Ritual: a cosa serve davvero l’AI verificabile on-chain

Un testnet pieno di primitive AI, ma a cosa serve?

Negli ultimi mesi su queste pagine abbiamo smontato Ritual pezzo per pezzo: come funziona l’inferenza verificabile, come gli agenti custodiscono le proprie chiavi, perché la sua architettura prova a far ragionare uno smart contract. Resta però la domanda che conta per chi non scrive codice: a cosa serve tutto questo? Un conto è capire il meccanismo, un altro è vedere quali applicazioni diventano possibili e quali restano esercizi di stile.

Ritual è una rete che vuole portare i modelli di intelligenza artificiale dentro la logica delle blockchain, in modo che il risultato di un’inferenza sia verificabile come una qualsiasi transazione. Il progetto, nato a New York nel 2023 dai due ex Polychain Niraj Pant e Akilesh Potti, ha un testnet pubblico vivo, un primo prodotto (Infernet) che gira già oggi su Ethereum, Base e Arbitrum, e oltre 30 milioni di dollari raccolti secondo The Block. Quello che non ha, per ora, è un mainnet con una data e un token scambiabile.

In questo articolo ribaltiamo la prospettiva. Invece di chiederci come fa una catena a verificare un modello probabilistico, ci chiediamo quali applicazioni concrete diventano possibili quando un contratto può interrogare un modello e fidarsi della risposta. La differenza non è accademica: senza un caso d’uso che paghi i costi (e vedremo che non sono banali), un’infrastruttura resta una demo elegante.

Potti lo ha detto in modo netto quando il testnet è partito: «Non si tratta solo di AI: stiamo costruendo le fondamenta per piattaforme di nuova generazione, reti di prover e marketplace di proprietà intellettuale», ha dichiarato a The Block. Tre categorie di applicazioni, non un generico «AI on-chain». Partiamo da lì.

Ritual in breve: cosa esiste davvero oggi

Prima di parlare di casi d’uso conviene fissare il confine tra ciò che è vivo e ciò che è promessa, perché buona parte della confusione intorno a Ritual nasce proprio qui.

Cosa esiste oggi: Infernet, una rete di oracoli decentralizzata con un SDK leggero, permette a uno smart contract su Ethereum, Base o Arbitrum di richiedere un’inferenza AI a nodi che eseguono il modello e riconsegnano il risultato on-chain. È in produzione e chiunque può integrarlo, come spiega la stessa Ritual nel blog che lo presenta come il primo mattone di una suite di protocolli. C’è poi il Ritual Chain testnet pubblico, una L1 compatibile con l’EVM ma estesa, con parametri verificabili sui documenti ufficiali: chain ID 1979, blocchi da circa 350 millisecondi, un gas token chiamato RITUAL a 18 decimali ma valido solo in testnet, e sedici precompile che espongono funzioni AI native.

Cosa non esiste: un mainnet con una data annunciata, un token RITUAL scambiabile, un listing su un exchange. I documenti ufficiali lo ribadiscono riga per riga. Questo vincolo pesa su ogni discorso sui casi d’uso, perché molte applicazioni serie (un protocollo DeFi che gestisce capitali reali, un gioco con economia on-chain) difficilmente gireranno su un testnet senza garanzie di permanenza. Tenere a mente questa differenza è la condizione per non confondere ciò che oggi è usabile con ciò che è ancora una tesi.

Perché uno smart contract dovrebbe usare l’AI

Uno smart contract è deterministico per costruzione: dato lo stesso input, ogni nodo della rete deve arrivare allo stesso output, altrimenti il consenso salta. Un modello di AI generativa è l’opposto: probabilistico, pesante, spesso non riproducibile bit per bit tra hardware diversi. Mettere i due mondi insieme è il problema che Ritual prova a risolvere, e Chainlink lo descrive nella sua guida all’inferenza verificabile come la capacità di dimostrare che un output è stato prodotto davvero da un certo modello su un certo input.

