Skip to main content

Wie man erkennt, ob ein Projekt wirklich KI hat

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

Wie man erkennt, ob ein Projekt wirklich KI hat

Du betrachtest ein Krypto-Projekt, das behauptet, KI zu nutzen. Die Website sagt „AI-powered“. Das Pitch-Deck erwähnt neuronale Netze. Der Token-Name hat „AI“ im Namen. Aber woher weißt du, ob hinter diesen Behauptungen eine echte, funktionierende KI-Komponente steckt — oder ob „AI“ nur ein Marketing-Label ist?

Das ist die zentrale Frage, zu deren Beantwortung DecAIHub geschaffen wurde. Der Unterschied zwischen echter KI und AI-washing ist von der Oberfläche aus nicht sichtbar. Marketing-Teams wissen, dass „AI“ eines der mächtigsten Schlagworte in Krypto ist, und viele Projekte verwenden es unabhängig davon, was die Technologie tatsächlich leistet. Echte Innovation steht Seite an Seite mit leeren Behauptungen, und ohne eine strukturierte Methode kostet es Stunden unabhängiger Recherche pro Projekt, sie auseinanderzuhalten. Dieser Leitfaden gibt dir ein praktisches Werkzeug an die Hand, das funktioniert, egal ob du ein Neuling bist, der dem Hype entgehen will, oder ein erfahrener Teilnehmer, der ein schnelles Screening-Framework braucht.

Kurz gesagt: Prüfe das Feld AI component auf Konkretheit, sieh dir den ai_score für ein quantifiziertes Urteil an, prüfe die Evidenzstufe, vergleiche Behauptungen mit überprüfbaren Artefakten, wende den Fünf-Fragen-Test an und achte auf Warnsignale, die auf AI-washing hindeuten.

Der Fünf-Fragen-Test

Bevor du eine vollständige Kartenprüfung beginnst, führe eine schnelle Diagnose durch. Jede Frage zielt auf eine bestimmte Ebene der KI-Verifizierung ab.

# Frage Starke Antwort Schwache Antwort
1 Was genau macht die KI? Benennt Modelltyp, Aufgabe und Mechanismus „Wir nutzen KI, um alles zu optimieren“
2 Wo kann ich sie in Aktion sehen? Live-Demo, öffentliche API, aufgezeichnete Ausgaben „Kommt bald“ oder private Beta ohne Artefakte
3 Wo ist der Code oder das Modell? Öffentliches Repo mit Trainings-/Inferenzcode, Model Card Leeres Repo, Fork eines Tutorials, nichts öffentlich
4 Wie messt ihr die Qualität? Benannter Benchmark, Datensatz, Version, Datum „Beste Genauigkeit der Branche“ oder keine Metriken
5 Was passiert, wenn man die KI entfernt? „Das Produkt kann ohne sie nicht funktionieren“ „Es funktioniert trotzdem, nur weniger schlau“

Die Fragen 1–2 testen Konkretheit und Existenz: Kann das Projekt seine KI beschreiben und vorführen? Die Fragen 3–4 testen Überprüfbarkeit und Strenge: Kann ein Außenstehender die Evidenz prüfen? Frage 5 testet Zentralität: Ist KI architektonisch wesentlich oder nur kosmetisch?

Ein Projekt mit starken Antworten auf alle fünf hat wahrscheinlich einen hohen ai_score. Drei oder mehr schwache Antworten rechtfertigen genaue Prüfung.

Schritt-für-Schritt-Verifizierungsleitfaden

Schritt 1: Prüfe das Feld AI component

Das Feld AI component im Projekt-Pass beschreibt die spezifische KI-Technologie innerhalb des Projekts. Es ist der mit Abstand schnellste Indikator für Substanz.

Konkrete Werte wie inference engine for LLM routing oder AI agent platform (workflows/tools/KB) sagen dir, was die KI tatsächlich tut. Spezielle Werte signalisieren Lücken: positioning only bedeutet, dass KI im Marketing auftaucht, aber keine funktionierende Komponente bestätigt wurde; none oder unknown bedeutet, dass aus verfügbaren Quellen keine KI erkannt wurde. Dies sind keine dauerhaften Urteile; sie spiegeln die zum Prüfzeitpunkt verfügbare Evidenz wider. Siehe Warum fehlende Evidenz nicht das Fehlen von Technologie bedeutet.

