KI-Agenten sind hungrig; Web3-Daten sind ein Chaos: Warum eine KI-bereite Datenschicht dringend benötigt wird

KI-Agenten sind einfach zu beschreiben und komplex zu bedienen: beobachten → entscheiden → agieren → lernen. Jeder Zyklus hängt von frischen, zuverlässigen, genehmigungsfreien Daten ab. In Web2 kann man diese von wenigen Plattformen mieten. In Web3 leben Daten auf Dutzenden von heterogenen Chains, Knotenhaufen, Indexern und Off-Chain-Orakeln – jeweils mit eigenen Besonderheiten, wie Latenz, Finalität, Semantik und Ausfallmodi. Das Ergebnis: Agenten sind hungrig; die Speisekammer ist chaotisch.

KI dringt schnell in Web3 ein, aber der Engpass bleibt bei den Daten.

Bekannte Entwickler stimmen zunehmend darin überein, dass KI und Krypto komplementär sind: KI bringt generative Fähigkeit und Autonomie, während Krypto Besitz, Herkunft und offene Märkte für Rechenleistung und Daten bietet. Chris Dixon hat argumentiert, dass KI-Systeme Blockchain-gestütztes Rechnen benötigen, um das Internet zu öffnen und Anreize für den Zugriff auf Daten und Modelle auszurichten.

Vitalik Buterin kategorisiert Krypto×KI Touchpoints: KI als Interface, Akteur, Ziel wirtschaftlicher Garantien und betont sorgfältiges Anreizdesign, d.h., man kann KI nicht ohne Nachdenken über Datenqualität und -sicherheit in adversitäre Märkte einfügen.

Auf der Umsetzungsebene bewegt sich DeFi selbst hin zu intenzbasierten Designs (d.h., man gibt ein Ergebnis an, Solver konkurrieren, um es zu erfüllen), gerade weil rohe, On-Chain-Datenströme unter Latenz und MEV feindlich gegenüber gutem UX sind. Uniswap Labs und Across haben ERC-7683 vorgeschlagen, ein standardisiertes System für kettenübergreifende Absichten als gemeinsame Schiene für dieses Muster.

Fazit: Agenten kommen; Märkte passen sich an; Daten bleiben der Engpass.

Die unschöne Wahrheit: Was KI-Entwickler in Web3 erleben

Heterogenität. Jede Chain hat ihr eigenes RPC-Verhalten, ihre Logs, Ereignisschemata, Reorganisationsmuster und Finalitätsannahmen. Grundlegende Abfragen (z.B. “Positionen über Base+Solana+Polygon”) verwandeln sich in N maßgeschneiderte Indexer.

Frische vs. Kosten. Man kann günstige, langsame Daten oder schnelle, teure Daten (maßgeschneiderte Stream-Indexer, verwaltete Spiegel) erhalten. Beides zu wählen ist nicht trivial.

Semantik. Blöcke sind Fakten; Einblicke sind Modelle. Das Umwandeln von Logs in Entitäten (Pools, Positionen, P&L) erfordert ständiges ETL und Neuberechnung, pro Protokoll und pro Chain.

Zuverlässigkeit unter Last. Netzüberlastung und Orakellatenz schaffen genau die Tail-Risiken, die autonome Agenten am wenigsten verdecken können.

Indexdienstanbieter und Dokumentationen stimmen in den Grundlagen überein: direkte Chain-Abfragen sind komplex und langsam; man benötigt Subgraphen oder gleichwertige Spiegel für die Leistung, und muss dann immer noch Streaming und Schematisierungs-Normalisierung von Kette zu Kette lösen.

“Aktionsfähige Daten” definiert und warum Web3 davon einen Mangel hat

Bezeichne Daten als aktionsfähig, wenn ein Agent innerhalb eines begrenzten Jitter-Budgets entscheiden und ausführen kann, während die Korrektheit gewahrt bleibt. Konkret:

Normalisierte Semantik: Tokens, Pools, Positionen, Übertragungen, Kurse mit konsistenten Typen/Einheiten über alle Chains hinweg.

Frische & Determinismus: p95/p99 Latenz-SLOs, plus finalitätsbewusste Frische (weiche vs. brutale Finalität).

Überprüfbarkeit: Kryptografische Herkunft oder wiederholbare Ableitung (Subgraphenversionen, Spiegelprüfsummen).

Berechnen in der Nähe von Daten: Bewertung, Anomalieerkennung, Routen-Simulation, in der Nähe der Streams.

Streaming + Zeitreise: Nur anfügende Ereignis-Streams plus indizierte Snapshots für “Was hat sich geändert?”-Anfragen.

