{"id":301,"date":"2026-08-14T22:35:56","date_gmt":"2026-08-14T22:35:56","guid":{"rendered":"https:\/\/hoge.gg\/it\/verifiable-compute-2026-prove-scalano-token\/"},"modified":"2026-08-14T22:35:56","modified_gmt":"2026-08-14T22:35:56","slug":"verifiable-compute-2026-prove-scalano-token","status":"publish","type":"post","link":"https:\/\/hoge.gg\/it\/verifiable-compute-2026-prove-scalano-token\/","title":{"rendered":"Verifiable compute nel 2026: le prove scalano, i token no"},"content":{"rendered":"

Per due anni la promessa del verifiable compute \u00e8 rimasta identica: dare a ogni calcolo di un modello di intelligenza artificiale una ricevuta, una prova che il modello giusto ha elaborato l’input giusto e ha prodotto davvero il risultato mostrato. Nel 2026 qualcosa si \u00e8 mosso sul serio. Le prove hanno iniziato a scalare verso modelli reali, i primi LLM sono stati dimostrati end-to-end e le reti che vendono questa capacit\u00e0 sono passate dal testnet alla mainnet. Nello stesso periodo, per\u00f2, i token che dovrebbero pagare tutto questo hanno perso tra il 91% e il 98% rispetto ai massimi storici. \u00c8 la fotografia del settore a met\u00e0 agosto 2026: la tecnologia corre, il mercato dei token no. Questo articolo prova a spiegare perch\u00e9 le due cose stanno accadendo insieme.<\/p>

Che cosa intendiamo per verifiable compute, in breve<\/h2>

Un ripasso rapido, perch\u00e9 di guide di base a questo tema ne abbiamo gi\u00e0 pubblicate diverse. Il verifiable compute (calcolo verificabile) consiste nel produrre un risultato e, insieme, una prova che quel risultato \u00e8 stato calcolato correttamente; una prova che chi riceve l’output pu\u00f2 controllare in modo molto pi\u00f9 economico di quanto costerebbe rieseguire l’intero calcolo. Il modello di fiducia cambia in modo netto: si passa dal fidarsi del server, che dichiara di aver usato un certo modello su un certo input, al verificare una prova matematica o economica. Chi controlla non deve pi\u00f9 credere sulla parola, e nemmeno rifare i conti.<\/p>

\u00c8 la distinzione che separa il verifiable compute dal semplice calcolo decentralizzato. Reti come Akash o i marketplace di GPU affittano potenza di calcolo, ma non dimostrano di aver eseguito il lavoro in modo onesto: un nodo potrebbe consegnare l’output di un modello pi\u00f9 piccolo e scadente spacciandolo per quello richiesto, e nessuno se ne accorgerebbe. Il nodo della fiducia, il divario tra affittare hardware e provare l’onest\u00e0, \u00e8 esattamente il punto che abbiamo analizzato parlando dei costi reali e del nodo della fiducia nell’inferenza decentralizzata<\/a>. Il verifiable compute \u00e8 la risposta tecnica a quella domanda.<\/p>

La cornice teorica la aveva messa a fuoco Vitalik Buterin gi\u00e0 nel gennaio 2024, nel saggio The promise and challenges of crypto plus AI applications<\/a>: la verificabilit\u00e0 \u00e8 forse l’uso pi\u00f9 solido della crittografia applicata all’AI, ma resta un compromesso di fondo tra un calcolo economico e non verificabile e uno verificabile ma molto pi\u00f9 costoso. Tutto quello che \u00e8 successo nel 2026 \u00e8, in un modo o nell’altro, un tentativo di spostare quel compromesso.<\/p>

