{"id":762,"date":"2026-10-10T22:40:39","date_gmt":"2026-10-10T22:40:39","guid":{"rendered":"https:\/\/hoge.gg\/it\/mercati-predittivi-ai-previsione-scommessa-2026\/"},"modified":"2026-10-10T22:40:39","modified_gmt":"2026-10-10T22:40:39","slug":"mercati-predittivi-ai-previsione-scommessa-2026","status":"publish","type":"post","link":"https:\/\/hoge.gg\/it\/mercati-predittivi-ai-previsione-scommessa-2026\/","title":{"rendered":"Mercati predittivi: l’AI prevede come il mercato ma non guadagna"},"content":{"rendered":"

A ottobre 2026 i mercati predittivi non assomigliano pi\u00f9 a quello che erano un anno fa. Su Polymarket e Kalshi non si contano soltanto le scommesse su chi vincer\u00e0 un’elezione o se la Fed taglier\u00e0 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 probabilit\u00e0 come fossero un sensore, perfino il software che scrive le regole dei contratti e decide chi ha vinto. Il mercato predittivo \u00e8 diventato, di fatto, il livello di previsione dell’intera industria dell’intelligenza artificiale on-chain.<\/p>

Il risultato pi\u00f9 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 probabilit\u00e0 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: \u00e8 la distanza fra calibrazione e convinzione, e nel 2026 \u00e8 diventata misurabile.<\/p>

Questo pezzo prova a mettere ordine in quel paradosso. Non ripartiamo da zero sul funzionamento di base (lo abbiamo gi\u00e0 raccontato) ma guardiamo a cosa succede quando l’AI non \u00e8 pi\u00f9 solo un giocatore al tavolo, bens\u00ec l’infrastruttura del tavolo stesso: chi scommette, chi viene valutato, chi consuma il prezzo, chi gestisce il banco e chi arbitra.<\/p>

Da luogo di scommessa a livello di previsione<\/h2>

Un mercato predittivo \u00e8 un contratto binario: comprare una quota \u00abS\u00ec\u00bb a un prezzo compreso tra 0 e 1 euro equivale a comprare una probabilit\u00e0, e alla risoluzione la quota vincente vale 1, quella perdente 0. Il prezzo di equilibrio \u00e8, in teoria, la probabilit\u00e0 che la folla assegna all’evento. Per anni questa folla \u00e8 stata umana. Nel 2026 \u00e8 in buona parte fatta di macchine, e intorno a quel prezzo si \u00e8 formato uno strato di software che lo produce, lo misura e lo riusa.<\/p>

Conviene tenere distinti i ruoli, perch\u00e9 vengono spesso confusi in un unico calderone di \u00abbot che scommettono\u00bb. Sono almeno cinque, e ciascuno ha il suo caso concreto nel 2026.<\/p>

Ruolo dell’AI<\/th>Che cosa fa<\/th>Esempio nel 2026<\/th><\/tr><\/thead>
Scommette<\/td>Agenti autonomi piazzano ordini 24 ore su 24<\/td>Polystrat (Valory\/Olas); oltre il 30% dei portafogli di Polymarket<\/td><\/tr>
Viene valutata<\/td>Benchmark pubblici misurano la bravura previsiva dei modelli<\/td>Prophet Arena, Prediction Arena<\/td><\/tr>
Viene consumata<\/td>App di investimento usano la probabilit\u00e0 come segnale<\/td>Public, con l’accordo Kalshi di settembre<\/td><\/tr>
Gestisce il banco<\/td>Un agente interno stress-testa i contratti e propone i mercati<\/td>L’agente della markets team di Kalshi<\/td><\/tr>
Arbitra<\/td>Oracoli e giudici AI decidono l’esito finale<\/td>UMA Truth Bot; i \u00abgiudici AI\u00bb proposti da a16z<\/td><\/tr><\/tbody><\/table><\/figure>

