Kan AI vurdere kryptohvidbøger? En undersøgelse sætter det på prøve

Fra Bitcoins oprindelige (BTC ) hvidbog, der blev udgivet i 2008, er et enormt antal nye kryptovalutaer vokset frem, og nogle af dem, såsom Ethereum, (ETH ) er blevet så populære, at de udgør en alvorlig konkurrent til originalen. Men det betyder også, at det er blevet stadig mere kompliceret for investorer at foretage en grundig vurdering af investeringer i krypto.

Dette problem er naturligvis ikke unikt for kryptoinvesteringer, men kryptovalutaernes særlige karakter gør det vanskeligere for de fleste investorer. Især interesserede private investorer, men også mange institutionelle investorer, mangler den matematiske og tekniske viden, der skal til for fuldt ud at forstå den kryptografiske videnskab og de algoritmer, som ligger til grund for de fleste kryptoprojekter.

Derudover mangler digitale aktiver et fælles format for rapportering, i modsætning til de standardiserede indberetninger for traditionelle værdipapirer (f.eks. prospekter og 10-K-rapporter).

Dermed står de på én gang over for en farlig kombination af informations-overload, ustrukturerede oplysninger og begrænsede regulatoriske værn.

»De mange sammenbrud blandt den første bølge af børsintroduktioner af kryptovalutaer (ICO’er) og de efterfølgende tab for investorer, der ikke var i stand til at vurdere investeringernes levedygtighed på grundlag af hvidbøger, viser behovet for at styrke værktøjerne til grundig vurdering og investorbeskyttelse inden for innovativ finansiering.«

Informations-overload og behovet for at analysere risici objektivt lyder som en oplagt anvendelse af AI, eftersom nye AI-systemer er udviklet specifikt til at håndtere denne type komplekse opgaver.

En gruppe forskere fra Swiss Financial Market Supervisory Authority FINMA og University of Liechtenstein har udgivet en ny undersøgelse af, hvordan store sprogmodeller (LLM’er) kan vurdere nye kryptoprojekter, især deres tekniske hvidbøger.

De offentliggjorde deres resultater i Knowledge and Information Systems¹ under titlen »Anvendelse af LLM’er i vurderinger af digitale aktiver: en undersøgelse med blandede metoder«.

Brug af LLM’er til kryptohvidbøger

I bund og grund er »krypto« ikke blot spekulative investeringsmuligheder, men »digitale aktiver baseret på protokoller, der er indlejret i decentraliseret lagring af information, distribuerede konsensusmekanismer og smarte kontrakter«.

De reelle risici og potentielle anvendelsesmuligheder for nye kryptovalutaer afhænger af disse tekniske egenskaber. Derfor kan moderne AI-systemer som LLM’er (store sprogmodeller) hjælpe med automatiseret tekstanalyse, vidensudtræk og sammenlignende vurdering af projekter.

LLM’ernes pålidelighed er dog et problem. Deres anvendelighed begrænses af korte kontekstvinduer, vanskeligheder med at håndtere store dokumentsamlinger og risikoen for hallucinationer.

Investorer har derfor brug for en ordentlig vurdering af, hvor pålidelige sådanne værktøjer reelt er, når de bruges til at vurdere kryptoprojekter.

For at vurdere LLM’ernes evner til denne opgave udviklede forskerne en ramme, hvor de først forbehandler dataene ved at strukturere og opsummere hvidbøgerne til analyse, udformer specifikke AI-prompter, sammenligner resultaterne med menneskelige vurderinger og til sidst udvikler en protokol til at bruge LLM’er til at bedømme kryptoprojekters potentiale.

Kilde: Knowledge and Information Systems

Udvikling af de rette værktøjer

Indsamling af de rette data

Forskerne brugte Token Offerings Research Database (TORD) som deres primære datakilde. Databasen indeholder manuelt indsamlede oplysninger om børsintroduktioner af kryptovalutaer (ICO’er), udbud af sikkerhedstokens (STO’er) og børsintroduktioner af tokens (IEO’er).

Materialet omfatter officielle projektwebsteder, hvidbøger, arkiverede webressourcer, sekundære databaser samt oplysninger fra børser og regulatoriske indberetninger.

Disse data blev brugt til at udarbejde et udvalg på 29 unikke tokenprojekter, hvor hvidbøgerne stadig var tilgængelige. 27 af projekterne har en samlet ekspertvurdering i TORD.

Forskerne valgte OpenAI GPT−3.5-turbo som hovedkonfiguration samt to kompakte open source-modeller, Qwen2.5-0.5B og Qwen2.5-1.5B. I alt genererede de 1.008 komplette vurderinger fra eksperter og LLM’er.

Afprøvning af forskellige metoder

Forskerne anvendte forskellige metoder for at undersøge, hvordan LLM’er bedst kunne bruges til at analysere kryptoprojekter.

