Mercati predittivi: l’AI prevede come il mercato ma non guadagna

A ottobre 2026 i mercati predittivi non assomigliano più a quello che erano un anno fa. Su Polymarket e Kalshi non si contano soltanto le scommesse su chi vincerà un’elezione o se la Fed taglierà i tassi: si contano gli agenti AI che le piazzano, i modelli linguistici che vengono misurati su quelle stesse domande, i prodotti che leggono le probabilità come fossero un sensore, perfino il software che scrive le regole dei contratti e decide chi ha vinto. Il mercato predittivo è diventato, di fatto, il livello di previsione dell’intera industria dell’intelligenza artificiale on-chain.

Il risultato più sorprendente dell’anno arriva proprio da qui, e suona come un paradosso. Quando si mettono i modelli di frontiera a prevedere gli stessi eventi su cui scommettono gli esseri umani, questi azzeccano le probabilità quanto il mercato, a volte meglio. Ma quando quegli stessi modelli devono trasformare la previsione in un profitto, perdono. Prevedere bene e guadagnare, sui mercati predittivi, non sono la stessa cosa: è la distanza fra calibrazione e convinzione, e nel 2026 è diventata misurabile.

Questo pezzo prova a mettere ordine in quel paradosso. Non ripartiamo da zero sul funzionamento di base (lo abbiamo già raccontato) ma guardiamo a cosa succede quando l’AI non è più solo un giocatore al tavolo, bensì l’infrastruttura del tavolo stesso: chi scommette, chi viene valutato, chi consuma il prezzo, chi gestisce il banco e chi arbitra.

Da luogo di scommessa a livello di previsione

Un mercato predittivo è un contratto binario: comprare una quota «Sì» a un prezzo compreso tra 0 e 1 euro equivale a comprare una probabilità, e alla risoluzione la quota vincente vale 1, quella perdente 0. Il prezzo di equilibrio è, in teoria, la probabilità che la folla assegna all’evento. Per anni questa folla è stata umana. Nel 2026 è in buona parte fatta di macchine, e intorno a quel prezzo si è formato uno strato di software che lo produce, lo misura e lo riusa.

Conviene tenere distinti i ruoli, perché vengono spesso confusi in un unico calderone di «bot che scommettono». Sono almeno cinque, e ciascuno ha il suo caso concreto nel 2026.

Tenere separati questi cinque ruoli è utile perché ciascuno promette una cosa diversa e mantiene, per ora, una cosa diversa. Partiamo dal più noto, quello che negli ultimi due anni ha fatto notizia: l’AI che scommette.

Gli agenti che scommettono: Polystrat e il dominio dei bot

Il motivo per cui gli agenti autonomi hanno colonizzato i mercati predittivi prima di qualsiasi altra nicchia della finanza on-chain è strutturale. Un mercato predittivo offre uno spazio d’azione minuscolo (comprare o vendere Sì o No), una ricompensa oggettiva e programmata (l’evento si risolve a una data nota), funziona 24 ore su 24, è interrogabile via API e, soprattutto, pone domande in linguaggio naturale. È l’ambiente ideale per un modello linguistico dotato di portafoglio: tutto ciò che serve è leggere un testo, stimare una probabilità e firmare una transazione.

Il volto di questo fenomeno è Polystrat, l’agente lanciato a febbraio 2026 da Valory, la società dietro il framework Olas. Secondo la ricostruzione di CoinDesk, nel primo mese ha piazzato oltre 4.200 operazioni, con punte del 376% su singole posizioni. Più in generale, oltre il 30% dei portafogli attivi su Polymarket sarebbe riconducibile ad agenti AI, 14 dei primi 20 portafogli per volume sono bot, e circa il 37% degli agenti chiude in profitto contro il 7-13% degli operatori umani.

David Minarsch, CEO e co-fondatore di Valory, descrive Polystrat come «un agente AI autonomo che opera su Polymarket 24 ore su 24 per conto del suo utente umano». È lo stesso Minarsch, però, a mettere in guardia dall’entusiasmo facile: limitarsi a interrogare un modello pronto all’uso «di solito produce risultati non migliori di un lancio di moneta», mentre solo con flussi di lavoro costruiti su misura si arriva a «un’accuratezza predittiva fino al 70% e oltre». La sua tesi di fondo è che «gli agenti tendono a fare meglio degli umani» perché «gli esseri umani scelgono in modo più frettoloso, e questo può penalizzarli». Tenete a mente questa frase: i benchmark del 2026 la confermano e la smentiscono allo stesso tempo.