Tenere separati questi cinque ruoli \u00e8 utile perch\u00e9 ciascuno promette una cosa diversa e mantiene, per ora, una cosa diversa. Partiamo dal pi\u00f9 noto, quello che negli ultimi due anni ha fatto notizia: l’AI che scommette.<\/p>

Gli agenti che scommettono: Polystrat e il dominio dei bot<\/h2>

Il motivo per cui gli agenti autonomi hanno colonizzato i mercati predittivi prima di qualsiasi altra nicchia della finanza on-chain \u00e8 strutturale. Un mercato predittivo offre uno spazio d’azione minuscolo (comprare o vendere S\u00ec o No), una ricompensa oggettiva e programmata (l’evento si risolve a una data nota), funziona 24 ore su 24, \u00e8 interrogabile via API e, soprattutto, pone domande in linguaggio naturale. \u00c8 l’ambiente ideale per un modello linguistico dotato di portafoglio: tutto ci\u00f2 che serve \u00e8 leggere un testo, stimare una probabilit\u00e0 e firmare una transazione.<\/p>

Il volto di questo fenomeno \u00e8 Polystrat, l’agente lanciato a febbraio 2026 da Valory, la societ\u00e0 dietro il framework Olas. Secondo la ricostruzione di CoinDesk<\/a>, nel primo mese ha piazzato oltre 4.200 operazioni, con punte del 376% su singole posizioni. Pi\u00f9 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.<\/p>

David Minarsch, CEO e co-fondatore di Valory, descrive Polystrat come \u00abun agente AI autonomo che opera su Polymarket 24 ore su 24 per conto del suo utente umano\u00bb. \u00c8 lo stesso Minarsch, per\u00f2, a mettere in guardia dall’entusiasmo facile: limitarsi a interrogare un modello pronto all’uso \u00abdi solito produce risultati non migliori di un lancio di moneta\u00bb, mentre solo con flussi di lavoro costruiti su misura si arriva a \u00abun’accuratezza predittiva fino al 70% e oltre\u00bb. La sua tesi di fondo \u00e8 che \u00abgli agenti tendono a fare meglio degli umani\u00bb perch\u00e9 \u00abgli esseri umani scelgono in modo pi\u00f9 frettoloso, e questo pu\u00f2 penalizzarli\u00bb. Tenete a mente questa frase: i benchmark del 2026 la confermano e la smentiscono allo stesso tempo.<\/p>

Olas, i Mech e l’economia fra agenti<\/h2>

Gli agenti che scommettono raramente lavorano da soli. Nell’ecosistema Olas un agente di trading pu\u00f2 \u00abcomprare\u00bb una previsione da un altro agente, un cosiddetto Mech o prediction broker che combina modelli, dati e API in una singola probabilit\u00e0 e la vende per una micro-commissione. \u00c8 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 pi\u00f9 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.<\/p>

Questa divisione del lavoro \u00e8 il motivo per cui gli agenti sui mercati predittivi vengono spesso citati come la prima vera applicazione dell’economia delle macchine<\/a>, in cui software paga software per un servizio. Attenzione per\u00f2 a non confondere la qualit\u00e0 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. \u00c8 lo stesso scollamento che abbiamo visto con i framework open source dove il codice sopravvive mentre il token muore<\/a>: la bont\u00e0 del motore non si legge nel grafico del token.<\/p>

Il verdetto di Prophet Arena: l’AI prevede quanto il mercato<\/h2>

Il salto concettuale del 2026 \u00e8 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’Universit\u00e0 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 verit\u00e0 di riferimento. Il trucco \u00e8 elegante perch\u00e9 immune alla contaminazione dei dati di addestramento: un evento non ancora risolto non pu\u00f2 essere finito nel training set.<\/p>