• Metode 1: delvis dokumentvurdering, hvor så meget som muligt af hvidbogens indhold blev indlæst i LLM’en, dog begrænset til 4000 tokens (cirka 3000 ord) for at tage højde for modellens begrænsninger.
• Metode 2: vurdering baseret på et resumé, hvor tokenbegrænsningerne blev håndteret ved hjælp af en proces i to trin: Først blev hvidbogen opsummeret, og derefter blev den vurderet.
• Tilgang 3: vurdering af resumé med fokus på aspekter, hvor opsummeringen blev yderligere forfinet ved at udtrække målrettede oplysninger, der var relevante for investeringsbeslutninger – nærmere bestemt om ledelsens personlighed og erfaring, produktets egenskaber og markedsforholdene.
  • Den identificerede også potentielle advarselstegn, såsom manglende erfaring, manglende økonomisk engagement eller uhensigtsmæssigt udformede projektstrukturer.

Det blev vurderet, at en grænse på 120 ord for LLM’ernes konklusion på den endelige vurdering var optimal for at undgå fejl og give potentielle brugere en letforståelig konklusion.

Fire forskellige strategier for promptning blev anvendt til at styre LLM’ens ræsonnement, så den kunne levere de bedst mulige resultater:

• Zero-shot (ZS): strukturerede instruktioner uden eksempler på projektniveau
• Few-shot (FS): en udvidet version af ZS med eksplicitte evalueringsdimensioner og specifikke vurderingskriterier.
• Tankekæde (CoT): en trinvis begrundelse på faktorniveau.
• Tankekæde med kontekst og vurderingsramme (CoT-CR): inddragelse af domænespecifikke hensyn såsom mekanismer til token-låsning og projektets originalitet.

Kilde: Knowledge and Information Systems

Resultater for LLM’er

Med undtagelse af vurderingen af resuméet med fokus på aspekter gav AI-modellerne generelt kryptoprojektet en højere vurdering end de menneskelige bedømmere.

»Tilgang 1 og 2 kondenserer ofte det fortællende indhold uden pålideligt at afdække advarselstegn eller signaler om ledelse og styring, hvilket medfører optimismebias og systematisk overvurdering sammenlignet med menneskelige vurderinger.«

CoT-prompter gav samlet set de laveste vurderinger. Især var CoT kombineret med vurdering af resumé med fokus på aspekter den eneste tilgang, der resulterede i en lavere vurdering end de menneskebaserede vurderinger.

Kilde: Knowledge and Information Systems

På trods af denne tendens til overvurdering blev der også observeret en modsatrettet, svag tendens til at undervurdere de stærkeste projekter.

Det skal også bemærkes, at resultaterne med AI-modellerne Qwen2.5-0.5B og Qwen2.5-1.5B lignede dem, der blev opnået med GPT−3.5-turbo.

Kilde: Knowledge and Information Systems

Forklaring på LLM’ernes skævhed

Grunden til, at LLM’er har tendens til at overvurdere kryptoprojekter med de fleste promptstrategier, er, at generiske og løst strukturerede resuméer ofte bevarer whitepaperens reklamemæssige tone.

Udtræk med fokus på aspekter undgår for det meste dette problem, men har andre begrænsninger. Det kan bringe vurderingerne tættere på menneskelig forsigtighed, når det afdækker svagheder vedrørende ledelse og styring, projektledelse eller tokendesign. Det kan dog også straffe projekter for hårdt, hvis dokumentationen er ufuldstændig, eller hvis enkelte negative tegn får for stor vægt i begrundelsen for vurderingen.

Det fik forskerne til at konkludere, at LLM’er kan understøtte menneskers analysearbejde, men ikke erstatte det fuldstændigt.

»Disse mekanismer tyder på, at den primære designudfordring ikke kun handler om valg af prompt, men også om at tilvejebringe pålidelige mellemliggende evidensgrundlag før vurderingen. Værktøjet bør derfor bruges til at udpege sager, der kræver ekspertvurdering, snarere end til at udarbejde endelige investeringsscorer.«

Samlet set findes der ikke én »bedste tilgang«, som kan anvendes – i hvert fald ikke ifølge denne undersøgelse.

I den nuværende designmatrix opnås den laveste fejlrate med et struktureret resumé kombineret med tankekæde-promptning (tilgang 2 + CoT).

Tilgangen med fokus på aspekter afdækker dog potentielle advarselstegn, og dens gennemsnitlige vurdering ligger tættere på gennemsnittet af de menneskelige vurderinger.

Udvikling af et analytisk AI-værktøj til krypto

Det fik forskeren til at fremsætte sine forslag til den optimale metode til at bruge AI i analysen af kryptoprojekter:

1. Evidensen bør struktureres, før modellen genererer sin begrundelse, for at begrænse fejl så meget som muligt.
2. Kalibrering og muligheden for at inspicere output bør designes og evalueres hver for sig. Udtræk med fokus på aspekter bør bruges til at forbedre den strukturelle efterprøvbarhed og synligheden af advarselstegn.
3. Triangulering af modeller: Observerede fejlmønstre bør ikke tilskrives én enkelt modelgruppe uden sammenlignende test, da de kan skyldes LLM’ers grundlæggende funktionsmåde generelt.

