Aset digital
Bisakah AI Mengevaluasi Whitepaper Kripto? Sebuah Studi Mengujinya

Poin utamaLLM menaikkan peringkat proyek kripto karena ringkasan mempertahankan nada promosi…
Lihat selengkapnya
- LLM menaikkan peringkat proyek kripto karena ringkasan mempertahankan nada promosi whitepaper dan menyembunyikan tanda-tanda bahaya.
- Ekstraksi yang berfokus pada aspek memunculkan kelemahan tata kelola dan desain token, tetapi dapat memberikan penalti berlebihan kepada proyek ketika bukti tidak lengkap.
- LLM sebaiknya menandai kasus yang memerlukan perhatian ahli alih-alih menghasilkan skor investasi akhir.
Sejak whitepaper Bitcoin (BTC ) asli diterbitkan pada 2008, sangat banyak mata uang kripto baru bermunculan, beberapa di antaranya, seperti Ethereum, (ETH ) menjadi cukup populer hingga mampu menyaingi Bitcoin. Namun, hal ini juga berarti uji tuntas bagi investor kripto semakin rumit.
Tentu saja, masalah ini tidak hanya terjadi pada investasi kripto. Namun, karakteristik mata uang kripto membuatnya lebih sulit dipahami oleh sebagian besar investor. Investor ritel yang tertarik pada kripto, khususnya, bahkan banyak investor institusional, tidak memiliki pengetahuan matematika dan teknis yang memadai untuk memahami sepenuhnya ilmu kriptografi dan algoritma yang mendasari sebagian besar proyek kripto.
Selain itu, aset digital tidak memiliki format pelaporan yang seragam, berbeda dengan dokumen pengungkapan terstandar—seperti prospektus dan laporan 10-K—yang digunakan untuk sekuritas tradisional.
Akibatnya, mereka sekaligus menghadapi campuran berbahaya berupa informasi yang berlimpah, pengungkapan yang tidak terstruktur, dan perlindungan regulasi yang terbatas.
“Banyaknya kegagalan pada gelombang pertama Penawaran Koin Perdana (ICO) dan kerugian yang kemudian dialami investor yang tidak mampu menilai kelayakan investasi berdasarkan whitepaper menunjukkan perlunya memperkuat uji tuntas dan perangkat perlindungan investor dalam keuangan inovatif.”
Banjir informasi dan kebutuhan untuk menganalisis risiko secara objektif tampaknya sangat cocok ditangani AI, karena sistem AI baru dirancang khusus untuk menangani tugas kompleks semacam ini.
Sekelompok peneliti dari Swiss Financial Market Supervisory Authority FINMA dan University of Liechtenstein menerbitkan studi baru yang mengkaji bagaimana LLM dapat mengevaluasi proyek kripto baru, terutama whitepaper teknisnya.
Mereka menerbitkan temuan penelitian tersebut di Sistem Pengetahuan dan Informasi1, dengan judul “Penerapan LLM dalam penilaian aset digital: penelitian metode campuran”.
Menggunakan LLM untuk Menilai Whitepaper Kripto
Pada dasarnya, “kripto” bukan sekadar peluang investasi spekulatif, melainkan “aset digital yang didasarkan pada protokol dalam penyimpanan informasi terdesentralisasi, mekanisme konsensus terdistribusi, dan kontrak pintar”.
Risiko nyata dan potensi penggunaan kripto baru bergantung pada karakteristik teknis tersebut. Karena itu, AI modern seperti LLM (Model Bahasa Besar) dapat membantu analisis teks otomatis, ekstraksi pengetahuan, dan penilaian proyek secara komparatif.
Namun, keandalan LLM masih menjadi persoalan. Kegunaannya dibatasi oleh jendela konteks yang terbatas, kesulitan menangani kumpulan dokumen berukuran besar, serta risiko halusinasi.
Karena itu, investor perlu mengetahui seberapa andal alat semacam ini ketika digunakan untuk mengevaluasi proyek kripto.
Untuk menilai kemampuan LLM dalam tugas ini, para peneliti menyusun kerangka kerja yang dimulai dengan prapemrosesan data, yaitu menata dan merangkum whitepaper untuk dianalisis; merancang prompt AI khusus; membandingkan hasilnya dengan penilaian manusia; dan pada akhirnya mengembangkan protokol untuk menggunakan LLM dalam menilai potensi proyek kripto.

