Meine Thesis für $GRASS
Mit dem Wachstum von KI-Modellen ⭢ ist die Nachfrage nach großen Mengen unterschiedlicher ⭢ aktueller öffentlicher Webdaten stark gestiegen.
Allerdings haben große Plattformen das Blockieren von Datacenter- und Proxy-IPs verstärkt, wodurch traditionelles Scraping weniger zuverlässig geworden ist. @grass schließt diese Lücke, indem es ein verteiltes Netzwerk von Wohnadressen-Knoten nutzt (skaliert auf 8,5 Millionen MAU bis Ende 2025), um öffentliche Webdaten zu sammeln. Dieser Ansatz liefert geo-diverse IPs, die deutlich schwerer zu blockieren sind.
Im Jahr 2025 hat dies verrückte Einnahmen generiert, die von nahezu null im Q1 auf etwa 2,75 Millionen Dollar im Q2 und etwa 4,3 Millionen Dollar im Q3 gestiegen sind, mit einer Prognose für einen Q4-Lauf von 12,8 Millionen Dollar zu diesem Zeitpunkt, unterstützt von wiederkehrenden KI-Kunden. Was es zu einem starken Anwendungsfall macht, ist:
Nachgewiesene kommerzielle Nachfrage + hohe Anzahl benutzereigener Geräte + ZK-Herkunft, die zentralisierte Alternativen fehlen.
Grass kann sich verbessern durch👇
1. Die gleiche souveräne Daten-Rollup in LCR für Echtzeit-Inferenzkontext zu erweitern, was die Wirtschaftlichkeit von episodischen Trainingsverträgen in Richtung wiederkehrender nutzungsbasierter Einnahmen verschieben würde.
2. Auf der Token-Seite würde eine stärkere Nutzung + eine formalisierte Wertakkumulation über diskretionäre Rückkäufe hinaus die Ausrichtung der Inhaber verbessern.
Bei einer Marktkapitalisierung von etwa 240 Millionen Dollar zeigt meiner Meinung nach das Setup eine klare Lücke zwischen starker KI-Daten-Traktion und den aktuellen Token-Mechaniken. Ich erwarte, dass dies im kommenden Tokeninhaber-Call angesprochen wird.
Mit dem Wachstum von KI-Modellen ⭢ ist die Nachfrage nach großen Mengen unterschiedlicher ⭢ aktueller öffentlicher Webdaten stark gestiegen.
Allerdings haben große Plattformen das Blockieren von Datacenter- und Proxy-IPs verstärkt, wodurch traditionelles Scraping weniger zuverlässig geworden ist. @grass schließt diese Lücke, indem es ein verteiltes Netzwerk von Wohnadressen-Knoten nutzt (skaliert auf 8,5 Millionen MAU bis Ende 2025), um öffentliche Webdaten zu sammeln. Dieser Ansatz liefert geo-diverse IPs, die deutlich schwerer zu blockieren sind.
Im Jahr 2025 hat dies verrückte Einnahmen generiert, die von nahezu null im Q1 auf etwa 2,75 Millionen Dollar im Q2 und etwa 4,3 Millionen Dollar im Q3 gestiegen sind, mit einer Prognose für einen Q4-Lauf von 12,8 Millionen Dollar zu diesem Zeitpunkt, unterstützt von wiederkehrenden KI-Kunden. Was es zu einem starken Anwendungsfall macht, ist:
Nachgewiesene kommerzielle Nachfrage + hohe Anzahl benutzereigener Geräte + ZK-Herkunft, die zentralisierte Alternativen fehlen.
Grass kann sich verbessern durch👇
1. Die gleiche souveräne Daten-Rollup in LCR für Echtzeit-Inferenzkontext zu erweitern, was die Wirtschaftlichkeit von episodischen Trainingsverträgen in Richtung wiederkehrender nutzungsbasierter Einnahmen verschieben würde.
2. Auf der Token-Seite würde eine stärkere Nutzung + eine formalisierte Wertakkumulation über diskretionäre Rückkäufe hinaus die Ausrichtung der Inhaber verbessern.
Bei einer Marktkapitalisierung von etwa 240 Millionen Dollar zeigt meiner Meinung nach das Setup eine klare Lücke zwischen starker KI-Daten-Traktion und den aktuellen Token-Mechaniken. Ich erwarte, dass dies im kommenden Tokeninhaber-Call angesprochen wird.