zk-ML: a cosa serve l’AI verificabile, dai giochi agli agenti

Qualche anno fa un motore scacchistico ha giocato una partita contro tutta Internet, e ogni singola mossa dell’avversario artificiale portava con sé una prova matematica di provenire davvero dal modello dichiarato, non da una versione più forte inserita di nascosto a metà gioco. Quel progetto, «Leela vs the World» di Modulus Labs, all’epoca sembrava una curiosità da laboratorio. Oggi è il manifesto di un’intera categoria tecnologica: lo zk-ML, l’intelligenza artificiale che consegna insieme al risultato la prova crittografica di aver calcolato bene.

Per tre anni la domanda giusta sullo zk-ML è stata una sola: può davvero funzionare? Dimostrare che una rete neurale ha eseguito correttamente il suo calcolo costava così tanto da sembrare impraticabile su qualunque cosa più grande di un modello giocattolo. Nel 2026 quel muro si è incrinato, e la domanda interessante si è capovolta. Non più «funziona?», ma «a cosa serve?». Dove, concretamente, vale la pena pagare il costo di una prova crittografica sopra un’inferenza AI?

Questa guida non ripercorre la meccanica interna della prova, già raccontata altrove, ma disegna la mappa dei casi d’uso reali: dai giochi provably fair agli agenti autonomi, dagli oracoli DeFi ai mercati predittivi, fino all’inferenza privata e all’audit imposto dai regolatori. E prova a dire, senza sconti, quali di questi reggono nel 2026 e quali restano ancora ricerca.

Che cos’è lo zk-ML, in una frase

Lo zk-ML (zero-knowledge machine learning) è l’applicazione delle prove a conoscenza zero all’inferenza dei modelli di machine learning. In pratica: chi esegue un modello produce, insieme all’output, una prova crittografica compatta che certifica due cose. Primo, che il calcolo è stato eseguito esattamente con quel modello e quell’input. Secondo, che il risultato non è stato alterato. Chi riceve la prova la verifica in millisecondi, senza dover rieseguire il modello e, se serve, senza vedere né i pesi del modello né i dati in ingresso.

La differenza rispetto al mondo AI ordinario è netta. Oggi, quando un servizio dichiara «ho usato il modello X», bisogna fidarsi sulla parola. Con una prova a conoscenza zero quella fiducia diventa verifica: il conto torna o non torna, matematicamente. Vitalik Buterin, nel suo saggio sull’incrocio tra crypto e AI, indica proprio la verificabilità come l’uso più solido della crittografia applicata all’intelligenza artificiale, con un avvertimento che pesa su tutto il resto di questo articolo: le prove non sono gratis. Su alcuni tipi di calcolo, quelli non lineari che abbondano nelle reti neurali, aggiungono un sovraccarico anche di circa 200 volte. È questa la ragione per cui la mappa dei casi d’uso conta più della tecnologia in sé: la domanda non è se si può provare tutto, ma cosa vale la pena provare.

Perché nel 2026 la domanda è cambiata

Due sviluppi tecnici hanno spostato il baricentro. Il primo si chiama lookup. Le operazioni non lineari di una rete neurale (le funzioni come ReLU o softmax) erano la voce di costo più pesante quando le si traduceva in un circuito aritmetico. I sistemi basati su lookup e sumcheck, come Jolt Atlas (l’adattamento del zkVM Jolt di a16z alle operazioni tensoriali ONNX, sviluppato da ICME Labs e NovaNet, descritto in un paper di febbraio 2026), aggirano il problema sostituendo la rappresentazione a circuito con tabelle di consultazione. Wyatt Benno di ICME lo riassume così: i lookup «eliminano del tutto la necessità di rappresentare il calcolo come circuito», con un benchmark che scende intorno a 0,7 secondi contro i 4-5 secondi degli strumenti a circuito della generazione precedente.