Schritt 2: Prüfe den ai_score

Der ai_score (0–3) quantifiziert, wie viel überprüfbare Evidenz für die KI-Behauptungen eines Projekts existiert. Er ist Teil der DecAI Fit-Metrik und wird als min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) berechnet — fünf binäre Flags, gedeckelt bei 3.

ai_score Bedeutung
0 Keine verifizierte KI-Präsenz. DecAI Fit wird auf null gesetzt.
1 Eine Tier-1-Absichtserklärung existiert, aber keine funktionierende KI verifiziert.
2 Teilweise Evidenz: Die KI ist beschrieben und es existieren einige Artefakte oder Demos.
3 Starke Evidenz: öffentlicher Code, Benchmarks, Architektur-Dokumentation, funktionierende Demos.

Wenn ai_score = 0, ist die KI-Behauptung derzeit unbelegt. Dies ist kein Vorwurf gegen das Projekt, aber keine Tier-1-Quelle bestätigt die Behauptung.

Schritt 3: Suche nach Tier-1-Evidenz

Tier-1-Evidenz besteht aus Artefakten, die der tatsächlichen Realität des Projekts am nächsten sind:

  • Öffentliche Code-Repositories mit KI-bezogenem Code: Modelldefinitionen, Trainingsskripte, Inferenz-Pipelines, nicht nur eine README.
  • Technische Dokumentation, die Modellarchitektur, Datenpipeline oder Systemdesign mit Versionen und Daten beschreibt.
  • Modell-Artefakte wie veröffentlichte Gewichte, Model Cards oder Einträge auf Hugging Face.
  • Benchmarks mit Methodik, Vergleichs-Baselines, Datensatzspezifikation und Versionsinformationen.
  • Funktionierende Demos, bei denen die KI-Komponente beobachtbare, testbare Ausgaben erzeugt.

Tier-2 (Aggregator-Beschreibungen, Interviews) liefert nützlichen Kontext, sollte aber nicht die alleinige Grundlage für die Bestätigung von KI sein. Tier-3 (Influencer-Posts, PR-Artikel, Gerüchte) hat minimales Gewicht.

Schritt 4: Gleiche Behauptungen mit Artefakten ab

Vergleiche, was das Projekt sagt, mit dem, was unabhängig verifiziert werden kann. Ein Projekt, das ein „proprietäres neuronales Netz für Echtzeit-Vorhersagen“ behauptet, sollte Code, Dokumentation oder zumindest eine Demo haben, die diese Fähigkeit zeigt. Wenn die Marketing-Sprache ehrgeizig ist, die überprüfbaren Artefakte aber dünn, ist die Lücke selbst ein Signal.

Häufige Warnsignale

Bestimmte Muster deuten darauf hin, dass KI-Behauptungen möglicherweise nicht echt sind. Keines davon ist für sich genommen ein Vorwurf gegen das Projekt, aber jedes rechtfertigt eine tiefere Untersuchung.

  • Nur-Marketing-KI. „AI“ im Namen und im Pitch-Deck, aber nirgends eine beschriebene Architektur, ein Modellname oder eine Datenpipeline. Dies ist die häufigste Form von AI-washing.
  • Leeres oder unzusammenhängendes Repository. Ein GitHub-Link existiert, enthält aber keinen KI-bezogenen Code, keine Releases oder Code, der nichts mit der behaupteten Komponente zu tun hat.
  • Metriken ohne Methodik. Behauptungen wie „99 % Genauigkeit“ ohne Angabe von Benchmark, Datensatz, Evaluierungsmethode oder Version.
  • Reiner API-Wrapper. Die gesamte „KI“ ist ein Aufruf an eine Drittanbieter-API ohne proprietäre Logik, Fine-Tuning oder domänenspezifische Verarbeitung darüber.
  • KI-Branding nach dem Launch. „AI“ wurde dem Projektnamen nach dem Token-Launch hinzugefügt, ohne entsprechende technische Änderungen.
  • Keine Versionierung oder Zeitleiste. KI-bezogenen Behauptungen fehlen Daten, Versionsnummern oder eine nachvollziehbare Entwicklungshistorie.
  • Zirkuläre Evidenz. Das Projekt zitiert sein eigenes Marketingmaterial als Beleg oder verweist auf Artikel, die nur die Pressemitteilung des Projekts wiederholen.
  • Ewige Roadmap. KI-Funktionen sind stets „kommt bald“ ohne ausgelieferte Meilensteine oder öffentliche Artefakte trotz monatelanger Existenz.
  • Nicht passende Komplexität. Das Projekt behauptet fortgeschrittene Fähigkeiten (verifizierbare Inferenz, föderiertes Lernen), aber Team und Codebasis passen nicht zu dieser Komplexität.

