Kann KI Krypto-Whitepapers bewerten? Eine Studie prüft es

Seit dem ursprünglichen Bitcoin- (BTC ) Whitepaper, das 2008 veröffentlicht wurde, sind zahlreiche neue Kryptowährungen entstanden, darunter etwa Ethereum (ETH ) das so populär geworden ist, dass es dem ursprünglichen Bitcoin ernsthaft Konkurrenz macht. Für Anlegerinnen und Anleger in Kryptowährungen ist eine sorgfältige Prüfung dadurch jedoch zunehmend komplex geworden.

Dieses Problem betrifft natürlich nicht ausschließlich Krypto-Investitionen, doch die Besonderheiten von Kryptowährungen machen es den meisten Anlegerinnen und Anlegern schwerer. Besonders interessierte Privatanlegerinnen und Privatanleger, aber auch viele institutionelle Investoren verfügen nicht über das mathematische und technische Wissen, um die kryptografischen Verfahren und Algorithmen, auf denen die meisten Krypto-Projekte beruhen, vollständig zu verstehen.

Darüber hinaus verfügen digitale Vermögenswerte über kein einheitliches Berichtsformat – anders als traditionelle Wertpapiere mit ihren standardisierten Einreichungen (z. B. Prospekten und 10-K-Berichten).

So sind sie gleichzeitig einer gefährlichen Mischung aus Informationsüberflutung, unstrukturierten Offenlegungen und begrenzten regulatorischen Schutzmaßnahmen ausgesetzt.

„Die zahlreichen Zusammenbrüche der ersten Welle von Initial Coin Offerings (ICOs) und die daraus resultierenden Verluste für Anlegerinnen und Anleger, die die Tragfähigkeit von Investitionen anhand von Whitepapers nicht beurteilen konnten, zeigen, dass die Instrumente zur sorgfältigen Prüfung und zum Anlegerschutz im Bereich der innovativen Finanzwirtschaft gestärkt werden müssen.“

Die Informationsflut und die Notwendigkeit, Risiken objektiv zu analysieren, scheinen ein idealer Anwendungsfall für KI zu sein, denn neue KI-Systeme sind eigens dafür konzipiert, solche komplexen Aufgaben zu bewältigen.

Eine Gruppe von Forschenden der Swiss Financial Market Supervisory Authority FINMA und der University of Liechtenstein hat eine neue Studie veröffentlicht. Darin wird untersucht, wie LLMs neue Krypto-Projekte und insbesondere deren technische Whitepapers bewerten könnten.

Ihre Ergebnisse veröffentlichten sie in Knowledge and Information Systems¹ unter dem Titel „Anwendung von LLMs zur Bewertung digitaler Vermögenswerte: eine Mixed-Methods-Studie“.

LLMs zur Analyse von Krypto-Whitepapers einsetzen

Im Kern sind „Kryptowährungen“ nicht einfach nur spekulative Anlagemöglichkeiten, sondern „digitale Vermögenswerte, die auf Protokollen beruhen, welche in einer dezentralen Informationsspeicherung, verteilten Konsensmechanismen und Smart Contracts eingebettet sind“.

Die tatsächlichen Risiken und potenziellen Anwendungsfälle neuer Kryptowährungen hängen von diesen technischen Eigenschaften ab. Deshalb können moderne KI-Systeme wie LLMs (große Sprachmodelle) bei der automatisierten Textanalyse, der Wissensextraktion und dem Vergleich von Projekten helfen.

Die Zuverlässigkeit von LLMs ist jedoch ein Problem. Ihr Nutzen wird durch begrenzte Kontextfenster, Schwierigkeiten bei der Verarbeitung umfangreicher Dokumentenkorpora und das Risiko von Halluzinationen eingeschränkt.

Anlegerinnen und Anleger müssen daher genau beurteilen, wie zuverlässig solche Werkzeuge bei der Bewertung von Krypto-Projekten tatsächlich sind.

Um die Fähigkeiten von LLMs bei dieser Aufgabe zu untersuchen, entwickelten die Forschenden einen Rahmen, der mit der Vorverarbeitung der Daten beginnt: Whitepapers werden strukturiert und für die Analyse zusammengefasst, es werden spezifische KI-Prompts entworfen und die Ergebnisse mit menschlichen Bewertungen verglichen. Abschließend wird ein Protokoll für den Einsatz von LLMs zur Beurteilung des Potenzials von Krypto-Projekten entwickelt.