Sumber: Sistem Pengetahuan dan Informasi
Membangun Perangkat yang Tepat
Mengumpulkan Data yang Tepat
Para peneliti menggunakan Token Offerings Research Database (TORD) sebagai sumber data utama. Basis data ini menyediakan informasi yang dikumpulkan secara manual tentang Penawaran Koin Perdana (ICO), Penawaran Token Sekuritas (STO), dan Penawaran Bursa Perdana (IEO).
Data tersebut mencakup situs web resmi proyek, whitepaper, sumber daya web yang diarsipkan, basis data sekunder, serta pengungkapan dari bursa dan dokumen pengajuan kepada regulator.
Data ini digunakan untuk menyusun sampel yang mencakup 29 proyek token unik dengan whitepaper yang masih dapat diakses; 27 di antaranya memiliki peringkat pakar agregat di TORD.
Konfigurasi utama OpenAI GPT−3.5-turbo dipilih, bersama dua model ringkas sumber terbuka, Qwen2.5-0.5B dan Qwen2.5-1.5B. Secara keseluruhan, mereka menghasilkan 1.008 penilaian lengkap oleh pakar dan LLM.
Menguji Berbagai Pendekatan
Para peneliti menggunakan berbagai metode untuk mengetahui cara terbaik memanfaatkan LLM dalam mengkaji proyek kripto.
- Pendekatan 1: penilaian sebagian dokumen, dengan memasukkan sebanyak mungkin isi whitepaper ke dalam LLM, lalu memotongnya hingga 4000 token (sekitar 3000 kata) agar sesuai dengan keterbatasan model.
- Pendekatan 2: penilaian berbasis ringkasan, yang mengatasi keterbatasan token melalui proses dua langkah: whitepaper dirangkum terlebih dahulu, lalu dinilai.
- Pendekatan 3: penilaian ringkasan yang berfokus pada aspek, yang menyempurnakan proses peringkasan lebih lanjut dengan mengekstrak informasi terarah yang relevan untuk pengambilan keputusan investasi—khususnya kepribadian dan pengalaman manajemen, karakteristik produk, serta kondisi pasar.
- Pendekatan ini juga mengidentifikasi potensi tanda bahaya, seperti kurangnya pengalaman, tidak adanya partisipasi finansial, atau struktur proyek yang dirancang dengan buruk.
Batas 120 kata untuk kesimpulan penilaian akhir yang dihasilkan LLM ditetapkan sebagai pilihan optimal untuk menghindari kesalahan dan menghasilkan kesimpulan yang mudah dipahami calon pengguna.
Empat strategi pemberian prompt yang berbeda digunakan untuk mengarahkan penalaran LLM agar menghasilkan keluaran sebaik mungkin:
- Tanpa Contoh (ZS): memberikan instruksi terstruktur tanpa contoh pada tingkat proyek
- Dengan Sedikit Contoh (FS): menyempurnakan ZS dengan dimensi evaluasi yang eksplisit dan kriteria penilaian yang spesifik.
- Rantai Pemikiran (CoT): menggunakan penalaran bertahap pada tingkat faktor.
- Rantai Pemikiran dengan Konteks dan Rubrik (CoT-CR): memasukkan pertimbangan spesifik bidang, seperti mekanisme penguncian token dan keaslian proyek.
Hasil LLM
Kecuali dalam penilaian ringkasan yang berfokus pada aspek, model AI umumnya memberi proyek kripto nilai lebih tinggi daripada penilaian manusia.
“Pendekatan 1 dan 2 kerap memadatkan konten naratif tanpa secara konsisten mengungkap tanda bahaya atau sinyal tata kelola. Hal ini menimbulkan bias optimisme dan menyebabkan penilaian yang secara sistematis lebih tinggi daripada penilaian manusia.”
Prompt CoT menghasilkan nilai keseluruhan terendah. Secara khusus, CoT yang dipadukan dengan penilaian ringkasan berfokus pada aspek menjadi satu-satunya pendekatan yang menghasilkan penilaian lebih rendah daripada penilaian manusia.
