InfoFi-Marktdesign-Primitive: Die technische Architektur, die Informationen in Kapital verwandelt
Wenn Sie Ihre Meinung auf X (Twitter) posten, kostet es Sie nichts, falsch zu liegen. Wenn Sie 10.000 . Dieser eine Unterschied – die Kosten des Irrtums – ist das grundlegende Primitiv hinter einem aufstrebenden 381-Millionen-Dollar-Sektor, der im Stillen neu verdrahtet, wie die Menschheit Wahrheit bewertet.
Information Finance (InfoFi) ist Vitalik Buterins Begriff für „eine Disziplin, bei der man von einer Tatsache ausgeht, die man wissen möchte, und dann bewusst einen Markt entwirft, um diese Information optimal von den Marktteilnehmern zu entlocken.“ Im Gegensatz zum traditionellen Finanzwesen, das Vermögenswerte bewertet, bewertet InfoFi Erwartungen – und transformiert epistemische Unsicherheit in handelbare Signale. Der Sektor umfasst mittlerweile Prognosemärkte, die jährlich 40 Milliarden an Content-Ersteller verteilen, und Glaubwürdigkeitsnetzwerke, die 33 Millionen verifizierte Nutzer sichern.
Doch hinter den Marketing-Narrativen basiert jedes InfoFi-System auf fünf technischen Primitiven, die entscheiden, ob Informationen genau bewertet oder im Rauschen untergehen. Das Verständnis dieser Primitive ist der Unterschied zwischen dem Aufbau eines robusten Informationsmarktes und einer teuren Spam-Maschine.
Primitiv 1: Kostenpflichtige Signalübermittlung
Die zentrale Erkenntnis von InfoFi ist täuschend einfach: Meinungen sind billig, Verpflichtungen sind teuer. Jedes gut gestaltete InfoFi-System zwingt die Teilnehmer, reale Kosten zu tragen, wenn sie Informationen einreichen, wodurch die Reibung entsteht, die das Signal vom Rauschen trennt.
In Prognosemärkten geschieht dies in Form von Kapital, das auf Überzeugungen gesetzt wird. Polymarket verarbeitete im Jahr 2025 95 Millionen Trades und erreichte ein jährliches Volumen von 21,5 Milliarden $. Die Plattform migrierte von Automated Market Makern zu einem Central Limit Order Book (CLOB) – demselben Mechanismus, der von institutionellen Börsen verwendet wird – mit Off-Chain-Order-Matching und On-Chain-Settlement über Smart Contracts auf Polygon. Jeder Trade ist eine kostenpflichtige Verpflichtung: Teilnehmer verlieren Geld, wenn sie falsch liegen, was einen unerbittlichen Anreizdruck zur genauen Wahrscheinlichkeitseinschätzung erzeugt.
Ethos Network, das im Januar 2025 auf Base startete, wendet dieses Primitiv auf die soziale Reputation an. Wenn Sie die Vertrauenswürdigkeit eines anderen Nutzers bestätigen, staken Sie ETH. Diese ETH sind gefährdet, wenn sich die von Ihnen bestätigte Person schlecht verhält. Das Ergebnis: Reputationsbestätigungen enthalten reale Informationen, gerade weil sie teuer in der Erteilung sind.
Das Intuition Protocol verfolgt den explizitesten Ansatz und startete sein Mainnet im Oktober 2025 mit 8,5 Millionen $ Unterstützung von Superscrypt, Shima, F-Prime (der Venture-Arm von Fidelity), ConsenSys und Polygon. Seine Architektur behandelt Informationen als Asset-Klasse:
- Atome: Kanonische Identifikatoren für jede diskrete Behauptung (eine Identität, ein Konzept oder ein Informationsteil)
- Tripel: Subjekt-Prädikat-Objekt-Aussagen – z. B. „Protokoll X hat Schwachstelle Y“ oder „Alice ist vertrauenswürdig“
Auf beide kann über Bonding Curves gesetzt werden. Das Erstellen von qualitativ minderwertigen Atomen kostet Sie Token; das Kuratieren von qualitativ hochwertigen bringt Gebühren ein.
