Verifiable compute nel 2026: il trilemma dell’AI verificabile

Quando un modello di intelligenza artificiale produce una risposta, quella risposta arriva da un computer che non potete vedere. Il calcolo avviene off-chain, sulla GPU di un data center che appartiene a qualcun altro; on-chain, o dentro il vostro wallet, arriva soltanto il risultato. Non c’è nessuna prova che sia stato eseguito il modello giusto sull’input giusto, nessuna garanzia che nessuno abbia messo le mani sui pesi o sul prompt. Per un chatbot che consiglia una ricetta la cosa è irrilevante. Per un agente che firma transazioni, per un oracolo che regola un derivato o per un modello che decide se concedervi un prestito, la distanza tra «fidati» e «verifica» vale milioni.

Il verifiable compute (in italiano calcolo verificabile) è la risposta, insieme crittografica ed economica, a questo problema. Nel 2026 ha smesso di essere una promessa da paper accademico ed è diventato infrastruttura che gira in produzione: le prove di un’inferenza si generano in secondi, i marketplace di prove hanno un mainnet attivo e, per la prima volta, un sistema ha dimostrato end-to-end un modello linguistico completo. Eppure non esiste un solo metodo che vinca su tutti gli altri.

Il motivo ha un nome preso in prestito dalla teoria delle blockchain: il trilemma. Un sistema di inferenza decentralizzata non può ottenere allo stesso tempo integrità elevata, bassa latenza e basso costo; deve rinunciare a una delle tre. Questa guida spiega il calcolo verificabile partendo proprio da quel compromesso, mostra come lo zkML, i TEE, l’opML e la sicurezza cripto-economica si dispongono ai vertici del triangolo, e perché il 2026 è l’anno in cui questi mondi cominciano a fondersi.

Che cos’è il verifiable compute (e che cosa non è)

Il calcolo verificabile consiste nel produrre un risultato accompagnato da una prova, poco costosa da controllare, che quel risultato sia stato calcolato correttamente. Chi riceve la risposta non deve rieseguire il calcolo né fidarsi di chi lo ha svolto: gli basta verificare la prova. È lo stesso spostamento concettuale che le blockchain hanno imposto ai pagamenti, applicato all’esecuzione di software arbitrario e, in particolare, all’inferenza dei modelli di machine learning. Si passa da «fidati del server» a «verifica la prova».

Qui sta la differenza, spesso fraintesa, tra calcolo verificabile e semplice calcolo decentralizzato. Reti come Bittensor o i marketplace di GPU distribuiti affittano potenza di calcolo: distribuiscono il lavoro su molte macchine, ma non dimostrano che il lavoro sia stato fatto in modo onesto. Se un nodo restituisce un output sbagliato, per pigrizia o per dolo, la rete da sola non se ne accorge. Il verifiable compute aggiunge esattamente il pezzo mancante: una garanzia, matematica o economica, che il numero che vi arriva è davvero quello che il modello avrebbe prodotto.

Vitalik Buterin, nel suo saggio del gennaio 2024 The promise and challenges of crypto + AI applications, ha organizzato l’incrocio tra AI e crypto in quattro categorie: l’AI come giocatore, come interfaccia, come regole del gioco e come obiettivo del gioco. Il verifiable compute è ciò che rende praticabile la terza, la più delicata: usare un modello come parte delle regole di un protocollo, per esempio per risolvere un mercato di previsione o prezzare un asset, senza doversi fidare ciecamente di chi esegue il modello. Buterin stesso avverte di muoversi con estrema cautela, perché un’AI dentro le regole diventa un bersaglio per chi vuole manipolarla.

Il trilemma della verificabilità: due su tre

Il concetto che tiene insieme tutta questa storia è stato formalizzato in un paper del dicembre 2025, Optimistic TEE-Rollups, firmato da Aaron Chan e colleghi. Gli autori lo chiamano trilemma della verificabilità: un sistema di inferenza decentralizzata non può raggiungere simultaneamente alta integrità computazionale, bassa latenza e basso costo. Può averne due, mai tre.

Chi conosce le blockchain riconoscerà lo schema. È lo stesso trilemma della scalabilità (decentralizzazione, sicurezza, scalabilità) che ha dominato il dibattito su Ethereum per un decennio, trasposto sul piano del calcolo dell’AI. E come nel caso delle blockchain, non è un limite temporaneo che l’ingegneria eliminerà l’anno prossimo: è la struttura stessa del problema. Ogni progetto serio di verifiable compute è, in fondo, una scelta su quale vertice sacrificare.