Terlepas dari kecenderungan untuk memberi nilai terlalu tinggi ini, juga terlihat kecenderungan ringan yang berlawanan, yaitu meremehkan proyek-proyek terkuat.
Perlu dicatat pula bahwa penggunaan model AI Qwen2.5-0.5B dan Qwen2.5-1.5B menghasilkan temuan serupa dengan GPT−3.5-turbo.
Menjelaskan Bias LLM
LLM cenderung memberi nilai terlalu tinggi pada proyek kripto dengan sebagian besar strategi pemberian prompt karena ringkasan yang umum dan hanya sedikit terstruktur cenderung mempertahankan nada promosi dalam buku putih.
Sebaliknya, ekstraksi yang berfokus pada aspek sebagian besar menghindari masalah ini, tetapi memiliki keterbatasan lain. Pendekatan ini dapat membuat penilaian lebih mendekati kehati-hatian manusia ketika berhasil menangkap kelemahan tata kelola, manajemen, atau desain token. Namun, pendekatan ini juga dapat memberi penalti berlebihan pada proyek jika buktinya tidak lengkap atau jika petunjuk negatif yang terpisah mendominasi dasar penilaian.
Hal ini mendorong para peneliti menyimpulkan bahwa LLM dapat mendukung riset manusia, tetapi tidak dapat sepenuhnya menggantikannya.
“Mekanisme ini menunjukkan bahwa tantangan utama dalam perancangan bukan hanya memilih prompt, tetapi juga menyusun bukti perantara yang andal sebelum penilaian dilakukan. Karena itu, artefak ini sebaiknya digunakan untuk menandai kasus yang memerlukan perhatian ahli, bukan untuk menghasilkan skor investasi final.”
Secara keseluruhan, tidak ada satu “pendekatan terbaik” yang dapat diterapkan, setidaknya menurut studi ini.
Dalam matriks desain saat ini, kesalahan terendah diperoleh dengan menggabungkan Ringkasan Terstruktur dan prompt Rantai Pemikiran (Pendekatan 2 + CoT).
Namun, pendekatan yang berfokus pada aspek mengungkap potensi tanda bahaya, dan nilai rata-ratanya lebih mendekati rata-rata penilaian manusia.
Membangun Alat Analisis Kripto Berbasis AI
Hal ini mendorong peneliti untuk mengajukan usulan tentang metode optimal dalam menggunakan AI untuk menganalisis proyek kripto:
- Bukti harus disusun sebelum model menghasilkan penalaran, guna membatasi kesalahan semaksimal mungkin.
- Kalibrasi dan keterperiksaan keluaran harus dirancang dan dievaluasi secara terpisah. Ekstraksi yang berfokus pada aspek sebaiknya digunakan untuk meningkatkan keterlacakan audit struktural dan keterlihatan tanda bahaya.
- Triangulasi model: pola kesalahan yang teramati tidak boleh dikaitkan dengan satu keluarga model tanpa pengujian komparatif, karena pola tersebut mungkin merupakan akibat dari cara kerja mendasar LLM secara umum.
“Secara bersama-sama, prinsip-prinsip ini memperluas kontribusi dari sekadar penerapan LLM menjadi serangkaian rekomendasi desain untuk mengonfigurasi artefak pendukung keputusan yang dapat diaudit dalam konteks pengungkapan keuangan yang standardisasinya masih lemah.”
Hal yang Perlu Diketahui Investor
Studi ini memberikan informasi menarik bagi investor di bidang AI maupun kripto.
Di sisi kripto, jelas bahwa LLM belum (sudah?) menjadi solusi untuk menggantikan uji tuntas yang dipimpin manusia. Sebagai contoh, model AI dapat terkecoh oleh antusiasme yang berlebihan atau nada promosi dalam whitepaper kripto, sehingga menimbulkan risiko serius bahwa potensi proyek-proyek tersebut dinilai terlalu tinggi.
Namun, AI dapat sangat berguna untuk mendeteksi tanda-tanda bahaya jika digunakan dengan metode penyusunan prompt yang tepat.
