Ativos digitais
A IA consegue avaliar livros brancos de criptomoedas? Um estudo põe isso à prova

Pontos-chaveOs LLMs inflam as avaliações de projetos de criptomoedas porque os resumos preservam o…
Ver mais
- Os LLMs inflam as avaliações de projetos de criptomoedas porque os resumos preservam o tom promocional do whitepaper e ocultam sinais de alerta.
- A extração focada em aspetos revela fraquezas na governação e no design do token, mas pode penalizar excessivamente os projetos quando as evidências estão incompletas.
- Os LLMs devem sinalizar os casos que necessitam de atenção de especialistas em vez de produzirem pontuações finais de investimento.
Desde o white paper original do Bitcoin (BTC ) publicado em 2008, floresceu um grande número de novas criptomoedas, algumas delas, como Ethereum, (ETH ) que se tornaram populares o bastante para se transformar em uma concorrente séria da original. Mas isso também significa que a análise prévia de investimentos em criptoativos ficou cada vez mais complexa.
É claro que esse problema não é exclusivo dos investimentos em criptoativos, mas a natureza das criptomoedas torna a tarefa mais difícil para a maioria dos investidores. Os investidores de varejo interessados, em particular, e até mesmo muitos investidores institucionais não têm os conhecimentos matemáticos e técnicos necessários para compreender plenamente as ciências criptográficas e os algoritmos que fundamentam a maioria dos projetos de criptomoedas.
Além disso, em comparação com os documentos padronizados (por exemplo, prospectos e relatórios 10-K) dos títulos tradicionais, os ativos digitais não contam com um formato unificado de divulgação de informações.
Assim, eles se deparam, ao mesmo tempo, com uma combinação perigosa de excesso de informações, divulgações não padronizadas e salvaguardas regulatórias limitadas.
“Os inúmeros colapsos da primeira onda de ofertas iniciais de moedas (ICOs) e as perdas subsequentes sofridas por investidores que não conseguiram avaliar a viabilidade dos investimentos com base nos livros brancos demonstram a necessidade de reforçar as ferramentas de análise prévia e de proteção dos investidores nas finanças inovadoras.”
A sobrecarga de informações e a necessidade de analisar os riscos de forma objetiva parecem um caso de uso perfeito para a IA, já que os novos sistemas de IA foram concebidos especificamente para lidar com esse tipo de tarefa complexa.
Um grupo de pesquisadores da Swiss Financial Market Supervisory Authority FINMA e da University of Liechtenstein publicou um novo estudo que examina como os LLMs poderiam avaliar novos projetos de criptomoedas, especialmente seus livros brancos técnicos.
Os pesquisadores publicaram suas conclusões em Knowledge and Information Systems1, sob o título “Aplicação de LLMs na avaliação de ativos digitais: pesquisa de métodos mistos”.
Uso de LLMs para analisar livros brancos de criptomoedas
Em essência, as “criptomoedas” não são apenas oportunidades de investimento especulativo, mas “ativos digitais baseados em protocolos incorporados ao armazenamento descentralizado de informações, a mecanismos de consenso distribuídos e a contratos inteligentes”.
Os riscos reais e os possíveis casos de uso das novas criptomoedas dependerão dessas características técnicas. Por isso, sistemas modernos de IA, como os LLMs (modelos de linguagem de grande porte), podem ajudar na análise automatizada de textos, na extração de conhecimento e na avaliação comparativa de projetos.
A confiabilidade dos LLMs, porém, é uma questão importante. Sua utilidade é limitada pelas janelas de contexto restritas, pelas dificuldades para processar grandes conjuntos de documentos e pelo risco de alucinações.
Por isso, os investidores precisam avaliar adequadamente o grau de confiabilidade dessas ferramentas no contexto da análise de projetos de criptomoedas.
Para avaliar a capacidade dos LLMs nessa tarefa, os pesquisadores criaram uma estrutura de trabalho que começa pelo pré-processamento dos dados, com a organização e a síntese dos livros brancos para análise; em seguida, define instruções específicas para a IA, compara os resultados com avaliações humanas e, por fim, desenvolve um protocolo para usar LLMs na avaliação do potencial de projetos de criptomoedas.
Desenvolvimento das ferramentas certas
Coleta dos dados adequados
Os pesquisadores usaram o Token Offerings Research Database (TORD) como principal fonte de dados. A base reúne informações coletadas manualmente sobre ofertas iniciais de moedas (ICOs), ofertas de tokens de valores mobiliários (STOs) e ofertas iniciais em exchanges (IEOs).
Isso inclui sites oficiais de projetos, livros brancos, recursos da web arquivados, bancos de dados secundários, divulgações de exchanges e documentos regulatórios.
Esses dados foram usados para criar uma amostra de 29 projetos de tokens distintos cujos livros brancos continuavam disponíveis; 27 deles têm uma avaliação agregada de especialistas no TORD.
