Ein Geschwindigkeitsbegrenzungsschild sagt dir, dass du langsamer fahren sollst. Ein Geschwindigkeitsbuckel zwingt dich dazu. Das eine ist eine Aufforderung. Das andere ist Physik. Ich denke immer wieder über diese Unterscheidung nach, wenn ich mir ansehe, wie wir heute versuchen, autonome KI-Agenten zu kontrollieren.

Die meisten KI-Agent-Frameworks stützen sich auf Software-Limits. Du setzt in einem Dashboard ein API-Budget. Du schreibst einen Systemprompt, der sagt: "Übertrage niemals mehr als 100 US-Dollar." Du konfigurierst Rate Limits auf einem Server. Das sind Geschwindigkeitsbegrenzungsschilder. Sie funktionieren, bis der Agent eine Lücke findet oder eine Prompt-Injection ihn dazu bringt, frühere Anweisungen zu ignorieren, oder ein Bug im Rate-Limiter dazu führt, dass eine Transaktion durchrutscht. Die Einschränkung lebt im selben System wie der Agent. Wenn die Sandbox bricht, brechen die Limits mit ihr.

Newton geht einen anderen Weg. Anstatt Limits in den Code des Agenten einzubetten, schreibst du sie als eine Rego-Richtlinie. Diese Richtlinie wird auf IPFS gespeichert – mit einem content-addressed CID. Der Agent prüft nicht seine eigenen Limits. Er übermittelt einen Intent an ein dezentrales Netzwerk aus Operatoren. Diese holen sich die Richtlinie, bewerten den Intent dagegen und erzeugen kollektiv eine BLS-Aggregatsignatur. Der Smart Contract, der die Gelder kontrolliert, verifiziert diese Signatur on-chain. Wenn die Richtlinie „Nein“ sagt, wird die Transaktion nicht ausgeführt. Der Agent kann nicht mit dem Tempo-Buckel verhandeln.

Ich kann den Reiz nachvollziehen. Die Durchsetzung ist extern. Die Einheit, die handeln möchte, ist nicht dieselbe Einheit, die die Regeln prüft. Im Web2-Modell, wenn du die Limits erhöhen willst, loggst du dich in ein Dashboard ein und klickst auf einen Button. Mit Newton bedeutet das Ändern der Richtlinie, dass du die CID-Referenz on-chain aktualisierst – eine transparente Governance-Aktion. Die alte Richtlinie existiert weiterhin, die neue ist überprüfbar. Ein Auditor könnte genau nachverfolgen, was sich geändert hat und wann.

Aber ich bin nicht sicher, dass das die ganze Geschichte ist. Es gibt echte Fragen, auf die ich immer wieder stoße. Was passiert, wenn die Operatoren kolludieren? EigenLayer-Slashing soll das abschrecken, aber Slashing ist reaktiv. Der Schaden passiert zuerst. Und die Richtlinie selbst ist nur so gut wie die Daten, die sie verarbeitet. Wenn der WASM-Oracle, der den Preis liefert, falsch ist, könnten die Operatoren den Transaktionsablauf dennoch zuverlässig freigeben, der eigentlich nicht hätte durchgehen dürfen. Sie haben sich an die Regeln gehalten. Das Vertrauen ist nicht verschwunden, es hat sich nur verlagert – vom Code des Agenten hin zum Daten-Feed des Oracles. Ist das besser? Ehrlich gesagt weiß ich es nicht.

Dann ist da die Frage nach der Geschwindigkeit. Ein API-Limit-Check dauert Millisekunden. Newtons Ablauf erfordert eine Roundtrip durch ein Gateway, eine Operator-Auswertung, BLS-Aggregation und die Onchain-Verifizierung. Das ist nicht schnell. Für einen High-Frequency-Trading-Bot könnte die Latenz allein ihn unbrauchbar machen. Für einen DAO-Treasury-Agenten, der einmal pro Woche Gelder bewegt, ist es vielleicht akzeptabel. Der Use Case spielt hier eine riesige Rolle.

Ich frage mich auch etwas über das Operator-Netzwerk selbst. Wenn das Quorum fehlschlägt oder das Gateway ausfällt, kann der Agent sich einfach nicht bewegen. Ein Web2-API-Limit hat zwar all seine Schwächen, aber diese Abhängigkeit gibt es nicht. Es ist zwar ein Single Point of Failure, aber es funktioniert, solange der Server läuft. Newton bringt mehr bewegliche Teile. Jedes davon ist ein potenzieller Fehlerfall.

Die Kernidee ergibt intuitiv Sinn: Lass den Agenten nicht sich selbst kontrollieren. Externisiere die Durchsetzung. Mach sie kryptografisch verifizierbar. Aber ob die zusätzliche Komplexität und Latenz das wert sind, hängt vermutlich davon ab, worum es geht. Ein Chatbot mit einem 10-Dollar-Monatslimit braucht keine Onchain-Richtliniendurchsetzung. Ein Treasury-Agent, der Millionen kontrolliert, vielleicht schon. Ich versuche immer noch herauszufinden, wo die Schwelle liegt. Keine klare Antwort. Aber ich bin nicht sicher, ob es überhaupt eine gibt.


@NewtonProtocol #Newt $NEWT