Kan AI-whitepapers over cryptovaluta beoordelen? Een onderzoek stelt dat op de proef

Sinds de publicatie van het oorspronkelijke Bitcoin- (BTC ) whitepaper in 2008 is een enorm aantal nieuwe cryptovaluta tot bloei gekomen, waarvan sommige, zoals Ethereum (ETH ) populair genoeg zijn geworden om een serieuze rivaal van het origineel te worden. Maar dit betekent ook dat zorgvuldige controles voor beleggers in cryptovaluta steeds ingewikkelder zijn geworden.

Dit probleem is natuurlijk niet uniek voor beleggingen in cryptovaluta, maar door de aard van cryptovaluta is het voor de meeste beleggers lastiger. Vooral particuliere beleggers die belangstelling hebben voor cryptovaluta, maar ook veel institutionele beleggers, beschikken niet over de wiskundige en technische kennis om de cryptografische wetenschap en algoritmen waarop de meeste cryptoprojecten zijn gebaseerd volledig te begrijpen.

Bovendien ontbreekt het bij digitale activa aan een uniforme rapportagestandaard, in tegenstelling tot de gestandaardiseerde documenten (bijvoorbeeld prospectussen en 10-K-rapporten) voor traditionele effecten.

Zo worden ze tegelijk geconfronteerd met een gevaarlijke combinatie van een overvloed aan informatie, niet-gestructureerde openbaarmakingen en beperkte waarborgen vanuit de regelgeving.

‘De talrijke mislukkingen tijdens de eerste golf van Initial Coin Offerings (ICO’s) en de daaropvolgende verliezen voor beleggers die op basis van whitepapers niet konden beoordelen of beleggingen levensvatbaar waren, laten zien dat instrumenten voor zorgvuldige controles en beleggersbescherming in innovatieve financiële markten moeten worden versterkt.’

Een overvloed aan informatie en de behoefte om risico’s objectief te analyseren lijken een ideale toepassing voor AI, aangezien nieuwe AI-systemen speciaal zijn ontworpen om dit soort complexe taken uit te voeren.

Een groep onderzoekers van de Swiss Financial Market Supervisory Authority FINMA en de Universiteit van Liechtenstein heeft een nieuwe studie gepubliceerd waarin wordt onderzocht hoe LLM’s nieuwe cryptoprojecten kunnen beoordelen, en dan vooral hun technische whitepapers.

Ze publiceerden hun bevindingen in Knowledge and Information Systems¹, onder de titel ‘Toepassing van LLM’s bij de beoordeling van digitale activa: onderzoek met gemengde methoden’.

LLM’s gebruiken voor whitepapers over cryptovaluta

In wezen zijn ‘crypto’s’ niet alleen speculatieve beleggingsmogelijkheden, maar ook ‘digitale activa die zijn gebaseerd op protocollen die zijn ingebed in gedecentraliseerde informatieopslag, gedistribueerde consensusmechanismen en slimme contracten’.

De daadwerkelijke risico’s en mogelijke toepassingen van nieuwe cryptovaluta hangen af van deze technische kenmerken. Daarom kunnen moderne AI-systemen zoals LLM’s (grote taalmodellen) helpen bij geautomatiseerde tekstanalyse, kennisextractie en vergelijkende beoordeling van projecten.

De betrouwbaarheid van LLM’s is echter een aandachtspunt. Hun bruikbaarheid wordt beperkt door kleine contextvensters, problemen met het verwerken van grote documentverzamelingen en het risico op hallucinaties.

Beleggers moeten dus goed laten beoordelen hoe betrouwbaar zulke hulpmiddelen werkelijk zijn wanneer ze worden ingezet om cryptoprojecten te beoordelen.

Om de mogelijkheden van LLM’s voor deze taak te beoordelen, ontwikkelden de onderzoekers een raamwerk. Daarin beginnen ze met gegevensvoorbewerking, waarbij whitepapers worden gestructureerd en samengevat voor analyse; vervolgens ontwerpen ze specifieke AI-prompts, vergelijken ze de resultaten met menselijke beoordelingen en ontwikkelen ze uiteindelijk een protocol om LLM’s te gebruiken bij het beoordelen van het potentieel van cryptoprojecten.