Today's Web3-Stack bietet Ihnen Fragmente davon (Subgraphen, RPCs, Analyse-APIs), aber nicht den kohärenten, kettenübergreifenden, latenzarmen Stoff, den Produktionagenten fordern. Sogar das eigene Material von The Graph und Anleitungen Dritter rahmen den direkten Kettenzugriff als komplex ein und drängen Entwickler aus Gründen der Praktikabilität zu Indexierungs-/Spiegelsystemen.

Lektionen aus realen Vorfällen: wenn Latenz und Fragmentierung schmerzen

Hier sind einige kürzlich geschlossene Produkte im Bereich KI×Web3, die geschlossen wurden, auf Eis gelegt oder effektiv eingestellt :

Planet Mojos “WWA” Plattform für KI-Spieleagenten: eingestellt am 1. Juli 2025 zusammen mit dem Flaggschiff-Spiel des Studios, Mojo Melee, unter Hinweis auf sich ändernde Marktbedingungen.

Brian (KI → On-Chain-Transaktions-Ersteller): ein Web3-“text-to-transaction”-Assistent, der bei ETHPrague 2023 begann; das Team gab am 26. Mai 2025 die Beendigung des Betriebs bekannt, nachdem der Vorteil als Erstbeweger aufgrund der Proliferation von agentischen Ausführern verloren ging.

TradeAI / Stakx (KI-Handelsschemata mit NFTs & “Algos”): nahmen Hunderte Millionen ein, froren dann Auszahlungen ein und stellten den Betrieb ein; nun Gegenstand einer US-amerikanischen Sammelklage wegen nicht registrierter Wertpapiere und Falschdarstellungen. (Eine klare Warnung bezüglich “KI”-Behauptungen im Krypto-Bereich.)

BitAI (“hands-free” KI-Krypto-Autohändler): ging im März 2024 offline, nachdem KI-automatisierte Gewinne versprochen wurden;

Regulatorische Stopps im Schnittpunkt von KI & Web3: Auch wenn es kein permanentes Scheitern ist, sah Worldcoin (World Network) die vorübergehende Aussetzung des Betriebs in Indonesien im Mai 2025, was zeigt, wie Compliance-Risiken KI-nahe Web3-Einführungen abrupt entgleisen lassen können.

Beobachtete Muster:

Latenz + Datenfragmentierung tötet Agenten im Betrieb. Teams, die versprachen, “natürliche Sprache zu On-Chain”, hatten oft Schwierigkeiten mit Multichain-Frische/Finalität und spröder Indexierung, was zu verpassten Gelegenheiten oder teuren Infrastruktur-Flickmaßnahmen führte.

Hype-to-ROI Gap: Analysten erwarten eine hohe Stornierungsrate für “agentische KI”-Projekte in den nächsten Jahren – Kosten, unklarer Wert und Risikokontrollen sind die häufigsten Scheitermodi.

“KI-Handels”-Behauptungen = Warnkategorie. Regulierungsbehörden und Aufsichtsinstitutionen weisen wiederholt darauf hin, dass “proprietäre KI-Bot” Pitches ein hohes Risiko darstellen; viele werden eingestellt oder ändern sich nach einem Marketing-Hype.

“Datenfragmentierung ist die größte Barriere für KI-Agenten in Web3: zu viele Chains, Schemas und spröde APIs zwingen Agenten, zwischen alten Signalen oder endlosem Stitchen zu wählen. Latenz-, Frischelücken und komplexe On-Chain-Ausführung verwandeln gute Strategien in verpasste Trades, während inkonsistente Formate Erdungsfehler, Modellabweichungen und sprödes Verhalten verursachen.

Die Lösung ist eine einheitliche, Echtzeit-semantische Datenschicht mit normalisierten Schemata, Streaming-Indexern, kanonischen Ereignissen und deterministischen Fallbacks, damit sich Agenten auf Strategie konzentrieren, nicht auf Installationen. Bei Elsa bauen wir diese agentische Schicht mit kettenübergreifender Liquidität, Datenendpunkten und Echtzeit-RAG (WIP), um fragmentiertes Chaos in zuverlässige autonome Ausführung zu verwandeln.”

–Dhawal Shah, Gründer und CEO von HeyElsa

Muster, die funktionieren: Lösungen zu den heutigen Unfähigkeiten

1. Absichtsschienen, nicht rohe Anrufe. Wechseln Sie von “Mache X an Adresse Y” zu “Erreiche Ergebnis Z,” dann lassen Solver konkurrieren, Absicherung von MEV/Latenz auf der Meta-Schicht
2. Finalitätsbewusste Frische. Eröffnung von “Frische + Vertrauen” für Agenten (z.B. weiche Finalität bei N Bestätigungen vs. brutale Finalität nach Epoche), so dass Richtlinien anpassbar sind.
3. Berechnen zu den Daten hin. Verschieben von Bewertung/Simulation an den Rand des Streams, um Fan-Out-Latenz zu vermeiden.
4. Nachweise & Fallbacks. Zwei unabhängige Quellen für kritische Signale (z.B. Preis) plus erklärbare Ableitungen, um Agenten aus Verfehlungen lernen zu lassen.
5. Menschliche Loop-Gates. Bei hochgradigen Aktionen explizite Zustimmung oder beschränkte Politikbudgets erforderlich.