Häufige positive Signale

Echte KI-Projekte teilen erkennbare Merkmale. Je mehr davon ein Projekt aufweist, desto wahrscheinlicher sind seine KI-Behauptungen substanziell.

  • Spezifische, testbare Behauptungen. Das Projekt benennt Modellarchitektur, Trainingsansatz und Datenquellen mit genug Detail, damit ein technischer Prüfer sie bewerten kann.
  • Aktiver, relevanter Code. Ein öffentliches Repository mit Modelltrainings- oder Inferenzcode, aussagekräftiger Commit-Historie, Tests und jüngster Aktivität.
  • Reproduzierbare Metriken. Leistungsergebnisse enthalten Benchmark-Name, Datensatz, Methodik, Version und Datum.
  • Architektur-Dokumentation. Technische Dokumente enthalten Systemdesign, Datenfluss und versionierte Autorenschaft, die sich über die Zeit weiterentwickelt.
  • Funktionierende, testbare Demos. Eine Live-Anwendung oder öffentliche API, die KI-Ausgaben erzeugt, die jeder unabhängig testen kann.
  • Team mit überprüfbarem KI/ML-Hintergrund. Veröffentlichte Arbeiten, Open-Source-Beiträge oder eine überprüfbare berufliche Historie.
  • Model Cards oder Data Sheets. Das Projekt folgt etablierten Praktiken zur Dokumentation von Modellen: vorgesehene Nutzung, Einschränkungen, Trainingsdaten, Evaluierungsergebnisse.

Muster aus der Praxis

Um Intuition aufzubauen, betrachte diese gegensätzlichen Archetypen. Es werden keine konkreten Projekte genannt; das Ziel ist, strukturelle Unterschiede zu erkennen.

Muster A: Echte KI mit starker Evidenz. Aktives Repository mit Modelltrainingscode, Evaluierungsskripten und dokumentierter Inferenz-Pipeline. Benchmarks mit Methodik veröffentlicht. Live-Demo, die beobachtbare KI-Ausgaben erzeugt. Der ai_score ist 3.

Muster B: KI im Frühstadium mit teilweiser Evidenz. Offizielle Dokumentation beschreibt, was die KI leisten wird, mit einer Roadmap inklusive KI-Meilensteinen. Ein Prototyp existiert, ist aber nicht öffentlich zugänglich. Noch keine Benchmarks. Der ai_score ist 1–2. Das ist kein AI-washing; es ist ein Projekt im Frühstadium, in dem sich Evidenz noch nicht materialisiert hat.

Muster C: AI-washing ohne Substanz. „AI“ prominent im Branding. Pitch-Deck erwähnt „proprietäre neuronale Netze“. Keine technische Dokumentation außer Marketing. Kein Repo, keine Demos, Benchmarks oder Modell-Artefakte. Der ai_score ist 0.

Muster D: API-Wrapper, der als proprietäre KI präsentiert wird. Die KI-Komponente besteht vollständig aus Aufrufen eines Drittanbieters. Kein Fine-Tuning, keine eigene Pipeline, keine domänenspezifische Verarbeitung. Dies ist kein Vorwurf gegen das Projekt, aber es als „proprietäre KI“ zu bezeichnen, stellt die technische Realität falsch dar. Siehe Automatisierung vs. echte AI component.

Wie DecAIHub dies löst

DecAIHub existiert, weil die Beantwortung der Frage „Ist diese KI echt?“ nicht Stunden unabhängiger Recherche pro Projekt erfordern sollte. Die Plattform nutzt ein strukturiertes Framework, um echte KI von AI-washing zu trennen.