Quelle: Knowledge and Information Systems

Die passenden Werkzeuge entwickeln

Die passenden Daten zusammentragen

Als wichtigste Datenquelle nutzten die Forschenden die Token Offerings Research Database (TORD). Sie enthält manuell erhobene Informationen zu Initial Coin Offerings (ICOs), Security Token Offerings (STOs) und Initial Exchange Offerings (IEOs).

Dazu zählen offizielle Projektwebsites, Whitepapers, archivierte Webressourcen, sekundäre Datenbanken sowie Börsenveröffentlichungen und regulatorische Einreichungen.

Auf Grundlage dieser Daten wurde eine Stichprobe mit 29 verschiedenen Token-Projekten zusammengestellt, deren Whitepapers weiterhin zugänglich waren. Für 27 davon enthält die TORD eine zusammengefasste Expertenbewertung.

Als Hauptkonfiguration wurde OpenAI GPT−3.5-turbo ausgewählt, außerdem zwei kompakte Open-Source-Modelle: Qwen2.5-0.5B und Qwen2.5-1.5B. Insgesamt erstellten sie 1.008 vollständige Bewertungen durch Expertinnen und Experten sowie LLMs.

Verschiedene Ansätze testen

Die Forschenden verwendeten verschiedene Methoden, um herauszufinden, wie sich LLMs optimal zur Untersuchung von Krypto-Projekten einsetzen lassen.

• Ansatz 1: Bewertung eines Teils des Dokuments, wobei möglichst viel Inhalt des Whitepapers in das LLM eingegeben und die Eingabe zur Berücksichtigung der Modellbeschränkungen auf 4000 Token (etwa 3000 Wörter) gekürzt wird.
• Ansatz 2: zusammenfassungsbasierte Bewertung: Um die Beschränkungen bei der Tokenzahl zu berücksichtigen, wird das Whitepaper in einem zweistufigen Verfahren zunächst zusammengefasst und anschließend bewertet.
• Ansatz 3: Bewertung anhand einer aspektorientierten Zusammenfassung, bei der die Zusammenfassung weiter verfeinert wird, indem gezielt Informationen extrahiert werden, die für Investitionsentscheidungen relevant sind – insbesondere zur Persönlichkeit und Erfahrung des Managements, zu Produkteigenschaften und zu Marktbedingungen.
  • Dabei wurden auch mögliche Warnsignale erkannt, etwa mangelnde Erfahrung, fehlende finanzielle Beteiligung oder schlecht durchdachte Projektstrukturen.

Eine Begrenzung des abschließenden Bewertungsfazits der LLMs auf 120 Wörter erwies sich als optimal, um Fehler zu vermeiden und potenziellen Nutzern ein leicht verständliches Fazit zu bieten.

Es kamen vier verschiedene Prompting-Strategien zum Einsatz, um die Schlussfolgerungen der LLMs so zu lenken, dass bestmögliche Ergebnisse erzielt werden:

• Zero-Shot (ZS): strukturierte Anweisungen ohne Beispiele auf Projektebene
• Few-Shot (FS): eine Erweiterung von ZS um explizite Bewertungsdimensionen und konkrete Beurteilungskriterien.
• Chain-of-Thought (CoT): schrittweise Begründung auf Faktorenebene.
• Gedankenkette mit Kontext und Bewertungsraster (CoT-CR): Dabei werden domänenspezifische Aspekte wie Token-Sperrmechanismen und die Originalität des Projekts berücksichtigt.

Quelle: Knowledge and Information Systems

Ergebnisse der LLMs

Mit Ausnahme der aspektorientierten Bewertung anhand einer Zusammenfassung bewerteten die KI-Modelle das Kryptoprojekt im Allgemeinen höher als die menschlichen Gutachter.

„Die Ansätze 1 und 2 verdichten narrative Inhalte häufig, ohne Warnsignale oder Hinweise auf die Unternehmensführung zuverlässig herauszuarbeiten. Das führt zu einem Optimismusbias und einer systematischen Überbewertung im Vergleich zu menschlichen Bewertungen.“

CoT-Prompts ergaben insgesamt die niedrigsten Bewertungen. Insbesondere war CoT in Kombination mit der aspektorientierten Bewertung anhand einer Zusammenfassung der einzige Ansatz, der zu einer niedrigeren Bewertung als die menschlichen Beurteilungen führte.