Perché un contratto ne avrebbe bisogno? Pant, cofondatore di Ritual, parte da una preoccupazione di potere: «La concentrazione dell’AI in mano a un piccolo gruppo di aziende potenti è una minaccia seria per il futuro della tecnologia. Abbiamo fondato Ritual per spezzare la dipendenza dell’ecosistema da pochi», ha detto a CoinDesk annunciando il seed da 25 milioni di dollari. La tesi tecnica è più prosaica: se un’applicazione on-chain deve prendere decisioni che oggi affiderebbe a un modello (valutare un rischio, moderare un contenuto, arbitrare una scommessa), ha due strade. Chiamare un’API centralizzata e fidarsi ciecamente, oppure usare un sistema in cui il calcolo è verificabile e nessun singolo operatore può barare.

La seconda strada è quella che abilita i casi d’uso che seguono. Nessuno di questi richiede l’AI perché è di moda: ciascuno nasce da un limite concreto delle blockchain attuali, cioè l’incapacità di elaborare dati non strutturati (testo, immagini, audio) e di ragionare su di essi senza un oracolo di cui fidarsi. La tabella che segue mappa i filoni principali, con una stima onesta della loro maturità: quasi nessuno è pronto per la produzione, ma la distanza dal prototipo varia parecchio.

Caso d’uso 1: la DeFi che ragiona

La finanza decentralizzata è il candidato più ovvio, perché è dove girano i capitali e dove un errore di valutazione costa subito. Oggi un protocollo di prestito fissa i parametri di rischio (quanto puoi prendere a prestito, a che soglia scatta la liquidazione) con formule rigide e oracoli di prezzo. Un modello potrebbe invece leggere segnali che una formula non cattura: la concentrazione dei detentori di un token, il sentiment su un forum, l’andamento anomalo di un wallet, la correlazione con altri asset in tempo reale.

Alcune applicazioni plausibili: parametri di rischio dinamici che si adattano alla volatilità invece di restare fissi; motori antifrode che segnalano un pattern di wash trading prima che inquini un mercato; strategie di gestione di tesoreria che un agente esegue entro limiti decisi dalla governance. In tutti questi casi il punto non è che l’AI decide, ma che l’AI propone e la decisione è verificabile, così da poter contestare un comportamento scorretto a posteriori, cosa impossibile con una scatola nera centralizzata.

I limiti sono seri e vanno detti. Un modello che fissa soglie di liquidazione diventa un bersaglio: se un attaccante capisce come ragiona, può manipolarne gli input, lo stesso problema degli oracoli di prezzo, amplificato. Vitalik Buterin lo ha scritto in modo quasi letterale nel suo saggio su crypto e AI: più l’AI diventa la regola del gioco (chi muove i soldi, chi arbitra), più l’incentivo ad attaccarla cresce, e un modello aperto è ispezionabile ma anche studiabile dall’avversario. Per questo la DeFi che ragiona, se arriverà, partirà da ruoli a basso rischio (analisi, allerta, suggerimento) prima di toccare la leva dei capitali.

Caso d’uso 2: il gaming e gli NPC che pensano

Per un pubblico che segue tanto le crypto quanto i videogiochi, il gaming è forse il caso d’uso più intuitivo. I personaggi non giocanti (NPC) dei giochi tradizionali seguono copioni scritti a mano; un modello linguistico può renderli capaci di dialogare, negoziare, reagire in modo non previsto. Il problema, in un gioco con oggetti e valute on-chain, è la fiducia: se l’NPC che distribuisce ricompense gira su un server dello studio, il giocatore deve credere sulla parola che non sia truccato. Un’inferenza verificabile cambia la natura del patto, perché la logica del personaggio diventa controllabile da chiunque.

Qui Ritual ha una dimostrazione concreta, non solo una slide. Frenrug è un agente AI on-chain che vive in una chatroom di friend.tech e gestisce un portafoglio di key, appoggiandosi alla catena Base. I partecipanti provano a convincerlo, a parole, a comprare o vendere; i messaggi passano per più modelli linguistici eseguiti da nodi Infernet diversi, ognuno vota on-chain, e un nodo aggrega i voti in un’azione con tanto di prova di validità, come racconta il blog del progetto. È un gioco, ma mostra il meccanismo che conta: una decisione presa da una giuria di modelli, con un esito verificabile invece che fidato.

Da qui si aprono applicazioni più ambiziose: contenuti generati (missioni, dialoghi, oggetti) la cui provenienza è certificata; economie di gioco in cui un agente arbitra scambi tra giocatori senza un intermediario; mondi persistenti popolati da personaggi che ricordano, grazie allo stato on-chain degli agenti. Nessuno di questi è un prodotto di massa oggi, e la latenza resta un ostacolo serio (un gioco d’azione in tempo reale mal sopporta i tempi di un’inferenza verificata), ma è il terreno dove la combinazione crypto più AI ha il racconto più naturale e il minor rischio economico in caso di errore.

