Digitale eiendeler
Kan KI vurdere kryptohvitbøker? En studie setter det på prøve

Viktige punkterStore språkmodeller (LLM-er) blåser opp kredittvurderingene til kryptoprosjekter fordi…
Vis mer
- Store språkmodeller (LLM-er) blåser opp kredittvurderingene til kryptoprosjekter fordi sammendrag bevarer den promotøriske tonen fra whitepapers og skjuler røde flagg.
- Aspektfokusert uttrekk synliggjør svakheter ved styring og tokendesign, men kan straffe prosjekter for hardt når bevisene er ufullstendige.
- Store språkmodeller bør flagge saker som trenger ekspertvurdering i stedet for å produsere endelige investeringsscorer.
Etter at den opprinnelige Bitcoin- (BTC ) hvitboken ble publisert i 2008, har et enormt antall nye kryptovalutaer blomstret fram, og noen av dem, som Ethereum (ETH ) har blitt populære nok til å bli en alvorlig konkurrent til originalen. Men dette betyr også at det har blitt stadig mer komplisert for investorer å gjennomføre grundige undersøkelser av kryptovalutaer.
Dette er selvsagt ikke et problem som er unikt for investeringer i kryptovaluta, men kryptovalutaenes natur gjør det vanskeligere for de fleste investorer. Særlig interesserte småinvestorer, men også mange institusjonelle investorer, mangler den matematiske og tekniske kunnskapen som trengs for å forstå fullt ut den kryptografiske vitenskapen og algoritmene som ligger til grunn for de fleste kryptoprosjekter.
I tillegg mangler digitale eiendeler et enhetlig rapporteringsformat, sammenlignet med de standardiserte dokumentene (for eksempel prospekter og 10-K-rapporter) for tradisjonelle verdipapirer.
Dermed står de overfor en farlig kombinasjon av informasjonsoverflod, ustrukturerte opplysninger og begrenset regulatorisk beskyttelse – alt på én gang.
«De mange sammenbruddene i den første bølgen av Initial Coin Offerings (ICO-er), og de påfølgende tapene for investorer som ikke var i stand til å vurdere om investeringene var levedyktige ut fra hvitbøker, viser at det er behov for å styrke verktøyene for grundige undersøkelser og investorbeskyttelse innen innovativ finans.»
Informasjonsoverflod og behovet for å analysere risiko objektivt virker som et ideelt bruksområde for KI, ettersom nye KI-systemer er spesielt utviklet for å håndtere denne typen komplekse oppgaver.
En forskergruppe fra Swiss Financial Market Supervisory Authority FINMA og University of Liechtenstein har publisert en ny studie som undersøker hvordan store språkmodeller (LLM-er) kan vurdere nye kryptoprosjekter, særlig de tekniske hvitbøkene deres.
De publiserte funnene sine i Knowledge and Information Systems1, under tittelen «Bruk av LLM-er i vurderinger av digitale eiendeler: en studie med blandede metoder».
Bruk av LLM-er på kryptohvitbøker
I bunn og grunn er «krypto» ikke bare spekulative investeringsmuligheter, men «digitale eiendeler basert på protokoller som er innebygd i desentralisert informasjonslagring, distribuerte konsensusmekanismer og smarte kontrakter».
De reelle risikoene og mulige bruksområdene til nye kryptovalutaer avhenger av disse tekniske egenskapene. Derfor kan moderne KI, som LLM-er (store språkmodeller), bidra til automatisert tekstanalyse, kunnskapsuttrekk og sammenlignende vurdering av prosjekter.
Hvor pålitelige LLM-er er, er imidlertid et spørsmål. Nytten deres begrenses av korte kontekstvinduer, vansker med å håndtere store dokumentsamlinger og risiko for hallusinering.
Investorer trenger derfor en grundig vurdering av hvor pålitelige slike verktøy faktisk er når de brukes til å evaluere kryptoprosjekter.