Quelle: Knowledge and Information Systems

Trotz dieser Tendenz zur Überbewertung wurde auch eine entgegengesetzte, leichte Tendenz beobachtet, die stärksten Projekte zu niedrig einzuschätzen.

Es ist außerdem anzumerken, dass die KI-Modelle Qwen2.5-0.5B und Qwen2.5-1.5B ähnliche Ergebnisse wie GPT−3.5-turbo erzielten.

Quelle: Knowledge and Information Systems

Erklärung der Verzerrungen von LLMs

Der Grund dafür, dass LLMs bei den meisten Prompting-Strategien dazu neigen, Kryptoprojekte zu überschätzen, liegt darin, dass allgemeine und nur leicht strukturierte Zusammenfassungen häufig den werblichen Ton von Whitepapers beibehalten.

Die aspektorientierte Extraktion vermeidet dieses Problem weitgehend, hat jedoch andere Einschränkungen. Wenn sie Schwächen bei der Unternehmensführung, im Management oder beim Token-Design erfasst, kann sie die Bewertungen an die vorsichtigere Einschätzung von Menschen heranführen. Sind die Belege jedoch unvollständig oder bestimmen einzelne negative Hinweise die Begründung der Bewertung, kann sie Projekte auch übermäßig stark abwerten.

Daher kamen die Forschenden zu dem Schluss, dass LLMs die Recherche durch Menschen unterstützen, sie aber nicht vollständig ersetzen können.

„Diese Mechanismen legen nahe, dass die zentrale Herausforderung bei der Gestaltung nicht allein in der Wahl des Prompts liegt, sondern auch darin, vor der Bewertung verlässliche Zwischenergebnisse zu erarbeiten. Das Artefakt sollte daher Fälle markieren, die die Aufmerksamkeit von Fachleuten erfordern, anstatt abschließende Anlagebewertungen zu erstellen.“

Insgesamt gibt es laut dieser Studie keinen einzelnen „besten Ansatz“, der sich übernehmen lässt.

Den geringsten Fehler innerhalb der aktuellen Designmatrix erzielt die strukturierte Zusammenfassung in Kombination mit Chain-of-Thought-Prompting (Ansatz 2 + CoT).

Der aspektorientierte Ansatz macht jedoch mögliche Warnsignale sichtbar, und seine durchschnittliche Bewertung liegt näher am Mittelwert der menschlichen Bewertungen.

Entwicklung eines KI-Analysetools für Kryptowährungen

Daraufhin formulierte der Forschende Vorschläge für die optimale Nutzung von KI bei der Analyse von Kryptoprojekten:

1. Belege sollten strukturiert werden, bevor das Modell seine Begründung erstellt, um Fehler so weit wie möglich zu begrenzen.
2. Kalibrierung und Prüfbarkeit der Ausgaben sollten getrennt voneinander konzipiert und bewertet werden. Die aspektorientierte Extraktion sollte dazu dienen, die strukturelle Nachvollziehbarkeit und die Sichtbarkeit von Warnsignalen zu verbessern.
3. Triangulation von Modellen: Beobachtete Fehlermuster sollten ohne vergleichende Tests nicht einer einzelnen Modellfamilie zugeschrieben werden, da sie auf die grundlegende Funktionsweise von LLMs im Allgemeinen zurückzuführen sein können.

„Zusammengenommen erweitern diese Prinzipien den Beitrag: Er besteht nicht mehr nur in einer Anwendung von LLMs, sondern umfasst auch Gestaltungsempfehlungen für die Konfiguration nachvollziehbarer Entscheidungshilfen in Bereichen der Finanzberichterstattung, in denen es nur wenige einheitliche Standards gibt.“

Erkenntnisse für Anleger

Diese Studie liefert interessante Erkenntnisse für Anleger sowohl im Bereich KI als auch im Kryptobereich.

Im Kryptobereich ist klar, dass LLMs (zumindest bisher?) keine Lösung sind, um eine von Menschen geleitete Due-Diligence-Prüfung zu ersetzen. So können KI-Modelle beispielsweise von übertriebener Begeisterung oder einem werblichen Ton in Krypto-Whitepapers getäuscht werden. Dadurch besteht die ernsthafte Gefahr, das Potenzial dieser Projekte zu überschätzen.

KI zur Erkennung von Warnsignalen einzusetzen, kann bei der richtigen Prompt-Methodik jedoch sehr nützlich sein.