I risultati, leggibili nel paper su arXiv<\/a>, ribaltano l’intuizione comune. Sulla calibrazione, cio\u00e8 quanto le probabilit\u00e0 dichiarate corrispondono alle frequenze reali, i modelli di punta sbagliano meno del mercato: l’errore di calibrazione (ECE) di GPT-5R \u00e8 0,042 e quello di Claude Sonnet 4R \u00e8 0,041, contro lo 0,069 del mercato. Sul Brier score, la metrica classica di accuratezza probabilistica, \u00e8 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.<\/p>

Soggetto<\/th>Calibrazione ECE (pi\u00f9 basso \u00e8 meglio)<\/th>Brier (pi\u00f9 basso \u00e8 meglio)<\/th>Rendimento medio (1 = pareggio)<\/th><\/tr><\/thead>
GPT-5R<\/td>0,042<\/td>0,184<\/td>0,943<\/td><\/tr>
Claude Sonnet 4R<\/td>0,041<\/td>0,194<\/td>0,909<\/td><\/tr>
Mercato (baseline)<\/td>0,069<\/td>0,187<\/td>0,899<\/td><\/tr><\/tbody><\/table>
Fonte: Prophet Arena, arXiv 2510.17638. I modelli battono il mercato sulla calibrazione e lo eguagliano sul Brier, ma nessuno raggiunge il pareggio sul rendimento.<\/figcaption><\/figure>

Perch\u00e9 l’AI non guadagna: calibrazione non \u00e8 convinzione<\/h2>

Ed \u00e8 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: \u00abAnche GPT-5R, il modello in testa alla classifica, non raggiunge il pareggio (rendimento medio inferiore a 1)\u00bb. Si ferma a 0,943, cio\u00e8 chiude in perdita pur essendo meglio calibrato del mercato. Prevedere bene non basta.<\/p>

La ragione, documentata nel paper, \u00e8 che i modelli sono sistematicamente timidi. \u00abNella grande maggioranza degli eventi gli LLM producono probabilit\u00e0 pi\u00f9 conservative\u00bb, e \u00abanche quando i mercati assegnano probabilit\u00e0 quasi certe, vicine a uno, il modello resta esitante e raramente spinge le sue previsioni altrettanto all’estremo\u00bb. Per guadagnare su un mercato non serve solo stimare bene: serve convinzione, cio\u00e8 puntare forte quando il prezzo \u00e8 palesemente sbagliato. Un modello che non si avvicina mai a 0 o a 1 lascia sul tavolo proprio le scommesse pi\u00f9 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 pi\u00f9 fonti) e un’aggregazione dell’informazione pi\u00f9 lenta del mercato quando la risoluzione si avvicina.<\/p>

Un secondo benchmark, Prediction Arena, misura la cosa complementare, non la previsione ma il trading vero. Nello studio<\/a>, 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 \u00e8 impietoso su Kalshi, dove hanno perso tutti, da -16,0% a -30,8%, mentre su Polymarket la media \u00e8 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 pi\u00f9 di qualsiasi classifica: \u00abil design della piattaforma ha un effetto profondo su quali modelli hanno successo\u00bb. Conta l’ambiente (selezione dei mercati, spread, struttura delle quote) pi\u00f9 dell’intelligenza del modello. Due esperimenti diversi, una sola morale: l’AI \u00e8 un’ottima stimatrice e una scommettitrice mediocre.<\/p>

L’AI che consuma: la probabilit\u00e0 come segnale<\/h2>

Se l’AI non riesce a battere il mercato scommettendo, pu\u00f2 comunque usarlo. \u00c8 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<\/a>). Non si limitano a operare sui contratti-evento: usano le variazioni di probabilit\u00e0 come innesco per altre azioni del portafoglio, per esempio comprare un’azione quando la probabilit\u00e0 di un’approvazione regolatoria supera una soglia, mandare un avviso quando cambiano le quote su un taglio dei tassi, o impostare opzioni legate alla probabilit\u00e0 di una trimestrale.<\/p>

Lo spiega bene Leif Abraham, co-fondatore e co-CEO di Public: \u00abGli 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.\u00bb Qui il mercato predittivo smette di essere una destinazione e diventa un sensore: la probabilit\u00e0 non \u00e8 pi\u00f9 la scommessa, \u00e8 l’input di un’altra decisione.<\/p>