Bron: Knowledge and Information Systems

De juiste hulpmiddelen ontwikkelen

De juiste gegevens verzamelen

De onderzoekers gebruikten de Token Offerings Research Database (TORD) als hun belangrijkste gegevensbron. Deze bevat handmatig verzamelde informatie over Initial Coin Offerings (ICO’s), Security Token Offerings (STO’s) en Initial Exchange Offerings (IEO’s).

Dit omvat officiële projectwebsites, whitepapers, gearchiveerde onlinebronnen, secundaire databases, informatie die door beurzen is bekendgemaakt en documenten die bij toezichthouders zijn ingediend.

Deze gegevens werden gebruikt om een steekproef samen te stellen van 29 unieke tokenprojecten waarvan de whitepapers nog toegankelijk waren. Voor 27 daarvan is in TORD een samengestelde expertrating opgenomen.

De onderzoekers kozen voor de belangrijkste configuratie, OpenAI GPT−3.5-turbo, en voor twee compacte opensourcemodellen: Qwen2.5-0.5B en Qwen2.5-1.5B. In totaal genereerden ze 1.008 volledige beoordelingen door experts en LLM’s.

Verschillende benaderingen testen

De onderzoekers gebruikten verschillende methoden om te bepalen hoe LLM’s het best kunnen worden ingezet om cryptoprojecten te bestuderen.

• Benadering 1: beoordeling van gedeeltelijke documenten, waarbij zoveel mogelijk inhoud uit de whitepaper in de LLM werd ingevoerd, tot maximaal 4000 tokens (ongeveer 3000 woorden), om rekening te houden met de beperkingen van het model.
• Benadering 2: beoordeling op basis van samenvattingen, waarbij de tokenbeperkingen werden omzeild met een proces in twee stappen: eerst werd de whitepaper samengevat en daarna beoordeeld.
• Benadering 3: beoordeling op basis van een aspectgerichte samenvatting, waarbij de samenvatting verder wordt verfijnd door informatie te verzamelen die specifiek relevant is voor investeringsbeslissingen, met name over de persoonlijkheid en ervaring van het management, productkenmerken en marktomstandigheden.
  • Ook bracht het mogelijke waarschuwingssignalen aan het licht, zoals onvoldoende ervaring, een gebrek aan financiële betrokkenheid of slecht doordachte projectstructuren.

Een limiet van 120 woorden voor de slotconclusie van de beoordeling door de LLM’s bleek optimaal om fouten te voorkomen en potentiële gebruikers een gemakkelijk te begrijpen conclusie te bieden.

Er werden vier verschillende promptstrategieën toegepast om de redenering van de LLM’s in goede banen te leiden en zo de best mogelijke resultaten te verkrijgen:

• Zero-shot (ZS): gestructureerde instructies geven zonder voorbeelden op projectniveau
• Few-shot (FS): ZS uitbreiden met expliciete evaluatiedimensies en specifieke beoordelingscriteria.
• Chain-of-Thought (CoT): een stapsgewijze redenering op basis van afzonderlijke factoren gebruiken.
• Chain-of-Thought met context en beoordelingskader (CoT-CR): domeinspecifieke overwegingen meenemen, zoals mechanismen voor het vastzetten van tokens en de originaliteit van het project.

Bron: Kennis- en informatiesystemen

Resultaten van de LLM’s

Met uitzondering van de beoordeling op basis van een aspectgerichte samenvatting kenden de AI-modellen het cryptoproject doorgaans een hogere score toe dan de menselijke beoordelaars.

“Benaderingen 1 en 2 vatten verhalende inhoud vaak samen zonder waarschuwingssignalen of signalen over bestuur betrouwbaar aan het licht te brengen. Dat leidt tot optimismebias en een systematische overschatting ten opzichte van menselijke beoordelingen.”

Prompts op basis van CoT leverden over het geheel genomen de laagste scores op. Met name CoT in combinatie met een beoordeling op basis van een aspectgerichte samenvatting was de enige benadering die resulteerde in een lagere beoordeling dan de menselijke beoordelingen.

