Brug af AI i blockchain

Brug af AI i blockchain betyder, at machine learning, sprogteknologi eller anden AI bruges til at analysere data, styre risici, understøtte beslutninger eller levere input til blockchain-systemer. AI ændrer ikke grundreglen om konsensus og uforanderlige transaktioner; den bør placeres, hvor data, ansvar og kontrol kan valideres.

Hvad betyder brug af AI i blockchain?

Brug af AI i blockchain handler om samspillet mellem to forskellige teknologiske logikker. Blockchain er en distribueret måde at registrere transaktioner, tilstande eller beviser på. AI er en metode til at finde mønstre, klassificere data, forudsige sandsynligheder eller generere forslag ud fra træningsdata og input.

Den praktiske pointe er, at AI sjældent bør forstås som noget, der gør selve blockchainen intelligent. AI ligger oftere rundt om kæden: i analyseværktøjer, risikomodeller, overvågning, brugergrænseflader, beslutningsstøtte, datarensning eller oracles, der sender kontrollerede oplysninger ind til smart contracts.

Hvis du vurderer et projekt, bør du derfor skelne mellem tre spørgsmål: Hvilke data analyserer AI-modellen, hvilken beslutning påvirker modellen, og hvilken del af beslutningen bliver faktisk skrevet til blockchainen? Den skelnen gør forskellen mellem nyttig automatisering og en arkitektur, hvor ingen kan forklare ansvar eller fejl.

Hvor ligger AI typisk i en blockchain-arkitektur?

AI kan placeres flere steder i en blockchain-løsning, men hvert lag har forskellige krav til sikkerhed og dokumentation. Onchain kode skal være deterministisk og kunne valideres af netværket. AI-modeller er derimod ofte sandsynlighedsbaserede, dataafhængige og tunge at køre. Derfor ender de fleste seriøse løsninger med en hybrid arkitektur.

Den arkitektur minder om bredere AI og blockchain-integration, hvor integrationen ikke kun er teknisk, men også organisatorisk. Du skal kunne forklare, hvem der træner modellen, hvem der godkender data, og hvem der kan standse en automatiseret handling.

Hvilke data kan AI analysere i blockchain-systemer?

AI kan analysere både onchain og offchain data. Onchain data kan være transaktioner, wallet-adresser, tokenbevægelser, smart contract-kald, governance-afstemninger og historiske gebyrmønstre. Offchain data kan være kundedata, handelsdata, IoT-målinger, dokumenter, supporthenvendelser, nyhedsstrømme eller API-data, som først bliver relevante for blockchainen, når de skal omsættes til en transaktion eller beslutning.

Det tekniske skel betyder meget. Onchain data er ofte offentlige eller semi-offentlige, men de er ikke automatisk meningsfulde. En model kan finde relationer mellem adresser, gentagne transaktionsmønstre eller ændringer i aktivitet, men den kan ikke uden videre vide, om en adresse tilhører en bestemt person, virksomhed eller legitim proces. Den type kontekst kommer næsten altid fra offchain kilder.

Når datamængden bliver stor, minder arbejdet om generativ AI i big data: datakvalitet, datalinje, forklarlighed og test bliver mere afgørende end modelens navn. En forkert mærket wallet, en skæv træningsperiode eller manglende transaktionskontekst kan give et teknisk flot, men praktisk svagt resultat.

Hvordan kan AI bruges til sikkerhed og svindelovervågning?

Sikkerhed er et af de mest oplagte områder, fordi blockchain-systemer skaber store mængder hændelsesdata. AI kan bruges til at markere atypiske transaktionsmønstre, vurdere sandsynligheden for koordineret misbrug, prioritere alerts, opsummere smart contract-hændelser eller hjælpe analytikere med at se forbindelser på tværs af wallets og protokoller.