DecAI Fit

DecAI Fit ist ein zusammengesetzter Index (0–6), der misst, wie gut ein Projekt mit den Prinzipien von Decentralized AI übereinstimmt. Er kombiniert vier Dimensionen: AI reality, Onchain necessity, Token necessity und Evidenz.

Die entscheidende Regel: Wenn ai_score = 0, dann DecAI Fit = 0, unabhängig von den anderen Dimensionen. Keine verifizierte KI bedeutet, dass das Projekt die Schwelle für die Einstufung als Decentralized AI nicht erreicht. Diese eine Regel eliminiert die häufigste Form von AI-washing aus dem Bewertungssystem.

AI reality-Flags (AI_0 bis AI_4)

AI reality wird aus fünf binären Flags gebildet, von denen jedes eine zunehmend tiefere Verifizierungsebene erfasst:

Flag Was es prüft Beispiel für Evidenz
AI_0 Tier-1-Erklärung der KI-Absicht Roadmap oder offizielle Dokumentation, die KI-Pläne erwähnt
AI_1 Beschreibung, was die KI tut Technische Dokumentation, die die Funktion des Modells erklärt
AI_2 Funktionierende Demos oder Beispiele Öffentliche Demo, Live-API, aufgezeichnete Ausgaben
AI_3 Metriken und Benchmarks Veröffentlichter F1-Score auf einem benannten Datensatz mit Version
AI_4 Architektur und Modellversionen Architekturdiagramme, Model Cards, Versionshistorie

Alle fünf Flags auf 1 gesetzt bedeuten starke, mehrschichtige Evidenz für echte KI. Nur AI_0 = 1 bedeutet eine erklärte Absicht ohne bisher Überprüfbares.

Das Evidenzsystem Tier-1, Tier-2, Tier-3

Jede Behauptung in einer Projektkarte ist in klassifizierten Quellen verankert:

  • Tier-1 (Evidenz): Code, Verträge, offizielle Dokumentation, Audits, On-Chain-Fakten. Höchstes Gewicht.
  • Tier-2 (Kontext): Aggregator-Beschreibungen, Ökosystem-Kataloge, Analytics-Dashboards, Interviews. Nützlich zum Gegenprüfen, als alleiniger Beleg unzureichend.
  • Tier-3 (Rauschen): Influencer-Posts, PR-Artikel, Gerüchte, unbelegte Behauptungen. Existieren nur Tier-3-Quellen, ist DecAI Fit bei 2 gedeckelt.

Diese Hierarchie stellt sicher, dass Marketingmaterial allein die Bewertung eines Projekts nicht anheben kann.

Erkennung von AI-washing

DecAIHub vergibt keine anklagenden oder rechtfertigenden Etiketten an Projekte. Stattdessen misst es die Lücke zwischen Behauptungen und Evidenz. Wenn Marketing-Behauptungen die überprüfbaren Artefakte deutlich übersteigen, wird diese Lücke in der Karte sichtbar: ein kühner KI-Use-Case kombiniert mit positioning only oder ai_score = 0 ist ein messbares, objektives Signal. Der Leser zieht seine eigenen Schlüsse.

Schnelle Verifizierungs-Checkliste

Prüfung Wo nachsehen Was zu erwarten ist
Konkretheit der AI component Feld AI component Konkreter Mechanismus, keine Schlagworte
AI-Score ai_score in DecAI Fit Über 0 für jede verifizierte KI
Evidenzstufe Evidenz-Tabelle Tier-1-Artefakte für starke Behauptungen
Existenz von Code Verlinkte Repositories KI-bezogener Code mit Commit-Historie
Qualität der Metriken Dokumentation, Benchmarks Methodik, Datensatz, Version, Datum
Verfügbarkeit von Demos Produktlinks, öffentliche APIs Beobachtbare KI-Ausgaben
KI-Expertise des Teams Team-Bereich, veröffentlichte Arbeiten Überprüfbarer ML/KI-Hintergrund
Versionierung Dokumentation, Changelog Daten, Versionsnummern, Historie