NewsBTC analysierte große Absichtsschienen und Indexanbieter und sammelte Erkenntnisse aus einem kürzlich gestarteten KI×Web3-Produkt.

“KI-Agenten scheitern nicht an Logik, sie scheitern an Eingaben. Blockchains geben rohe, inkonsistente Log-Fragmente ohne Kontext aus. Bis wir eine neutrale Schicht haben, die diese Daten in Echtzeit normalisiert und überprüft, operieren Agenten in Web3 blind. Die Herausforderung besteht nicht darin, intelligentere KI aufzubauen. Es geht darum, ihnen saubere, zuverlässige Signale zu geben, auf die sie reagieren können.”

–Nasim Akthar, CTO bei Igris.bot

Wie eine KI-bereite Datenschicht aussehen sollte – Spezifikation statt Hype

Denken Sie an eine Programmable, Verifiable, Real-Time, Cross-Chain Schicht:

Ingestion & Normalisierung: Multichain-Konnektoren → kanonische Schemas (Tokens, Pools, Positionen, Preise, Routen) mit expliziten Einheiten und Dezimalstellen.

Streaming + Snapshots: Kafka-ähnliche Streams für Ereignisse; OLAP Snapshots für Zeitreise und Joins.

Spiegel mit Provenienz: Deterministische Spiegel von Subgraphen oder gleichwertig, mit versionierten Transformationen und Integritätsprüfungen, damit Agenten über die Datenherkunft nachdenken können.

On-Stream Berechnung: Eingebaute Tools für Volatilität, Liquiditätstiefe, Routen-Simulation, Slippage/Risiko-Scores in der Nähe der Streams, um p95-Ziele zu erreichen.

Finalitäts-bewusste Frische-API: Jeder Lesevorgang gibt zurück: freshness_ms, Bestätigungen, Finalitäts-Level, damit Richtlinien Aktionen steuern können.

Absichtshooks: Erstklassige Bindungen zu Absichtsschienen (CoW, 7683, Across), so dass “entscheiden → handeln” ein Aufruf ist, mit Simulationsproben

Sicherheit & Audit: Ratenlimits, Not-Aus-Schalter, Wiederholungsprotokolle und nachträgliche Handelsnachweise für kontinuierliches Lernen.

Zukunft von KI × Web3: Märkte von Agenten, die für beweisbare Daten bezahlen

Mit der richtigen Datenschicht erweitert sich die Grenze:

Agenten-MM & Risiko: autonomes Market-Making, das Datenfrische & Finalität in Angebote einpreist.

Governance-Copiloten: Agenten, die Vorschläge lesen, Ergebnisse simulieren und Meinungen mit kryptografischen Beglaubigungen einbringen.

Kettenübergreifende Portfolio-Politiken: “Ende mit 2 ETH auf Base, wenn die wöchentliche Varianz > X ist”, geroutet von Absichtsschienen unter begrenzter Latenz.

Datenmärkte für Modelle: Provenienzbewusste Datensätze und Inferenzdienste mit On-Chain-Zahlung & Nutzungsgarantie.

Sicherheitsschichten: Vitaliks Vorsicht bleibt bestehen – Schnittstellen und Richtlinien müssen so gestaltet werden, dass sie Betrug und Missverhältnisse vermeiden. Bauen Sie Schienen, die auf Richtigkeit verzerrt sind, nicht nur auf Geschwindigkeit.

Abschluss: Architektur ist Schicksal

Wenn Agenten die nächste Nutzerschicht sind, wird Ihre Architektur zu Ihrem Produkt. Teams, die ständig RPC-Anrufe und Cron ETLs patchen, werden Schwierigkeiten haben, mit mehrkettigen, Echtzeit-, adversitären Märkten Schritt zu halten. Teams, die eine KI-bereite Datenschicht – normalisiert, gespiegelt, berechenbar, finalitätsbewusst und mit Absichtsschienen verdrahtet, aufbauen, werden Agenten liefern, die bei Produktionsgeschwindigkeit beobachten, entscheiden, handeln und lernen.

Geben Sie Agenten den Datenstoff, den sie verdienen. Sie sind hungrig, und der Markt wird nicht warten.