Mein Kumpel Chen hat letzten Monat etwas gemacht, das mich überrascht hat – er hat ein rechtlich konformes, feinjustiertes kleines Modell "vermietet".
Es geht nicht darum, den Code zu verkaufen, nicht um die Unterzeichnung eines Lizenzvertrags, nicht um ein API-Abonnement. Es geht darum, das Modell im OpenLedger-Netzwerk zu platzieren, mit einem Preis pro Aufruf versehen und dann... einfach dort zu lassen. Nach einem Monat hat dieses Modell über dreitausend Aufrufe gesammelt und ihm eine kleine, aber stabile On-Chain-Einnahme eingebracht.
Er hat es so gesagt:
"Dieses Ding ist jetzt ähnlich wie der Liquiditätspool, den ich früher an der Börse hatte – ich muss nicht jeden Tag darauf schauen, es verdient einfach so für sich."
Ich habe mir diesen Satz notiert und darüber lange immer wieder nachgedacht.
Old Chen ist Jurist in einem Rechtsberuf und hat mit den Finanzmärkten überhaupt nichts zu tun. Aber er hat einen Finanzbegriff verwendet, um sein Fine-Tuning-Modell zu beschreiben – den „Liquiditätspool“. Dieses Gleichnis ist keine literarische Stilfigur, sondern sein direktestes Gefühl als Nutzer.
Genau das ist die Sache, die diese OpenLedger-Architektur gerade ganz still und leise vollendet – sie macht aus etwas wie „KI-Modellen“ von einem statischen Code-Asset zu einem Finanz-Asset, das fortlaufend Cashflow erzeugen kann.
Die Umwälzung daran ist größer, als es auf den ersten Blick scheint.
In traditioneller Software kommen die beiden Begriffe „Modell“ und „Asset“ praktisch nie zusammen. Ein Modell ist entweder als Forschungsergebnis veröffentlicht (ohne kommerziellen Wert), oder wird als Produkt verpackt verkauft (als einmaliger Kauf), oder läuft als API auf den Servern eines Unternehmens (die Einnahmen gehören dem Unternehmen). Es bildet selbst kein unabhängiges, haltbares Asset, das bewertet und übertragen werden kann.
In dieser OpenLedger-Architektur haben sich die Eigenschaften des Modells grundlegend verändert.
Ein auf ModelFactory feinjustiertes Modell hat ein paar zentrale Eigenschaften – erstens: es hat eine On-Chain-Identität. Trainingsdaten, Hyperparameter und Versions-Hashes sind vollständig auf der Blockchain verzeichnet. Auf Protokollebene ist dieses Modell ein eigenständiges, eindeutig lokalisierbares Objekt.
Zweitens: Es gibt einen Cashflow. Durch den x402-Mechanismus löst jeder Abruf eine sofortige Zahlung aus. Das Modell muss nicht erst als Produkt verpackt werden, um Geld zu verdienen – auf Protokollebene hat es direkt die Fähigkeit „verwendet werden heißt bezahlt werden“.
Drittens: Es gibt Kosten-Transparenz. Die Bereitstellungskosten werden durch OpenLoRA auf ein extrem niedriges Niveau gedrückt (tausende Modelle auf einem einzigen GPU-Dienst). Der Erlösanteil wird durch PoA klar den Datenbeiträgern, den Fine-Tuning-Autoren und den Anbietern der Infrastruktur zugeordnet. Das bedeutet: Die Unit-Economics dieses Modells sind vollständig berechenbar.
Viertens: Es ist übertragbar. Weil das Modell selbst auf der Blockchain eine Identität hat, ist sein „Besitzrecht“ theoretisch übertragbar – du kannst die künftigen Ertragsrechte eines Fine-Tuning-Modells an jemand anderen übertragen, so wie man einen NFT oder ein RWA-Token überträgt.
Wenn man diese vier Eigenschaften zusammenbringt, hast du nicht mehr „eine Codezeile“ – du hast etwas anderes.
Du erhältst eine kleine ökonomische Einheit, die Cashflow kontinuierlich erzeugt, bewertbar ist und übertragbar.
Das ist genau das, was ich meine mit „das Modell bekommt zum ersten Mal die Gestalt eines Assets“ – keine Metapher, sondern im wörtlichen Sinn ein Finanz-Asset.
Sobald diese Struktur steht, löst sie eine ganze Reihe von sekundären Veränderungen aus, die Aufmerksamkeit verdienen.
Erstens: Es wird eine neue Kategorie von „Modellerstellern“ geben.
Ihre Rolle ist weder die eines Engineers noch die eines Creators; sie ähnelt eher den „Liquiditätsprovidern“ aus dem frühen DeFi. Sie justieren mit Fachwissen ein kleines Modell für ein vertikales Fachgebiet, „hängen“ es dann auf OpenLedger auf und kassieren passiv die Abrufgebühren. Je besser die Modellqualität, desto mehr Abrufe – desto stabiler das Einkommen.
Diese Rolle gab es früher nicht, denn in der traditionellen Architektur liegen zwischen „ein Modell machen“ und „dass das Modell selbst Geld verdient“ unzählige Engineering- und Business-Schritte. OpenLedger drückt diese Zwischenstufen auf drei Schritte: „hochladen + bepreisen + bereitstellen“.
Zweitens: Es wird eine Modellbewertung geben.