Il secondo sviluppo è una soglia simbolica. Con DeepProve, il sistema di Lagrange, per la prima volta è stato dimostrato end-to-end un intero modello linguistico (GPT-2 e Gemma-3), non più solo un classificatore o una piccola rete di visione, con una generazione della prova dichiarata fino a 60 volte più veloce e una verifica fino a 671 volte più rapida rispetto al precedente stato dell’arte. I modelli in stile Llama restano in lavorazione, quindi nessuno provi ancora GPT-5 in tempo reale; ma il messaggio è chiaro. La fattibilità non è più il titolo. Il vincolo, adesso, è economico: quali applicazioni riescono ad assorbire il costo e la latenza di una prova? È la domanda che organizza tutto il resto di questa guida.

Vale la pena capire perché provare un modello linguistico fosse così difficile. Un conto è dimostrare una moltiplicazione di matrici, dove il sovraccarico di una prova resta contenuto; un altro è dimostrare le migliaia di operazioni non lineari, i cicli di attenzione e i passaggi di normalizzazione di una rete transformer, dove i costi si sommano. A questo si aggiunge un paradosso pratico: l’inferenza su GPU non è perfettamente riproducibile, perché l’ordine dei calcoli in virgola mobile cambia con il parallelismo, mentre una prova a conoscenza zero ha bisogno di determinismo assoluto. Rendere deterministico ciò che per natura non lo è, senza far esplodere i costi, è stata metà del lavoro che ha richiesto anni.

Il filo conduttore: provably fair, ma per l’AI

Chi frequenta i casino crypto conosce già l’idea di fondo. Il provably fair è il meccanismo che permette a un giocatore di verificare, con hash e seed, che l’esito di una mano o di un round non è stato manipolato dal banco: non chiede di fidarsi dell’operatore, chiede di controllare. Se il concetto non è chiaro, la nostra guida a cos’è il provably fair e come si verifica lo spiega passo per passo. Lo zk-ML è la stessa promessa, generalizzata a qualunque calcolo, comprese le decisioni prese da un’intelligenza artificiale.

Il salto è importante perché l’AI introduce esattamente il tipo di scatola nera che il provably fair era nato per eliminare. Un modello che stabilisce le probabilità di un gioco, che modera i contenuti, che decide se erogare un prestito o che muove capitali come agente autonomo è, per l’utente, opaco. La prova a conoscenza zero riporta quel comportamento dentro il perimetro del verificabile: si può dimostrare che il modello usato è quello dichiarato e che ha prodotto quell’output, senza svelare come è fatto internamente. Vista così, quasi tutta la mappa dei casi d’uso dello zk-ML è una variazione sul tema del provably fair: portare la garanzia di equità dal generatore di numeri casuali al modello che governa il sistema. Non a caso i primi esperimenti seri sono nati proprio nel gaming on-chain.

Conviene fissare bene la differenza rispetto al provably fair classico, perché è ciò che rende lo zk-ML più potente e più costoso allo stesso tempo. Il provably fair dei giochi si basa su un impegno crittografico semplice: si pubblica l’hash di un seme prima della giocata e lo si rivela dopo, così il giocatore verifica che il numero casuale non sia stato cambiato a posteriori. Funziona benissimo per un dado o una carta, ma non dice nulla su un calcolo complesso. Lo zk-ML fa un passo oltre: non dimostra solo che un numero non è stato toccato, ma che un’intera funzione, anche una rete neurale con milioni di parametri, è stata eseguita esattamente come dichiarato. È la stessa filosofia, applicata a un oggetto molto più grande, ed è per questo che costa molto di più.

Giochi on-chain: quando l’avversario è un’AI dimostrabile

Torniamo alla partita di scacchi dell’inizio. Leela vs the World, costruito da Modulus Labs, viene ricordato come il primo gioco AI on-chain: la comunità scommetteva a favore o contro un avversario artificiale basato sul motore open source Leela Chess Zero, e ogni sua mossa veniva dimostrata e verificata on-chain. Il punto non era lo spettacolo, ma la garanzia: nessuno poteva accusare l’operatore di aver sostituito, a partita in corso, un modello più forte o più debole per far vincere una delle due parti. Ciò che veniva effettivamente provato era la policy network del motore, la funzione che dallo stato della scacchiera produce una distribuzione di probabilità sulle mosse legali.