Bron: Kennis- en informatiesystemen

Ondanks deze neiging tot overschatting werd ook een tegengestelde, lichte neiging waargenomen om de sterkste projecten te onderschatten.

Ook moet worden opgemerkt dat de AI-modellen Qwen2.5-0.5B en Qwen2.5-1.5B vergelijkbare resultaten opleverden als GPT−3.5-turbo.

Bron: Kennis- en informatiesystemen

De vertekening van LLM’s verklaren

Dat LLM’s bij de meeste promptstrategieën cryptoprojecten doorgaans overschatten, komt doordat generieke en licht gestructureerde samenvattingen de promotionele toon van whitepapers vaak behouden.

Extractie gericht op specifieke aspecten voorkomt dit probleem grotendeels, maar kent andere beperkingen. Deze aanpak kan beoordelingen dichter bij de voorzichtige menselijke inschatting brengen wanneer tekortkomingen op het gebied van bestuur, management of tokenontwerp aan het licht komen. Projecten kunnen echter ook te zwaar worden afgestraft wanneer het bewijsmateriaal onvolledig is of wanneer afzonderlijke negatieve signalen de onderbouwing van de beoordeling domineren.

Daarom concludeerden de onderzoekers dat LLM’s menselijk onderzoek kunnen ondersteunen, maar het niet volledig kunnen vervangen.

“Deze mechanismen wijzen erop dat de grootste ontwerpuitdaging niet alleen de keuze van de prompt is, maar ook het samenstellen van betrouwbaar tussentijds bewijsmateriaal voordat een beoordeling wordt gegeven. Daarom moet het hulpmiddel worden ingezet om gevallen te signaleren die deskundige aandacht vereisen, en niet om definitieve investeringsscores toe te kennen.”

Al met al bestaat er volgens dit onderzoek geen eenduidige ‘beste aanpak’.

Binnen de huidige opzet levert de combinatie van een gestructureerde samenvatting en Chain-of-Thought-prompts de kleinste fout op (benadering 2 + CoT).

De aanpak die op specifieke aspecten is gericht, brengt echter mogelijke waarschuwingssignalen aan het licht en levert gemiddeld een score op die dichter bij het menselijke gemiddelde ligt.

Een analytisch AI-hulpmiddel voor crypto ontwikkelen

Dit bracht de onderzoeker ertoe voorstellen te doen voor de optimale manier om AI te gebruiken bij het analyseren van cryptoprojecten:

1. Bewijsmateriaal moet eerst worden gestructureerd en pas daarna moet het model een redenering genereren, om fouten zo veel mogelijk te beperken.
2. Kalibratie en de controleerbaarheid van de uitvoer moeten afzonderlijk worden ontworpen en geëvalueerd. Extractie gericht op specifieke aspecten moet worden ingezet om de structurele controleerbaarheid te verbeteren en waarschuwingssignalen beter zichtbaar te maken.
3. Triangulatie van modellen: schrijf waargenomen foutpatronen niet aan één modelfamilie toe zonder vergelijkende tests, omdat ze het gevolg kunnen zijn van de fundamentele werking van LLM’s in het algemeen.

“Samen verleggen deze principes de bijdrage van een toepassing van LLM’s naar een reeks ontwerpaanbevelingen voor het configureren van controleerbare hulpmiddelen ter ondersteuning van besluitvorming in financiële verslaggevingsomgevingen met weinig standaardisatie.”

Belangrijkste inzichten voor beleggers

Dit onderzoek biedt interessante informatie voor beleggers in zowel AI als crypto.

Wat crypto betreft, is duidelijk dat LLM’s (vooralsnog?) geen vervanging zijn voor due diligence onder leiding van mensen. Zo kunnen AI-modellen zich laten misleiden door het overdreven enthousiaste of promotionele taalgebruik in cryptowhitepapers, waardoor het risico aanzienlijk is dat het potentieel van deze projecten te hoog wordt ingeschat.

AI gebruiken om waarschuwingssignalen op te sporen kan echter erg nuttig zijn, mits de juiste promptmethode wordt toegepast.