Für KI-Anleger veranschaulicht diese Studie, dass LLMs derzeit noch nicht vollständig in der Lage sind, menschliche Arbeit zu ersetzen. Sie sind jedoch ein wertvolles Werkzeug, insbesondere wenn es darum geht, große Mengen technischer Daten zu sichten.

Die Studie zeigt außerdem, dass es für den optimalen Einsatz von KI entscheidend ist, die richtige Prompt-Methode zu erlernen und eine geeignete Analysemethodik zu entwickeln. Aus der Perspektive von Investitionen in KI-Technologie deutet dies darauf hin, dass die meisten Produktivitätssteigerungen durch KI schrittweise erzielt werden – und nicht allein durch bessere Modelle. Stattdessen wird es entscheidend sein, dass sich die Nutzer besser mit KI-Tools vertraut machen und lernen, die Qualität der Ergebnisse durch eine verbesserte Konzeption der Analyse und durch bessere Prompts zu optimieren.

Investieren in Kryptomärkte

Coinbase

Da Kryptowährungen immer mehr zum Mainstream werden, engagieren sich mehr Anleger auf den Kryptomärkten oder bauen dort ihre Präsenz aus. Dasselbe gilt, da immer mehr Krypto-Projekte entstehen.

Davon profitieren Unternehmen wie Coinbase, die eng mit dem Handel von Kryptowährungen, den Preisen digitaler Vermögenswerte, deren Verwahrung und der Beteiligung institutioneller Anleger verbunden sind.

Eine Investition in Kryptobörsen und Technologieplattformen wie Coinbase kann Anlegern daher Zugang zum Marktumfeld von Kryptowährungen verschaffen, ohne dass sie dafür willkürlich bestimmte Token auswählen müssen.

Das bedeutet jedoch nicht, dass Coinbase Anlegern, die die börsennotierte Aktie des Unternehmens halten, dieselben potenziellen Renditen (und Risiken) bietet wie eine Direktanlage in Kryptowährungen. Vielmehr handelt es sich um eine Investition in die Infrastruktur des Kryptomarkts. Coinbase meldete zum 30. Juni 2026 Vermögenswerte im Wert von 246 Milliarden US-Dollar auf seiner Plattform.

Neben seiner Haupt-App und der Kryptobörse bietet Coinbase heute eine Reihe ergänzender Produkte an:

• Coinbase One, ein Premium-Mitgliedschaftsangebot mit gebührenfreiem Handel, erhöhten Staking-Prämien und Angeboten von Partnern, etwa einem Steuerrechner für Kryptowährungen und Analysen zu Kryptowährungen.
• Coinbase Advanced für professionelle Kryptohändler.
• Coinbase Wallet zur eigenständigen Verwahrung von Kryptowährungen außerhalb von Börsen sowie von NFTs.
• Coinbase Earn, ein Staking-Angebot, bei dem Besitzer von Kryptowährungen ihre Coins im Netzwerk hinterlegen können, um dafür Zinsen zu erhalten. 2023 verdienten Coinbase-Kunden damit 230 Millionen US-Dollar.
• Coinbase Card, eine Visa-Debitkarte, mit der sich Einkäufe in Kryptowährungen bezahlen lassen. Bei Zahlungen in USD gibt es 1 % in Bitcoin zurück, bei Zahlungen in ETH 1,5 % in USDC. Die Karte wird überall dort akzeptiert, wo Visa-Debitkarten angenommen werden.
• USD Coin (USDC), ein digitaler Stablecoin mit einem dem US-Dollar entsprechenden Wert, soll einen „digitalen Dollar“ schaffen.

Mit der Entwicklung immer fortschrittlicherer Tools, darunter auch KI, wird die bestehende Kryptoinfrastruktur ergänzt. Als inzwischen ausgereiftere und führende Plattform ist Coinbase gut aufgestellt, um davon zu profitieren, dass Kryptowährungen durch den zunehmenden Aufschwung von Bitcoin-ETFs, Stablecoins und der Tokenisierung von Aktien immer mehr zum Mainstream werden.

(Mehr über die Geschichte, die Angebote und das Anlagepotenzial von Coinbase erfahren Sie in unserem ausführlichen Bericht über das Unternehmen)

Aktuelle Nachrichten und Entwicklungen zur Coinbase-Aktie (COIN)

Herangezogene Studie

^{1. Yann Thorens u. a. Anwendung von LLMs bei der Bewertung digitaler Vermögenswerte: Mixed-Methods-Studie. Knowledge and Information Systems. 17. Oktober 2026. https://doi.org/10.1007/s10115-026-02910-2}