Non \u00e8 un caso isolato. ICE, la societ\u00e0 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<\/a>). Il prezzo di un mercato predittivo \u00e8, in questa lettura, un flusso dati vendibile: una probabilit\u00e0 in tempo reale su ogni evento, pronta da dare in pasto ad altri sistemi.<\/p>

C’\u00e8 un dettaglio regolatorio che vale per chi costruisce questi ponti. Negli Stati Uniti un mercato predittivo \u00e8 un contratto-evento di competenza della CFTC; ma nel momento in cui una probabilit\u00e0 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, perch\u00e9 l’intero comparto \u00e8 oscurato (ci torniamo), ma la direzione \u00e8 quella.<\/p>

L’AI che gestisce il banco: l’agente interno di Kalshi<\/h2>

Il quarto ruolo \u00e8 il meno visibile e forse il pi\u00f9 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<\/a>). 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 ambiguit\u00e0 prima che il mercato apra.<\/p>

Luana Lopes Lara, co-fondatrice di Kalshi, lo racconta cos\u00ec: \u00abAbbiamo 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’\u00e8 un buco qui, e tutto il resto.\u00bb Il problema che risolve \u00e8 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 \u00abWarner Brothers\u00bb invece di \u00abWarner Bros.\u00bb. Un agente che legge il contratto come un avversario, in cerca della scappatoia, serve proprio a questo. Il risultato \u00e8 che anche il banco, non solo i giocatori, \u00e8 in parte una macchina.<\/p>

L’AI che arbitra: oracoli, Truth Bot e giudici AI<\/h2>

Resta il quinto ruolo, il pi\u00f9 delicato, perch\u00e9 quando sbaglia non c’\u00e8 prezzo che tenga: la risoluzione. Vincere o perdere non dipende solo da cosa succede nel mondo, ma da chi certifica che \u00e8 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. \u00c8 un meccanismo che abbiamo analizzato altrove; qui conta notare che anche l’arbitro sta diventando una macchina.<\/p>

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 S\u00ec\/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<\/a>). In parallelo, Andrew Hall, docente di economia politica a Stanford e senior fellow della Hoover Institution, ha proposto i \u00abgiudici AI\u00bb come risoluzione nativa.<\/p>

L’idea di Hall, esposta in un saggio di a16z crypto<\/a>, \u00e8 che \u00abal 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\u00bb. Il vantaggio dichiarato \u00e8 la trasparenza totale: \u00abL’intero meccanismo di risoluzione \u00e8 visibile e verificabile prima che chiunque piazzi una scommessa: niente modifiche delle regole in corsa, niente decisioni discrezionali, niente trattative dietro le quinte.\u00bb<\/p>

C’\u00e8 un per\u00f2 che collega questo pezzo a tutto il filone dell’AI verificabile. Un oracolo o un giudice AI \u00e8 affidabile quanto la prova che ha davvero eseguito il modello e il prompt dichiarati, e non un’altra cosa. Dimostrare che un’inferenza \u00e8 corretta senza doversi fidare del nodo che l’ha prodotta \u00e8 esattamente il problema che prova a risolvere l’infrastruttura di AI verificabile on-chain<\/a>, 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<\/a>. Finch\u00e9 quella prova manca, un giudice AI resta un atto di fiducia, non di verifica, e sull’arbitro gli errori non si prezzano: diventano definitivi.<\/p>

Volumi nozionali contro dollari veri<\/h2>

Un’app che consuma la probabilit\u00e0 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, per\u00f2, sono stati 3,53 miliardi, su 85,26 milioni di operazioni (DeFiRate<\/a>). Il 20 settembre \u00e8 arrivato il primo giorno oltre i 3 miliardi di volume contratti (3,17 miliardi).<\/p>