Voor beleggers in AI laat dit onderzoek zien dat LLM’s momenteel nog niet volledig in staat zijn menselijke arbeid te vervangen. Ze zijn echter wel een waardevol hulpmiddel, vooral voor het doorzoeken van grote hoeveelheden technische gegevens.

Ook laat het onderzoek zien dat het essentieel is om de juiste promptmethode te leren en een passende analysemethode te ontwerpen, zodat AI optimaal kan worden ingezet. Vanuit het perspectief van beleggen in AI-technologie wijst dit er waarschijnlijk op dat de meeste productiviteitswinst door AI geleidelijk zal worden geboekt, en niet alleen doordat modellen beter worden. Het is juist essentieel dat gebruikers meer vertrouwd raken met AI-tools en leren de kwaliteit van de resultaten te verbeteren door analyses beter op te zetten en prompts te verfijnen.

Beleggen in cryptomarkten

Coinbase

Nu cryptovaluta steeds meer gemeengoed worden, krijgen meer beleggers er blootstelling aan of breiden ze hun aanwezigheid op de cryptomarkten uit. Hetzelfde geldt naarmate het aantal cryptoprojecten toeneemt.

Dat is gunstig voor bedrijven als Coinbase, die nauw verbonden zijn met de handel in cryptovaluta, de prijzen van digitale activa, het beheer ervan en de deelname van institutionele beleggers.

Beleggen in cryptobeurzen en technologieplatforms zoals Coinbase kan beleggers daarom blootstelling aan de ontwikkelingen op de cryptomarkt bieden, zonder dat ze daarvoor willekeurig specifieke tokens hoeven te selecteren.

Dit betekent echter niet dat Coinbase beleggers in het beursgenoteerde aandeel hetzelfde potentiële rendement (en dezelfde risico’s) biedt als rechtstreeks beleggen in crypto. Het gaat in plaats daarvan om een belegging in de infrastructuur van de cryptomarkt. Coinbase meldde dat er op 30 juni 2026 voor $246 miljard aan activa op zijn platform stond.

Naast de belangrijkste app en cryptobeurs van Coinbase biedt het bedrijf tegenwoordig een reeks aanvullende diensten aan:

• Coinbase One, een premium lidmaatschap met kosteloos handelen, hogere stakingbeloningen en aanbiedingen van partners, zoals een belastingcalculator voor crypto en onderzoek naar crypto.
• Coinbase Advanced, voor professionele cryptohandelaren.
• Coinbase Wallet, voor het zelf beheren van cryptovaluta buiten cryptobeurzen en voor NFT’s.
• Coinbase Earn, een stakingdienst waarmee bezitters van cryptovaluta hun crypto kunnen vastzetten om beloningen van het netwerk te verdienen. Klanten van Coinbase verdienden hiermee in 2023 $230 miljoen.
• Coinbase Card, een Visa-betaalpas waarmee je aankopen kunt doen met cryptovaluta. Je krijgt 1% terug in Bitcoin als je met USD betaalt en 1,5% in USDC als je met ETH betaalt. De kaart wordt overal geaccepteerd waar Visa-betaalpassen worden geaccepteerd.
• USD Coin(USDC), een digitale stablecoin met een waarde die gelijk is aan die van de Amerikaanse dollar, wil een ‘digitale dollar’ creëren.

Naarmate er meer geavanceerde tools, waaronder AI, worden ontwikkeld, zullen die de bestaande crypto-infrastructuur aanvullen. Als inmiddels volwassener en toonaangevender platform is Coinbase goed gepositioneerd om te profiteren van de groeiende acceptatie van crypto, die wordt gestimuleerd door de opkomst van Bitcoin-ETF’s, stablecoins en de tokenisering van aandelen.

(Meer over de geschiedenis, het aanbod en het beleggingspotentieel van Coinbase lees je in ons speciale rapport over het bedrijf)

Laatste nieuws en ontwikkelingen rond het aandeel Coinbase (COIN)

Aangehaalde studie

^{1. Yann Thorens e.a. Toepassing van LLM’s bij de beoordeling van digitale activa: onderzoek met gemengde methoden. Knowledge and Information Systems. 17 oktober 2026. https://doi.org/10.1007/s10115-026-02910-2}