Semplificando, le quattro grandi famiglie di soluzioni si dispongono così:

• lo zkML sceglie l’integrità massima e paga in costo e latenza di generazione della prova;
• i TEE (Trusted Execution Environment) scelgono bassa latenza e basso costo, e pagano spostando la fiducia sul produttore del chip;
• l’opML sceglie il costo bassissimo, e paga in latenza attraverso una finestra di contestazione;
• la sicurezza cripto-economica sceglie prestazioni quasi native, e paga sostituendo la certezza matematica con una certezza soltanto economica.

Le prossime sezioni percorrono questi quattro vertici uno per uno, per capire che cosa ciascuno offre e che cosa rinuncia.

Perché l’AI è il calcolo più difficile da dimostrare

Prima di guardare le soluzioni, vale la pena capire perché dimostrare un’inferenza di AI sia molto più difficile che dimostrare, poniamo, una transazione. La ragione la spiega ancora Buterin, con due numeri. Dimostrare in zero-knowledge una moltiplicazione tra matrici, il cuore di una rete neurale, comporta oggi un overhead inferiore a 4 volte; ma gli strati non lineari (le funzioni di attivazione come ReLU o softmax) hanno un overhead intorno alle 200 volte. Sono proprio quegli strati, piccoli ma ostili alla matematica dei circuiti, il vero collo di bottiglia.

Il risultato pratico è brutale. «Un blocco di Ethereum richiede poche centinaia di millisecondi per essere verificato direttamente da un client, ma generare una prova ZK-SNARK della sua correttezza può richiedere ore», scrive Buterin. Trasferite questo su un modello linguistico con miliardi di parametri e capirete perché, fino a poco tempo fa, dimostrare crittograficamente un LLM era considerato impossibile nella pratica.

C’è poi un secondo ostacolo, meno noto ma insidioso: il paradosso del determinismo. L’inferenza su GPU non è riproducibile bit per bit. L’ordine in cui migliaia di core sommano numeri in virgola mobile cambia leggermente il risultato da un’esecuzione all’altra, per via degli arrotondamenti. Ma sia le prove crittografiche sia le prove di frode dell’opML hanno bisogno che lo stesso input produca sempre lo stesso output, altrimenti non c’è nulla di stabile da dimostrare o da contestare. Rendere deterministica l’inferenza su hardware nato per non esserlo è una delle sfide ingegneristiche centrali del settore, come abbiamo raccontato nell’analisi dedicata allo zkML e alla sfida degli LLM.

zkML: la prova crittografica, integrità al massimo prezzo

Il primo vertice è quello della prova crittografica pura, lo zkML (zero-knowledge machine learning). L’idea: eseguire il modello dentro una macchina virtuale che, oltre al risultato, emette una prova a conoscenza zero (uno ZK-SNARK) verificabile in millisecondi da chiunque, senza rieseguire nulla e senza vedere i pesi o i dati. Nessuna fiducia in un hardware o in un operatore: solo matematica. È il massimo dell’integrità, e per questo il vertice più ambito del triangolo.

Il prezzo è il costo. Per anni lo zkML è rimasto confinato a modellini giocattolo, del tipo che riconosce le cifre scritte a mano, perché dimostrare qualcosa di più grande richiedeva ore di calcolo e hardware costoso. La svolta del 2026 è stata far crollare quel muro. A giugno il team di Lagrange ha reso open source DeepProve, il primo sistema zkML di livello produttivo capace di dimostrare end-to-end un modello linguistico completo: GPT-2 e Gemma-3, con oltre 12 milioni di prove generate e più di 3 milioni di inferenze verificate nell’arco di un anno, prove fino a 60 volte più veloci e verifica fino a 671 volte più rapida rispetto allo stato dell’arte precedente. I modelli della classe Llama sono ancora in sviluppo, quindi conviene restare cauti; ma la barriera concettuale è caduta.

«Non abbiamo costruito DeepProve per possedere l’AI verificabile. L’abbiamo costruito perché nessuno dovesse farlo», ha dichiarato Ismael Hishon-Rezaizadeh, CEO di Lagrange, annunciando l’apertura del codice. «L’AI ha bisogno di uno strato di verifica, e quello strato deve essere aperto. Da oggi DeepProve diventa una primitiva. La scatola nera è aperta.»