Perch\u00e9 il 2026 \u00e8 l’anno della svolta<\/h2>

Fino al 2024 il verifiable compute era in larga parte una promessa da paper accademico e da demo. Tre cose lo hanno trasformato in infrastruttura reale nel giro di dodici mesi. La prima \u00e8 che le reti principali sono uscite dal laboratorio: Succinct ha portato in mainnet il proprio zkVM ad agosto 2025, Boundless ha aperto il suo marketplace di prove su Base a settembre 2025, EigenCloud ha lanciato nello stesso mese la versione mainnet alpha dei suoi servizi di AI verificabile. Non sono pi\u00f9 esperimenti: sono servizi che generano prove e fatturano.<\/p>

La seconda \u00e8 il salto tecnico: per la prima volta un sistema di prova a conoscenza zero ha dimostrato end-to-end l’inferenza di un modello linguistico completo, un traguardo che fino a poco prima gli stessi ricercatori davano per lontano. La terza \u00e8 normativa: l’AI Act europeo entra nella sua fase pi\u00f9 pesante il 2 agosto 2026, e con essa cresce la domanda di sistemi che sappiano documentare in modo verificabile che cosa ha fatto un modello. Messe insieme, queste tre spinte spiegano perch\u00e9 il 2026 \u00e8 il momento in cui il verifiable compute smette di essere una curiosit\u00e0 e diventa un pezzo di mercato. E spiegano anche perch\u00e9 la delusione sui prezzi dei token, che vedremo pi\u00f9 avanti, faccia cos\u00ec rumore: la distanza tra ci\u00f2 che la tecnologia sa fare e ci\u00f2 che il mercato le riconosce non \u00e8 mai stata cos\u00ec ampia.<\/p>

Il muro dell’inferenza LLM si sta incrinando<\/h2>

L’obiezione classica allo zkML era una sola: bello sulla carta, impossibile sui modelli veri. Dimostrare crittograficamente ogni operazione di una rete con miliardi di parametri richiedeva un overhead cos\u00ec alto da rendere la cosa inutilizzabile. Per anni le prove a conoscenza zero applicate all’AI si sono fermate a piccoli classificatori o a reti convoluzionali, non certo a un modello linguistico. Nel 2026 quel muro ha cominciato a incrinarsi.<\/p>

Il segnale pi\u00f9 forte arriva da Lagrange, che con DeepProve-1<\/a> ha presentato il primo sistema zkML capace di dimostrare end-to-end l’inferenza di un LLM completo, nella fattispecie GPT-2. Non \u00e8 ancora un modello di frontiera, e vale la pena dirlo con chiarezza per non alimentare aspettative sbagliate: i modelli di classe Llama restano in fase di sviluppo, e nessuno oggi dimostra crittograficamente un modello da centinaia di miliardi di parametri in tempi ragionevoli. Ma la barriera concettuale, il fatto stesso che un LLM completo si possa provare, \u00e8 caduta. A giugno 2026 Lagrange ha reso open source DeepProve, e secondo il comunicato di rilascio<\/a> il sistema aveva gi\u00e0 generato oltre 12 milioni di prove e verificato pi\u00f9 di 3 milioni di inferenze, con una generazione della prova indicata come molto pi\u00f9 rapida rispetto ai sistemi zkML precedenti e una verifica di ordini di grandezza pi\u00f9 veloce.<\/p>

Dietro il salto c’\u00e8 un cambio di strumenti matematici. Le operazioni non lineari tipiche delle reti neurali, come le funzioni di attivazione ReLU e le softmax, sono storicamente le pi\u00f9 costose da tradurre in un circuito a conoscenza zero. Le architetture pi\u00f9 recenti, a partire dagli zkVM basati su argomenti di lookup come Jolt, riducono drasticamente quel costo trattando molte operazioni come una consultazione in tabella anzich\u00e9 come un circuito da provare passo per passo. \u00c8 un dettaglio tecnico, ma \u00e8 il vero motore della svolta 2026. Il CEO di Lagrange, Ismael Hishon-Rezaizadeh, ha riassunto cos\u00ec il senso del rilascio open source: \u00abToday, DeepProve becomes a primitive. The black box is open\u00bb. L’idea \u00e8 che la verifica dell’AI diventi un mattone di base, disponibile a tutti, non il prodotto proprietario di una singola azienda.<\/p>

