Skip to main content

Was ist eine AI component

Hinweis: Dieses Dokument ist eine automatische Übersetzung des englischen Originals.

Was ist eine AI component

Eine AI component ist der spezifische Teil eines Projekts, in dem echte KI-Arbeit stattfindet — Analyse, Generierung, Vorhersage, Ranking oder Entscheidungsfindung. Sie ist kein Marketing-Label und keine Markenerwähnung. In DecAIHub-Projektkarten beantwortet das Feld AI component eine Frage: Was genau tut die KI hier?

Kurz gesagt: Eine AI component ist der konkrete Mechanismus, in den Daten hineingehen und aus dem ein KI-gesteuertes Ergebnis herauskommt — kein Logo, kein Slogan und kein Roadmap-Versprechen.

Analogie für Einsteiger

Stell dir ein Projekt wie ein Restaurant vor. Der Use Case ist die Speisekarte — was der Kunde sieht und bestellt. Die AI component ist die Küche — die eigentliche Ausstattung und Technik, die Rohzutaten in ein Gericht verwandelt. Ein Restaurant kann eine schöne Speisekarte (Use Case) haben, aber keine funktionierende Küche (AI component). Wenn DecAIHub ein Projekt prüft, geht es in die Küche, um zu kontrollieren, ob der Herd echt ist, ob jemand kocht und ob es tatsächlich Rezepte gibt — nicht nur Fotos von Essen, die auf einem Schild draußen aufgedruckt sind.

Was sie ist

Eine AI component ist ein funktionales Modul oder Subsystem, das Arbeit verrichtet, die typischerweise mit künstlicher Intelligenz oder Machine Learning verbunden ist. Dazu gehören:

  • Inferenz-Engines — das Ausführen eines trainierten Modells, um Ausgaben zu erzeugen (Vorhersagen, Klassifizierungen, generierter Text oder Bilder)
  • Trainings-Pipelines — das Aktualisieren von Modellgewichten auf neuen Daten
  • Analytics-Modelle — das Extrahieren von Mustern, Scores oder Signalen aus Daten (Marktanalytik, Risiko-Scoring, Sentiment-Analyse)
  • Agenten-Frameworks — das Orchestrieren autonomer Entscheidungsfindung, Tool-Nutzung und mehrstufigen Reasonings
  • Daten-Labeling-Systeme — das Verwalten menschlicher oder automatisierter Annotation zum Aufbau von Datensätzen
  • Compute-Orchestrierung — das Verteilen von KI-Workloads über Knoten oder GPUs

Die wesentliche Unterscheidung: Ein Projekt hat eine AI component, wenn es ein Subsystem enthält, das Daten mithilfe von Modellen, Algorithmen oder gelernten Repräsentationen verarbeitet. Einem Projekt fehlt eine AI component, wenn „AI“ nur in seinem Namen, Marketingtext oder in Zukunftsplänen erscheint, ohne jegliche überprüfbare technische Umsetzung.

Eine AI component muss nicht von Grund auf maßgefertigt sein. Ein Projekt, das ein Open-Source-Modell feinabstimmt, eine Inferenz-API mit bedeutsamer Vor- und Nachverarbeitung umhüllt oder einen eigenen Klassifikator auf proprietären Daten trainiert, hat dennoch eine AI component — solange die KI-Schicht eine überprüfbare Funktion über ein einfaches Durchreichen hinaus hinzufügt.

Das Spektrum: von abwesend bis vollständig überprüfbar

Nicht alle AI components sind gleich. Sie existieren auf einem Spektrum von Reife und Überprüfbarkeit:

Stufe Beschreibung Was zu erwarten ist
Abwesend Keine KI im Projekt gefunden Das Feld ai_component lautet none oder unknown
Nur Positionierung KI im Marketing behauptet, aber keine technische Evidenz Das Feld lautet positioning only; ai_score ist 0
Erklärt KI wird in offizieller Dokumentation oder Roadmap erwähnt, aber keine funktionierenden Artefakte AI_0 = 1, übrige AI-Flags sind 0
Demonstriert Eine funktionierende Demo, ein Prototyp oder eine dokumentierte Pipeline existiert AI_1 und AI_2 sind 1; teilweise Evidenz
Verifiziert Benchmarks, technische Dokumentation, Modellversionen und reproduzierbare Ergebnisse sind verfügbar AI_3 und AI_4 sind 1; starke Tier-1-Evidenz

Dieses Spektrum ist wichtig, weil „KI zu haben“ in der Praxis nicht binär ist. Ein Projekt kann ein trainiertes Modell, aber keine Benchmarks haben, oder eine funktionierende Demo, aber keine veröffentlichte Architektur. Das Feld AI component erfasst, was existiert, nicht, was in der Zukunft existieren könnte.