Sotto la svolta c’è un’innovazione tecnica precisa: le lookup. Progetti come Jolt Atlas (descritto in un paper del febbraio 2026) sostituiscono la rappresentazione a circuito delle operazioni non lineari con tabelle di consultazione precompilate, aggredendo esattamente quel fattore 200x che Buterin indicava come collo di bottiglia. Il calcolo che prima andava tradotto, faticosamente, in vincoli aritmetici, ora si riduce a «cerca il risultato nella tabella».

Resta però un compromesso di fondo, ben descritto da Elena Burger di a16z: «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 overhead enormi». Per aggirare il problema si usano modelli quantizzati a 8 bit, più adatti ai circuiti ma, come nota la stessa Burger, il modello verificato può diventare «un’approssimazione grezza» di quello originale a piena precisione. Si finisce per dimostrare qualcosa di leggermente diverso da ciò che gira davvero in produzione. Il ragionamento completo è nel suo saggio per a16z crypto.

Attorno allo zkML è nata un’economia di marketplace, in cui la generazione di prove diventa un servizio che si compra e si vende. Boundless, costruito sopra la tecnologia RISC Zero, ha lanciato il mainnet su Base a settembre 2025 con il sostegno di Ethereum Foundation, Base e Wormhole, introducendo un meccanismo chiamato Proof of Verifiable Work che premia i prover in base a quantità e complessità delle prove prodotte. «Per la prima volta gli sviluppatori su qualsiasi chain possono accedere a una quantità abbondante di calcolo a conoscenza zero», ha detto Shiv Shankar, CEO di Boundless. Sul fronte degli zkVM, SP1 di Succinct (basato su RISC-V) è arrivato al mainnet nell’agosto 2025 ed è integrato in decine di protocolli.

TEE: l’attestazione hardware, veloce ma fiduciaria

Il secondo vertice rinuncia alla purezza matematica in cambio di velocità. I TEE, o Trusted Execution Environment, sono aree isolate e cifrate del processore, in cui il codice gira protetto persino dal sistema operativo e dal proprietario della macchina. Alla fine dell’esecuzione, il chip firma un’attestazione: un certificato hardware che dice, in sostanza, «questo esatto programma ha girato dentro un’enclave genuina, senza manomissioni». La verifica è quasi istantanea e l’overhead è minimo.

La novità che ha reso i TEE rilevanti per l’AI è il loro arrivo sulle GPU. Le tecnologie di confidential computing di NVIDIA sulle schede H100, insieme a Intel TDX e AMD SEV lato CPU, permettono di eseguire l’inferenza dentro un’enclave con un overhead dichiarato inferiore al 7%: un altro mondo rispetto al 200x dello zkML. Su questa base Phala Network ha costruito una rete di oltre 30.000 dispositivi TEE con attestazione on-chain; a metà agosto 2026 i suoi nodi processavano, secondo i dati di OpenRouter, circa 23,1 miliardi di token di modelli confidenziali al giorno. È il verifiable compute che, oggi, gira al volume più alto in assoluto.

Il punto debole è evidente: la garanzia dei TEE non è a fiducia zero. Vi state fidando del fatto che Intel, AMD o NVIDIA abbiano progettato l’enclave correttamente e che nessuno abbia trovato un attacco side-channel per sbirciarci dentro. La storia recente dei processori, da Spectre e Meltdown in poi, insegna che le enclave si rompono, prima o poi. I TEE offrono bassa latenza e basso costo, ma pagano il trilemma sul lato dell’integrità, che dipende da un produttore e dalla tenuta del suo silicio.

opML: la scommessa ottimistica sul basso costo

Il terzo vertice punta tutto sul costo. L’opML (optimistic machine learning) prende in prestito la logica degli optimistic rollup: si pubblica il risultato dell’inferenza dando per scontato che sia corretto, insieme a un impegno crittografico on-chain, e lo si considera definitivo a meno che, entro una finestra di contestazione, qualcuno non provi il contrario con una prova di frode. Finché nessuno contesta, non si genera alcuna prova pesante: ecco perché è di gran lunga l’approccio meno costoso.