Le quattro strade verso la prova<\/h2>

Non esiste un solo modo di rendere verificabile un calcolo di AI. Ne esistono quattro, ciascuno con un diverso equilibrio tra solidit\u00e0 della garanzia, velocit\u00e0 e costo. La tabella qui sotto li mette a confronto con lo stato raggiunto a met\u00e0 2026; nei paragrafi successivi li vediamo uno per uno.<\/p>

Approccio<\/th>Come funziona<\/th>Progetti di riferimento<\/th>Stato nel 2026<\/th>Limite principale<\/th><\/tr><\/thead>
zkML (prove a conoscenza zero)<\/td>Genera una prova crittografica che il modello ha girato correttamente, verificabile in millisecondi senza rieseguire nulla<\/td>EZKL, Succinct (SP1), Lagrange (DeepProve)<\/td>Primo LLM completo (GPT-2) dimostrato end-to-end; ancora pesante sui modelli di frontiera<\/td>Overhead di calcolo elevato; richiede quantizzazione del modello<\/td><\/tr>
TEE (ambienti di esecuzione fidati)<\/td>L’hardware attesta di aver eseguito il codice dentro un’enclave isolata e cifrata<\/td>Phala, NVIDIA H100 Confidential Computing, Intel TDX, EigenCompute<\/td>Il cavallo di battaglia pragmatico; overhead ridotto, gi\u00e0 in produzione su larga scala<\/td>Occorre fidarsi del produttore del chip; rischio di attacchi side-channel<\/td><\/tr>
opML (ottimistico)<\/td>Pubblica il risultato, apre una finestra di contestazione e risolve le dispute con una prova di frode<\/td>Ora (OAO)<\/td>In produzione, ma con latenza legata alla finestra di disputa<\/td>Serve almeno un osservatore onesto; niente interattivit\u00e0 in tempo reale<\/td><\/tr>
Crypto-economico (stake e slashing)<\/td>Chi calcola mette in gioco un deposito; barare costa pi\u00f9 di quanto renda<\/td>EigenCloud (EigenAI, EigenCompute)<\/td>Mainnet alpha da fine settembre 2025, con integrazioni enterprise<\/td>Garanzia economica, non crittografica<\/td><\/tr><\/tbody><\/table><\/figure>

zkML: il prezzo della precisione<\/h2>

Lo zkML \u00e8 la strada pi\u00f9 ambiziosa: produce una garanzia puramente crittografica, senza dover credere a nessun hardware e senza dover assumere che qualcuno stia vigilando. Chi verifica la prova ha una certezza matematica che il calcolo \u00e8 avvenuto come dichiarato. Il punto debole, storicamente, \u00e8 il costo. Generare la prova richiede molto pi\u00f9 lavoro che eseguire il modello, a volte diversi ordini di grandezza in pi\u00f9.<\/p>

L’ecosistema si \u00e8 organizzato su due livelli. Da un lato ci sono le librerie che traducono un modello in un circuito dimostrabile: EZKL, che parte dal formato ONNX ed \u00e8 diventata il riferimento contro cui gli altri si misurano, e i sistemi zkVM general purpose come SP1 di Succinct<\/a>, basato su architettura RISC-V, che invece di provare un singolo modello permette di provare qualsiasi programma compilato. Dall’altro ci sono i sistemi specializzati, come DeepProve, che ottimizzano proprio la matematica delle reti neurali.<\/p>

C’\u00e8 per\u00f2 un vincolo che nessuna libreria elimina del tutto, ed \u00e8 utile capirlo perch\u00e9 spiega molti compromessi. I circuiti a conoscenza zero lavorano su aritmetica intera su campi finiti, non sui numeri in virgola mobile a 32 bit con cui girano di norma i modelli di AI. Rappresentare direttamente quelle operazioni float in un circuito costa enormemente, come ha ricordato pi\u00f9 volte la ricerca di a16z crypto<\/a>. La conseguenza pratica \u00e8 che i modelli vengono quantizzati, spesso a 8 bit, per entrare nei circuiti: si guadagna in provabilit\u00e0 ma si perde qualcosa in accuratezza. \u00c8 la tensione di fondo dello zkML nel 2026: quanto sei disposto ad approssimare il modello pur di riuscire a dimostrarlo.<\/p>