Olas, i Mech e l’economia fra agenti

Gli agenti che scommettono raramente lavorano da soli. Nell’ecosistema Olas un agente di trading può «comprare» una previsione da un altro agente, un cosiddetto Mech o prediction broker che combina modelli, dati e API in una singola probabilità e la vende per una micro-commissione. È uno dei pochi esempi di economia agente-ad-agente davvero in produzione, non in slide: il marketplace dei Mech ha registrato milioni di transazioni fra agenti su più catene, a fronte di un giro d’affari complessivo ancora minuscolo. Tanti scambi, pochissimo valore: la promessa del commercio fra macchine, mantenuta quasi solo qui.

Questa divisione del lavoro è il motivo per cui gli agenti sui mercati predittivi vengono spesso citati come la prima vera applicazione dell’economia delle macchine, in cui software paga software per un servizio. Attenzione però a non confondere la qualità dell’infrastruttura con il valore dei token: OLAS, come il token UMA che alimenta gli oracoli di Polymarket, resta un micro-cap da pochi milioni di dollari, lontanissimo dai suoi massimi. È lo stesso scollamento che abbiamo visto con i framework open source dove il codice sopravvive mentre il token muore: la bontà del motore non si legge nel grafico del token.

Il verdetto di Prophet Arena: l’AI prevede quanto il mercato

Il salto concettuale del 2026 è che i mercati predittivi sono diventati anche il metro con cui si misura la bravura previsiva delle macchine. Prophet Arena, un benchmark pubblicato dai ricercatori del SIGMA Lab dell’Università di Chicago (Qingchuan Yang, Simon Mahns, Sida Li, Anri Gu, Jibang Wu e Haifeng Xu), fa esattamente questo: fa prevedere ai modelli domande reali ancora aperte su Kalshi e Polymarket e usa il prezzo di mercato come verità di riferimento. Il trucco è elegante perché immune alla contaminazione dei dati di addestramento: un evento non ancora risolto non può essere finito nel training set.

I risultati, leggibili nel paper su arXiv, ribaltano l’intuizione comune. Sulla calibrazione, cioè quanto le probabilità dichiarate corrispondono alle frequenze reali, i modelli di punta sbagliano meno del mercato: l’errore di calibrazione (ECE) di GPT-5R è 0,042 e quello di Claude Sonnet 4R è 0,041, contro lo 0,069 del mercato. Sul Brier score, la metrica classica di accuratezza probabilistica, è sostanzialmente un pareggio: i modelli si collocano nella banda 0,18-0,22, con il mercato a 0,187. Tradotto: sulla previsione pura, i migliori LLM eguagliano il mercato e talvolta lo battono.

Perché l’AI non guadagna: calibrazione non è convinzione

Ed è qui che arriva la doccia fredda. La stessa tabella mostra l’ultima colonna, il rendimento medio, dove 1 indica il pareggio: tutti i modelli stanno sotto. Gli autori sono netti: «Anche GPT-5R, il modello in testa alla classifica, non raggiunge il pareggio (rendimento medio inferiore a 1)». Si ferma a 0,943, cioè chiude in perdita pur essendo meglio calibrato del mercato. Prevedere bene non basta.

La ragione, documentata nel paper, è che i modelli sono sistematicamente timidi. «Nella grande maggioranza degli eventi gli LLM producono probabilità più conservative», e «anche quando i mercati assegnano probabilità quasi certe, vicine a uno, il modello resta esitante e raramente spinge le sue previsioni altrettanto all’estremo». Per guadagnare su un mercato non serve solo stimare bene: serve convinzione, cioè puntare forte quando il prezzo è palesemente sbagliato. Un modello che non si avvicina mai a 0 o a 1 lascia sul tavolo proprio le scommesse più redditizie, e lo spread tra denaro e lettera, insieme alle commissioni, divora il margine sottile che resta. A peggiorare le cose ci sono tre colli di bottiglia tecnici individuati dagli autori: un richiamo impreciso dei fatti (date, meteo, cronaca politica), una cattiva ponderazione delle fonti (a volte il modello peggiora quando gli si danno più fonti) e un’aggregazione dell’informazione più lenta del mercato quando la risoluzione si avvicina.

