Nell’estate del 2026 due storie corrono in parallelo. I mercati predittivi hanno smesso di essere una curiosit\u00e0 da notte elettorale e sono diventati un settore da decine di miliardi di dollari di volume: Polymarket tratta una valutazione superiore ai 20 miliardi di dollari (circa 17 miliardi di euro) e la rivale Kalshi punta a 40. Allo stesso tempo, una quota crescente di quel volume non la muovono pi\u00f9 le persone. La muovono agenti software autonomi, programmi che leggono le notizie, stimano una probabilit\u00e0 e piazzano l’ordine da soli, senza sosta, notte e giorno.<\/p>
Questi programmi hanno ormai un nome ricorrente nel gergo del settore: agenti dei mercati predittivi. Non sono i vecchi bot che eseguono una regola fissa, ma sistemi costruiti attorno a un modello linguistico di grandi dimensioni (LLM) capace di interpretare un testo, ragionare su un evento e decidere una posizione. Questo articolo spiega come funzionano, quanto sono davvero bravi, quali rischi introducono e perch\u00e9, proprio mentre negli Stati Uniti Polymarket rientrava nel mercato regolamentato, in Italia l’Agenzia delle Dogane e dei Monopoli la oscurava per la seconda volta.<\/p>
Un mercato predittivo \u00e8 un luogo dove si comprano e si vendono contratti legati all’esito di un evento futuro: chi vincer\u00e0 un’elezione, se un’azienda vender\u00e0 i suoi Bitcoin entro una certa data, quale squadra alzer\u00e0 un trofeo. Ogni contratto paga un importo fisso (tipicamente un dollaro, o un USDC) se l’evento si verifica e zero se non accade. Di conseguenza il prezzo del contratto, sempre compreso tra 0 e 1, si legge come una probabilit\u00e0: un contratto scambiato a 0,63 dice che il mercato assegna il 63% di probabilit\u00e0 all’evento.<\/p>
Un agente AI, in questo contesto, non e’ un semplice strumento di consulenza. E’ un programma che mette insieme quattro ingredienti: un modello linguistico che pianifica e interpreta, un wallet con cui firma le proprie transazioni, un insieme di strumenti (accesso a notizie, feed di prezzo, dati on-chain) e un grado di autonomia che gli permette di agire senza chiedere conferma a un umano. Quando questi due mondi si incontrano nasce l’agente dei mercati predittivi: un sistema che sia prevede l’esito, sia esegue la scommessa. I casi di riferimento sono due, uno per ciascuna delle grandi arene: gli agenti Olas su Gnosis Chain e agenti come Polystrat su Polymarket.<\/p>
Sotto il cofano esistono due architetture. La prima e’ il libro degli ordini (order book): compratori e venditori piazzano ordini di acquisto e vendita a prezzi diversi, e il sistema li abbina. Polymarket usa un libro ordini on-chain (un CLOB) con regolamento in USDC sulla rete Polygon; Kalshi gestisce un exchange centralizzato regolato, con clearing in dollari. La seconda architettura, tipica dei primi mercati su Gnosis, e’ la pool automatica (AMM), dove un contratto matematico fa da controparte permanente e il prezzo si muove in base agli scambi. In entrambi i casi il numero che conta e’ lo stesso: la probabilita’ implicita.<\/p>
La forza teorica di questi mercati e’ l’aggregazione: il prezzo riassume le convinzioni, e i soldi, di tutti i partecipanti. Il fondatore e amministratore delegato di Polymarket, Shayne Coplan, li descrive come qualcosa di piu’ di un sito di scommesse, \u00abun termometro molto utile del mondo\u00bb, con l’ambizione di diventare un \u00abalmanacco del futuro\u00bb che copra sempre piu’ domande, come ha ribadito a CoinDesk<\/a>. Ma un termometro funziona solo se chi lo alimenta ha opinioni diverse. E qui entra il problema che percorre tutto questo articolo: cosa succede quando a scommettere sono soprattutto le macchine.<\/p> Un bot tradizionale esegue una regola fissa: arbitraggio tra due mercati, market making attorno a un prezzo, copia automatica di un wallet noto. E’ deterministico e non capisce nulla del mondo. Un agente AI, invece, ragiona su testo e puo’ affrontare mercati che non ha mai visto prima. Il suo lavoro segue una catena abbastanza precisa.<\/p> Il punto delicato e’ il passaggio due. Un agente e’ bravo quanto la sua stima di probabilita’, e quella stima eredita tutti i difetti degli LLM. David Minarsch, amministratore delegato e cofondatore di Valory AG (la societa’ dietro il protocollo Olas), lo dice senza giri di parole: \u00abinterrogare modelli pronti all’uso con i mercati di solito produce risultati non migliori di un lancio di moneta\u00bb, ha spiegato a CoinDesk<\/a>. La differenza tra un agente redditizio e uno che brucia capitale sta quasi tutta nell’ingegneria che circonda il modello, non nel modello in se’.<\/p> Il primo grande esperimento di massa e’ nato su Gnosis Chain con Olas (l’ex Autonolas), il protocollo di Valory per gli agenti autonomi. L’iniziativa Olas Predict ha trasformato la previsione in un’economia di agenti specializzati, e i numeri raccontano quanto sia diventata pervasiva. Secondo il caso studio pubblicato da Olas<\/a>, il sistema ha raggiunto il 79% di accuratezza nelle previsioni, oltre 300 agenti attivi al giorno, piu’ di 340.000 transazioni mensili e oltre il 35% di tutte le transazioni Safe su Gnosis Chain, con picchi che in alcune giornate hanno superato il 75%.