AI kan dog ikke alene afgøre, om en transaktion er ulovlig, eller om en bruger er skyldig i misbrug. Modellen kan give en risikoscore eller et signal, men beslutningen bør knyttes til forklarbare kriterier, dokumenterede datakilder og manuel eskalering, når konsekvensen er høj. Det gælder især, hvis signalet kan føre til blokering, rapportering, tab af adgang eller ændret risikoprofil.

I praksis bør AI til sikkerhed i blockchain bygges som et beslutningsstøttelag. Modellen prioriterer det, der bør undersøges. Den endelige handling bør stadig følge definerede regler, logges og kunne forklares efterfølgende.

Kan AI køre direkte i en smart contract?

Det kan i meget begrænset form lade sig gøre at lægge små beregninger eller simple klassifikationsregler onchain, men det er sjældent den bedste løsning for egentlige AI-modeller. Smart contracts skal give samme resultat for alle validerende noder. De må ikke afhænge af tilfældige modelvariationer, skjulte data, eksterne API-kald eller beregninger, som forskellige noder ikke kan reproducere ens.

Derudover er onchain beregning dyr og begrænset. Store modeller kræver ofte betydelig regnekraft, modelvægte, versionering og løbende opdatering. Hvis alt dette flyttes direkte ind i en smart contract, bliver løsningen langsom, dyr og vanskelig at revidere. Det kan også gøre fejl permanente, hvis kontrakten ikke er designet til sikker opgradering.

Den mere robuste model er at lade AI køre offchain og kun sende et begrænset, dokumenteret output til blockchainen. Det kan være en score, en attest, et hash af et resultat, et bevis for dataintegritet eller en beslutning, som en smart contract kan behandle efter klare regler.

Hvordan hænger AI sammen med oracles og offchain data?

Oracles er forbindelsen mellem smart contracts og oplysninger uden for blockchainen. Når AI indgår, kan oracle-laget enten levere data til en AI-model, sende modellens output til en smart contract eller samle flere datakilder til et kontrolleret beslutningsgrundlag. Det er her, mange AI-blockchain-projekter reelt bliver afgjort.

Ethereum-dokumentationen beskriver oracle-problemet som et spørgsmål om korrekthed, tilgængelighed og incitamenter. Den udfordring bliver større med AI, fordi modellens output ikke kun afhænger af en enkelt datapunkt, men af træningsdata, modelversion, tærskler, instruktioner, kontekst og løbende drift. En smart contract kan behandle outputtet, men den forstår ikke automatisk, hvordan outputtet er opstået.

Et godt design begrænser derfor oracle-outputtet til noget, som kan valideres. Det kan være en ja/nej-betingelse, en numerisk score med kendt interval, en signeret attest, en tidsstemplet vurdering eller en henvisning til et offchain revisionsspor. Jo mere komplekst AI-outputtet er, desto vigtigere bliver menneskelig kontrol og dokumenteret fallback.

Hvilke fordele giver kombinationen i praksis?

Kombinationen kan give værdi, når blockchainens sporbarhed møder AI-modellens evne til at finde mønstre. AI kan hjælpe med at gøre store transaktionsmængder forståelige, mens blockchain kan give en fælles historik for de beslutninger, hændelser eller beviser, der faktisk skal deles mellem parter.

• Overvågning: AI kan prioritere usædvanlige hændelser, så analytikere ikke kun arbejder kronologisk gennem transaktionsdata.
• Automatisering: AI kan foreslå en handling, mens smart contracts kun udfører handlingen, hvis formelle betingelser er opfyldt.
• Dokumentation: Blockchain kan gemme tidsstempler, hashes eller beslutningsspor, så output fra AI-systemer kan kontrolleres senere.
• Brugerforståelse: Sprogteknologi kan forklare komplekse transaktioner, governance-forslag eller protokolændringer i mere tilgængeligt sprog.

Fordelene er størst i processer, hvor der både findes mange data og et behov for fælles tillid. Det kan være forsyningskæder, finansielle kontroller, identitetsrelaterede beviser, energidata, digitale rettigheder eller intern governance. Det er ikke et argument for at bruge blockchain i alle AI-projekter, men for at vælge kombinationen, når begge teknologier løser et reelt problem.