Caso d’uso 3: gli agenti autonomi e l’economia delle macchine

Il caso d’uso che Ritual stessa mette al centro è l’agente autonomo: un software che non si limita a rispondere, ma agisce. Sulla sua catena un agente può coprire sette capacità di base, che i documenti riassumono come i mattoni di un cittadino di prima classe della rete, non uno script che gira altrove.

• Pensare: chiamare un modello AI direttamente dalla logica del contratto
• Agire: inviare transazioni senza un operatore esterno
• Ricordare: mantenere uno stato persistente tra una sessione e l’altra
• Provare: allegare una prova del calcolo svolto
• Custodire segreti: cifrare chiavi e dati sensibili
• Pagare: saldare da sé il proprio consumo di calcolo
• Autenticarsi: firmare e identificarsi con meccanismi nativi

La differenza con un bot tradizionale è il grado di autonomia. Un agente sovrano, nel disegno di Ritual, tiene le proprie chiavi dentro un ambiente protetto, si programma da solo i risvegli tramite uno smart contract di scheduling (senza bot keeper esterni) e paga per il proprio calcolo finché ha fondi, fermandosi quando finiscono. Qui si innesta l’idea di economia delle macchine: agenti che comprano servizi, inferenza, dati e spazio di blocco gli uni dagli altri, pagando in stablecoin o nel gas della rete. È la tesi secondo cui la prossima ondata di domanda crypto non verrà dagli umani ma dai software che transano tra loro, un tema che abbiamo analizzato parlando di economia delle macchine e agenti AI.

Le cautele, di nuovo, sono quelle della sicurezza. Un agente che controlla denaro e risponde a input in linguaggio naturale è esposto alla prompt injection: un messaggio costruito ad arte può convincerlo a svuotare il portafoglio. Le difese (limiti di spesa, firme che richiedono conferma, interruttori di emergenza) esistono ma sono giovani, e lo stesso Buterin invita a non dare a un’AI il controllo diretto di fondi senza vincoli stringenti. Un agente autonomo è comodo finché fa quello che deve, e un disastro il giorno in cui qualcuno trova la frase giusta per dirottarlo.

Caso d’uso 4: mercati predittivi e oracoli soggettivi

Molti dati di cui una blockchain ha bisogno non sono numeri da un feed di prezzo, ma giudizi: un evento si è verificato? una notizia è vera? un contenuto viola una regola? Questi oracoli soggettivi sono difficili da automatizzare, ed è il motivo per cui mercati predittivi e assicurazioni on-chain finiscono per affidarsi a comitati umani o a sistemi di dispute lenti e contestabili.

Un modello verificabile offre una via di mezzo: l’AI legge le fonti, propone una risposta, e la prova accompagna il risultato. Un mercato predittivo potrebbe risolvere automaticamente scommesse su eventi descritti a parole; un protocollo assicurativo potrebbe valutare un sinistro leggendo documenti; un sistema di moderazione potrebbe filtrare contenuti con criteri pubblici e controllabili invece che con una scatola nera. In ciascun caso il valore non sta solo nella risposta, ma nel fatto che chiunque può verificare quale modello l’ha generata.

Il rischio speculare è evidente: se l’oracolo AI diventa l’arbitro, manipolarlo diventa redditizio, e un modello che sbaglia (o che viene indotto a sbagliare) sposta denaro reale. È la ragione per cui i progetti più seri parlano di AI nel ruolo di giudice con reti ridondanti e possibilità di appello umano, non di un singolo modello che decide da solo. Qui torna una distinzione che attraversa tutto l’articolo: la verificabilità risolve il chi ha calcolato, non il ha calcolato la cosa giusta. Sono due garanzie diverse, e confonderle è l’errore più comune quando si valutano questi sistemi.

Caso d’uso 5: l’AI che non rivela i dati

C’è una categoria di applicazioni che oggi non può esistere on-chain per un motivo semplice: i dati sono sensibili. Una cartella clinica, un documento d’identità, il codice proprietario di un modello non possono finire in chiaro su una catena pubblica dove chiunque legge. Eppure sono esattamente i casi in cui un’inferenza affidabile avrebbe più valore, dalla diagnostica assistita alla verifica d’identità.