Il punto non \u00e8 lo scetticismo da tifoseria, ma la qualit\u00e0 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 \u00e8 proprio quella distanza. Un agente che legge \u00ab15 miliardi\u00bb come misura di convinzione del mercato sta sommando mele e pere. Per un segnale automatico, il rumore (operazioni ripetute, taglie clonate, liquidit\u00e0 di facciata) somiglia all’informazione e pu\u00f2 spostare un prezzo che un altro agente user\u00e0 come input. La trasparenza della blockchain rende tutto questo osservabile, ma non lo rende automaticamente pulito, ed \u00e8 un rischio che chi costruisce il livello di previsione tende a sottovalutare.<\/p>

Monocultura e riflessivit\u00e0: il rischio del segnale unico<\/h2>

C’\u00e8 una contraddizione al cuore del livello di previsione. Prophet Arena funziona come giudice imparziale perch\u00e9 usa il prezzo di mercato come verit\u00e0 di riferimento, e quel prezzo \u00e8 affidabile finch\u00e9 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.<\/p>

A questo si aggiunge la riflessivit\u00e0. Un prodotto come quello di Public consuma una probabilit\u00e0 che, sempre pi\u00f9 spesso, \u00e8 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 pu\u00f2 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. \u00c8 un rischio di sistema poco prezzato, proprio perch\u00e9 invisibile nelle metriche di accuratezza del singolo modello.<\/p>

Italia: ADM, Consob e il perimetro del gioco<\/h2>

Per un lettore italiano va detto subito: nulla di tutto questo \u00e8 direttamente accessibile dall’Italia. Polymarket e Kalshi sono oscurati. L’Agenzia delle Dogane e dei Monopoli (ADM) ha trattato l’offerta come \u00abgioco senza concessione\u00bb: 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 \u00e8 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<\/a>).<\/p>

Il nodo \u00e8 che in Italia lo stesso prodotto pu\u00f2 cadere sotto tre cornici diverse a seconda di come lo si guarda, e non sempre vanno d’accordo.<\/p>

Cornice<\/th>Autorit\u00e0<\/th>Che cosa regola<\/th>Conseguenza pratica<\/th><\/tr><\/thead>
Gioco<\/td>ADM<\/td>Offerta di scommesse senza concessione<\/td>Oscuramento di Polymarket e Kalshi in Italia<\/td><\/tr>
Strumenti finanziari<\/td>Consob (MiFID II)<\/td>Contratto-evento binario come opzione binaria<\/td>Vietato al dettaglio in tutta l’UE<\/td><\/tr>
Cripto-attivit\u00e0<\/td>Banca d’Italia e Consob (MiCA)<\/td>Token e stablecoin usati per operare<\/td>Regole su CASP ed EMT, non sulla scommessa<\/td><\/tr><\/tbody><\/table><\/figure>

Sul fronte degli strumenti finanziari, la posizione europea \u00e8 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<\/a>, con un approccio di sostanza sulla forma che la Consob applica in Italia. Resta poi il tema della responsabilit\u00e0: un agente AI non ha personalit\u00e0 giuridica, quindi di guadagni, perdite e violazioni risponde l’operatore umano o la societ\u00e0 che lo ha schierato, e un’attivit\u00e0 automatica 24 ore su 24 rischia di essere qualificata come professionale.<\/p>

Fisco: il 33%, il nodo del 26% e le euro-EMT<\/h2>

C’\u00e8 poi il conto con il fisco, che in Italia \u00e8 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; \u00e8 un primato poco invidiabile, perch\u00e9 l’Italia \u00e8 l’unica grande economia che tassa le cripto pi\u00f9 degli altri strumenti finanziari. La discussione sul cosiddetto nodo del 26% \u00e8 aperta: un gruppo parlamentare ha proposto di riportare l’aliquota al 26% per il 2027, ma al momento \u00e8 una proposta non ancora ufficiale, comparsa in una bozza tecnica e non nel disegno di legge di bilancio, che va letta con prudenza perch\u00e9 il calendario della Manovra 2027<\/a> si chiude solo a fine anno e nulla \u00e8 ancora legge.<\/p>