A configuração principal selecionada foi o OpenAI GPT−3.5-turbo, além de dois modelos compactos de código aberto, Qwen2.5-0.5B e Qwen2.5-1.5B. Ao todo, foram geradas 1.008 avaliações completas, feitas por especialistas e LLMs.
Testes com diferentes abordagens
Os pesquisadores usaram métodos diferentes para descobrir como os LLMs poderiam ser empregados da melhor forma na análise de projetos de criptomoedas.
- Abordagem 1: avaliação parcial do documento, que consiste em inserir no LLM o máximo possível do conteúdo do livro branco, limitado a 4.000 tokens (aproximadamente 3.000 palavras) para respeitar as limitações do modelo.
- Abordagem 2: avaliação baseada em resumo, que contorna as limitações de tokens com um processo em duas etapas: primeiro, o livro branco é resumido e, em seguida, avaliado.
- Abordagem 3: avaliação baseada em resumo centrado em aspectos, refinando ainda mais a síntese ao extrair informações específicas relevantes para a tomada de decisões de investimento — em particular, a personalidade e a experiência da gestão, as características do produto e as condições do mercado.
- Também identificou possíveis sinais de alerta, como experiência insuficiente, falta de participação financeira ou estruturas de projeto mal concebidas.
Determinou-se que um limite de 120 palavras para a conclusão da avaliação final produzida pelos LLMs era ideal para evitar erros e oferecer uma conclusão fácil de entender a um possível usuário.
Foram empregadas quatro estratégias diferentes de elaboração de prompts para orientar o raciocínio do LLM e obter os melhores resultados possíveis:
- Zero-Shot (ZS): fornecer instruções estruturadas sem exemplos específicos de projetos
- Few-Shot (FS): aprimorar o ZS com dimensões de avaliação explícitas e critérios específicos de análise.
- Chain-of-Thought (CoT): usar um raciocínio passo a passo, organizado por fatores.
- Raciocínio em cadeia com contexto e rubrica (CoT-CR): incorporando considerações específicas do domínio, como mecanismos de bloqueio de tokens e originalidade do projeto.
Resultados dos LLMs
Com exceção da avaliação baseada em resumo centrado em aspectos, os modelos de IA geralmente atribuíram ao projeto de criptomoeda uma nota superior à das avaliações humanas.
“As abordagens 1 e 2 frequentemente condensam o conteúdo narrativo sem identificar de forma confiável sinais de alerta ou indícios de governança, o que gera viés de otimismo e uma superestimação sistemática em relação às avaliações humanas.”
Os prompts CoT geraram a nota geral mais baixa. Em particular, CoT + avaliação baseada em resumo centrado em aspectos foi a única abordagem que resultou em uma avaliação inferior às feitas por humanos.
Apesar dessa tendência de atribuir notas excessivamente altas, também foi observada uma leve tendência oposta de subestimar os projetos mais promissores.
Também vale observar que, ao usar os modelos de IA Qwen2.5-0.5B e Qwen2.5-1.5B, foram obtidos resultados semelhantes aos do GPT−3.5-turbo.
Explicação do viés dos LLMs
Os LLMs tendem a superestimar os projetos de criptomoedas com a maioria das estratégias de elaboração de prompts porque resumos genéricos e pouco estruturados costumam preservar o tom promocional dos documentos técnicos.
Em contrapartida, a extração centrada em aspectos evita em grande medida esse problema, mas tem outras limitações. Ela pode aproximar as avaliações da cautela humana quando identifica fragilidades de governança, gestão ou desenho de tokens, mas também pode penalizar demais os projetos quando as evidências são incompletas ou quando sinais negativos isolados dominam a justificativa da avaliação.
Isso levou os pesquisadores a concluir que os LLMs podem apoiar a pesquisa humana, mas não substituí-la por completo.
“Esses mecanismos indicam que o principal desafio de concepção não está apenas na escolha do prompt, mas também na construção de evidências intermediárias confiáveis antes da avaliação. Por isso, o artefato deve ser usado para sinalizar casos que exigem a atenção de especialistas, e não para gerar pontuações finais de investimento.”
De modo geral, não há uma única “melhor abordagem” a ser adotada, pelo menos de acordo com este estudo.
Na matriz de projeto atual, o menor erro é obtido ao combinar o Resumo Estruturado com a elaboração de prompts Chain-of-Thought (Abordagem 2 + CoT).
Mas a abordagem centrada em aspectos revela possíveis sinais de alerta, e sua pontuação média fica mais próxima da média das avaliações humanas.
Desenvolvimento de uma ferramenta de análise de criptomoedas com IA
Isso levou o pesquisador a apresentar propostas para o método ideal de uso da IA na análise de projetos de criptomoedas:
- A estruturação das evidências deve preceder a geração de justificativas pelo modelo, para limitar os erros tanto quanto possível.
- A calibração e a possibilidade de inspecionar os resultados devem ser concebidas e avaliadas separadamente. A extração centrada em aspectos deve ser usada para aprimorar a auditabilidade estrutural e a identificação de sinais de alerta.