Vale la pena ricordare da dove si parte. Nei primi esperimenti di zkML, generare la prova per una singola inferenza di un modello anche modesto poteva richiedere ore di calcolo, un costo che rendeva la tecnologia una curiosit\u00e0 da laboratorio. La corsa degli ultimi due anni \u00e8 stata soprattutto una corsa a comprimere quei tempi: hardware dedicato alla generazione delle prove, nuovi schemi di commitment e, come si \u00e8 visto, gli argomenti di lookup hanno abbattuto quel costo di ordini di grandezza. Restano lontani i modelli pi\u00f9 grandi, ma la traiettoria \u00e8 chiara, e spiega perch\u00e9 nel 2026 si parli di zkML come di qualcosa di quasi pratico e non pi\u00f9 soltanto teorico.<\/p>

TEE: velocit\u00e0 contro fiducia nel silicio<\/h2>

Se lo zkML \u00e8 la strada pi\u00f9 pura, i TEE (Trusted Execution Environment) sono la strada pi\u00f9 pragmatica, ed \u00e8 quella che nel 2026 muove i volumi maggiori. L’idea \u00e8 diversa: invece di dimostrare matematicamente il calcolo, si esegue il modello dentro un’enclave hardware isolata e cifrata, e il chip firma un’attestazione che certifica quale codice ha girato e su quale dispositivo. Il verificatore non controlla una prova crittografica del calcolo, ma una firma dell’hardware.<\/p>

Il grande abilitatore \u00e8 stato l’arrivo del confidential computing sulle GPU. Le enclave tradizionali vivevano sulla CPU e mal si adattavano ai carichi AI; con il confidential computing di NVIDIA sulle H100<\/a>, che protegge la memoria della GPU con un firewall hardware e mantiene l’overhead entro margini contenuti, l’inferenza protetta \u00e8 diventata praticabile anche su modelli grandi. Su questo si \u00e8 costruita Phala Network<\/a>, che dichiara oltre trentamila dispositivi TEE e un volume superiore al miliardo di token LLM elaborati al giorno instradati attraverso servizi come OpenRouter. Accanto a NVIDIA ci sono Intel TDX, AMD SEV e servizi cloud come Google Cloud Confidential Space, che portano l’attestazione anche in contesti enterprise.<\/p>

Il compromesso \u00e8 evidente e va detto senza giri di parole: la fiducia non sparisce, si sposta. Con un TEE non ti fidi dell’operatore del nodo, ma devi fidarti del produttore del chip e della robustezza della sua enclave. La storia recente della sicurezza hardware \u00e8 piena di attacchi side-channel che hanno bucato enclave ritenute sicure, e ogni nuova falla riapre la domanda. Il TEE offre una garanzia forte e velocissima, ma non \u00e8 la fiducia-zero dello zkML. Per un approfondimento su come si combinano GPU, routing e verifica leggera in una rete reale rimandiamo alla nostra analisi su hardware, GPU e routing dell’inferenza decentralizzata<\/a>.<\/p>

opML e sicurezza crypto-economica<\/h2>

Le altre due strade rinunciano alla certezza immediata in cambio di costi bassi. L’opML (optimistic machine learning) funziona come i rollup ottimistici: chi calcola pubblica il risultato dando per buono che sia corretto, si apre una finestra di contestazione e, se qualcuno segnala un errore, una prova di frode risolve la disputa rieseguendo solo il passaggio incriminato. Il pioniere \u00e8 Ora, che ha formalizzato l’approccio in un paper del 2024<\/a>. Il vantaggio \u00e8 il costo quasi nullo nel caso normale; gli svantaggi sono due, la latenza introdotta dalla finestra di disputa, che rende l’opML inadatto agli usi in tempo reale, e la necessit\u00e0 che esista almeno un osservatore onesto pronto a contestare.<\/p>