La tecnica ha radici antiche, nel protocollo Truebit e nella sua idea di verifica interattiva a bisezione, e oggi è portata avanti soprattutto da Ora Protocol con il suo Onchain AI Oracle. Ne abbiamo scritto in dettaglio nell’articolo dedicato all’opML e alle prove di frode. Il compromesso, però, è netto: la finestra di contestazione introduce latenza, spesso di minuti o ore, che uccide l’interattività in tempo reale, e il modello di sicurezza regge solo se esiste almeno un osservatore onesto disposto a controllare e a contestare. C’è anche un limite più sottile: la prova di frode funziona davvero solo con modelli a pesi aperti, che un contestatore può rieseguire; le API chiuse come quelle di GPT possono essere soltanto attestate, non verificate nello stesso senso.

La sicurezza cripto-economica e il cloud verificabile

Il quarto vertice non produce prove crittografiche affatto. La sicurezza cripto-economica garantisce l’onestà con il denaro: gli operatori depositano uno stake e, se barano, lo perdono (slashing). La certezza non è matematica ma economica, e si regge su una disuguaglianza: il costo per corrompere il sistema deve restare superiore al profitto ottenibile barando.

Il progetto simbolo è EigenCloud, il rebranding di EigenLayer, che ha rilanciato l’intera azienda attorno alla tesi del «cloud verificabile», una sorta di AWS di crypto. I suoi due prodotti, EigenAI (un’API di inferenza verificabile compatibile con lo standard OpenAI) ed EigenCompute (esecuzione di container Docker dentro TEE), sono in alpha sul mainnet dall’autunno del 2025. A giugno 2025 a16z ha acquistato token EIGEN per 70 milioni di dollari proprio per sostenere il lancio di EigenCloud, un voto di fiducia notevole in un mercato altrimenti scettico. La garanzia, va detto, resta economica: se abbastanza valore in staking viene compromesso, la verità on-chain può essere piegata. Non è la matematica dello zkML, è teoria dei giochi.

I quattro approcci a confronto

La tabella riassume come i quattro vertici si posizionano rispetto al trilemma, con lo stato di ciascuno a metà 2026.

Il 2026 è l’anno degli ibridi

Se ogni vertice ha un difetto strutturale, la mossa ovvia è combinarli. Ed è esattamente ciò che sta accadendo nel 2026: la tendenza dominante non è più «quale approccio vince», ma «quali approcci si mettono insieme». Gli ibridi nascono per aggirare il trilemma facendo lavorare ciascuna tecnica dove è più forte.

Il paper Optimistic TEE-Rollups è l’esempio più esplicito. Propone di usare un TEE su GPU H100 per ottenere finalità in meno di un secondo, di aggiungere prove di frode in stile opML come rete di sicurezza e di spruzzare controlli ZK a campione per abbassare la fiducia riposta nel solo hardware. Gli autori dichiarano di raggiungere il 99% del throughput di un sistema centralizzato con un sovraccosto di appena 0,07 dollari a query, criticando apertamente l’opML puro perché «impone finestre di contestazione proibitive, che impediscono l’interattività in tempo reale».

Non è l’unico. Ci sono architetture come opp/ai, che uniscono l’efficienza dell’opML alla privacy dello zkML, e proposte di zk-OPML che usano una prova a conoscenza zero per accorciare drasticamente la finestra di contestazione. Il messaggio di fondo è coerente: nel 2026 il verifiable compute smette di essere una gara tra quattro scuole rivali e diventa un menu di componenti da assemblare a seconda di quanto conta, per quella specifica applicazione, ciascun vertice del triangolo.

Chi paga per le prove? La domanda che decide tutto

Tutta questa ingegneria risolve un problema di offerta: sappiamo dimostrare l’AI. Resta la domanda scomoda: chi è disposto a pagare per le prove? Una prova costa sempre qualcosa in più rispetto a fidarsi e basta, e il mercato pagherà quel sovrapprezzo solo dove la fiducia vale davvero soldi. Se ne intravedono tre corsie.

La prima è la conformità normativa. Il numero di incidenti legati all’AI sta crescendo: lo Stanford AI Index 2026 ne ha contati 362 nel 2025, contro i 233 dell’anno prima, un balzo del 55%. Nel frattempo il 2 agosto 2026 è scattata la fase di applicazione dell’AI Act europeo, con l’avvio dell’attività di controllo della Commissione e i nuovi obblighi di trasparenza, mentre gli obblighi più pesanti per i sistemi ad alto rischio si scaglioneranno tra il 2027 e il 2028. Quegli obblighi (tracciabilità, log delle attività, documentazione verificabile) sono precisamente ciò che una prova di calcolo può fornire in automatico. Secondo una ricerca McKinsey citata da Lagrange, il 71% dei dirigenti aziendali dichiara che non scalerà i sistemi di AI senza una prova della loro correttezza.