Der gemeinsame Nenner: Fehlerkosten erzeugen einen Rauschfilter. Beiläufige Behauptungen mit geringem Vertrauen werden durch die Reibung der Verpflichtung unterdrückt.
Primitiv 2: Proper Scoring Rules und Anreizkompatibilität
Kostenpflichtigkeit allein reicht nicht aus – die Struktur der Auszahlung muss sicherstellen, dass die wahrheitsgemäße Berichterstattung die optimale Strategie ist. Dies ist die mathematische Domäne der Proper Scoring Rules: Mechanismen, bei denen ein Teilnehmer seine erwartete Belohnung maximiert, indem er seine wahren Überzeugungen meldet.
Die Logarithmic Market Scoring Rule (LMSR), erfunden vom Ökonomen Robin Hanson, war der grundlegende Mechanismus für frühe Prognosemärkte. Ihre Kostenfunktion – C(q) = b × ln(Σ exp(qᵢ/b)) – löst das Bootstrapping-Problem, indem sie sicherstellt, dass der Automated Market Maker immer über Liquidität verfügt, noch bevor Trader eintreffen. Der Parameter b steuert den Kompromiss zwischen Liquiditätstiefe und dem maximalen potenziellen Verlust des Market Makers. Historische Trades sind im aktuellen Preis eingebettet und bieten eine natürliche Dämpfung gegen Noise Trader.
Die Einschränkung von LMSR ist die Kapitalineffizienz: Es bietet die gleiche Liquiditätstiefe unabhängig davon, wo die Preise liegen, und verschwendet Kapital in der Nähe extremer Wahrscheinlichkeitswerte (wie bei einem Markt mit 95 % Konfidenz). Ein Paper von Paradigm vom November 2024 führte einen prognosemarktspezifischen AMM (pm-AMM) ein, der Ergebnispreise so behandelt, als würden sie einer Brownschen Bewegung folgen – demselben mathematischen Rahmen, der der Black-Scholes-Optionspreisgestaltung zugrunde liegt – und die Liquiditätstiefe im Laufe der Zeit dynamisch anpasst, um konstante Loss-Versus-Rebalancing-Raten für Liquiditätsanbieter aufrechtzuerhalten.
Dieselbe mathematische Eigenschaft – Anreizkompatibilität – taucht in nicht-finanziellen Systemen auf. Der Vouching-Mechanismus von Ethos Network ist anreizkompatibel: Wenn Sie ETH staken, um jemanden zu bestätigen, der später Nutzer betrügt, ist Ihr ETH gefährdet. Die optimale Strategie besteht darin, nur Personen zu bestätigen, von denen Sie wirklich glauben, dass sie vertrauenswürdig sind. Die Token Curated Registries von Intuition funktionieren ähnlich: Staker profitieren, wenn ihre kuratierten Informationen als qualitativ hochwertig beurteilt werden, und verlieren Token, wenn sie minderwertig sind.
Primitive 3: Graph-basierte Vertrauensweitergabe
Statische Reputations-Scores sind manipulierbar. Wenn ein Score aus einfachen Zählungen (Follower, Rezensionen, Transaktionen) berechnet wird, kann ein finanzstarker Angreifer die Inputs schlichtweg kaufen. Die Lösung ist die graph-basierte Vertrauensweitergabe: Vertrauen wird nicht absolut zugewiesen, sondern pflanzt sich über den sozialen Graphen fort, wodurch Kontext und Beziehungen zentral für die Score-Berechnung werden.