La sicurezza crypto-economica adotta la logica dello staking. Chi esegue il calcolo deposita un capitale a garanzia; se viene colto a barare, quel capitale viene tagliato (slashing). Non c’\u00e8 una prova crittografica del calcolo: c’\u00e8 la certezza economica che imbrogliare costa pi\u00f9 di quanto renda. \u00c8 la scommessa di EigenCloud<\/a>, la nuova identit\u00e0 di EigenLayer, che a fine settembre 2025 ha lanciato in mainnet alpha due prodotti: EigenAI, un’API di inferenza LLM verificabile e compatibile con OpenAI, che punta su un’esecuzione deterministica bit-exact su GPU, ed EigenCompute, che esegue immagini Docker in ambiente TEE con attestazione Intel TDX su Google Cloud Confidential Space e si integra con strumenti per agenti come Coinbase AgentKit. Il CEO di EigenCloud, Sreeram Kannan, sintetizza la tesi in una frase: \u00abThe future of software is autonomous and verifiable, with agents that can act on behalf of users in the real world, from managing capital to brokering agreements\u00bb, e definisce l’attuale infrastruttura legacy per AI e calcolo un collo di bottiglia per lo sviluppo degli agenti<\/a>.<\/p>

I marketplace di prove: Boundless e Succinct<\/h2>

Uno dei cambiamenti pi\u00f9 concreti del 2025-2026 \u00e8 nato accanto alle quattro strade appena viste: la separazione tra chi ha bisogno di una prova e chi la genera. Produrre prove a conoscenza zero richiede hardware specializzato e competenze rare; ha senso che diventi un servizio a mercato, come \u00e8 successo per il cloud computing. Da qui i marketplace di prove.<\/p>

Il caso pi\u00f9 visibile \u00e8 Boundless<\/a>, che a settembre 2025 ha lanciato la mainnet su Base con il sostegno, tra gli altri, di Ethereum Foundation, Base e Wormhole. Il meccanismo si chiama Proof of Verifiable Work: i prover competono per generare prove e vengono remunerati in base a quantit\u00e0, velocit\u00e0 e complessit\u00e0 del lavoro svolto, ed \u00e8 agnostico rispetto al sistema di prova sottostante. Shiv Shankar, CEO di Boundless ed ex CIO di RISC Zero, ha spiegato l’ambizione cos\u00ec: \u00abFor the first time, developers on any chain can access abundant zero-knowledge compute to build complex applications that scale across ecosystems without sacrificing decentralization\u00bb. Sull’altro versante, Succinct ha portato in mainnet ad agosto 2025 il proprio zkVM SP1, adottato da decine di protocolli per generare prove che mettono in sicurezza miliardi di dollari di valore. L’idea comune \u00e8 la stessa: rendere la prova a conoscenza zero una risorsa abbondante e comprabile, non un lusso artigianale.<\/p>

L’aspetto economico \u00e8 interessante quanto quello tecnico. Un marketplace di prove trasforma la generazione di ZK in un mercato con un lato dell’offerta competitivo: chiunque abbia hardware adatto pu\u00f2 candidarsi come prover e guadagnare svolgendo il lavoro, e la concorrenza spinge verso il basso il prezzo della prova. \u00c8 la stessa dinamica che ha reso economico il cloud tradizionale, applicata a una risorsa finora scarsa e costosa. Se funziona, rendere verificabile un calcolo smette di essere un ostacolo proibitivo e diventa una voce di spesa gestibile; se non funziona, questi mercati resteranno sottili e i prover si concentreranno in poche mani, con i rischi di centralizzazione che ne derivano.<\/p>