Lo stesso team, fondato da Daniel Shorr uscendo da Stanford, aveva costruito RockyBot, un bot di trading autonomo la cui decisione veniva verificata prima di impegnare capitale, e aveva pubblicato «The Cost of Intelligence», il primo benchmark serio dei sistemi a conoscenza zero applicati all’AI. Erano esperimenti piccoli, ma hanno definito lo schema. Nel 2026 lo stesso schema ricompare su scala più grande: Lagrange ha fatto girare una demo pubblica chiamata Turing Roulette, un gioco del tipo «indovina se dall’altra parte c’è un umano o un’AI» che, secondo l’azienda, ha coinvolto oltre 500.000 partecipanti e prodotto 3,7 milioni di inferenze verificate dal vivo.

La vicinanza tra zk-ML e gioco non è casuale. Un gioco è il banco di prova perfetto perché l’incentivo a barare è diretto e la promessa di equità è esattamente ciò che una prova può regolare. È lo stesso principio di un crash game, dove la posta in gioco è verificare che il round non sia stato truccato, spostato dal generatore di numeri casuali al modello che decide la dinamica. Per un settore del gaming crypto che vive di fiducia dimostrabile, un avversario AI a scatola aperta è un prodotto, non un tecnicismo.

Il gaming offre più di un solo aggancio. Man mano che i giochi integrano modelli per governare personaggi non giocanti, difficoltà adattiva, matchmaking o rilevamento dei bari, ciascuna di queste funzioni diventa un punto in cui l’operatore potrebbe barare senza che nessuno se ne accorga: un personaggio che imbroglia, un sistema anti-cheat che colpisce i concorrenti scomodi, un motore che gonfia le probabilità della casa. La prova a conoscenza zero trasforma ognuno di questi in qualcosa di controllabile a posteriori, senza obbligare il gioco a pubblicare il proprio modello e a regalarlo ai rivali. È la naturale estensione della logica che regge i crypto casino provably fair, dove la fiducia nell’operatore si sostituisce con la verifica pubblica delle regole del gioco.

Oracoli verificabili e DeFi: le commissioni che si adattano

Il deployment non ludico più concreto vive nella DeFi. OpenGradient, usando lo strumento EZKL, ha costruito un meccanismo di commissioni dinamiche per Uniswap V3: un modello AI fissa le fee della pool in base alle condizioni di mercato e alla volatilità, così da ricompensare i fornitori di liquidità per il rischio aggiuntivo che assumono, e la prova garantisce che il modello che ha calcolato quella commissione non sia stato manomesso. OpenGradient funziona come un «coprocessore AI»: un insieme di validatori verifica ogni prova (che sia una prova zkML o un’attestazione da hardware sicuro) a livello di consenso, prima che il risultato venga scritto on-chain, e il suo catalogo conta ormai migliaia di modelli con verifica crittografica.

Perché questo conta per la DeFi? Uno smart contract è deterministico e diffidente per costruzione; l’output di un’AI è probabilistico e, di norma, non verificabile. Un oracolo verificabile fa da ponte tra i due mondi. Da qui i casi si moltiplicano: modelli di rischio e volatilità per i protocolli di prestito, pricing guidato dall’AI, credit scoring on-chain, parametri assicurativi. In tutti, la logica è identica a quella dei giochi: non si chiede fiducia nel fornitore del dato o del modello, si pretende una prova. È la stessa esigenza che, sul versante Bitcoin, spinge verso strumenti dove il regolamento non dipende dalla parola di un intermediario ma da regole verificabili scritte nel protocollo.

Il dettaglio che rende questo modello diverso da un oracolo tradizionale è dove avviene il controllo. In un oracolo classico ci si fida del fornitore; qui la prova viene verificata dai validatori prima che il dato entri nel contratto, quindi un modello manomesso o un risultato inventato non superano il filtro. Il costo è che ogni aggiornamento della commissione porta con sé una prova da generare e da verificare, il che ha senso su parametri che cambiano lentamente (le fee di una pool, un punteggio di rischio) e molto meno su dati ad altissima frequenza. Anche in DeFi, insomma, la mappa dei casi d’uso segue il costo della prova.

