Beberapa hari yang lalu, ada teman yang nanya ke gue. Dia bilang dia udah upload ratusan data industri di suatu platform, eh platform itu malah pake buat latih model, dan dia nggak dapet apa-apa. Gue bilang, itu sih wajar. Sekarang hampir semua perusahaan AI ngelakuin gitu, cuma orang-orang belum sadar seberapa absurdnya hal ini.
Coba inget, dulu YouTube juga punya logika yang sama. Kreator upload video, platform manfaatin konten kamu buat narik pengguna, jual iklan, dan kamu nggak dapet apa-apa. Akhirnya YouTube bikin mekanisme bagi hasil, baru ekosistemnya bisa hidup. Tapi di sisi AI ini, pembagian hasil untuk kontributor data sampai sekarang masih kosong. Yang dilakukan Openledger, intinya pengen nutup celah ini di level protokol.
Saya tahu istilah 'Blockchain + AI' sekarang sudah sering diucapkan, banyak proyek yang menggunakan narasi ini untuk menarik perhatian, tetapi sudut pandang OpenLedger menurut saya layak untuk diperhatikan, karena mereka tidak membuat lapisan komputasi, juga tidak membuat lapisan penyimpanan, tetapi mereka menargetkan masalah yang lebih hulu: dari mana data berasal, siapa yang menggunakannya, berapa banyak, dan siapa yang mencatatnya.
Ada satu detail yang patut dicatat tentang tim pendiri. Pendiri Pryce Yebesi sudah pernah melakukan exit pada usia 24 tahun, dia menjual perusahaan pembayaran kripto miliknya, Utopia Labs, kepada Coinbase. Ini bukan sekadar catatan di kertas, Utopia Labs saat itu menangani banyak logika akuntansi data pembayaran di rantai, pengalaman ini memberinya pemahaman yang cukup dalam tentang 'hubungan penyelesaian antara data dan uang'. Dia tidak datang dari perspektif akademis, tetapi dari masalah bisnis yang nyata.
Saya pikir struktur proyek ini memiliki tiga lapisan yang layak untuk dibedah.
Di bagian paling bawah adalah rantai. OpenLedger dibangun di atas OP Stack dan EigenDA, merupakan L2 yang kompatibel dengan Ethereum, biaya rendah, throughput tinggi, dan keamanan terikat pada jaringan utama Ethereum. Pilihan ini tidak mengejutkan, tetapi memilih EigenDA sebagai lapisan ketersediaan data itu masuk akal, karena pelatihan AI memerlukan banyak data, dan biaya penyimpanan di rantai adalah masalah biaya yang sangat nyata, EigenDA bisa menekan biaya ini.
Lapisan tengah adalah Datanet, ini adalah inti dari seluruh sistem. Setiap Datanet pada dasarnya adalah primitif dataset di rantai, data yang diunggah oleh kontributor dilengkapi dengan metadata, timestamp, dan informasi kepemilikan, model saat pelatihan akan mencatat dari Datanet mana data berasal, sehingga mencapai pelacakan atribusi yang deterministik. Dan Datanet ini bukanlah statis, seiring semakin banyak kontributor yang mengunggah data, semakin banyak model yang dilatih di atasnya, setiap Datanet akan secara bertahap berevolusi menjadi repositori korpus vertikal berkualitas tinggi yang didukung oleh transparansi sumber, pada dasarnya menjadi objek ekonomi yang dapat terus menghasilkan hadiah atribusi. Saya pikir ide desain ini menarik karena mengubah data dari 'aset sekali pakai' menjadi 'aset yang terus menghasilkan pendapatan', secara logika lebih dekat dengan hak cipta daripada jual beli.