Il trilemma della verificabilit\u00e0 e il paradosso del determinismo<\/h2>

Perch\u00e9 non esiste una sola strada vincente? Perch\u00e9 il verifiable compute vive un trilemma. Le tre propriet\u00e0 desiderabili sono l’integrit\u00e0 della garanzia (quanto \u00e8 forte la prova che il calcolo \u00e8 corretto), la latenza (quanto tempo passa prima che il risultato sia usabile) e il costo. Nel 2026 si riesce a ottimizzarne al massimo due sacrificando la terza. Lo zkML massimizza l’integrit\u00e0 ma paga in costo; il TEE \u00e8 veloce ed economico ma la sua integrit\u00e0 dipende dalla fiducia nel chip; l’opML \u00e8 economicissimo ma introduce latenza; il crypto-economico \u00e8 rapido ma offre una garanzia probabilistica ed economica, non assoluta.<\/p>

C’\u00e8 poi un ostacolo pi\u00f9 sottile, quasi filosofico, che rende difficile applicare lo zkML agli LLM: il paradosso del determinismo. Le prove a conoscenza zero hanno bisogno di un calcolo perfettamente riproducibile, bit per bit. L’inferenza di un LLM su GPU, per\u00f2, non \u00e8 deterministica in senso stretto: l’ordine con cui vengono sommate le operazioni in parallelo e gli arrotondamenti in virgola mobile possono produrre output leggermente diversi da un’esecuzione all’altra sullo stesso input. Ecco perch\u00e9 la promessa di un’esecuzione deterministica bit-exact, rivendicata da chi lavora sull’inferenza verificabile, non \u00e8 un dettaglio di marketing ma una precondizione tecnica: senza determinismo non c’\u00e8 prova che tenga, e senza prova non c’\u00e8 verificabilit\u00e0.<\/p>

Gli ibridi: il vero trend del 2026<\/h2>

La conseguenza logica del trilemma \u00e8 che nessuno, nel 2026, sceglie pi\u00f9 un solo approccio. Il trend dominante sono gli stack ibridi, che combinano pi\u00f9 tecniche per prendere il meglio di ciascuna. Lo schema pi\u00f9 discusso \u00e8 quello dei cosiddetti Optimistic TEE-Rollup: si esegue l’inferenza in un’enclave TEE su GPU H100 per avere velocit\u00e0 e finalit\u00e0 quasi immediata, si aggiunge una finestra di contestazione ottimistica con prove di frode per catturare gli abusi, e si inseriscono controlli a campione con prove a conoscenza zero laddove il costo lo consente.<\/p>

Il risultato \u00e8 un sistema che offre la rapidit\u00e0 del TEE, l’onest\u00e0 economica del modello ottimistico e, sui campioni verificati, la certezza crittografica dello zkML, senza pagare il costo pieno di dimostrare ogni singola inferenza. \u00c8 un compromesso ingegneristico, non elegante quanto una prova pura, ma \u00e8 l’unico che oggi regge in produzione su carichi reali. La direzione \u00e8 chiara: nel breve periodo il verifiable compute non sar\u00e0 una tecnologia sola, ma una pila di garanzie sovrapposte, calibrate sul valore di ci\u00f2 che stanno proteggendo. Pi\u00f9 il calcolo \u00e8 critico, pi\u00f9 garanzie si impilano sopra.<\/p>

Le prove scalano, i token no: la grande divergenza<\/h2>

Qui arriva la parte scomoda. Mentre la tecnologia registrava i progressi che abbiamo descritto, i token dei progetti che la costruiscono sono stati travolti. A met\u00e0 agosto 2026, secondo i dati di CoinGecko in euro, quasi ogni token legato alla generazione o alla verifica di prove viaggia tra il 91% e il 98% sotto il proprio massimo storico. Non \u00e8 il caso di un singolo progetto andato male: \u00e8 un pattern che attraversa tutto il settore.<\/p>