EigenTrust, ursprünglich entwickelt, um bösartige Knoten in Peer-to-Peer-Netzwerken zu identifizieren, ist der führende Algorithmus für diesen Zweck. OpenRank (von Karma3 Labs, unterstützt von Galaxy und IDEO CoLab) wendet EigenTrust auf die Social-Graph-Daten von Farcaster und Lens Protocol an. Anstatt ein „Follow“ von einem neuen Account und ein „Follow“ von einem hochgradig vertrauenswürdigen Account als gleichwertig zu behandeln, gewichtet EigenTrust Interaktionen nach der Reputation des Akteurs. Der Algorithmus konvergiert zu einer stabilen Vertrauenszuweisung, bei der Ihre Reputation davon abhängt, wer Ihnen vertraut und wie sehr diesen Personen selbst vertraut wird.
Das Ergebnis ist ein personalisierter Vertrauensgraph — Ihre Reputation im Verhältnis zu einer bestimmten Community spiegelt die spezifischen sozialen Verbindungen innerhalb dieser Community wider. OpenRank nutzt dies, um die „For You“-Feeds von Farcaster, Kanal-Rankings und Frame-Personalisierungen zu steuern. Ein Nutzer, der tief in der DeFi-Community verwurzelt ist, erhält für verschiedene Kontexte andere Reputations-Scores als ein Nutzer, der in der NFT-Kunst-Community eingebettet ist.
Das YAP-Scoring-System von Kaito wendet dieselbe Logik auf Aufmerksamkeitsmärkte an. Engagement von einem Account mit hohem YAP (hohe Reputation) ist exponentiell mehr wert als das Engagement eines Accounts mit niedrigem YAP. Dies ist PageRank angewandt auf soziales Kapital: Links von Knoten mit hoher Autorität übertragen mehr Autorität als Links von Knoten mit geringer Autorität. Kaito verarbeitet dies über etwa 200.000 monatlich aktive Creator hinweg und berechnet den Mindshare — den Prozentsatz der gesamten Krypto-Twitter-Aufmerksamkeit, den ein bestimmtes Projekt auf sich zieht — mittels gewichteter Social-Graph-Traversierung.
Ethos geht bei der Graph-Weitergabe mit seinem System, das nur auf Einladungen basiert, noch weiter. Der Wert Ihres Accounts hängt nicht nur davon ab, wer für Sie gebürgt hat, sondern von der gesamten Kette, wer wen eingeladen hat. Ein neuer Account, der von einem gut vernetzten Ethos-Mitglied eingeladen wurde, erbt einen Teil der Glaubwürdigkeit dieses Mitglieds — eine strukturelle Durchsetzung des Prinzips „Vertrauen durch vertrauenswürdige Personen“.
Primitive 4: Mehrschichtige Sybil-Resistenz
Sybil-Angriffe — das Überfluten eines Systems mit gefälschten Identitäten, um Scores zu manipulieren, Belohnungen abzugreifen oder Märkte zu verzerren — sind die existenzielle Bedrohung für jedes InfoFi-Primitiv. Wenn gefälschte Identitäten billig zu erstellen sind, können kostenpflichtige Signale mit koordinierten Bots manipuliert, Reputations-Graphen künstlich aufgebläht und die Auflösungen von Prognosemärkten beeinflusst werden.
Der InfoFi-Sektor hat sich auf einen mehrschichtigen Verteidigungs-Stack geeinigt:
Ebene 0 — Biometrische Verifizierung: World (ehemals Worldcoin) verwendet Iris-Scanner-Orbs, um World-IDs auf der Worldchain auszustellen. Zero-Knowledge-Proofs ermöglichen es Nutzern, ihre Menschlichkeit zu beweisen, ohne preiszugeben, welche Iris gescannt wurde, was ein anwendungsübergreifendes Tracking verhindert. Mit 7.500 Orbs, die bis 2025 in den USA im Einsatz sein sollen, strebt diese Ebene 200 Millionen Proof-of-Humanity-Verifizierungen an.