La seconda corsia sono gli agenti autonomi. Un agente che detiene chiavi e firma transazioni, come quelli costruiti con framework del tipo Eliza, è un bersaglio: se qualcuno lo inganna con un prompt malevolo, i fondi se ne vanno. È già successo nel maggio 2026, quando un agente collegato a un noto assistente su X è stato manipolato con un messaggio in codice Morse e indotto a spostare token per centinaia di migliaia di dollari, come documenta il registro degli incidenti dell’OCSE. Un agente che deve dimostrare quale modello ha eseguito, e su quale input, prima di firmare, è un agente molto più difficile da dirottare.

La terza corsia è la DeFi, dove c’è sempre denaro sul tavolo. Un oracolo che usa un modello per prezzare un asset, un protocollo di lending che valuta un collaterale, un mercato di previsione che si autoregola: sono tutti casi in cui un output falsificato si traduce in un furto immediato, e in cui pagare per una prova è semplicemente prudenza. Non a caso è qui che il verifiable compute trova, oggi, le sue applicazioni più concrete.

Il divario tra tecnologia e token

C’è però una stonatura che chiunque guardi al settore da investitore nota subito: la tecnologia funziona, i token no. Nonostante milestone reali e infrastruttura in produzione, i gettoni che dovrebbero catturare il valore del verifiable compute quotano molto sotto i loro massimi storici. La tabella riporta i prezzi rilevati il 21 agosto 2026 su CoinGecko.

Ogni riga racconta la stessa storia: da meno 90% a meno 98% dal picco, pur con reti vive e credibili. Anche il rimbalzo di giornata (diversi di questi token guadagnavano tra l’8 e il 25% il 21 agosto) non cambia il quadro di fondo. Il mercato, per ora, sta prezzando la scarsità di domanda pagante descritta sopra, non i progressi tecnici. Chi valuta questi asset dovrebbe tenere separate le due cose: un’infrastruttura può funzionare benissimo senza che il suo token, nel breve periodo, ne rifletta il valore. Il divario tra tecnologia e prezzo resta l’anomalia più vistosa del settore.

Cosa cambia per l’Italia: Consob, MiCA e il vuoto normativo

Sul piano normativo, il verifiable compute vive in una zona grigia al tempo stesso comoda e scomoda. L’infrastruttura in sé (i prover, gli zkVM, le reti TEE) non è direttamente regolata: non emette strumenti finanziari, non custodisce fondi. In Italia il quadro di riferimento è quello del regolamento europeo MiCA, il cui regime transitorio si è chiuso il 1° luglio 2026, come abbiamo spiegato nell’analisi sul passaporto unico e sulla vigilanza. Da allora possono operare solo i prestatori di servizi (CASP) autorizzati.

A vigilare sono due autorità, designate dal D.lgs. 5 settembre 2024, n. 129: la Consob per la condotta di mercato e la tutela degli investitori, la Banca d’Italia per gli aspetti prudenziali e per le stablecoin. Il punto chiave è che a rientrare nel perimetro non è il calcolo verificabile come tecnologia, ma i servizi che lo usano: un agente di AI che gestisce gli asset di un cliente, o un token che finanzia l’infrastruttura, possono ricadere sotto MiCA o, se hanno le caratteristiche di uno strumento finanziario, sotto la MiFID II vigilata dalla Consob. La Consob ha del resto recepito le linee guida ESMA sulla classificazione delle cripto-attività secondo il principio della sostanza sulla forma: conta cosa fa un token, non come si chiama.

Sull’altra sponda dell’Atlantico la nebbia è persino più fitta. L’interpretazione congiunta SEC-CFTC del 17 marzo 2026, che ha qualificato sedici cripto-attività (tra cui Bitcoin, Ether e Chainlink) come digital commodity, non dice una parola sui token dell’infrastruttura di AI verificabile, che restano quindi in un limbo caso per caso. Per un settore che vende fiducia, l’assenza di regole chiare su chi risponde quando un’AI «provata» sbaglia comunque è, paradossalmente, uno dei suoi rischi maggiori.