Un secondo benchmark, Prediction Arena, misura la cosa complementare, non la previsione ma il trading vero. Nello studio, sei modelli di frontiera hanno ricevuto 10.000 dollari ciascuno (circa 8.900 euro) per 57 giorni, dal 12 gennaio al 9 marzo 2026. Il risultato è impietoso su Kalshi, dove hanno perso tutti, da -16,0% a -30,8%, mentre su Polymarket la media è stata vicina al pareggio (-1,1%) e il checkpoint di grok-4 ha chiuso con il miglior tasso di operazioni vincenti, il 71,4%. La conclusione degli autori pesa più di qualsiasi classifica: «il design della piattaforma ha un effetto profondo su quali modelli hanno successo». Conta l’ambiente (selezione dei mercati, spread, struttura delle quote) più dell’intelligenza del modello. Due esperimenti diversi, una sola morale: l’AI è un’ottima stimatrice e una scommettitrice mediocre.

L’AI che consuma: la probabilità come segnale

Se l’AI non riesce a battere il mercato scommettendo, può comunque usarlo. È il terzo ruolo, e nel 2026 ha un prodotto di riferimento. Il 24 settembre la piattaforma di investimento Public ha lanciato, grazie a un accordo con Kalshi, agenti AI dedicati ai mercati predittivi (Fortune). Non si limitano a operare sui contratti-evento: usano le variazioni di probabilità come innesco per altre azioni del portafoglio, per esempio comprare un’azione quando la probabilità di un’approvazione regolatoria supera una soglia, mandare un avviso quando cambiano le quote su un taglio dei tassi, o impostare opzioni legate alla probabilità di una trimestrale.

Lo spiega bene Leif Abraham, co-fondatore e co-CEO di Public: «Gli agenti AI possono lavorare per te e, negli investimenti, questo significa che possono monitorare i mercati quando non sei davanti a uno schermo. Possono eseguire strategie che forse nemmeno fisicamente saresti stato in grado di eseguire da solo.» Qui il mercato predittivo smette di essere una destinazione e diventa un sensore: la probabilità non è più la scommessa, è l’input di un’altra decisione.

Non è un caso isolato. ICE, la società proprietaria del NYSE, ha impegnato fino a circa 2 miliardi di dollari (circa 1,8 miliardi di euro) in Polymarket, e lo ha fatto esplicitamente per i dati, come distributore esclusivo degli esiti e dei segnali, non per scommettere (CoinDesk). Il prezzo di un mercato predittivo è, in questa lettura, un flusso dati vendibile: una probabilità in tempo reale su ogni evento, pronta da dare in pasto ad altri sistemi.

C’è un dettaglio regolatorio che vale per chi costruisce questi ponti. Negli Stati Uniti un mercato predittivo è un contratto-evento di competenza della CFTC; ma nel momento in cui una probabilità di Kalshi fa scattare l’acquisto di un’azione, la decisione scivola nel perimetro della SEC. In Italia e nell’Unione Europea lo stesso passaggio sposterebbe l’operazione dal terreno del gioco e del contratto-evento a quello dei servizi di investimento sotto MiFID II, vigilati dalla Consob. Vale la pena ricordarlo: in Italia Public e Kalshi non sono comunque accessibili, perché l’intero comparto è oscurato (ci torniamo), ma la direzione è quella.

L’AI che gestisce il banco: l’agente interno di Kalshi

Il quarto ruolo è il meno visibile e forse il più sorprendente: l’AI non scommette e non osserva, ma gestisce l’offerta. Kalshi ha costruito un agente AI interno per il proprio team dei mercati (PYMNTS). Fa quattro cose: aggrega le notizie principali, analizza l’offerta dei concorrenti, raccomanda quali contratti quotare e, soprattutto, mette alla prova la formulazione dei contratti per scovare ambiguità prima che il mercato apra.

Luana Lopes Lara, co-fondatrice di Kalshi, lo racconta così: «Abbiamo un ingegnere AI nel team dei mercati, dove l’AI mette alla prova l’intera certificazione, cercando di capire se andando in questa direzione forse c’è un buco qui, e tutto il resto.» Il problema che risolve è concreto: in passato formulazioni ambigue hanno fatto finire interi mercati in disputa, come un contratto sugli utili di Netflix deciso da come un dirigente aveva pronunciato «Warner Brothers» invece di «Warner Bros.». Un agente che legge il contratto come un avversario, in cerca della scappatoia, serve proprio a questo. Il risultato è che anche il banco, non solo i giocatori, è in parte una macchina.