Ebene 1 — Einladungs- und Social-Graph-Beschränkungen: Ethos (nur auf Einladung), Farcaster (Telefonverifizierung) und Lens Protocol (Wallet-beschränkte Profilerstellung) erlegen der Identitätserstellung strukturelle Reibung auf. Gefälschte Identitäten benötigen echte soziale Verbindungen, um zu starten.
Ebene 2 — Stake-gewichtetes Vertrauen: EigenTrust-basierte Systeme gewichten Vertrauen nach Stake oder etablierter Reputation. Koordinationsangriffe erfordern das Sammeln von echtem Vertrauen bestehender Mitglieder — was teuer zu fälschen ist.
Ebene 3 — Verhaltensanalyse: Der Algorithmus von Kaito wurde 2025 nach Kritik aktualisiert, dass er KOL-Content-Farming (Key Opinion Leader) gegenüber echten Analysen belohnte. Die Updates führten KI-Filter ein, die gekaufte Follower, bot-ähnliche Posting-Muster und Inhalte erkennen, die Rankings erwähnen, ohne Erkenntnisse zu liefern. Antworten zählen nicht mehr für die Leaderboard-Rankings; Posts, die nur Belohnungen diskutieren, ohne Informationen hinzuzufügen, werden von den Mindshare-Berechnungen ausgeschlossen.
Ebene 4 — ZK-Credential-Aggregation: Human Passport (ehemals Gitcoin Passport, 2025 von der Holonym Foundation übernommen) aggregiert Credentials aus mehreren Quellen — soziale Verifizierung, On-Chain-Historie, Biometrie — zu einem einzigen Sybil-Resistenz-Score unter Verwendung von Zero-Knowledge-Proofs. Mit 2 Millionen Nutzern und 34 Millionen ausgestellten Credentials ermöglicht es Anwendungen, einen Mindest-Sybil-Resistenz-Score zu verlangen, ohne zu erfahren, welche spezifischen Verifizierungen ein Nutzer besitzt.
Galxe kombiniert diese Ebenen in großem Stil: 33 Millionen Nutzer von über 7.000 Marken besitzen durch ZK-Proofs verifizierte Credentials, wobei der Galxe-Score On-Chain-Aktivitäten über Ethereum, Solana, TON, Sui und andere Chains hinweg in einer mehrdimensionalen Reputationsmetrik zusammenfasst.
Primitive 5: Kontinuierliche Preisgestaltung über Bonding Curves
Binäre Scores („vertrauenswürdig“ oder „nicht vertrauenswürdig“, „verifiziert“ oder „unverifiziert“) sind für Informationsmärkte unzureichend, da sie den Grad an Vertrauen, Reputation oder Aufmerksamkeit nicht darstellen können. InfoFi-Systeme nutzen Bonding Curves — kontinuierliche mathematische Funktionen, die den Preis basierend auf der nachgefragten Menge bestimmen —, um Märkte zu schaffen, die Informationen auf einem Spektrum bepreisen.
Die Kostenfunktion von LMSR ist eine Bonding Curve für Anteile an Prognosemärkten: Je mehr Anteile eines bestimmten Ergebnisses gekauft werden, desto mehr steigt deren Preis kontinuierlich an. Dies macht den Marktpreis zu einem Echtzeit-Indikator für die kollektive Zuversicht.
Die Reputationsmarkt-Ebene von Ethos erstellt Bonding Curves für individuelle Glaubwürdigkeit: „Trust-Tickets“ und „Distrust-Tickets“, die mit spezifischen Nutzerprofilen verknüpft sind, werden kontinuierlich basierend auf der Nachfrage bepreist. Wenn die Community glaubt, dass die Vertrauenswürdigkeit eines Nutzers zunimmt, steigen die Preise für Trust-Tickets. Dies transformiert die Reputationsbewertung von einem statischen Badge in einen lebendigen Markt mit kontinuierlicher Preisfindung.