Was Verifizierung allein nicht beweist

Selbst gründliche Verifizierung hat Grenzen:

  • Ein hoher ai_score bedeutet nicht, dass die KI gut ist. Er bedeutet, dass überprüfbare Artefakte existieren. Qualität ist eine separate Frage.
  • Ein hoher ai_score bedeutet nicht, dass das Projekt Erfolg haben wird. Technologischer Wert und Tragfähigkeit sind unterschiedliche Dimensionen.
  • Ein niedriger ai_score ist kein Vorwurf gegen das Projekt. Manche Projekte haben echte Technologie, aber schlechte Dokumentation oder ein geschlossenes Entwicklungsmodell.
  • Verifizierung spiegelt einen Zeitpunkt wider. Bewertungen sind datiert (Last verified) und werden aktualisiert, wenn neue Evidenz auftaucht.
  • KI-Verifizierung bewertet nicht das Geschäftsmodell, die Teamqualität oder die Marktpassung. Diese sind relevant, liegen aber außerhalb des Umfangs der AI-reality-Bewertung.

Häufig gestellte Fragen

Wie schnell kann ich verifizieren, ob ein Krypto-Projekt echte KI hat?

Eine grundlegende Prüfung dauert mit der Projektkarte auf DecAIHub unter fünf Minuten. Sieh dir das Feld AI component, den ai_score und die Evidenzstufe an. Wenn das Feld AI component positioning only sagt und ai_score = 0, hast du bereits ein starkes Signal. Eine tiefere Prüfung mit dem Fünf-Fragen-Test und Repository-Review dauert 15–30 Minuten.

Was, wenn ein Projekt KI-Code auf GitHub hat, aber kein funktionierendes Produkt?

Code ist ein positives Signal, aber er braucht Kontext. Wird er aktiv gepflegt? Bezieht er sich auf das behauptete Produkt? Ein Repository mit Trainingsskripten, das seit zwei Jahren nicht aktualisiert wurde oder ohne Bezug zur angegebenen Funktionalität des Projekts erscheint, ist schwächere Evidenz als eine aktive, gut dokumentierte Codebasis mit CI/CD und jüngsten Commits.

Beweist eine Demo, dass die KI echt ist?

Eine Demo ist starke Evidenz (sie setzt das AI_2-Flag), aber nicht endgültig. Sie könnte im Hintergrund eine Drittanbieter-API nutzen oder einen engen Prototyp zeigen. Die stärkste Verifizierung kombiniert eine Demo mit Code, Dokumentation und Metriken: mehrere unabhängige Ebenen, die eine konsistente Geschichte erzählen.

Kann ein Projekt bei DecAI Fit gut abschneiden, ohne Open-Source-Code?

Ja. Open-Source-Code ist die stärkste Tier-1-Evidenz, aber nicht die einzige Art. Ein Projekt kann durch detaillierte technische Dokumentation, veröffentlichte Benchmarks, funktionierende Demos und Modell-Artefakte einen aussagekräftigen ai_score erreichen. Ohne jegliche Tier-1-Evidenz begrenzen Governance-Deckelungen jedoch die maximale Punktzahl.

Was ist die häufigste Form von AI-washing in Krypto?

Das häufigste Muster ist Nur-Marketing-KI: „AI“ im Namen und in den Materialien, aber keine technische Beschreibung, kein Code, keine Demos oder Metriken. Das zweithäufigste ist der API-Wrapper: ein Aufruf an einen Drittanbieter-KI-Dienst, der ohne Fine-Tuning oder domänenspezifische Logik als proprietäre Technologie präsentiert wird.

Ist es möglich, dass ein Projekt echte KI hat, aber einen niedrigen DecAI Fit?

Ja. DecAI Fit misst überprüfbare Evidenz, nicht den tatsächlichen Stand der Technologie hinter verschlossenen Türen. Ein Projekt mit ausgefeilter KI, das nichts veröffentlicht, erhält eine niedrige Punktzahl, weil es nichts zu verifizieren gibt. DecAI Fit belohnt Transparenz von Grund auf. Wenn ein solches Projekt später Artefakte veröffentlicht, wird die Punktzahl aktualisiert.

Siehe auch

Externe Referenzen

No comments to display

Back to top