Bagi investor AI, studi ini menunjukkan bahwa saat ini LLM belum sepenuhnya mampu menggantikan tenaga manusia. Namun, LLM merupakan alat yang berharga, terutama untuk memilah data teknis dalam jumlah besar.
Studi ini juga menunjukkan bahwa mempelajari metode penyusunan prompt yang tepat serta merancang metodologi analisis yang sesuai sangat penting untuk mengoptimalkan penggunaan AI. Dari sudut pandang investasi dalam teknologi AI, hal ini kemungkinan menunjukkan bahwa sebagian besar peningkatan produktivitas dari AI akan terjadi secara bertahap, bukan hanya karena model semakin baik. Sebaliknya, pengguna perlu semakin terbiasa dengan alat AI dan belajar mengoptimalkan kualitas hasil melalui rancangan analisis dan prompt yang lebih baik.
Berinvestasi di Pasar Kripto
Coinbase
COIN Grafik Harga
Seiring mata uang kripto semakin diterima secara luas, semakin banyak investor yang mulai berinvestasi di dalamnya atau meningkatkan eksposur mereka di pasar mata uang kripto. Hal yang sama juga terjadi seiring bertambahnya proyek kripto.
Hal ini menguntungkan perusahaan seperti Coinbase, yang berkaitan erat dengan perdagangan mata uang kripto, harga aset, kustodi, dan partisipasi institusi.
Karena itu, berinvestasi di bursa kripto dan platform teknologi seperti Coinbase dapat menjadi cara bagi investor untuk mendapatkan eksposur terhadap kondisi pasar kripto tanpa harus memilih token tertentu secara sewenang-wenang.
Namun, bukan berarti Coinbase akan memberikan kepada investor sahamnya yang diperdagangkan secara publik potensi imbal hasil (dan risiko) yang sama dengan investasi kripto secara langsung. Sebaliknya, investasi ini merupakan investasi pada infrastruktur pasar kripto; Coinbase melaporkan bahwa aset di platformnya mencapai US$246 miliar per 30 Juni 2026.
Saat ini, selain aplikasi utama dan bursa kriptonya, Coinbase memiliki sejumlah layanan pelengkap:
- Coinbase One, layanan keanggotaan premium yang menawarkan biaya perdagangan nol, imbalan staking yang lebih besar, serta penawaran dari mitra, seperti kalkulator pajak kripto, riset kripto, dan sebagainya.
- Coinbase Advanced, untuk pedagang kripto profesional.
- Coinbase Wallet, untuk menyimpan mata uang kripto secara mandiri di luar bursa, serta NFT.
- Coinbase Earn, layanan staking yang memungkinkan pemilik mata uang kripto mengunci aset kripto mereka untuk memperoleh bunga dari jaringan. Pada 2023, pelanggan Coinbase memperoleh US$230 juta.
- Coinbase Card, kartu debit Visa untuk berbelanja menggunakan mata uang kripto. Pengguna mendapat 1% kembali dalam Bitcoin saat membayar dengan USD, dan 1,5% dalam USDC saat membayar dengan ETH. Kartu ini diterima di semua tempat yang menerima kartu debit Visa.
- USD Coin (USDC), stablecoin digital yang nilainya setara dengan dolar AS, berupaya mewujudkan “dolar digital”.
Seiring makin banyaknya pengembangan alat canggih, termasuk AI, alat-alat tersebut akan melengkapi infrastruktur kripto yang sudah ada. Kini, sebagai platform yang lebih matang dan dominan, Coinbase berada dalam posisi yang baik untuk meraih manfaat dari semakin luasnya penerimaan kripto, didorong oleh tren ETF Bitcoin, stablecoin, dan tokenisasi saham yang terus berkembang.
(Anda dapat membaca lebih lanjut tentang sejarah, layanan, dan potensi investasi Coinbase dalam laporan khusus kami tentang perusahaan ini)
Berita dan Perkembangan Terbaru Saham Coinbase (COIN)
Studi yang Dirujuk
1. Yann Thorens, dkk. Penerapan LLM dalam penilaian aset digital: penelitian metode campuran. Knowledge and Information Systems. 17 Oktober 2026. https://doi.org/10.1007/s10115-026-02910-2