Häufige AI-component-Werte in DecAIHub

Hier sind echte Werte aus Projektkarten im Register:

  • AI agent platform (workflows/tools/KB) — Agenten-Infrastruktur mit Tools und Wissensbasis
  • AI data labeling + model evaluation (human experts) — Labeling mit einer Human-in-the-Loop-Pipeline
  • AI/ML crypto market analytics (app) — auf Marktdaten angewendete Machine-Learning-Modelle
  • compute orchestration — Routing und Scheduling von KI-Compute-Aufgaben
  • AI trading signals — Modelle, die handelsbezogene Signale aus Daten erzeugen
  • agentic framework (memory/actions/plugins) — eine Agenten-Laufzeit mit Gedächtnis und Tool-Integrationen
  • AI summaries + crypto intelligence terminal — NLP-basierte Zusammenfassung und Datenanalyse
  • inference engine — ein System, das dem Ausführen von Modellinferenz gewidmet ist

Jeder Wert beschreibt, was die KI tatsächlich tut — nicht, was das Projekt zu werden verspricht. Diese Werte stammen aus dem normalisierten Register wiederkehrender Felder, um Konsistenz über Projektkarten hinweg sicherzustellen. Wenn ein Prüfer das Feld AI component ausfüllt, wählt er aus beobachteten Werten oder fügt einen neuen hinzu, der den technischen Mechanismus präzise erfasst.

Wo es in DecAIHub-Projektkarten auftaucht

Das Feld AI component (ai_component) ist Teil der Projekt-Pass-Tabelle. Es steht neben dem Feld Use Case. Zusammen trennen sie den technischen Mechanismus von der Produktbeschreibung.

Wenn das Feld positioning only, none oder unknown lautet, bedeutet das, dass Evidenz für eine funktionierende AI component zum Verifizierungsdatum nicht bestätigt wurde. Dies sind keine Technologien — es sind Modi zum Lesen von Evidenz.

Das Feld AI component ist eines der ersten Dinge, die ein erfahrener Leser prüft. Es gibt ein sofortiges Signal: Tut dieses Projekt etwas mit KI, oder sagt es nur, dass es das tut? Kombiniert mit der Evidenz-Tabelle und dem Verifizierungsdatum zeichnet es ein schnelles Bild der technischen Substanz des Projekts.

Wie AI components verifiziert werden

Die Verifizierung folgt der Tier-1/2/3-Evidenzhierarchie. Damit die AI component über positioning only hinausgeht, suchen Prüfer nach:

  • Tier-1-Artefakten — Quellcode in öffentlichen Repositories, Modellgewichte oder Architekturbeschreibungen, Benchmark-Berichte mit Methodik, API-Dokumentation, die Inferenz-Endpunkte zeigt, vom Team veröffentlichte technische Arbeiten.
  • Tier-2-Kontext — Drittanbieter-Reviews, die die KI-Pipeline erwähnen, Ökosystem-Integrationen, die von der KI-Ausgabe abhängen, Aggregator-Beschreibungen, die auf spezifische KI-Funktionalität verweisen.
  • Tier-3-Signalen — Marketing-Behauptungen, Influencer-Erwähnungen, Pressemitteilungen ohne technisches Detail. Diese werden vermerkt, heben den AI-Score aber nicht von sich aus an.

Die Prüfung kontrolliert auch auf häufige Anti-Patterns: ein leeres GitHub-Repository, das als „AI-Code“ gelistet ist, von einem anderen Projekt kopierte Benchmarks oder einen API-Wrapper, der als proprietäres Modell präsentiert wird. Diese Warnsignale halten den ai_score bei 0, bis überprüfbare Evidenz auftaucht.

Was eine AI component für DecAI Fit bedeutet

Die AI component fließt direkt in die Achse AI reality des DecAI Fit-Scores ein. Ohne Tier-1-Evidenz einer funktionierenden AI component ist der ai_score eines Projekts 0 — und sein gesamter DecAI Fit kann nicht über 0 steigen.

Dies ist die strengste Regel im Bewertungssystem: keine AI reality, kein DecAI Fit über 0. Selbst wenn ein Projekt starke On-Chain-Infrastruktur und einen gut gestalteten Token hat, kann es ohne eine überprüfbare AI component nicht über null punkten. Dies spiegelt DecAIHubs Kernthese wider — das Register bewertet die Übereinstimmung mit der These der „Decentralized AI“, und KI ist der nicht verhandelbare Ausgangspunkt.

Das bedeutet nicht, dass das Projekt schlecht oder wertlos ist. Es bedeutet, dass die Evidenz zum Zeitpunkt der Prüfung nicht verfügbar war. Wenn überprüfbare Artefakte (Code, Benchmarks, Demos, technische Dokumentation) auftauchen, wird die Karte aktualisiert.