Ein Modell, das stabilen Cashflow erzeugt, kann theoretisch bewertet werden – anhand von Wachstumsrate der Abrufe, durchschnittlichem Auftragswert und Stabilität. Man kann Bewertungsmodelle aus dem SaaS- oder Bond-Bereich übertragen. Wenn das in einem bestimmten Nischenszenario funktioniert, ist der nächste Schritt, dass das Modell selbst finanziell gemacht wird – also als Sicherheit hinterlegt, verbrieft und als Teil eines Portfolios kombiniert wird.
Das klingt ziemlich wie die Evolutionsroute eines frühen DeFi – zuerst gibt es „Assets, die Erträge erzeugen“, und dann gibt es „Finanzinstrumente rund um diese Assets“.
Drittens wird sich die Art verändern, wie Kapital in der KI-Branche fließt.
Früher war die Logik der Finanzierung von KI-Projekten: „in das Team investieren“ – VC gibt Geld ans Team, das Team trainiert Modelle, stellt Leute ein und macht Werbung. Wenn das Modell fertig ist, gehören IP und VC dem Team.
Nach der Assetisierung von Modellen entsteht eine Logik des „in Modelle investieren“ – Kapital kann direkt am Team vorbei fließen und in die künftigen Ertragsrechte eines ganz bestimmten Modells investieren. Diese Struktur ist in RWA und DeFi bereits ausgereift; die Migration in den KI-Bereich ist nur eine Frage der Zeit.
Viertens: Die Wirtschaftlichkeit von „Long-Tail-KI“ wird aktiviert.
Traditionelle KI-Kommerzialisierung interessiert sich nur für die Top-Szenarien – diejenigen großen Bedarfe, für die es sich lohnt, ein Produkt im Wert von ein paar Millionen US-Dollar zu entwickeln und zu vermarkten. Mittlere und Long-Tail-Szenarien (ein konkretes Problem in einer bestimmten Nische) hatten bisher nie einen kommerziellen Weg, weil man sich kein eigenes Produkt-Team leisten kann.
Aber wenn ein kleines Modell von einem Domänenexperten innerhalb eines Nachmittags erstellt werden kann, im Netz automatisch abgerechnet wird und so die Tail-Szenarien zum ersten Mal wirtschaftlich machbar werden: Das kleine, rechtskonforme Legal-Compliance-Modell von Old Chen ist ein typisches Beispiel. Die Zahl seiner Kunden wird nie groß genug sein, um ein ganzes Unternehmen zu tragen – aber als passives Cashflow-Asset gilt es für Old Chen persönlich bereits als real.
Man muss die Einschränkungen klar benennen.
Erstens: Die „Liquidität“ von Modell-Assets ist aktuell noch sehr begrenzt. Old Chens Modell hat offenbar jeden Monat über dreitausend Abrufe – das klingt gut, aber umgerechnet reicht es nicht, damit er kündigt und sich ganz dieser Sache widmen kann. Damit dieses Ökosystem wirklich reif wird, muss das Abrufvolumen noch um ein paar Größenordnungen wachsen.
Zweitens: Die Bewertung von Modellen braucht Zeit, um einen Markt-Konsens zu bilden. Es gibt heute noch kein standardisiertes „Modell zur Modellbewertung“. Der Markt hat noch keinen Konsens darüber, wie viel „ein Fine-Tuning-Modell mit X Monaten Abrufen“ wert sein sollte. Damit sich das herausbildet, braucht es wiederholte Markterfahrung.
Drittens: Die Assetisierung von Modell macht neue Angriffspunkte möglich. Zum Beispiel: böswilliges Fine-Tuning, Fälschung der Modellqualität, „Aufrufe“ per Fake-Orders – das sind Probleme, die es in der Vergangenheit nicht gab, die aber künftig auftreten werden. OpenLedgers PoA- und Bewertungssystem können einen Teil abmildern, aber ein vollständiges Verteidigungssystem ist noch im Aufbau.
Viertens: Die Regulierung wird mit der Finanzialisierung komplexer. Sobald Modelle als assets mit Cashflows gehandelt werden, ist die Frage der Einordnung als Wertpapier nicht zu umgehen. Das wird die Verbreitung dieses Mechanismus verlangsamen.
Aber selbst mit diesen Einschränkungen ist die Richtung bereits klar.
Old Chens Satz „es ist ungefähr wie die Liquiditätspools, an die ich angeschlossen bin“ ist keine beiläufige Benutzer-Metapher. Es ist ein Zeitgeist-Signal – die Umwandlung von KI-Modellen von einer statischen Codebasis in ein Finanz-Asset ist das erste Mal, dass sie auf Engineering-Ebene tatsächlich funktioniert.
Wir haben in den letzten zehn Jahren gesehen, wie Kryptowährungen „Geld“ programmierbar machen, wir haben gesehen, wie NFTs „Bilder“ besitzbar machen, und wie DeFi „Finanzen“ erlaubnisfrei macht.
Als Nächstes wird dieses Paradigma wahrscheinlich auch das Modell selbst umschreiben – nämlich eine Codezeile, die zum ersten Mal das Attribut „kontinuierlich Cashflow erzeugen“ besitzt.
Das kleine Modell von Old Chen ist ein unscheinbarer, aber konkreter Anfang dieser Veränderung.