Agenti AI: dimostrare prima di agire

La domanda che cresce più in fretta viene dall’economia degli agenti. Un agente autonomo che muove fondi, fa trading o firma transazioni dovrebbe dimostrare che la sua azione deriva dal modello e dalla policy dichiarati prima di eseguirla, non dopo. RockyBot era la versione giocattolo; ARMA di Giza, un agente autonomo di ottimizzazione dei rendimenti in stablecoin attivo su Base (che opera su Aave, Morpho, Compound e Moonwell), è una versione di produzione della stessa idea. Vale la pena notare che Giza era nata come progetto puramente zkML e ha poi ruotato verso l’AgentFi: un segnale che il valore, oggi, sta più nell’agente che nella prova venduta come prodotto a sé.

Perché la prova qui conta più che altrove? Perché gli agenti sono manipolabili. Nel 2026 si sono visti casi di agenti dirottati tramite prompt injection e svuotati dei loro fondi, poi in parte restituiti: un’istruzione malevola nascosta in un messaggio basta a far compiere all’agente un’azione che il suo operatore non aveva mai autorizzato. Un agente che, prima di firmare, deve dimostrare che la decisione proviene dal modello dichiarato e non da un’iniezione è molto più difficile da dirottare. È il motivo per cui gli L1 di inferenza verificabile puntano proprio su questo mercato: Ritual costruisce esattamente l’inferenza AI verificabile dentro gli smart contract. E l’economia degli agenti ha bisogno anche di rotaie di pagamento: quando le macchine si pagano da sole, spesso lo fanno su Lightning. Lo zk-ML è il pezzo che rende quelle azioni non solo pagabili, ma dimostrabili.

Il punto sottile è la sequenza. Non basta che un agente registri dopo l’azione una prova di ciò che ha fatto; il valore sta nel dimostrare, prima di firmare la transazione, che la decisione discende dal modello e dai vincoli dichiarati. Così la prova diventa una condizione d’esecuzione, non un verbale postumo. Unita alle rotaie di micropagamento, questa combinazione disegna un agente che può pagare per un servizio, riceverne l’output insieme alla prova che è stato calcolato dal modello giusto, e solo allora agire. È lo scheletro di un’economia di macchine che contrattano tra loro senza un intermediario umano che garantisca per ciascuna.

Mercati predittivi: chi arbitra quando decide un’AI

I mercati predittivi si regolano su un esito: qualcuno deve stabilire se un evento è accaduto oppure no. Sempre più spesso quel qualcuno è un’AI che legge notizie, immagini e dati on-chain per emettere il verdetto. Il problema è che un risolutore basato su AI reintroduce esattamente il problema dell’oracolo di cui bisogna fidarsi: se non puoi verificare il modello, sei tornato a credere sulla parola a una scatola nera, con in più il rischio che qualcuno abbia interesse a orientarne il responso quando ci sono grosse somme in ballo.

Lo zk-ML permette di rendere controllabile la risoluzione stessa: dimostrare che il modello risolutore ha letto le prove dichiarate e ha prodotto il verdetto dichiarato, senza che nessuno abbia potuto metterci le mani. Diversi progetti stanno sperimentando risolutori e giudici basati su AI proprio sopra questa idea; il livello di verificabilità è ciò che impedisce loro di diventare un singolo punto di fiducia. Il legame con il gaming e con lo scommettere è diretto e vicino al lettore italiano: un mercato predittivo è una scommessa, e una scommessa il cui esito è deciso da un’AI non verificabile è precisamente ciò che la logica del provably fair esiste per impedire.

C’è anche una ragione economica per cui questo caso d’uso è tra i più promettenti: i mercati predittivi tollerano bene la latenza. La risoluzione di un mercato avviene una volta sola, alla chiusura, e può permettersi di attendere secondi o minuti perché una prova venga generata. È l’opposto di un agente di trading ad alta frequenza. Dove il tempo non è il vincolo dominante, il costo della prova diventa accettabile, e la verificabilità smette di essere un lusso per diventare la caratteristica che distingue un mercato serio da uno in cui il banco può decidere l’esito.