For å vurdere LLM-enes evner på dette området utviklet forskerne et rammeverk. Først forhåndsbehandler de dataene ved å strukturere og oppsummere hvitbøkene for analyse. Deretter utformer de spesifikke KI-instruksjoner, sammenligner resultatene med menneskelige vurderinger og utvikler til slutt en protokoll for å bruke LLM-er til å bedømme potensialet i kryptoprosjekter.
Utvikling av de rette verktøyene
Innhenting av de rette dataene
Forskerne brukte Token Offerings Research Database (TORD) som sin viktigste datakilde. Databasen inneholder manuelt innsamlet informasjon om Initial Coin Offerings (ICO-er), Security Token Offerings (STO-er) og Initial Exchange Offerings (IEO-er).
Dette omfatter offisielle prosjektnettsteder, hvitbøker, arkiverte nettressurser, sekundære databaser, informasjon fra børser og regulatoriske dokumenter.
Disse dataene ble brukt til å lage et utvalg med 29 unike tokenprosjekter der hvitbøkene fortsatt var tilgjengelige. 27 av prosjektene hadde en samlet ekspertvurdering i TORD.
Forskerne valgte hovedkonfigurasjonen OpenAI GPT−3.5-turbo, i tillegg til to kompakte modeller med åpen kildekode: Qwen2.5-0.5B og Qwen2.5-1.5B. Til sammen genererte de 1 008 fullstendige vurderinger fra eksperter og LLM-er.
Utprøving av ulike metoder
Forskerne brukte ulike metoder for å finne ut hvordan LLM-er kunne brukes best mulig til å undersøke kryptoprosjekter.
- Tilnærming 1: Vurderingav deler av dokumentet, der så mye som mulig av innholdet i hvitboken legges inn i LLM-en, avkortet ved 4000 tokens (omtrent 3000 ord) for å ta hensyn til begrensningene i modellen.
- Tilnærming 2: vurdering basert på et sammendrag, som håndterer tokenbegrensningene ved å bruke en prosess i to trinn: Først oppsummeres hvitboken, og deretter vurderes den.
- Tilnærming 3: vurdering av sammendrag med fokus på enkeltaspekter, som videreutvikler oppsummeringen ved å hente ut målrettet informasjon som er relevant for investeringsbeslutninger – nærmere bestemt ledernes personlighet og erfaring, produktegenskaper og markedsforhold.
- Den avdekket også potensielle faresignaler, som manglende erfaring, fravær av økonomisk medvirkning eller dårlig gjennomtenkte prosjektstrukturer.
En grense på 120 ord for konklusjonen i LLM-enes avsluttende vurdering ble ansett som optimal for å unngå feil og gi en potensiell bruker en lettfattelig konklusjon.
Fire ulike strategier for utforming av instruksjoner ble brukt for å styre LLM-ens resonnering mot best mulige resultater:
- Nullskudd (ZS): å gi strukturerte instruksjoner uten eksempler på prosjektnivå
- Fåskudd (FS): en utvidet versjon av ZS med eksplisitte vurderingsdimensjoner og konkrete kriterier.
- Tankekjede (CoT): bruk av trinnvis begrunnelse på faktornivå.
- Tankekjede med kontekst og vurderingsrubrikk (CoT-CR): innarbeiding av domenespesifikke hensyn, som mekanismer for tokenlåsing og prosjektets originalitet.
Resultater fra LLM-ene
Med unntak av vurderingen av sammendrag med fokus på enkeltaspekter ga KI-modellene gjennomgående kryptoprosjektet en høyere vurdering enn de menneskelige vurderingene.
«Tilnærming 1 og 2 kondenserer ofte det fortellende innholdet uten pålitelig å avdekke faresignaler eller signaler om styring, noe som fører til optimismebias og systematisk overvurdering sammenlignet med menneskelige vurderinger.»