»Tilsammen udvider disse principper bidraget fra en anvendelse af LLM’er til et sæt designanbefalinger for konfiguration af efterprøvelige beslutningsstøtteværktøjer i sammenhænge med finansielle oplysninger, der kun er svagt standardiserede.«

Vigtige pointer for investorer

Undersøgelsen giver interessante oplysninger til investorer inden for både AI og krypto.

På kryptosiden er det tydeligt, at store sprogmodeller (LLM’er) endnu ikke (?) kan erstatte menneskers due diligence. AI-modeller kan for eksempel lade sig påvirke af overdreven begejstring eller en salgspræget tone i kryptowhitepapers, hvilket medfører en alvorlig risiko for at overvurdere projekternes potentiale.

AI kan dog være et meget nyttigt redskab til at finde advarselstegn, hvis man bruger den rette metode til at udforme prompts.

For investorer i AI viser denne undersøgelse, at LLM’er endnu ikke er i stand til fuldt ud at erstatte menneskelig arbejdskraft. De er dog et værdifuldt redskab, især når det gælder om at gennemgå store mængder tekniske data.

Undersøgelsen viser også, at det er afgørende at lære den rette metode til at udforme prompts og at tilrettelægge den rette analytiske metode for at få mest muligt ud af AI. Set fra et investeringsperspektiv på AI-teknologi tyder det sandsynligvis på, at de fleste produktivitetsgevinster fra AI vil komme gradvist og ikke kun skyldes forbedringer af modellerne. I stedet bliver det afgørende, at brugerne bliver mere fortrolige med AI-værktøjer og lærer at forbedre resultatkvaliteten gennem bedre tilrettelæggelse af analyser og prompts.

Investering i kryptomarkeder

Coinbase

I takt med at kryptovalutaer bliver mere udbredte, får flere investorer eksponering mod dem eller øger deres tilstedeværelse på kryptovalutamarkederne. Det samme gælder, efterhånden som antallet af kryptoprojekter vokser.

Det gavner virksomheder som Coinbase, der er tæt knyttet til handel med kryptovaluta, aktivpriser, opbevaring af aktiver og institutionelle investorers deltagelse.

Investering i kryptobørser og teknologiplatforme som Coinbase kan derfor give investorer eksponering mod forholdene på kryptomarkedet uden at kræve et vilkårligt valg af bestemte tokens.

Det betyder dog ikke, at Coinbase giver investorer i selskabets børsnoterede aktier samme potentielle afkast (og risici) som direkte investering i krypto. I stedet er der tale om en investering i infrastrukturen på kryptomarkedet. Pr. 30. juni 2026 havde Coinbase aktiver for 246 milliarder dollar på sin platform.

Ud over hovedappen og kryptobørsen har Coinbase i dag en række supplerende tilbud:

• Coinbase One, et premium-medlemskab med gebyrfri handel, forhøjede staking-belønninger og tilbud fra partnere, for eksempel en skatteberegner til krypto og kryptoresearch m.m.
• Coinbase Advanced, til professionelle kryptohandlende.
• Coinbase Wallet, til selvopbevaring af kryptovaluta uden for børser samt af NFT’er.
• Coinbase Earn, en stakingtjeneste, hvor ejere af kryptovaluta kan låse deres krypto for at optjene renter fra netværket. Coinbase-kunder optjente 230 mio. dollar i 2023.
• Coinbase Card, et Visa-debetkort til køb med kryptovaluta. Man får 1 % tilbage i Bitcoin ved betaling med USD og 1,5 % i USDC ved betaling med ETH. Kortet accepteres alle steder, hvor Visa-debetkort accepteres.
• USD Coin (USDC), en digital stablecoin med en værdi svarende til den amerikanske dollar, har til formål at skabe en “digital dollar”.

Efterhånden som der udvikles flere avancerede værktøjer, herunder AI, vil de supplere den eksisterende kryptoinfrastruktur. Coinbase er nu en mere moden og dominerende platform og er godt positioneret til at drage fordel af, at krypto bliver stadig mere udbredt, drevet af den voksende tendens til Bitcoin-ETF’er, stablecoins og tokenisering af aktier.

(Du kan læse mere om Coinbases historie, tilbud og investeringspotentiale i vores særlige rapport om virksomheden)

Seneste nyt og udvikling om Coinbase-aktien (COIN)

Refereret undersøgelse

^{1. Yann Thorens m.fl. Anvendelse af LLM’er til vurdering af digitale aktiver: en undersøgelse med blandede metoder. Knowledge and Information Systems. 17. oktober 2026. https://doi.org/10.1007/s10115-026-02910-2}