Tokenomics: Das sind die Potenziale und Herausforderungen

Anbieter zum Thema

CADFEM Germany GmbH

d.velop AG

Kendox AG

Wie entwickeln sich globale Plattformprojekte wie Gaia-X zu einem schnell skalierbaren, wirtschaftlich effizienten Ökosystem, an dem sich alle gleichsam beteiligen können? Vor allem, wenn die vereinbarten Ziele Datensparsamkeit und -souveränität heißen? Das Beispiel Machine Learning zeigt die Potenziale von Tokenomics für kooperative Datenraumprojekte, aber auch die Herausforderungen.

Tokenomics: Die heutige digitale Sozioökonomie wird von zwei gegensätzlichen Trends bestimmt. Einerseits hat das Aufkommen des Web 2.0 dazu geführt, dass Datenverarbeitung, Identitätsmanagement und das Zusammenführen von Akteuren auf großen Plattformen zentralisiert abläuft. Mit der Folge, dass privatwirtschaftliche Orchestratoren aus den Daten Gewinne machen.

Tokenomics: Das steckt dahinter

Der zweite Trend beruht hingegen auf der Einsicht, dass dezentrale Technologien wie Distributed-Ledger-Technologien (DLT) den Weg für eine sichere wirtschaftliche Koordinierung ebnen könnten, ohne dass Vermittlerinstanzen erforderlich sind, um Geschäftsmodelle rentabel zu gestalten. Diese Entwicklung wird als demokratisiertes Web, Web 3.0 oder als Kryptobewegung bezeichnet.

In diesem Zusammenhang nennt man die digitale Darstellung eines materiellen oder immateriellen Vermögenswerts durch die Verwendung von DLT kryptografische Token. Im Grunde ist ein Token ein Datum, das als Repräsentation einer Tatsache oder eines Rechts dient. So ist beispielsweise ein Führerschein ein physischer Token, der die Tatsache repräsentiert, dass man gelernt hat, wie man ein Auto fährt, und dass man dazu berechtigt ist. Ein Token wäre die Darstellung dieses Führerscheins in der digitalen Welt.

Vom Internet der Informationen zum Internet der Werte

Ein weiterer wichtiger Aspekt ist, dass DLT durch die Verwendung kryptografischer Token ein Element der Endlichkeit eingeführt hat, dass das „Internet der Informationen“ in ein „Internet der Werte“ verwandelt. Der Hauptunterschied zwischen Informationen und Werten besteht darin, dass erstere im Überfluss vorhanden sind, während letztere ein knappes Angebot darstellen. In der digitalen Wirtschaft bietet Tokenomics somit ein Instrument, das die soziale Koordinierung in sich entwickelnden und offenen Systemen mit einer großen Anzahl von Teilnehmern ermöglicht.

Beispiele für den potenziell geeigneten Einsatz von Tokenomics sind gemeinschaftliche Datenraumprojekte wie Gaia-X oder CATENA-X. Denn in ihnen stellen sich immer häufiger zwei zentrale Fragen, die mit Tokenomics beantwortet werden können: Wie können sich Plattformprojekte zu einem schnell skalierbaren Ökosystem entwickeln, an dem sich alle Teilnehmenden der Wertschöpfungskette gleichermaßen beteiligen können? Und: Wie können Kooperationsplattformen trotz dieser Komplexität wirtschaftlich effizient sein? Zumal der Daten- und Informationsaustausch einfach, selbstbestimmt und gleichzeitig sicher handhabbar sein sollte.

Werden Nutzungsrechte digital abgebildet, spricht man von krypto-ökonomischen Tokens. Bosch sieht grundsätzlich Potenziale bei der Einführung von Tokens und Tokenomics als Mechanismen, um digitale Beteiligungen und Mitbestimmung umzusetzen. Denn große Kooperationsprojekte rund um Datenplattformen haben in der Vergangenheit gezeigt, dass klassische Organisationsstrukturen nicht hilfreich sind, um langfristig wirtschaftlich effizient zu arbeiten. Gleichzeitig weiß man auch, dass eine vollständig dezentralisierte digitale Plattform keine Organisation ersetzen kann. Deshalb ist es ein erstrebenswertes Ziel, technische Dezentralisierung und zentrale Steuerungsorgane im Sinne eines optimalen ökonomischen Systems zu kombinieren.