L’AI che arbitra: oracoli, Truth Bot e giudici AI

Resta il quinto ruolo, il più delicato, perché quando sbaglia non c’è prezzo che tenga: la risoluzione. Vincere o perdere non dipende solo da cosa succede nel mondo, ma da chi certifica che è successo. Polymarket usa l’oracolo ottimistico di UMA: qualcuno propone l’esito, se nessuno lo contesta entro una finestra breve diventa definitivo, e in caso di disputa decide il voto dei detentori del token UMA. È un meccanismo che abbiamo analizzato altrove; qui conta notare che anche l’arbitro sta diventando una macchina.

UMA ha messo in prova un proponente AI, l’Optimistic Truth Bot, con un’architettura a tre stadi (un router, dei solver che usano ricerca web e un esecutore di codice, e un overseer che supervisiona). I numeri del team sono istruttivi: circa il 78% di accuratezza complessiva su oltre 3.000 mercati, con punte del 99,3% su sport e prezzi degli asset e del 95% sui quesiti Sì/No netti, ma un crollo al 72% quando bisogna contare quante volte viene detta una parola; solo lo 0,4% delle sue proposte riceve una contestazione umana genuina, e il sistema per ora pubblica solo sui social, non on-chain (blog.uma.xyz). In parallelo, Andrew Hall, docente di economia politica a Stanford e senior fellow della Hoover Institution, ha proposto i «giudici AI» come risoluzione nativa.

L’idea di Hall, esposta in un saggio di a16z crypto, è che «al momento della creazione del contratto, il market maker specifica non solo i criteri di risoluzione in linguaggio naturale, ma l’esatto LLM (identificato da una versione del modello con timestamp) e l’esatto prompt che verranno usati per determinare l’esito». Il vantaggio dichiarato è la trasparenza totale: «L’intero meccanismo di risoluzione è visibile e verificabile prima che chiunque piazzi una scommessa: niente modifiche delle regole in corsa, niente decisioni discrezionali, niente trattative dietro le quinte.»

C’è un però che collega questo pezzo a tutto il filone dell’AI verificabile. Un oracolo o un giudice AI è affidabile quanto la prova che ha davvero eseguito il modello e il prompt dichiarati, e non un’altra cosa. Dimostrare che un’inferenza è corretta senza doversi fidare del nodo che l’ha prodotta è esattamente il problema che prova a risolvere l’infrastruttura di AI verificabile on-chain, con tecniche che vanno dalla ri-esecuzione in stile ottimistico fino alle prove crittografiche che permettono di attestare un’inferenza senza rivelare modello o dati. Finché quella prova manca, un giudice AI resta un atto di fiducia, non di verifica, e sull’arbitro gli errori non si prezzano: diventano definitivi.

Volumi nozionali contro dollari veri

Un’app che consuma la probabilità come segnale deve sapere cosa sta leggendo, e qui i numeri del 2026 ingannano. A settembre Kalshi ha stampato record, ma vanno letti con attenzione. Nella settimana dal 14 al 20 settembre il volume dei contratti ha toccato 15,27 miliardi di dollari (circa 13,6 miliardi di euro), la migliore della piattaforma nell’anno; i dollari effettivamente scambiati al prezzo di esecuzione, però, sono stati 3,53 miliardi, su 85,26 milioni di operazioni (DeFiRate). Il 20 settembre è arrivato il primo giorno oltre i 3 miliardi di volume contratti (3,17 miliardi).

Il punto non è lo scetticismo da tifoseria, ma la qualità del segnale. Il volume nozionale conta quante quote passano di mano, non quanto denaro cambia davvero proprietario: la forbice tra 15 e 3,5 miliardi è proprio quella distanza. Un agente che legge «15 miliardi» come misura di convinzione del mercato sta sommando mele e pere. Per un segnale automatico, il rumore (operazioni ripetute, taglie clonate, liquidità di facciata) somiglia all’informazione e può spostare un prezzo che un altro agente userà come input. La trasparenza della blockchain rende tutto questo osservabile, ma non lo rende automaticamente pulito, ed è un rischio che chi costruisce il livello di previsione tende a sottovalutare.