I limiti e i rischi che restano

Conviene chiudere il cerchio con onestà, perché il verifiable compute è potente ma non è magia. Lo zkML resta lento e costoso sui modelli più grandi, e la quantizzazione necessaria a renderli dimostrabili introduce quella «approssimazione grezza» di cui parla Burger. I TEE sono veloci ma dipendono dall’integrità di un chip e sono storicamente vulnerabili agli attacchi side-channel. L’opML abbatte i costi ma paga in latenza e presuppone un guardiano onesto sempre vigile. La sicurezza cripto-economica offre prestazioni native ma solo una garanzia economica, che vacilla se il valore in gioco supera il valore in staking.

Sotto tutto questo c’è il compromesso fondamentale che Buterin ha messo nero su bianco: il calcolo economico è quello di cui non ci si può fidare senza verifica, e il calcolo verificabile è, per costruzione, molto più costoso. Colmare quel divario è il lavoro dell’intero settore. Nel 2026 il divario si è ristretto in modo drammatico, al punto che un LLM completo si può finalmente dimostrare; ma non è sparito, e probabilmente non sparirà. La domanda non è se l’AI verificabile sia possibile (lo è), ma dove valga la pena pagarla. E quella risposta, oggi, la decidono più il mercato e il regolatore che la crittografia.

Domande frequenti (FAQ)

Che cos’è il verifiable compute?

Il verifiable compute (calcolo verificabile) è la produzione di un risultato accompagnato da una prova, economica da controllare, che quel risultato sia stato calcolato correttamente. Applicato all’AI, permette di dimostrare che un modello specifico ha girato su un input specifico producendo un certo output, senza costringere chi verifica a rieseguire il calcolo né a fidarsi di chi lo ha svolto. Sposta la logica da «fidati del server» a «verifica la prova».

Qual è la differenza tra zkML, TEE e opML?

Sono tre modi diversi di produrre quella garanzia. Lo zkML usa una prova crittografica (uno ZK-SNARK): massima integrità, ma costoso e lento da generare. I TEE usano un’attestazione firmata dall’hardware: molto veloci, ma richiedono di fidarsi del produttore del chip. L’opML pubblica il risultato e lo considera valido salvo contestazione entro una finestra temporale: costo bassissimo, ma latenza alta e necessità di almeno un osservatore onesto. Nessuno dei tre è superiore in assoluto; ciascuno sceglie due lati del trilemma tra integrità, latenza e costo.

Perché l’intelligenza artificiale ha bisogno del calcolo verificabile?

Perché l’inferenza di un modello avviene su hardware che l’utente non controlla, e il solo risultato non dimostra nulla sull’onestà del calcolo. Dove l’output di un’AI muove denaro o decisioni (agenti che firmano transazioni, oracoli DeFi, mercati di previsione, sistemi soggetti all’AI Act europeo) la differenza tra un risultato dichiarato e uno provato può valere molto. Lo Stanford AI Index ha contato 362 incidenti legati all’AI nel 2025, in crescita del 55%, e questo alimenta la domanda di prove di correttezza.

I token del verifiable compute sono un buon investimento?

Questo articolo non è un consiglio finanziario. Sul piano dei fatti, ad agosto 2026 i principali gettoni del settore (EIGEN, PROVE, PHA, ZKC, LA) quotavano tra il 90 e il 98% sotto i massimi storici, nonostante l’infrastruttura sottostante sia viva e in produzione: un evidente divario tra tecnologia e prezzo. Chi valuta questi asset deve tenere conto della domanda ancora limitata, della forte volatilità e del fatto che, in Italia, molti di essi ricadono sotto la vigilanza Consob e la disciplina MiCA.

Il verifiable compute è regolamentato in Italia?

L’infrastruttura tecnologica in sé non è oggetto di una regolamentazione diretta, ma i servizi che la utilizzano possono esserlo. In Italia, dopo la chiusura del regime transitorio MiCA il 1° luglio 2026, operano solo i CASP autorizzati, vigilati dalla Consob (condotta di mercato) e dalla Banca d’Italia (profili prudenziali), secondo il D.lgs. 129/2024. Un token che finanzia l’infrastruttura o un agente di AI che gestisce fondi altrui possono rientrare sotto MiCA o, se qualificati come strumenti finanziari, sotto la MiFID II.

Luca Ferretti è redattore senior di HOGE Wire e si occupa dell’intersezione tra intelligenza artificiale e criptovalute.