Inferenza privata: dimostrare senza rivelare

C’è una proprietà che solo la conoscenza zero offre, e che gli altri approcci alla verifica (l’hardware sicuro, le prove di frode ottimistiche) non possono garantire: dimostrare che un calcolo è avvenuto correttamente senza rivelare né i dati in ingresso né il modello. È il vero punto di forza dello zk-ML. Un ospedale può provare che un modello diagnostico ha girato sulla tua radiografia senza esporre la radiografia. Un sistema d’identità può provare che corrispondi a un dato biometrico senza rivelare il dato. Uno sviluppatore può provare di aver usato un modello proprietario sotto licenza senza divulgarne i pesi. In tutti questi casi la privacy non è un accessorio, è il prodotto.

Il rovescio della medaglia è il costo, e qui vale la pena citare una voce dell’industria. Elena Burger, deal partner del team crypto di a16z, ricorda che le prove a conoscenza zero oggi «non riescono a rappresentare le operazioni in virgola mobile a 32 bit nel formato di circuito aritmetico necessario senza costi enormi», il che costringe a quantizzare i modelli a 8 bit, ottenendo quella che lei definisce «un’approssimazione grezza» del modello originale. Tradotto: l’inferenza privata via zk-ML oggi scambia un po’ di fedeltà del modello in cambio della dimostrabilità. Per un classificatore di spam va benissimo; per un modello medico di frontiera potrebbe non bastare. È proprio questo compromesso a decidere quali applicazioni private reggono adesso e quali restano di nicchia.

Lo zk-ML non è l’unico modo per ottenere privacy. Il calcolo multi-parte (MPC) e la crittografia omomorfica (FHE) permettono anch’essi di elaborare dati cifrati, e alcune architetture li combinano con l’hardware sicuro. La differenza è che quegli approcci proteggono la riservatezza ma non producono, di per sé, una prova pubblica e universale di correttezza: dimostrano poco a chi non ha partecipato al calcolo. La conoscenza zero, invece, lascia a chiunque una prova verificabile. Per casi come l’identità digitale, dove un utente vuole dimostrare un attributo (la maggiore età, l’unicità, l’appartenenza a un insieme) senza consegnare il dato sottostante, questa combinazione di privacy e verificabilità pubblica è esattamente ciò che serve.

Audit e conformità: la spinta del regolatore

La domanda che nessuna azienda controlla arriva dal regolatore. L’AI Act europeo, dal 2 agosto 2026, è entrato nella fase di piena applicabilità con i poteri di enforcement della Commissione, gli obblighi di trasparenza e le regole sui modelli di uso generale (queste ultime in vigore dall’agosto 2025). Gli obblighi più pesanti sui sistemi ad alto rischio arriveranno in modo scaglionato, dal 2 dicembre 2027 per gli usi sensibili dell’Allegato III e dal 2 agosto 2028 per i sistemi incorporati nei prodotti, con sanzioni che possono arrivare a 15 milioni di euro o al 3% del fatturato mondiale per le violazioni sui modelli generali, fino a 35 milioni o al 7% per le pratiche vietate. Un modello ad alto rischio (credit scoring, selezione del personale, identificazione biometrica) dovrà dimostrare di essersi comportato come specificato. Lo zk-ML offre un modo per provare la conformità senza esporre la proprietà intellettuale del modello.

La domanda esiste già. Lagrange, citando una ricerca McKinsey, riferisce che il 71% dei dirigenti d’azienda dichiara che non porterà in produzione su larga scala i propri sistemi AI senza una prova di correttezza. E quando ha reso open source DeepProve, l’amministratore delegato Ismael Hishon-Rezaizadeh l’ha messa in modo netto: «La scatola nera è aperta». Per le imprese italiane il quadro è a strati: MiCA, con Consob e Banca d’Italia, disciplina i cripto-asset e i prestatori di servizi (non l’infrastruttura AI in sé), i derivati su crypto ricadono sotto la MiFID II vigilata da Consob, e sopra tutto si posa l’AI Act. La superficie di conformità che più ovviamente si incrocia con l’AI verificabile è quella del KYC e dell’AML, dove i modelli già filtrano transazioni e identità. Un modello di screening che deve dimostrare di aver applicato le regole dichiarate, senza esporre la propria logica agli attori che vuole intercettare, è un caso da manuale per lo zk-ML.