Ritual affronta il problema su più fronti. L’esecuzione dentro ambienti hardware protetti (TEE) permette di far girare un modello su dati che la catena non vede mai in chiaro; i segreti (per esempio una chiave API) restano cifrati e vengono risolti solo dentro l’enclave; è prevista la redazione automatica delle informazioni personali in output. A questo si aggiunge la collaborazione, ormai consolidata, con Nillion per l’inferenza cieca, che usa tecniche di calcolo multi-party per mantenere riservati sia l’input dell’utente sia i pesi del modello. Alex Page, CEO di Nillion, l’ha presentata così: «La nostra partnership con Ritual è destinata a trasformare il modo in cui i dati sensibili vengono elaborati durante l’inferenza AI», in una nota ripresa da SiliconANGLE.

Attenzione però a non confondere riservatezza e prova. Un TEE è un’assunzione di fiducia nell’hardware, non una dimostrazione matematica: ricerche recenti hanno mostrato attacchi fisici capaci di estrarre segreti da enclave commerciali. Le prove a conoscenza zero applicate al machine learning (zk-ML) offrono garanzie più forti ma a un costo computazionale ancora proibitivo per i modelli grandi, un compromesso che abbiamo esaminato parlando di zk-ML e AI privata. Per questo la privacy on-chain, oggi, è un ventaglio di tecniche con garanzie diverse, non un interruttore acceso o spento.

Caso d’uso 6: autenticità dei contenuti e RWA

Due filoni meno raccontati meritano spazio. Il primo è l’autenticità dei contenuti. In un mondo che si riempie di immagini e video sintetici, poter dimostrare che un contenuto è stato prodotto (o verificato) da un certo modello, con un record immutabile, è un caso d’uso difensivo: etichette di provenienza per i media, controlli anti-deepfake, watermark verificabili. Non risolve il problema della disinformazione, ma fornisce un’ancora di fiducia a cui appoggiarsi quando contano la data e la fonte.

Il secondo è il ponte con il mondo reale. Gli asset del mondo reale tokenizzati (RWA) richiedono spesso un giudizio su dati off-chain: lo stato di un immobile, la validità di una fattura, la conformità di una controparte. Un’inferenza verificabile può automatizzare parte di questi controlli, dalla lettura di documenti alla verifica d’identità con redazione dei dati personali, utile proprio dove la compliance impone di trattare informazioni sensibili. È un terreno dove l’AI verificabile incrocia gli obblighi normativi, e dove la riservatezza non è un lusso ma un requisito di legge.

Resta la stessa avvertenza di prima: la catena può provare chi ha eseguito il controllo, non che il documento di partenza fosse autentico. La verificabilità sposta il problema della fiducia, non lo cancella; serve comunque un ancoraggio ai dati reali, che è il vecchio problema dell’oracolo in veste nuova. Chi promette che l’AI on-chain elimina ogni intermediario di fiducia vende un’illusione: la riduce e la rende contestabile, il che è già molto, ma non la annulla.

Chi fornisce la potenza di calcolo

Tutti questi casi d’uso hanno un costo fisico: le GPU che eseguono i modelli. Qui Ritual non parte da zero, ma si innesta su un ecosistema già in movimento. Fin dal 2024 ha stretto collaborazioni con io.net, che orchestra potenza GPU distribuita a supporto dei nodi, e con EigenLayer (oggi EigenCloud), dove chi fa restaking di ETH può mettere a disposizione hardware e garanzie economiche per servizi di inferenza, fine-tuning e proving, come descrive il blog di EigenLayer. Il mercato più ampio dei marketplace GPU decentralizzati, da Akash in giù, è il bacino da cui questa potenza può arrivare, un tema che seguiamo da vicino nella nostra analisi di Akash e l’inferenza.

Il meccanismo con cui Ritual intende pagare questo hardware eterogeneo è un mercato a due lati chiamato Resonance, che prezza in modo diverso una CPU, una GPU di fascia media e un acceleratore di punta, abbinando domanda e offerta. L’idea è evitare che il costo di un’inferenza sia dettato da un singolo fornitore e lasciare che il prezzo emerga dalla concorrenza tra nodi. Sulla carta è elegante; nella pratica dipende da quanti operatori si presentano e da quanto costa davvero far girare un modello grande con una prova allegata, che è il nodo della prossima sezione. Senza un token liquido che remuneri i nodi, inoltre, l’incentivo a presentarsi resta per ora teorico.