Tokenomics im Kontext von IoT und KI

Tokenomics spielen insbesondere dann eine Rolle, wenn verstärkt IoT- und KI-Komponenten Teil von kooperativen Datenraumprojekten sind. Alle, die sich wie Bosch mit KI in Verbindung mit dem Internet of Things beschäftigen, müssen grundlegend umdenken, wenn es um Interaktionen im digitalen Raum geht. Denn alle Akteure sind auf eine Vielzahl an Beiträgen aus der Community angewiesen: Von der Bereitstellung von Daten, um eine KI zu trainieren, über das Ableiten von Erkenntnissen bis hin zum Betrieb einer technischen Infrastruktur, die effizient arbeitet und gleichzeitig den hohen Anspruch an Datenschutz und -sicherheit erfüllt. Anreiz- und Vergütungssysteme wie Tokenomics sind daher maßgeblich dafür, dass globale digitale Kooperationen für alle Teilnehmenden des Ökosystems erfolgreich sind.

Für derartige Szenarien ist bereits jetzt absehbar, dass alltägliche Zahlungsmittel wie Bargeld oder SEPA-Überweisungen unzureichend für die meisten Anwendungsfälle sind. Daher werden programmierbare Verträge und programmierbares Geld wesentliche Elemente des Handelns zwischen Mensch und Maschine und auch zwischen Maschine und Maschine werden. Auch hier zeigt sich die Bedeutung von Tokenisierung und Tokenomics für digitale Wertschöpfungsströme.

Der Grundgedanke ist einfach: Wenn viele Dinge in der Lage sein sollen, schnell und zuverlässig Geschäfte im digitalen Raum zu vollziehen, dann müssen Währungsmittel für Kleinstbeträge in hoher Geschwindigkeit transferiert werden können. Mit Kleinstbeträgen sind solche gemeint, die weniger als 0,01€ betragen. Dies könnte bei zukünftigen komplexen und hochautomatisierten bis autonomen Transaktionen „von Ding zu Ding“ der Fall sein. Deshalb wird ein kleinteiligeres Tauschmittel im Digitalraum benötigt. Ganz im Sinne der „Economy of Things“ wären dann viele spezialisierte Akteure – wie bspw. hochautomatisierte Algorithmen zur Klassifizierung oder Optimierung von Datensätzen – miteinander zu einem großen Arbeitsergebnis verkettet. Dieses Ergebnis kann beispielsweise ein Erkenntnisgewinn aus Produktionsdaten sein, mit dem sich Herstellungsprozesse nachhaltig verbessern ließen.

Beispiel kollaboratives Lernen mittels DLT

Ein praktisches Beispiel für Tokenomics kommt aus dem Bereich Machine Learning: Kollaboratives Lernen auf Basis dezentraler Technologien bietet die Möglichkeit, Kunden datenbasierte Services anzubieten und so wiederkehrende Umsätze zu generieren. Eine Anwendung dafür ist Predictive Maintenance bei Maschinen oder Geräten. An sich nichts Neues, wohl aber der dezentrale Ansatz mittels DLT, um Erkenntnisse aus kryptografisch abgesicherten Daten zu gewinnen, ohne dabei die Datensicherheit und den Datenschutz aller Beteiligten zu gefährden. Beim kollaborativen Lernen geht es darum, dass mehrere Stakeholder zusammenkommen und am Gewinn durch Machine-Learning-Algorithmen beteiligt werden:

Die Entwickler eines Algorithmus, die Anbieter von kryptografisch abgesicherten Daten und die Abnehmer von Erkenntnissen tragen zu einem Wirtschaftskreislauf im digitalen Raum bei. Dabei wird innerhalb eines Datenraums kein eigenes Währungsmittel erzeugt, sondern ein Nutzungsrecht für die Erkenntnisse ausgegeben. Dieses kann dann entweder als Tauschmittel im Datenraum genutzt oder an Börsen eingetauscht werden.

Der Autor Dr. Nik Scharmann ist Projektdirektor „Economy of Things” bei Bosch Research.

Lesen Sie auch: Digitalisierung bei KMU: Was die größten Hürden bei der Umsetzung sind