Cookie.fun führte das Price-to-Mindshare (P/M)-Verhältnis als kontinuierliche Bewertungskennzahl für KI-Agenten ein: Marktkapitalisierung geteilt durch den Mindshare-Prozentsatz, analog zum Kurs-Gewinn-Verhältnis an Aktienmärkten. Ein niedriges P/M impliziert eine unterbewertete Aufmerksamkeit im Verhältnis zur Marktkapitalisierung; ein hohes P/M impliziert das Gegenteil. Dies ist das InfoFi-Äquivalent zur Fundamentalanalyse — die Übersetzung von Aufmerksamkeitsmetriken in kontinuierliche Investitionssignale.
Die Vault-Architektur von Intuition nutzt Bonding Curves, um zu bestimmen, wie sich Staking auf die Glaubwürdigkeit und den Relevanz-Score jedes Atoms und Triples auswirkt. Staking in einen Vault, der genaue, häufig zitierte Informationen enthält, ist profitabel; Staking in einen Vault mit qualitativ minderwertigen Informationen führt zu Verlusten, wenn andere den Vault verlassen. Der kontinuierliche Preismechanismus richtet die Anreize der Kuratoren im Laufe der Zeit an der Informationsqualität aus.
Die Architektur , die Wahrheit bepreist
Diese fünf Primitiven sind keine unabhängigen Systeme — sie fügen sich zu einer einheitlichen Architektur zusammen . Kostentragende Signale sind nur dann wertvoll , wenn sie als korrekte Bewertungsregeln ( Proper Scoring Rules ) strukturiert sind ( damit eine wahrheitsgetreue Berichterstattung optimal ist ) , über Graphenpropagation aggregiert werden ( damit der Kontext den Wert beeinflusst ) , durch Sybil-Resistenz verteidigt werden ( damit gefälschte Signale teuer sind ) und über eine kontinuierliche Preisgestaltung ausgedrückt werden ( damit Vertrauensgrade erfasst werden ) .
Das jährliche Volumen von 40 Milliarden , die an Teilnehmer von Aufmerksamkeitsmärkten verteilt wurden , und die 33 Millionen beglaubigten Identitäten in Web3 sind frühe Beweise dafür , dass diese Mechanismen funktionieren . Die Zahl der monatlich aktiven Trader bei Polymarket stieg zwischen 2024 und 2025 von 45.000 auf 19 Millionen — ein 421-facher Anstieg , der nicht durch Spekulation getrieben wurde , sondern dadurch , dass Nutzer entdeckten , dass Prognosemärkte präzisere Einschätzungen von Ereigniswahrscheinlichkeiten liefern als traditionelle Medien .
Die nächste Welle von InfoFi-Anwendungen wird wahrscheinlich von KI-Agenten ausgehen , die diese Märkte als Datenfeeds nutzen . Kalshi berichtet bereits , dass algorithmische Bots die primären Teilnehmer auf seiner CFTC-regulierten Plattform sind , wobei KI-Systeme Wahrscheinlichkeitsverschiebungen in Prognosemärkten als Auslöser für Trades in korrelierten traditionellen Märkten behandeln . Wenn KI-Agenten Informationen in großem Umfang konsumieren und produzieren , bestimmt die Qualität der zugrunde liegenden Preismechanismen die Qualität der darauf aufgebauten KI-Systeme .
Was Vitalik als „ Infofinanz “ bezeichnete , wird zum Rohrleitungssystem der Informationsökonomie : die Schicht , die bestimmt , was wahr ist , wer vertrauenswürdig ist und was Aufmerksamkeit verdient — mit kapitalgestützten Anreizen , die traditionelle Informationssysteme nie hatten .
BlockEden.xyz bietet Infrastruktur für Entwickler auf Sui , Aptos , Ethereum und über 20 weiteren Blockchain-Netzwerken . Entwickler , die Informationsmärkte , Reputationssysteme und On-Chain-Analysen erstellen , können auf produktionsreife Node-Services und Daten-APIs unter BlockEden.xyz zugreifen .