Token<\/th>Progetto<\/th>Approccio<\/th>Prezzo (EUR)<\/th>Cap. di mercato<\/th>Sotto il massimo storico<\/th><\/tr><\/thead>
EIGEN<\/a><\/td>EigenCloud<\/td>Crypto-economico \/ TEE<\/td>circa 0,146<\/td>circa 128 mln<\/td>-97,3%<\/td><\/tr>
PROVE<\/a><\/td>Succinct<\/td>zkML (zkVM SP1)<\/td>circa 0,126<\/td>circa 24,5 mln<\/td>-91,4%<\/td><\/tr>
ZKC<\/a><\/td>Boundless<\/td>Marketplace di prove ZK<\/td>circa 0,032<\/td>circa 9,3 mln<\/td>-97,9%<\/td><\/tr>
LA<\/a><\/td>Lagrange<\/td>zkML (DeepProve)<\/td>circa 0,043<\/td>circa 8,4 mln<\/td>-97,1%<\/td><\/tr>
PHA<\/a><\/td>Phala Network<\/td>TEE<\/td>circa 0,0186<\/td>circa 15,6 mln<\/td>-98,4%<\/td><\/tr>
TAO<\/a><\/td>Bittensor (confronto)<\/td>Rete AI, non pure-proof<\/td>circa 171<\/td>circa 1,64 mld<\/td>quasi invariato sul mese<\/td><\/tr><\/tbody><\/table><\/figure>

Il contrasto con Bittensor \u00e8 istruttivo: TAO, che non \u00e8 un token puro di verifica ma la valuta di un’intera rete di intelligenza AI, resta pi\u00f9 o meno invariato sull’ultimo mese e ben capitalizzato, mentre i token specializzati nella prova vengono venduti senza piet\u00e0. Perch\u00e9? Le ragioni sono pi\u00f9 d’una. Molti di questi asset avevano toccato i massimi nel 2025 su ondate speculative slegate dall’uso reale; buona parte \u00e8 soggetta a piani di sblocco che diluiscono l’offerta proprio mentre la narrativa si raffredda; ma soprattutto c’\u00e8 un problema strutturale di cattura del valore. Un token infrastrutturale abilita un servizio prezioso senza necessariamente incassarne il valore: la domanda di prove pu\u00f2 crescere mentre il ricavo che finisce nel token resta modesto. \u00c8 lo stesso scarto tra fondamentali e prezzo che abbiamo visto altrove, e che rende il settore vulnerabile ai cicli di liquidit\u00e0, un tema che si intreccia con il modo in cui i dati macro come l’inflazione muovono i prezzi crypto<\/a>. Per l’investitore la lezione \u00e8 prudente: una tecnologia che funziona non \u00e8 di per s\u00e9 un token che sale, e un drawdown del 95% non \u00e8 mai automaticamente un’occasione.<\/p>

Sotto la superficie c’\u00e8 una questione pi\u00f9 profonda, che gli investitori crypto conoscono bene: il divario tra il valore che un protocollo genera e il valore che il suo token riesce a trattenere. Un’infrastruttura di verifica pu\u00f2 diventare indispensabile e comunque lasciare poco margine al token che la rappresenta, soprattutto se il servizio si paga in stablecoin o se le prove diventano una commodity a basso prezzo. A questo si aggiunge il calendario degli sblocchi: diversi progetti del settore hanno ancora grandi quote di token in vesting a favore di team e primi investitori, un’offerta che continuer\u00e0 ad arrivare sul mercato nei prossimi trimestri. Finch\u00e9 la domanda reale non cresce pi\u00f9 in fretta di quell’offerta, la pressione sui prezzi difficilmente si allenta.<\/p>

A cosa serve davvero: i casi d’uso<\/h2>

Tolta la finanza speculativa, dove serve concretamente una prova di calcolo AI? I casi d’uso che hanno pi\u00f9 senso nel 2026 sono quelli in cui l’output di un modello innesca un’azione con conseguenze economiche o legali, e dove quindi sbagliare o barare costa caro.<\/p>