Lapisan paling atas adalah lapisan atribusi, yaitu Proof of Attribution. Saya sebelumnya agak skeptis terhadap mekanisme ini, karena secara teknis 'mengukur dampak data tertentu terhadap output model' adalah masalah yang sangat sulit. Namun, setelah membaca whitepaper PoA yang dirilis OpenLedger pada Juni 2025, solusi mereka memiliki spesifikasi teknis: untuk model kecil menggunakan fungsi dampak aproksimasi, dan untuk model bahasa besar menggunakan atribusi token berbasis suffix array, memeriksa tingkat kecocokan antara token output dan korpus pelatihan yang dikompresi. 【推断】 Keduanya bukanlah penemuan baru, dunia akademis sudah ada penelitian terkait, OpenLedger menerapkannya ke dalam sistem yang dapat diselesaikan di rantai, langkah ini mudah diucapkan tetapi sulit dilakukan, tantangannya berada pada biaya komputasi yang besar saat berjalan dalam skala besar, dan mereka belum merilis data pengujian beban yang detail.
$OPEN memiliki posisi fungsional yang jelas, dokumen resmi menjelaskan dengan baik. Ini menjalankan tiga fungsi inti: sebagai Gas untuk semua aktivitas di rantai OpenLedger, sebagai token biaya utama untuk menjalankan inferensi dan membangun model AI baru, serta mekanisme distribusi hadiah kepada kontributor data melalui sistem Proof of Attribution. Ada juga mekanisme yang disebut IAO (Initial AI Offering), yang memungkinkan kreator untuk men-tokenisasi model AI mereka, menjadikannya aset yang dapat diperdagangkan di rantai, mendukung crowdfunding untuk pengembangan model, tata kelola komunitas, dan likuiditas keluar untuk investor. Fitur ini belum banyak saya lihat dalam kasus nyata, 【推断】 saat ini mungkin masih dalam tahap awal.
Dalam data, dari Desember 2024 hingga Februari 2025 selama periode pengujian insentif, OpenLedger menarik lebih dari 6 juta node, 25 juta transaksi, dan lebih dari 20.000 model yang diterapkan. Peluncuran mainnet pada September 2025, hari yang sama resmi diperdagangkan di Binance, dan pada hari peluncuran harga token naik 200%. Namun, saya harus mengatakan sesuatu yang tidak begitu enak didengar: kenaikan besar setelah peluncuran kemudian jatuh dalam jangka panjang adalah skenario standar untuk proyek baru di Binance, $OPEN juga tidak terkecuali.
Pada awal 2026, beberapa anggota komunitas menunjukkan bahwa token telah turun lebih dari 88% dari harga peluncurannya. Ini tidak berarti proyeknya bermasalah, tetapi menunjukkan bahwa kesabaran pasar terhadap narasi 'AI + Blockchain' terbatas, dan protokol perlu membuktikan dirinya dengan data penggunaan nyata dan aktivitas kontributor.
Dalam langkah terbaru, ada satu hal yang menurut saya patut dicatat: pada Januari 2026, OpenLedger bekerja sama dengan Story Protocol untuk meluncurkan standar baru untuk pelatihan AI hukum, yang dapat secara otomatis membayar kepada pemilik hak cipta. Arah ini sangat menarik, karena bidang hukum adalah salah satu skenario di mana model bahasa khusus sangat dibutuhkan, firma hukum tidak mungkin memberi detail kasus kepada GPT, tetapi sistem pelatihan privat yang dapat menjamin sumber data dan izin penggunaan sangat mungkin mereka mau membayar.
Ngomong-ngomong, masalah yang ingin dipecahkan oleh OpenLedger itu nyata, desain mekanismenya punya kedalaman teknis, dan timnya punya pengalaman bisnis yang nyata. Tapi tantangan terbesar sekarang bukan teknologinya, melainkan cold start, di mana kontributor data harus cukup banyak dan kualitas data harus cukup tinggi agar pengembang model mau mengambil data; ketika pengembang model datang, kontributor baru akan terus mengunggah. Apakah roda ini bisa berputar, masih butuh waktu dan lebih banyak skenario vertikal untuk membuktikannya. Saya akan terus memantau.
@OpenLedger #OpenLeder #openledger