CoT-instruksjoner ga samlet sett den laveste vurderingen. Særlig var CoT kombinert med vurdering av sammendrag med fokus på enkeltaspekter den eneste tilnærmingen som ga en lavere vurdering enn de menneskebaserte vurderingene.
Til tross for denne tendensen til overvurdering ble det også observert en motsatt, svak tendens til å undervurdere de sterkeste prosjektene.
Det bør også bemerkes at resultatene med KI-modellene Qwen2.5-0.5B og Qwen2.5-1.5B var tilsvarende resultatene med GPT−3.5-turbo.
Hvorfor LLM-ene har skjevheter
Grunnen til at LLM-er har en tendens til å overvurdere kryptoprosjekter med de fleste strategier for utforming av instruksjoner, er at generiske og lett strukturerte sammendrag ofte viderefører den salgsfremmende tonen i whitepaper-dokumenter.
Uthenting med fokus på enkeltaspekter unngår stort sett dette problemet, men har andre begrensninger. Metoden kan føre vurderingene nærmere menneskelig forsiktighet når den fanger opp svakheter ved styring, ledelse eller tokenutforming, men den kan også straffe prosjekter for hardt når dokumentasjonen er ufullstendig, eller når isolerte negative signaler får dominere begrunnelsen for vurderingen.
Dette førte forskerne til å konkludere med at LLM-er kan støtte menneskelig analyse, men ikke erstatte den fullt ut.
«Disse mekanismene tyder på at den viktigste utfordringen i utformingen ikke bare handler om valg av instruksjon, men også om å bygge opp pålitelig dokumentasjon i mellomleddet før vurderingen. Verktøyet bør derfor brukes til å flagge saker som krever ekspertoppmerksomhet, ikke til å utarbeide endelige investeringsvurderinger.»
Alt i alt finnes det ingen enkelt «beste tilnærming» som kan tas i bruk, i hvert fall ikke ifølge denne studien.
Den laveste feilen i den nåværende designmatrisen oppnås ved å kombinere et strukturert sammendrag med tankekjedeinstruksjoner (tilnærming 2 + CoT).
Tilnærmingen med fokus på enkeltaspekter avdekker imidlertid mulige faresignaler, og gjennomsnittsvurderingen ligger nærmere gjennomsnittet av de menneskelige vurderingene.
Utvikling av et KI-verktøy for analyse av kryptoprosjekter
Dette førte forskeren til å legge fram forslag til den optimale metoden for å bruke KI i analyse av kryptoprosjekter:
- Dokumentasjonen bør struktureres før modellen genererer begrunnelser, for å begrense feil så mye som mulig.
- Kalibrering og muligheten til å granske resultatene bør utformes og evalueres hver for seg. Uthenting med fokus på enkeltaspekter bør brukes for å gjøre strukturen lettere å kontrollere og faresignaler mer synlige.
- Triangulering av modeller: Observerte feilmønstre bør ikke tilskrives én modellfamilie uten sammenlignende testing, ettersom de kan skyldes hvordan LLM-er fungerer generelt.
«Samlet sett utvider disse prinsippene bidraget fra en anvendelse av LLM-er til et sett med designanbefalinger for å konfigurere etterprøvbare beslutningsstøtteverktøy i situasjoner der finansiell rapportering er svakt standardisert.»
Hva investorer bør merke seg
Denne studien gir interessant informasjon for investorer innen både KI og krypto.
Når det gjelder krypto, er det tydelig at store språkmodeller (LLM-er) ikke (ennå?) kan erstatte menneskelig gjennomført due diligence. KI-modeller kan for eksempel la seg lure av overdreven entusiasme eller en reklam preget tone i hvitbøker for kryptoprosjekter. Det medfører en betydelig risiko for at potensialet til disse prosjektene overvurderes.
KI kan imidlertid være svært nyttig til å avdekke faresignaler, så lenge man bruker riktig metode for å utforme spørsmålene.