Il prezzo della fiducia: costi, latenza e i limiti della verifica

Nessun caso d’uso regge se la verifica costa più del valore che protegge. Ed è qui che l’AI verificabile incontra il suo limite più duro. Generare una prova a conoscenza zero di un’inferenza può moltiplicare il costo di calcolo di diversi ordini di grandezza: Buterin, nel suo saggio, stima un sovraccarico dell’ordine delle centinaia di volte per rendere un calcolo AI verificabile con le tecniche crittografiche più forti. Significa che, per molti modelli grandi, la prova pura è oggi antieconomica.

Da qui il ventaglio di metodi che Ritual chiama integrità computazionale modulare: non una sola tecnica ma diverse, con garanzie e costi differenti. La tabella riassume i compromessi.

La lettura della tabella è il vero messaggio: non esiste il metodo perfetto. Il TEE è veloce ed economico ma chiede fiducia nell’hardware; lo zk-ML è il più solido ma il più lento e caro; l’opML scommette sul fatto che qualcuno contesti un risultato sbagliato entro una finestra di tempo; la ri-esecuzione replicata funziona solo per modelli piccoli e deterministici. Una vera applicazione sceglierà il metodo in base a quanto vale la decisione, non per dogma. E va ripetuto, perché è il malinteso più comune: la verifica prova che un certo modello ha prodotto un certo output, non che l’output sia giusto. La qualità del modello resta un problema a parte, che nessuna crittografia risolve.

Il token che non c’è (e l’airdrop che tutti inseguono)

Chi cerca «RITUAL» su un exchange non trova nulla, ed è corretto così: il token RITUAL esiste solo come gas del testnet, senza valore economico, come ribadiscono i documenti ufficiali. Eppure intorno al progetto è cresciuta un’intera economia di aspettativa. Guide all’airdrop di Ritual proliferano su portali specializzati, alcune arrivano a stampare numeri precisi (una fornitura di 10 miliardi di token, 50 milioni destinati a un airdrop) e persino intervalli di prezzo, come fa una guida molto citata.

Vanno letti per quello che sono: speculazione di terze parti. Ritual non ha annunciato né un token scambiabile né un airdrop ufficiale, e le stesse guide, lette fino in fondo, ammettono che le cifre sono segnaposto e che non esiste una data di lancio confermata. La conseguenza pratica è un rischio concreto di truffa: token falsi, finti claim, phishing che sfrutta l’attesa. La regola è semplice: finché l’annuncio non arriva dai canali ufficiali del progetto, qualsiasi RITUAL in vendita è da considerare sospetto.

C’è anche una lettura più interessante. Un progetto può costruire e distribuire software senza un token, come mostra il dibattito intorno ai framework open source finanziati in altro modo, un tema che abbiamo affrontato parlando di Eliza e del codice senza token. L’assenza di un token, per Ritual, è insieme un freno (niente incentivo liquido per attrarre operatori e capitali) e uno scudo legale, come vedremo subito.

Regole in movimento: AI Act, MiCA e il nodo USA

Senza un token, Ritual sfugge per ora alle regole crypto: in Europa MiCA disciplina gli emittenti e i fornitori di servizi (i CASP, vigilati in Italia da Consob per la condotta di mercato e da Banca d’Italia per i profili prudenziali), non un protocollo senza asset scambiabile. Il giorno in cui un token arrivasse, la classificazione MiCA e, negli Stati Uniti, il test di Howey tornerebbero centrali.

Il quadro che tocca Ritual oggi è semmai quello dell’AI. L’AI Act europeo, con gli obblighi per i modelli di uso generale, è in vigore e i poteri di enforcement della Commissione sono operativi dall’agosto 2026, con richieste di informazioni, valutazioni e sanzioni fino a cifre milionarie. Paradossalmente, è un fattore di domanda: se un modello usato in un contesto regolato deve essere tracciabile e verificabile, un’infrastruttura che certifica quale modello ha prodotto quale output diventa utile, non un orpello.