Was dieser Begriff allein nicht beweist

  • Eine AI component zu haben, beweist nicht, dass das Produkt nützlich, der Token notwendig oder die On-Chain-Integration bedeutsam ist.
  • Das Feld AI component beschreibt nur den Mechanismus. Qualität, Reife und Maßstab werden separat über die Evidenz-Tabelle und die AI reality-Flags bewertet.
  • Ein Projekt kann eine echte AI component haben, die trivial ist — zum Beispiel ein einfacher Sentiment-Klassifikator, der eine externe API aufruft. Echt bedeutet nicht bedeutsam.
  • Umgekehrt kann ein Projekt mit einer ausgefeilten AI component bei DecAI Fit dennoch niedrig abschneiden, wenn seine On-Chain-Integration oberflächlich ist oder sein Token keine Funktion erfüllt.

Nicht verwechseln mit

  • Use Case beschreibt, was der Nutzer aus dem Produkt erhält. AI component beschreibt, was die KI im Inneren tut. Siehe AI component vs. Use Case.
  • Kategorie (z. B. AI/Agents) klassifiziert das Projekt auf einer höheren Ebene. Die AI component ist spezifischer: die tatsächliche Technologie.
  • Automatisierung ist nicht immer KI. Einfache regelbasierte Skripte oder Wenn/Dann-Workflows sind keine AI components. Siehe Automatisierung vs. echte AI component.
  • KI-Modell bezeichnet das trainierte Artefakt (Gewichte, Architektur). Die AI component ist breiter: Sie umfasst das Modell plus die Pipeline darum herum (Datenaufnahme, Vorverarbeitung, Inferenz-Serving, Nachverarbeitung).
  • API-Wrapper — ein Projekt, das nur Anfragen an eine Drittanbieter-KI-API (etwa ein gehostetes LLM) weiterleitet, ohne bedeutsame Verarbeitung hinzuzufügen. Dies kann je nach Integrationsgrad und Mehrwert als AI component qualifizieren oder auch nicht.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einer AI component und einem Use Case?

Die AI component ist der technische Mechanismus — was die KI tut (z. B. Inferenz ausführen, Modelle trainieren, Daten scoren). Der Use Case ist das Produktergebnis — was der Nutzer erhält (z. B. DeFi-Copilot, Portfolio-Tracker, Risikowarnungen). Ein Projekt kann dieselbe AI component, aber unterschiedliche Use Cases haben — oder denselben Use Case, angetrieben von völlig unterschiedlichen AI components. In DecAIHub-Projektkarten sind dies bewusst getrennte Felder, damit Leser die Technologie und das Produkt unabhängig bewerten können. Siehe AI component vs. Use Case für einen detaillierten Vergleich.

Kann ein Projekt KI ohne eine AI component haben?

Nein — in der DecAIHub-Terminologie hat ein Projekt, das KI hat, eine AI component. Die Frage ist, ob diese Komponente überprüfbar ist. Ein Projekt nutzt intern womöglich tatsächlich KI, liefert aber keine öffentliche Evidenz: keinen Code, keine Dokumentation, keine Benchmarks, keine Demos. In diesem Fall lautet das Feld AI component unknown und der ai_score bleibt 0. Das bedeutet nicht, dass die KI abwesend ist — es bedeutet, dass Evidenz abwesend ist. Die Karte wird aktualisiert, wenn Evidenz auftaucht.

Was bedeutet „positioning only“?

Es bedeutet, dass das Projekt KI-Sprache in seinem Marketing, Branding oder seiner Positionierung verwendet — aber keine Tier-1- oder Tier-2-Evidenz einer funktionierenden AI component gefunden wurde. Das Wort „AI“ mag im Projektnamen, im Website-Slogan oder im Pitch-Deck erscheinen, doch es gibt kein Code-Repository, keine Modelldokumentation, keine Demo und keine technische Beschreibung dessen, was die KI tatsächlich tut. „Positioning only“ ist eine sachliche Beobachtung, kein Urteil. Manche Projekte in diesem Zustand sind womöglich vor dem Launch und haben KI-Komponenten in Entwicklung; andere bauen vielleicht nie eine.

Bedeutet ein höherer ai_score ein besseres Projekt?

Nein. Der ai_score misst die Überprüfbarkeit der AI component, nicht die Qualität des Produkts oder die Nützlichkeit der Technologie. Ein Projekt mit ai_score = 3 hat starke Evidenz, dass seine KI echt und dokumentiert ist. Ein Projekt mit ai_score = 1 hat begrenzte Evidenz. Keine der Punktzahlen sagt etwas darüber aus, ob das Produkt ein echtes Problem löst, ob Nutzer es brauchen oder ob das Token-Modell sinnvoll ist. DecAI Fit kombiniert vier Dimensionen — AI reality, Onchain necessity, Token necessity und Evidenz —, um ein vollständigeres Bild zu geben.

Externe Referenzen

Siehe auch

No comments to display

Back to top