Un’eccezione c’\u00e8: 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, perch\u00e9 ogni cessione (anche il semplice passaggio tra due stablecoin o la chiusura di una posizione a un esito) \u00e8 un evento potenzialmente imponibile: migliaia di micro-operazioni generano migliaia di eventi fiscali, e l’alta frequenza pu\u00f2 far scattare la qualificazione come reddito d’impresa. Fra oscuramento e tassazione, per l’investitore italiano il mercato predittivo resta oggi pi\u00f9 un oggetto di studio che uno strumento operativo.<\/p>

Cosa guardare adesso<\/h2>

Quattro fili meritano attenzione nei prossimi mesi. Il primo \u00e8 legale e tutto statunitense: la classificazione dei contratti sportivi di Kalshi (scommesse o derivati?) \u00e8 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 \u00e8 tecnico: Prophet Arena e Prediction Arena sono benchmark vivi, aggiornati a ogni nuova generazione di modelli, e la domanda \u00e8 se e quando la calibrazione diventer\u00e0 finalmente convinzione, cio\u00e8 quando un modello superer\u00e0 stabilmente il break-even.<\/p>

Il terzo filo \u00e8 di prodotto: se gli agenti che consumano la probabilit\u00e0 come segnale si diffondono, il mercato predittivo diventer\u00e0 sempre pi\u00f9 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 \u00e8 l\u00ec che il livello di previsione \u00e8 pi\u00f9 fragile.<\/p>

Il paradosso del 2026 \u00e8 che la parte che sembrava difficile per una macchina, stimare bene una probabilit\u00e0, \u00e8 ormai risolta, mentre quella che sembrava banale, trasformarla in un guadagno, resiste. Finch\u00e9 la calibrazione non diventer\u00e0 convinzione, l’AI rester\u00e0 sui mercati predittivi un oracolo accurato e uno scommettitore in perdita. A pensarci bene, \u00e8 forse la cosa pi\u00f9 rassicurante che si possa dire del denaro affidato alle macchine.<\/p>

Domande frequenti (FAQ)<\/h2>

Cosa sono i mercati predittivi e come funzionano?<\/h3>

Sono mercati dove si comprano e vendono quote binarie su un evento futuro: una quota \u00abS\u00ec\u00bb 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 probabilit\u00e0 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.<\/p>

Gli agenti AI guadagnano davvero sui mercati predittivi?<\/h3>

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.<\/p>

Perch\u00e9 un’AI brava a prevedere non riesce a guadagnare?<\/h3>

Perch\u00e9 la calibrazione non \u00e8 convinzione. Un modello ben calibrato distribuisce correttamente le probabilit\u00e0, ma per guadagnare serve puntare forte quando il prezzo \u00e8 sbagliato. I modelli del 2026 sono sistematicamente conservativi, raramente si avvicinano a 0 o a 1, e cos\u00ec lasciano sul tavolo le scommesse pi\u00f9 redditizie mentre spread e commissioni erodono il margine.<\/p>

Posso usare Polymarket o Kalshi dall’Italia?<\/h3>

No. L’ADM ha oscurato Polymarket, includendo anche Kalshi, trattando l’offerta come gioco senza concessione; il blocco pi\u00f9 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.<\/p>

Come vengono tassate in Italia le operazioni cripto legate ai mercati predittivi?<\/h3>

Dal 2026 le plusvalenze cripto in Italia sono tassate al 33% (una proposta di ritorno al 26% per il 2027 esiste ma non \u00e8 ancora legge), mentre le stablecoin in euro conformi a MiCA restano al 26%. Per un agente automatico ogni cessione \u00e8 un evento potenzialmente imponibile, e l’operativit\u00e0 ad alta frequenza pu\u00f2 portare alla qualificazione come reddito d’impresa.<\/p>