Die wöchentliche Aktualisierung von APRO zeigt einige wichtige
Kennzahlen: 40 verwaltete Chains, 109.000 Datenvalidierungen und 99.000 Aufrufe von AI Oracles.
Gemessen an der Datenreichweite sind diese Werte im Vergleich zu führenden Projekten wie Chainlink nicht besonders groß. Betrachtet man jedoch die Nachfrage-Struktur neuer Chains außerhalb des Ethereum-Ökosystems, wird deutlich, dass sich das Problem zunehmend von Preisdaten-Services hin zu komplexeren Datenvalidierungs-Services verlagert.
Der Unterschied liegt darin: Beim traditionellen Preis-Feeding handelt es sich um eine einseitige Übermittlung, während die Validierung bidirektional ist – Nutzer müssen die Korrektheit, Aktualität und die plattformübergreifende Konsistenz der Daten bestätigen. 109.000 Validierungen erfolgen vor oder gleichzeitig mit 99.000 Aufrufen, was darauf hinweist, dass das System Vorab-Prüflogik ausführt.
Für AI Agents ist der Oracle-Aufruf nicht mehr nur das Abrufen von Preisen. Stattdessen wird er als Teil der Trainingsdaten genutzt oder als Eingabe für On-Chain-Strategien verwendet.
Bei der Auswahl der Chains im Ökosystem ist besonders bemerkenswert, dass der Anteil der Anbindung an High-Performance-Chains wie Solana, Aptos und Sei nicht gering ist.
Der Grund ist nicht schwer zu verstehen – die hochfrequente Entscheidungsfindung von AI Agents erfordert Dateninteraktionen mit geringer Latenz und niedrigen Kosten. Das Gas-Modell des Ethereum Mainnets eignet sich besser für Low-Frequency-High-Value-Interaktionen, während die Micro-Payments und Datenanfragen zwischen Agents eher für High-Performance-Chains geeignet sind. Diese Trennung wird sich im nächsten Jahr weiter verstärken.
Ein weiteres Signal aus der gesamten Wertschöpfungskette ist der Effekt sinkender Grenzkosten der Datenvalidierung. Nachdem APRO ein Validierungsnetzwerk über 40 Chains hinweg aufgebaut hat, sind die Kosten für die Anbindung neuer Chains nahezu zu vernachlässigen, während die Fähigkeit des Netzwerks zur externen Ausgabe von Validierungen linear zunimmt.
Das wird den Expansions-Tempo etablierter Oracles über Chain-Grenzen hinweg zunehmend unter Druck setzen – insbesondere bei neuen Datentypen (KI-Trainingsdaten, RWA-Compliance-Daten), bei denen der Vorsprung der Vorreiter in eine Standard-Auswahl für Datenquellen übergeht.
Kennzahlen: 40 verwaltete Chains, 109.000 Datenvalidierungen und 99.000 Aufrufe von AI Oracles.
Gemessen an der Datenreichweite sind diese Werte im Vergleich zu führenden Projekten wie Chainlink nicht besonders groß. Betrachtet man jedoch die Nachfrage-Struktur neuer Chains außerhalb des Ethereum-Ökosystems, wird deutlich, dass sich das Problem zunehmend von Preisdaten-Services hin zu komplexeren Datenvalidierungs-Services verlagert.
Der Unterschied liegt darin: Beim traditionellen Preis-Feeding handelt es sich um eine einseitige Übermittlung, während die Validierung bidirektional ist – Nutzer müssen die Korrektheit, Aktualität und die plattformübergreifende Konsistenz der Daten bestätigen. 109.000 Validierungen erfolgen vor oder gleichzeitig mit 99.000 Aufrufen, was darauf hinweist, dass das System Vorab-Prüflogik ausführt.
Für AI Agents ist der Oracle-Aufruf nicht mehr nur das Abrufen von Preisen. Stattdessen wird er als Teil der Trainingsdaten genutzt oder als Eingabe für On-Chain-Strategien verwendet.
Bei der Auswahl der Chains im Ökosystem ist besonders bemerkenswert, dass der Anteil der Anbindung an High-Performance-Chains wie Solana, Aptos und Sei nicht gering ist.
Der Grund ist nicht schwer zu verstehen – die hochfrequente Entscheidungsfindung von AI Agents erfordert Dateninteraktionen mit geringer Latenz und niedrigen Kosten. Das Gas-Modell des Ethereum Mainnets eignet sich besser für Low-Frequency-High-Value-Interaktionen, während die Micro-Payments und Datenanfragen zwischen Agents eher für High-Performance-Chains geeignet sind. Diese Trennung wird sich im nächsten Jahr weiter verstärken.
Ein weiteres Signal aus der gesamten Wertschöpfungskette ist der Effekt sinkender Grenzkosten der Datenvalidierung. Nachdem APRO ein Validierungsnetzwerk über 40 Chains hinweg aufgebaut hat, sind die Kosten für die Anbindung neuer Chains nahezu zu vernachlässigen, während die Fähigkeit des Netzwerks zur externen Ausgabe von Validierungen linear zunimmt.
Das wird den Expansions-Tempo etablierter Oracles über Chain-Grenzen hinweg zunehmend unter Druck setzen – insbesondere bei neuen Datentypen (KI-Trainingsdaten, RWA-Compliance-Daten), bei denen der Vorsprung der Vorreiter in eine Standard-Auswahl für Datenquellen übergeht.