<\/p> La cosa interessante e’ la divisione del lavoro. Olas Predict non usa un solo tipo di agente, ma una filiera: agenti che creano i mercati e li dotano di liquidita’, agenti che negoziano, agenti che forniscono i dati che alimentano le previsioni, agenti che chiudono e arbitrano i mercati. A collegare tutto ci sono Pearl, descritto come un app store per agenti, e il Mech Marketplace, una sorta di bazar dove un agente compra servizi di intelligenza artificiale da un altro agente: e’ l’economia agente-a-agente in miniatura. Prima di questa automazione i mercati predittivi soffrivano un problema di abbandono cronico, con solo il 49% degli utenti ancora attivi dopo un mese e meno dell’1% dopo tre; gli agenti tengono i mercati vivi anche quando gli umani se ne vanno.<\/p> Vale la pena separare due cose che spesso si confondono. La qualita’ di un framework non coincide con la performance del suo token. Il token OLAS, che serve a staking e governance del protocollo, viaggiava intorno a 0,022 euro con una capitalizzazione di circa 6,5 milioni di euro secondo CoinGecko<\/a>: una cifra modesta che non riflette l’intensita’ dell’attivita’ on-chain generata dagli agenti. Chi valuta questi progetti dovrebbe guardare l’uso reale, non solo il grafico del prezzo.<\/p> Se Gnosis e’ stata il laboratorio, Polymarket e’ diventata la vetrina. A febbraio 2026 lo stesso team di Valory ha lanciato Polystrat, un agente che opera direttamente su Polymarket. \u00abIn poche parole, Polystrat e’ un agente AI autonomo che negozia su Polymarket 24 ore su 24 per conto del suo utente umano\u00bb, ha spiegato Minarsch. L’utente possiede l’agente e ne mantiene la custodia, gli assegna obiettivi in linguaggio naturale e lo lascia lavorare. Nel giro di circa un mese Polystrat aveva eseguito piu’ di 4.200 operazioni, con punte di rendimento fino al 376% su singole scommesse, e il 37% delle sue istanze mostrava un profitto e perdita positivo.<\/p> Il fenomeno e’ molto piu’ ampio di un singolo prodotto. Sempre secondo i dati LayerHub ripresi da CoinDesk, oltre il 30% dei wallet su Polymarket usa ormai agenti AI, 14 dei 20 wallet piu’ profittevoli sono bot e solo il 7-13% dei trader umani chiude costantemente in utile. \u00abGli agenti tendono a fare meglio degli umani\u00bb, riassume Minarsch. Qui pero’ si apre una crepa concettuale. Un mercato predittivo dovrebbe aggregare giudizi umani diversi; se a dominare sono modelli simili, addestrati su dati simili, la \u00absaggezza della folla\u00bb rischia di diventare la saggezza di pochi modelli quasi identici. I regolatori hanno iniziato a chiamarlo per nome: il timore e’ che le distorsioni ottimizzate dalle macchine allarghino il divario tra chi ha accesso a questi strumenti e chi no.<\/p> Che gli agenti battano gli umani non significa che siano oracoli infallibili. Un benchmark accademico pubblicato nel 2026, PolyBench<\/a>, curato da ricercatori dell’Universita’ di Sichuan, ha messo alla prova sette modelli linguistici di punta su 38.666 istantanee di mercato reali di Polymarket, con libro ordini e flusso di notizie allineati, in un ambiente a prova di contaminazione (i mercati non erano ancora risolti al momento del test). I risultati raffreddano gli entusiasmi.<\/p> Solo due modelli su sette hanno chiuso in profitto (MiMo-V2-Flash con un rendimento ponderato per la confidenza del 17,6% e Gemini-3-Flash con il 6,2%); gli altri cinque hanno perso denaro pur restando altissimi di sicurezza. Il difetto piu’ insidioso e’ proprio questo: una miscalibrazione sistematica, con i modelli che mantengono una confidenza di 0,8-0,9 in ogni dominio, indipendentemente dalla complessita’. Andavano forte sulla politica, ricca di segnali testuali, e perdevano pesantemente su settori volatili come le criptovalute. E lo slippage del libro ordini erodeva i rendimenti man mano che la posizione cresceva, dimostrando che un vantaggio teorico si dissolve appena manca liquidita’. La lezione operativa e’ netta: il vantaggio di un agente dipende dal dominio e dalla profondita’ del mercato, e la sicurezza di un LLM non e’ calibrazione.<\/p> Dietro un agente che scommette bene c’e’ una pila di componenti, ognuno con un rischio proprio. Il primo e’ l’inferenza: dove gira il modello. Se gira su un’API centralizzata, l’agente eredita un punto singolo di guasto, costi e possibile censura; per questo cresce l’interesse verso l’inferenza decentralizzata<\/a> e verso blockchain pensate per far girare i modelli come parte del contratto, come la Ritual Chain<\/a>. Il secondo componente sono i pagamenti: standard come x402 di Coinbase e AP2 di Google permettono a un agente di pagare in stablecoin i servizi di cui ha bisogno, dai dati all’inferenza stessa. Il terzo e’ l’identita’ e la reputazione.<\/p>Agente o bot: come ragiona (e sbaglia) una macchina<\/h2>
Olas Predict: gli agenti che hanno colonizzato Gnosis Chain<\/h2>
Polystrat e l’invasione degli agenti su Polymarket<\/h2>
Quanto sono bravi davvero: la lezione di PolyBench<\/h2>
La pila tecnologica dell’agente<\/h2>