Hvilke begrænsninger gør løsningen svær?

Den største begrænsning er, at AI og blockchain ikke løser hinandens svagheder automatisk. Blockchain gør ikke en AI-model korrekt. AI gør ikke en blockchain mere decentral. En model kan stadig være biaspræget, usikker eller dårligt testet, selv om dens output tidsstemples onchain. En blockchain kan stadig have dårlige smart contracts, svage nøgler eller centraliserede beslutningsprocesser, selv om der bruges AI til analyse.

En anden begrænsning er datasammenkobling. Offentlige blockchains kan give gennemsigtighed, men de kan også skabe risiko for profilering, genidentifikation eller utilsigtet deling af oplysninger. Hvis offchain persondata kombineres med onchain spor, kan den samlede risiko blive højere end i hvert system for sig.

Endelig skal du skelne mellem bevis og forklaring. Et hash på en blockchain kan vise, at et bestemt dokument eller output eksisterede på et bestemt tidspunkt. Det forklarer ikke, om modellen var retvisende, om træningsdata var lovlige, eller om beslutningen var rimelig. Blockchain kan styrke sporbarhed, men den erstatter ikke modelvalidering.

Hvordan vurderer du datakvalitet og modelrisiko?

Datakvalitet bør vurderes før modelvalg. Spørg først, om datakilderne er komplette, aktuelle, relevante og lovligt anvendelige. For onchain data bør du kontrollere, om adresser, transaktionstyper og protokolhændelser er fortolket korrekt. For offchain data bør du kontrollere oprindelse, adgangsgrundlag, opdateringsfrekvens og mulige fejl i integrationen.

Modelrisiko opstår, når en sandsynlighed eller klassifikation får operationel betydning. Det kan være en wallet, der får høj risiko, en handel der stoppes, et krav der afvises, eller en bruger der får ændret adgang. Jo større konsekvens, desto mere skal du kræve af test, forklaring, menneskelig vurdering og mulighed for korrektion.

En praktisk minimumstest bør omfatte træningsdata, evalueringsdata, fejltyper, tærskler, driftsovervågning og ændringslog. Hvis modellen opdateres, bør tidligere beslutninger kunne spores til den modelversion, der faktisk blev brugt. Uden versionering bliver blockchainens tidsstempel mindre nyttigt, fordi det ikke viser, hvilken model der skabte outputtet.

Hvad betyder AI i blockchain for governance og ansvar?

Governance handler om, hvem der kan ændre regler, data, modeller og adgang. I en blockchain-løsning kan ansvaret blive uklart, fordi flere aktører typisk bidrager: protokoludviklere, oracle-operatører, modeludbydere, dataejere, nodeoperatører, brugere og organisationen, der anvender systemet. AI tilføjer endnu et lag, fordi output kan være sandsynlighedsbaseret og vanskeligt at forklare kort.

Derfor bør governance beskrive, hvem der ejer modellen, hvem der godkender nye modelversioner, hvilke datakilder der må bruges, hvornår en smart contract må reagere automatisk, og hvornår en sag skal løftes til menneskelig behandling. Det bør også fremgå, hvordan fejl rettes, når blockchainen ikke uden videre kan ændres bagudrettet.

For organisationer minder arbejdet om risikostyring i AI-implementeringer, men med et ekstra krav: beslutningssporet kan være offentligt, delt eller vanskeligt at slette. Det gør gode adgangsregler, nøglerutiner og dataminimering lige så vigtige som selve modellen.

Hvordan påvirker EU-regler og AI-risikostyring projektet?

Hvis en AI-funktion bruges i eller rettet mod EU, bør projektet vurderes efter AI-systemets formål, rolle i værdikæden og konsekvens for berørte personer. EU AI Act regulerer AI-systemer efter blandt andet intended purpose, operatørroller og risikokategorier. Blockchain ændrer ikke i sig selv, at en AI-funktion kan være underlagt AI-regler, hvis den bruges i en reguleret eller højrisikobetonet sammenhæng.