For KI-investorer viser denne studien at LLM-er foreløpig ikke er i stand til å erstatte menneskelig arbeidskraft fullt ut. De er likevel et verdifullt verktøy, særlig når det gjelder å sortere store mengder tekniske data.
Studien viser også at det er avgjørende å lære seg riktig metode for å utforme spørsmål og å utvikle en god analytisk metode for å få best mulig utbytte av KI. Sett fra et investeringsperspektiv på KI-teknologi tyder dette på at de fleste produktivitetsgevinstene fra KI vil komme gradvis, og ikke bare som følge av bedre modeller. Det blir i stedet viktig at brukerne blir bedre kjent med KI-verktøy og lærer å forbedre kvaliteten på resultatene gjennom bedre analyseopplegg og spørsmål.
Investering i kryptomarkeder
Coinbase
COIN Prisdiagram
Etter hvert som kryptovaluta blir mer utbredt, får stadig flere investorer eksponering mot markedet eller øker sin tilstedeværelse i kryptomarkedene. Det samme gjelder etter hvert som det blir stadig flere kryptoprosjekter.
Dette er en fordel for selskaper som Coinbase, som er tett knyttet til handel med kryptovaluta, aktivapriser, oppbevaring av kryptoaktiva og institusjonell deltakelse.
Investering i kryptobørser og teknologiplattformer som Coinbase kan derfor gi investorer eksponering mot kryptomarkedet som helhet, uten at de må velge ut bestemte tokens på vilkårlig vis.
Dette betyr imidlertid ikke at Coinbase vil gi investorer i selskapets børsnoterte aksjer samme type potensielle avkastning (og risiko) som direkte investeringer i krypto kan gi. Det er i stedet en investering i infrastrukturen rundt kryptomarkedet. Coinbase rapporterte at selskapet hadde aktiva for 246 milliarder dollar på plattformen sin per 30. juni 2026.
I tillegg til hovedappen og kryptobørsen tilbyr Coinbase i dag en rekke tilknyttede tjenester:
- Coinbase One, en premiumtjeneste med medlemskap som gir gebyrfri handel, høyere staking-belønninger og tilbud fra samarbeidspartnere, for eksempel en kryptoskattkalkulator og analyser av kryptomarkedet.
- Coinbase Advanced, for profesjonelle kryptohandlere.
- Coinbase Wallet, for selvforvaring av kryptovaluta utenfor børser, samt NFT-er.
- Coinbase Earn, en staking-tjeneste der eiere av kryptovaluta kan låse kryptoen sin for å tjene renter fra nettverket. Coinbases kunder tjente 230 millioner dollar på dette i 2023.
- Coinbase Card, et Visa-debetkort for kjøp med kryptovaluta. Kortet gir 1 % tilbake i Bitcoin når du betaler med USD, og 1,5 % i USDC når du betaler med ETH. Det godtas overalt der Visa-debetkort godtas.
- USD Coin (USDC), en digital stablecoin med en verdi tilsvarende amerikanske dollar, har som mål å skape en «digital dollar».
Etter hvert som det utvikles stadig mer avanserte verktøy, blant annet KI, vil de utfylle den eksisterende kryptoinfrastrukturen. Coinbase er nå en mer moden og dominerende plattform og er godt posisjonert til å dra nytte av at krypto blir stadig mer utbredt, drevet av den voksende trenden med Bitcoin-ETF-er, stablecoins og tokenisering av aksjer.
(Du kan lese mer om Coinbases historie, tilbud og investeringspotensial i vår grundige rapport om selskapet)
Siste nytt og utvikling knyttet til Coinbase-aksjen (COIN)
Studien det henvises til
1. Yann Thorens mfl. Anvendelse av LLM-er i vurderinger av digitale aktiva: forskning med blandede metoder. Knowledge and Information Systems. 17. oktober 2026. https://doi.org/10.1007/s10115-026-02910-2