- Triangulação de modelos: os padrões de erro observados não devem ser atribuídos a uma única família de modelos sem testes comparativos, pois podem decorrer do funcionamento fundamental dos LLMs em geral.
“Em conjunto, esses princípios ampliam a contribuição: ela deixa de ser apenas uma aplicação de LLMs e passa a incluir um conjunto de recomendações de projeto para configurar artefatos auditáveis de apoio à decisão em contextos de divulgação financeira pouco padronizados.”
Principais conclusões para investidores
Este estudo apresenta informações interessantes para investidores tanto em IA quanto em criptomoedas.
No setor das criptomoedas, está claro que os modelos de linguagem de grande escala (LLMs) não são (ainda?) uma solução capaz de substituir a diligência prévia conduzida por pessoas. Por exemplo, modelos de IA podem ser enganados pelo entusiasmo excessivo ou pelo tom promocional de documentos técnicos de criptomoedas, o que cria um sério risco de superestimar o potencial desses projetos.
No entanto, usar IA para detectar sinais de alerta pode ser muito útil, desde que se adote a metodologia adequada para elaborar os prompts.
Para quem investe em IA, este estudo mostra que, atualmente, os LLMs ainda não são plenamente capazes de substituir o trabalho humano. São, porém, uma ferramenta valiosa, sobretudo para organizar grandes volumes de dados técnicos.
O estudo também mostra que aprender a elaborar os prompts adequados e desenvolver a metodologia de análise correta são fundamentais para usar a IA da melhor forma. Do ponto de vista do investimento em tecnologia de IA, isso provavelmente indica que a maior parte dos ganhos de produtividade proporcionados pela IA virá de forma gradual, e não apenas da melhoria dos modelos. Em vez disso, será essencial que os usuários se familiarizem mais com as ferramentas de IA e aprendam a otimizar a qualidade dos resultados por meio de uma concepção melhor das análises e dos prompts.
Investir nos mercados de criptomoedas
Coinbase
COIN Gráfico de preços
À medida que as criptomoedas se tornam mais populares, mais investidores passam a ter exposição a elas ou ampliam sua presença nos mercados de criptomoedas. O mesmo acontece à medida que se multiplicam os projetos do setor.
Isso beneficia empresas como a Coinbase, que estão estreitamente ligadas à negociação de criptomoedas, aos preços dos ativos, à custódia e à participação de investidores institucionais.
Assim, investir em corretoras de criptomoedas e plataformas de tecnologia como a Coinbase pode ser uma forma de obter exposição ao cenário do mercado de criptomoedas, sem precisar escolher arbitrariamente tokens específicos.
No entanto, isso não significa que a Coinbase proporcionará aos investidores em suas ações negociadas em bolsa os mesmos retornos potenciais (e riscos) que o investimento direto em criptomoedas pode oferecer. Trata-se, em vez disso, de um investimento na infraestrutura do mercado de criptomoedas: em 30 de junho de 2026, a Coinbase informou ter US$ 246 bilhões em ativos na plataforma.
Hoje, além de seu aplicativo principal e da corretora de criptomoedas, a Coinbase oferece vários serviços complementares:
- Coinbase One, um serviço de assinatura premium que oferece taxas de negociação zeradas, recompensas maiores por staking e ofertas de parceiros, como uma calculadora de impostos sobre criptomoedas e pesquisas sobre o setor, entre outras.
- Coinbase Advanced, voltado a traders profissionais de criptomoedas.
- Coinbase Wallet, para a autocustódia de criptomoedas fora das corretoras, além de NFTs.
- Coinbase Earn, um serviço de staking que permite aos proprietários de criptomoedas bloqueá-las para receber juros da rede; em 2023, os clientes da Coinbase receberam US$ 230 milhões.
- Coinbase Card, um cartão de débito Visa para fazer compras com criptomoedas, que oferece 1% de volta em Bitcoin ao pagar com USD e 1,5% em USDC ao pagar com ETH. O cartão é aceito em todos os lugares que aceitam cartões de débito Visa.
- USD Coin (USDC), uma stablecoin digital com valor equivalente ao do dólar americano, busca criar um «dólar digital».
À medida que são desenvolvidas mais ferramentas avançadas, inclusive de IA, elas complementarão a infraestrutura de criptomoedas existente. Agora mais madura e dominante, a Coinbase está bem posicionada para se beneficiar da crescente popularização das criptomoedas, impulsionada pela expansão dos ETFs de Bitcoin, das stablecoins e da tokenização de ações.
(Leia mais sobre a história, os serviços e o potencial de investimento da Coinbase em nosso relatório dedicado à empresa)
Últimas notícias e novidades sobre as ações da Coinbase (COIN)
Estudo citado
1. Yann Thorens e outros. Aplicação de LLMs na avaliação de ativos digitais: pesquisa com métodos mistos. Knowledge and Information Systems. 17 de outubro de 2026. https://doi.org/10.1007/s10115-026-02910-2