Il tema tocca da vicino anche i regolatori italiani nel loro stesso lavoro. Consob utilizza già tecniche di machine learning per la sorveglianza sugli abusi di mercato, con un principio dichiarato di supervisione umana sulle decisioni del modello. Un’autorità che affida analisi a sistemi automatici affronta la stessa domanda delle imprese che vigila: come dimostrare che il modello ha fatto ciò che doveva, in modo riproducibile e contestabile? La verificabilità crittografica è una delle poche risposte che non richiede di aprire il modello a chiunque, ed è per questo che l’AI verificabile interessa tanto ai vigilati quanto ai vigilanti.

Dove lo zk-ML è già in produzione (o quasi)

Il divario tra whitepaper e deployment è dove questo settore si gioca la credibilità. Ecco, in sintesi, cosa è davvero uscito dal laboratorio, con l’avvertenza che quasi tutto è ancora tra demo e produzione ristretta: nessuno, oggi, prova in produzione e in tempo reale un modello linguistico di frontiera.

Il filo comune è evidente: nessuno di questi è un chatbot generalista. Sono sistemi dove c’è denaro, equità o conformità in gioco, cioè esattamente i contesti in cui pagare una prova ha senso. Tutto il resto, per ora, resta più economico da lasciare non verificato.

I limiti che decidono quali casi d’uso reggono

Tre vincoli separano i casi d’uso praticabili da quelli ancora teorici. Il costo: il sovraccarico resta pesante sulle operazioni non lineari (le 200 volte di cui parla Buterin) e la quantizzazione necessaria riduce la fedeltà del modello, come nota Burger. La latenza: generare una prova richiede ancora da secondi a minuti, non è istantaneo, quindi le applicazioni in tempo reale sono difficili. La scala: i modelli linguistici di frontiera non sono ancora dimostrabili in produzione. Ne segue un filtro semplice. Reggono i casi in cui c’è fiducia o denaro in gioco, esiste tolleranza alla latenza (regolamento, audit, giochi a turni) e il modello può essere piccolo o quantizzato. Falliscono la chat generalista in tempo reale e qualunque uso dove la prova costa più del valore che protegge.

Il compromesso che Buterin descrive, tra un calcolo economico ma non verificabile e uno verificabile ma costoso, è il vero asse di progettazione. Ogni riga di questa tabella è, in fondo, una risposta diversa alla domanda: quanto vale, qui, la certezza?

Un ultimo limite è meno tecnico e più strategico: la verificabilità non serve a nulla se nessuno controlla la prova. Una prova a conoscenza zero garantisce che il calcolo sia corretto, ma non che l’input fosse quello giusto o che il modello dichiarato fosse davvero quello che l’utente voleva. Restano problemi di ingresso e di governance che nessuna crittografia risolve da sola. Per questo i casi d’uso più solidi sono quelli in cui esiste già una parte con l’incentivo a verificare (un regolatore, un avversario in un gioco, un fornitore di liquidità che ci rimette se il modello imbroglia), e non quelli in cui la prova resterebbe un ornamento che nessuno guarda.

Tecnologia che scala, token che no

Nonostante la tecnologia funzioni sempre meglio, i token legati a queste reti raccontano un’altra storia. Il token di Lagrange (LA) vale circa 0,047 euro, quasi il 97% sotto il proprio massimo storico; quello di Succinct (PROVE) sta intorno a 0,14 euro, all’incirca il 90% sotto il suo record. Lo scarto racconta un mercato che, oggi, prezza l’adozione più della tecnologia, e l’adozione dell’inferenza verificabile a pagamento è ancora sottile. È il caso in cui infrastruttura solida e prezzo del token divergono, e conviene tenerli separati nel ragionamento.