Det betyder ikke, at enhver blockchain-løsning med AI automatisk er højrisiko. En intern analysemodel til teknisk overvågning har en anden profil end et system, der påvirker kredit, adgang til ydelser, ansættelse, uddannelse eller biometrisk identifikation. Formålet og konsekvensen er afgørende.

NIST AI Risk Management Framework kan bruges som en praktisk ramme, selv om det ikke er EU-lov. Rammen hjælper med at strukturere governance, måling, kortlægning og håndtering af AI-risici. I et blockchain-projekt bør den suppleres med kontroller for smart contracts, nøgler, oracles, datadeling og drift.

Hvilken arbejdsproces bør bruges før implementering?

En sikker arbejdsproces starter med en afgrænsning af beslutningen. AI bør ikke tilføjes, før du kan beskrive, hvilken beslutning modellen påvirker, og hvorfor blockchain er relevant for netop den beslutning. Derefter kan du vælge arkitektur, data og kontrolpunkter.

1. Definér use casen: Beskriv den konkrete beslutning, aktørerne og den forventede gevinst.
2. Afgræns blockchainens rolle: Vælg, om kæden skal gemme transaktioner, beviser, identitetsreferencer, rettigheder eller governance-hændelser.
3. Afgræns AI-modellens rolle: Beslut, om modellen skal klassificere, forudsige, opsummere, prioritere eller kontrollere.
4. Vælg datakilder: Dokumentér onchain og offchain data, datakvalitet, adgang og opdatering.
5. Fastlæg oracle-design: Beskriv, hvordan output kommer ind til smart contracts, og hvordan fejl håndteres.
6. Test konsekvenser: Mål fejltyper, falske positiver, falske negativer og drift under ændrede markeds- eller brugerforhold.
7. Lav stopregler: Beslut, hvornår automatisk eksekvering skal standses, og hvem der må genstarte den.

Denne rækkefølge gør projektet mindre afhængigt af teknologinavne. Den tvinger også teamet til at forklare, hvad der sker, hvis modellen tager fejl, hvis oracle-data forsvinder, eller hvis en smart contract reagerer korrekt på et forkert input.

Hvornår giver brug af AI i blockchain mest mening?

Kombinationen giver mest mening, når der findes et konkret koordineringsproblem mellem flere parter, store datamængder og et behov for sporbarhed. Hvis én organisation alene kontrollerer data, regler og beslutninger, kan en almindelig database og et traditionelt AI-system ofte være enklere, billigere og lettere at styre.

Et realistisk eksempel er en forsyningskæde, hvor AI vurderer anomalier i sensordata, mens blockchainen gemmer tidsstemplede beviser for hændelser og godkendelser. Et andet eksempel er finansiel overvågning, hvor AI markerer mistænkelige mønstre, mens en auditlog dokumenterer, hvornår signalet blev oprettet, vurderet og behandlet.

Det afgørende spørgsmål er ikke, om AI og blockchain kan kombineres. Det kan de. Spørgsmålet er, om kombinationen giver bedre kontrol end en mindre kompleks arkitektur. Hvis svaret kun er, at løsningen virker mere avanceret, er det normalt et svagt grundlag.

Hvilke kilder ligger til grund?

Blockchain-afgrænsningen bygger især på NIST IR 8202 om blockchain-teknologi, som beskriver blockchain som en distribueret og manipulationsresistent ledger. Afsnittene om smart contracts, offchain data og oracles bygger på Ethereum-dokumentationen om smart contracts og Ethereum-dokumentationen om oracles.

Risikostyring og governance er kontrolleret mod NIST AI Risk Management Framework. EU-relevante forbehold er kontrolleret mod Regulation (EU) 2024/1689 om kunstig intelligens, særligt reglerne om formål, roller, anvendelsestidspunkter og direkte anvendelse i medlemsstaterne.