Sul fronte dei pagamenti tra agenti, infine, la partita si gioca sulle stablecoin, l’unità di conto naturale per software che transano tra loro. Ed è un terreno in pieno movimento normativo: la stretta dell’ESMA che spinge fuori dall’Unione le stablecoin non conformi a MiCA mostra quanto il quadro possa cambiare sotto i piedi di chi costruisce. Negli Stati Uniti la SEC ha intanto proposto una regola specifica che, tra l’altro, farebbe uscire un token dalla definizione di contratto di investimento una volta che l’emittente abbia cessato gli sforzi manageriali essenziali. È anche per questo che tenere il token nel cassetto, oggi, può essere una scelta prudente più che un ritardo.

Chi altro può fare queste cose

Nessuno dei casi d’uso visti è esclusiva di Ritual, ed è la sua sfida più seria. Chainlink, il nome dominante tra gli oracoli, ha portato in mainnet il suo Chainlink Runtime Environment, un livello di orchestrazione per calcolo verificabile off-chain che, a differenza di Ritual, non chiede agli sviluppatori di migrare su una nuova catena. Bittensor affronta il lato dell’addestramento con un mercato di sottoreti e un token, TAO, già liquido e capitalizzato. EigenCloud offre garanzie economiche via restaking senza una L1 dedicata. Akash e simili vendono la potenza di calcolo grezza.

La domanda che pesa su Ritual è quella di sempre: per abilitare queste applicazioni serve davvero una blockchain tutta sua, o basta un modulo da agganciare a quelle esistenti? La scommessa di Ritual è che l’integrazione nativa (precompile, scheduling, agenti come cittadini di prima classe) offra qualcosa che un modulo bolt-on non può dare. I rivali scommettono sul contrario, e hanno token vivi e prodotti in mainnet dalla loro parte, come mostrano le capitalizzazioni verificate su CoinGecko.

In sintesi, il bilancio tra promessa e rischio è netto. A favore: primitive reali e già usabili (Infernet), un disegno tecnico ambizioso, partnership consolidate, un contesto normativo che premia la tracciabilità dell’AI. Contro: nessun mainnet con una data, nessun token che allinei gli incentivi, costi di verifica ancora alti, e concorrenti che consegnano oggi parte di ciò che Ritual promette per domani. Per chi guarda da fuori, la cosa da seguire non è il prezzo di un token che non esiste, ma la comparsa della prima applicazione di produzione, con utenti veri, che giri su un mainnet con una data.

Domande frequenti

Ritual ha un token su cui investire nel 2026?

No. RITUAL esiste solo come gas del testnet, senza valore economico, e non c’è né un mainnet con una data né un token scambiabile o un airdrop ufficiale. Le guide che indicano forniture e prezzi sono speculazione di terze parti; qualsiasi token RITUAL in vendita oggi è da considerare sospetto.

A cosa serve concretamente l’AI verificabile on-chain?

A permettere a uno smart contract di usare un modello (per valutare un rischio, moderare un contenuto, arbitrare un evento, animare un NPC) con un esito verificabile invece che fidato. I filoni più citati sono DeFi, gaming, agenti autonomi, mercati predittivi, privacy e RWA.

Qual è la differenza tra Infernet e Ritual Chain?

Infernet è una rete di oracoli già in produzione che porta l’inferenza AI ai contratti su Ethereum, Base e Arbitrum ed è usabile oggi. Ritual Chain è la L1 dedicata, ancora in testnet, che integra l’AI a livello di protocollo con precompile, scheduling nativo e agenti.

L’AI verificabile garantisce che la risposta sia giusta?

No, ed è il malinteso più comune. La verifica prova che un certo modello ha prodotto un certo output a partire da un certo input, non che l’output sia corretto o veritiero. La qualità del modello e l’autenticità dei dati di partenza restano problemi separati.

Un videogioco può già usare NPC basati su Ritual?

In via sperimentale sì: Frenrug, l’agente dimostrativo di Ritual su Base, mostra il meccanismo. Per un gioco di massa restano ostacoli di latenza e costo, e l’assenza di un mainnet con garanzie di permanenza rende prematuro costruirci sopra un’economia reale.

Marcus Okafor è redattore senior di HOGE Wire e si occupa di intelligenza artificiale, infrastrutture decentralizzate e della loro intersezione con le crypto.