Non aiuta l’ambiguità normativa. L’interpretazione congiunta di SEC e CFTC del marzo 2026 ha classificato sedici cripto-asset come digital commodity (tra cui LINK) ma non ha detto nulla sui token dell’infrastruttura AI e di calcolo verificabile, che restano in una zona grigia valutata caso per caso. Per il lettore italiano la nota pratica è duplice: sono token infrastrutturali speculativi, e resta aperta la domanda se l’AI verificabile abbia davvero bisogno di un token proprio per funzionare. La tecnologia può prosperare anche senza che quei token lo facciano.

Cosa aspettarsi (e cosa no) nel resto del 2026

Cosa arriverà per primo? L’audit regolamentare, trainato dalle scadenze dell’AI Act, gli agenti autonomi, dove ci sono soldi veri e rischio di manipolazione reale, e le demo di gaming e oracoli che maturano in produzione ristretta. Cosa resterà ricerca? La prova in tempo reale dei modelli di frontiera e l’inferenza privata ad alta fedeltà su larga scala. Chi vende zk-ML come soluzione universale e immediata sta correndo davanti alla realtà; chi la tratta come un livello di verifica selettivo, da attivare dove serve, sta leggendo la mappa nel modo giusto.

Il segnale da osservare non è l’annuncio dell’ennesimo sistema di prova più veloce, ma il primo cliente disposto a pagare per averlo: un exchange che dimostra ai clienti l’equità del proprio motore di rischio, un’assicurazione on-chain che prova come ha calcolato un sinistro, un gioco che certifica il proprio generatore di numeri casuali e la propria AI. Quando la verificabilità smetterà di essere un argomento da whitepaper e diventerà una voce nel contratto commerciale, sapremo che il settore ha superato la fase della dimostrazione tecnica.

Per un lettore in Italia lo zk-ML è meno un trade su un token che una tendenza infrastrutturale da seguire attraverso i deployment concreti, con Consob e Banca d’Italia competenti sui token e sui servizi ma non sull’infrastruttura in sé, e l’AI Act che dal 2026 in poi diventa la vera leva di domanda. La domanda da tenere d’occhio non è più se l’AI verificabile funziona, ma quali dei casi d’uso di questa mappa avranno, per primi, qualcuno disposto a pagare la prova.

Domande frequenti (FAQ)

Che cos’è lo zk-ML in parole semplici?

Lo zk-ML è l’intelligenza artificiale che consegna, insieme al risultato, una prova crittografica di aver eseguito davvero il modello dichiarato. Chi riceve la prova la verifica in pochi millisecondi, senza rieseguire il calcolo e, se serve, senza vedere i dati in ingresso o i pesi del modello.

A cosa serve concretamente lo zk-ML nel 2026?

Ai casi in cui c’è fiducia o denaro in gioco: giochi on-chain con avversari AI dimostrabili, oracoli e commissioni dinamiche in DeFi, agenti autonomi che devono provare le proprie decisioni, risoluzione di mercati predittivi, inferenza privata e audit richiesto dai regolatori.

Che differenza c’è tra zk-ML e provably fair dei casino?

Il provably fair permette di verificare che l’esito di un gioco non sia stato manipolato dal banco. Lo zk-ML estende la stessa idea a qualunque calcolo, comprese le decisioni prese da un modello di intelligenza artificiale, dimostrando che il modello usato è quello dichiarato e che ha prodotto quell’output.

Lo zk-ML può verificare modelli grandi come ChatGPT?

Non ancora in tempo reale. Nel 2026 è stato dimostrato per la prima volta un LLM completo di piccola taglia (GPT-2 e Gemma-3), ma i modelli di frontiera restano troppo costosi da provare in produzione. La verifica di modelli enormi resta un problema di ricerca aperto.

Conviene comprare i token legati allo zk-ML?

È una scommessa speculativa. Nonostante la tecnologia funzioni, i token del settore restano tra il 90% e il 97% sotto i massimi storici, segno che il mercato prezza l’adozione, ancora scarsa, più della tecnologia. In Italia questi token restano in una zona grigia normativa e non costituiscono un consiglio d’investimento.

Luca Ferretti scrive di AI, infrastrutture e mercati crypto per HOGE Wire.