert, die nur „auf Zuckerkram warten“. Oder man drückt die Rewards so stark für kurzfristige Kennzahlen zusammen, dass die Einsteigerphase schlechter wird und die Langzeit-Ökologie sich dadurch sogar verkleinert. Deshalb schaue ich mir Stacked nicht nur daraufhin an, „wie viel“ es versenden und „wie viel“ es einnehmen kann, sondern darauf, ob es die „Gesundheitskennzahlen“ in die Zielfunktion integriert – etwa den Anteil echter Spieler, die Nachhaltigkeit der Wirtschaftszyklen, die Tiefe, mit der Spieler ins Kern-Gameplay zurückkehren, sowie die Fehl-Trefferquote des Anti-Cheat-Modells. Wenn es das in reguläre Reports und Experimente integriert, dann verdient es den Titel „economist“ wirklich.
Was die Rolle von PIXEL hier angeht, will ich es nur andeuten: Stacked wird als Basis-Schicht/„Brennstoff“ für rewards/loyalty beschrieben – in gewisser Weise verschiebt es PIXEL von einem „einzelnen Game-Token“ hin zu einem Narrativraum für breitere Incentives und Loyalty-Währung. Aber ich werde das nicht als Versprechen ausschreiben. Ich sehe es lieber als Prüfaufgabe: Wenn mehr Dritt-Studios andocken – kann PIXEL dann wirklich in verschiedenen Spielen einen nachhaltigen Kreislauf bilden, „Reward-Budget – User-Retention – Revenue-Rückfluss“? Wenn dieser Kreislauf nicht funktioniert, bleibt das Narrativ nur Narrativ; wenn er funktioniert, ist es echte Infrastruktur.
Zum Schluss ist die Haltung ganz einfach: Bei dieser Linie „Stacked/KI-Ökonom“ bin ich bereit, weiterzugehen – denn sie bringt die schwierigsten und wichtigsten Dinge für Web3-Spiele auf den Tisch: nicht „sieht das Gameplay gut aus?“, sondern „kann das Belohnungssystem in einer adversarialen Umgebung langfristig laufen?“ Und wenn diese Maschine tatsächlich von mehr Spielen wiederverwendet wird, könnte Web3-Gaming zum ersten Mal von „Wachstum durch Token-Ausgabe“ wegkommen hin zu „datengetriebener, nachhaltiger Operations“. Das ist kein Jubelgeschrei nach Schema F, sondern mein Respekt für ihren Engineering-Weg: Erst das System zum Laufen bringen, dann das Storytelling.