Monocultura e riflessività: il rischio del segnale unico

C’è una contraddizione al cuore del livello di previsione. Prophet Arena funziona come giudice imparziale perché usa il prezzo di mercato come verità di riferimento, e quel prezzo è affidabile finché a formarlo contribuiscono tanti attori diversi e indipendenti. Ma se il mercato diventa in larga parte un pugno di modelli di frontiera che leggono le stesse fonti e ragionano in modo simile, la saggezza della folla si assottiglia: le previsioni convergono, la calibrazione si omogeneizza, e la cosa che rendeva il mercato un buon metro per l’AI (un terreno indipendente) comincia a riflettere l’AI stessa. Il benchmark e gli scommettitori finiscono per condividere lo stesso cervello.

A questo si aggiunge la riflessività. Un prodotto come quello di Public consuma una probabilità che, sempre più spesso, è stata fissata da agenti AI; se l’agente A muove il prezzo, l’agente B ci opera sopra e l’app C fa scattare un acquisto azionario, il circuito può autoalimentarsi. Agenti correlati che reagiscono agli stessi segnali sono anche la premessa delle dinamiche di cascata e di estrazione di valore (MEV) che conosciamo da altri angoli della DeFi. Il livello di previsione, insomma, funziona benissimo a una condizione: che i previsori non siano tutti la stessa cosa. È un rischio di sistema poco prezzato, proprio perché invisibile nelle metriche di accuratezza del singolo modello.

Italia: ADM, Consob e il perimetro del gioco

Per un lettore italiano va detto subito: nulla di tutto questo è direttamente accessibile dall’Italia. Polymarket e Kalshi sono oscurati. L’Agenzia delle Dogane e dei Monopoli (ADM) ha trattato l’offerta come «gioco senza concessione»: dopo un primo inserimento in blacklist nell’ottobre 2025, un ricorso al TAR del Lazio e una riattivazione parziale a dicembre 2025 (sola consultazione dei dati, senza operazioni economiche), il nuovo oscuramento è scattato a luglio 2026 con un aggiornamento della lista di 293 domini che includeva anche Kalshi; la misura ha toccato di rimbalzo persino la sponsorizzazione di maglia della Lazio (L’Espresso).

Il nodo è che in Italia lo stesso prodotto può cadere sotto tre cornici diverse a seconda di come lo si guarda, e non sempre vanno d’accordo.

Sul fronte degli strumenti finanziari, la posizione europea è chiara: un contratto a esito binario che qualifica come strumento finanziario ai sensi della MiFID II ricade nel divieto di opzioni binarie per il retail, a prescindere dal nome commerciale. Lo ha ribadito l’ESMA, con un approccio di sostanza sulla forma che la Consob applica in Italia. Resta poi il tema della responsabilità: un agente AI non ha personalità giuridica, quindi di guadagni, perdite e violazioni risponde l’operatore umano o la società che lo ha schierato, e un’attività automatica 24 ore su 24 rischia di essere qualificata come professionale.

Fisco: il 33%, il nodo del 26% e le euro-EMT

C’è poi il conto con il fisco, che in Italia è particolarmente salato. Dal 1 gennaio 2026 le plusvalenze cripto sono tassate al 33% (sui realizzi del 2026, da dichiarare nel 2027), in salita dal 26% applicato ai realizzi 2025; è un primato poco invidiabile, perché l’Italia è l’unica grande economia che tassa le cripto più degli altri strumenti finanziari. La discussione sul cosiddetto nodo del 26% è aperta: un gruppo parlamentare ha proposto di riportare l’aliquota al 26% per il 2027, ma al momento è una proposta non ancora ufficiale, comparsa in una bozza tecnica e non nel disegno di legge di bilancio, che va letta con prudenza perché il calendario della Manovra 2027 si chiude solo a fine anno e nulla è ancora legge.

Un’eccezione c’è: le stablecoin in euro conformi a MiCA (gli e-money token) mantengono il 26%, un binario separato per una categoria ristretta, non uno sconto generalizzato. Per un agente che opera senza sosta questo diventa un problema concreto, perché ogni cessione (anche il semplice passaggio tra due stablecoin o la chiusura di una posizione a un esito) è un evento potenzialmente imponibile: migliaia di micro-operazioni generano migliaia di eventi fiscali, e l’alta frequenza può far scattare la qualificazione come reddito d’impresa. Fra oscuramento e tassazione, per l’investitore italiano il mercato predittivo resta oggi più un oggetto di studio che uno strumento operativo.

Cosa guardare adesso

Quattro fili meritano attenzione nei prossimi mesi. Il primo è legale e tutto statunitense: la classificazione dei contratti sportivi di Kalshi (scommesse o derivati?) è ancora contesa nei tribunali d’appello, con una spaccatura che potrebbe arrivare alla Corte Suprema, mentre la CFTC continua a limare le proprie regole sui contratti-evento. Il secondo è tecnico: Prophet Arena e Prediction Arena sono benchmark vivi, aggiornati a ogni nuova generazione di modelli, e la domanda è se e quando la calibrazione diventerà finalmente convinzione, cioè quando un modello supererà stabilmente il break-even.

Il terzo filo è di prodotto: se gli agenti che consumano la probabilità come segnale si diffondono, il mercato predittivo diventerà sempre più un sensore al servizio di altre decisioni di investimento, trascinando la questione nel perimetro dei servizi di investimento (la SEC negli Stati Uniti, la Consob e la MiFID II in Europa). Il quarto tiene insieme tutto: possiamo fidarci di un arbitro automatico? Senza una prova verificabile che il giudice AI abbia eseguito davvero il modello e il prompt dichiarati, la risposta onesta resta no, ed è lì che il livello di previsione è più fragile.

Il paradosso del 2026 è che la parte che sembrava difficile per una macchina, stimare bene una probabilità, è ormai risolta, mentre quella che sembrava banale, trasformarla in un guadagno, resiste. Finché la calibrazione non diventerà convinzione, l’AI resterà sui mercati predittivi un oracolo accurato e uno scommettitore in perdita. A pensarci bene, è forse la cosa più rassicurante che si possa dire del denaro affidato alle macchine.

Domande frequenti (FAQ)

Cosa sono i mercati predittivi e come funzionano?

Sono mercati dove si comprano e vendono quote binarie su un evento futuro: una quota «Sì» costa tra 0 e 1 euro e, alla risoluzione, vale 1 se l’evento si verifica e 0 altrimenti. Il prezzo di equilibrio rappresenta la probabilità che il mercato assegna all’evento. Le due piattaforme principali sono Polymarket, on-chain con risoluzione via oracolo UMA, e Kalshi, regolata negli Stati Uniti dalla CFTC con risoluzione centralizzata.

Gli agenti AI guadagnano davvero sui mercati predittivi?

I dati del 2026 dicono di no, o quasi. Il benchmark Prophet Arena mostra che i migliori modelli prevedono bene quanto il mercato ma nessuno raggiunge il break-even (rendimento medio sotto 1); il benchmark Prediction Arena, che testa il trading, ha visto sei modelli perdere su Kalshi tra il 16% e il 31% in 57 giorni. I modelli sono ottimi stimatori ma scommettitori troppo prudenti.

Perché un’AI brava a prevedere non riesce a guadagnare?

Perché la calibrazione non è convinzione. Un modello ben calibrato distribuisce correttamente le probabilità, ma per guadagnare serve puntare forte quando il prezzo è sbagliato. I modelli del 2026 sono sistematicamente conservativi, raramente si avvicinano a 0 o a 1, e così lasciano sul tavolo le scommesse più redditizie mentre spread e commissioni erodono il margine.

Posso usare Polymarket o Kalshi dall’Italia?

No. L’ADM ha oscurato Polymarket, includendo anche Kalshi, trattando l’offerta come gioco senza concessione; il blocco più recente risale a luglio 2026. Inoltre la Consob applica il divieto europeo di opzioni binarie per il retail ai contratti-evento che qualificano come strumenti finanziari. In pratica le piattaforme non sono accessibili legalmente dall’Italia.

Come vengono tassate in Italia le operazioni cripto legate ai mercati predittivi?

Dal 2026 le plusvalenze cripto in Italia sono tassate al 33% (una proposta di ritorno al 26% per il 2027 esiste ma non è ancora legge), mentre le stablecoin in euro conformi a MiCA restano al 26%. Per un agente automatico ogni cessione è un evento potenzialmente imponibile, e l’operatività ad alta frequenza può portare alla qualificazione come reddito d’impresa.

Marcus Okafor è corrispondente di HOGE Wire e segue l’intersezione tra intelligenza artificiale e cripto.