Kan AI utvärdera kryptovärldens vitpapper? En studie undersöker frågan

Sedan det ursprungliga Bitcoin- (BTC ) vitpappret publicerades 2008 har ett stort antal nya kryptovalutor vuxit fram, däribland Ethereum, (ETH ) som har blivit så populärt att det utgör en allvarlig utmanare till originalet. Men det innebär också att det har blivit allt mer komplicerat för investerare att granska kryptoprojekt noggrant inför investeringar.

Det här är förstås inte ett problem som är unikt för investeringar i kryptovalutor, men kryptovalutornas natur gör det svårare för de flesta investerare. Särskilt intresserade privatinvesterare, men även många institutionella investerare, saknar de matematiska och tekniska kunskaper som krävs för att till fullo förstå den kryptografiska vetenskap och de algoritmer som ligger till grund för de flesta kryptoprojekt.

Dessutom saknar digitala tillgångar ett enhetligt rapporteringsformat, till skillnad från traditionella värdepapper, som redovisas i standardiserade dokument (till exempel prospekt och 10-K-rapporter).

De ställs alltså samtidigt inför en farlig kombination av informationsöverflöd, ostrukturerad information och begränsade regleringsskydd.

”De många sammanbrotten under den första vågen av Initial Coin Offerings (ICO:er) och de efterföljande förlusterna för investerare som inte kunde bedöma investeringarnas bärkraft utifrån vitpapper visar att det behövs starkare verktyg för noggrann granskning och investerarskydd inom innovativ finansiering.”

Informationsöverflöd och behovet av att analysera risker objektivt verkar vara ett perfekt användningsområde för AI, eftersom nya AI-system är särskilt utformade för att hantera den här typen av komplexa uppgifter.

En forskargrupp från Swiss Financial Market Supervisory Authority FINMA och University of Liechtenstein har publicerat en ny studie om hur stora språkmodeller (LLM:er) skulle kunna utvärdera nya kryptoprojekt, särskilt deras tekniska vitpapper.

De publicerade sina resultat i Knowledge and Information Systems¹ under titeln ”Tillämpning av stora språkmodeller vid bedömning av digitala tillgångar: en studie med blandade metoder”.

Att använda stora språkmodeller för att granska kryptovalutors vitpapper

I grunden är ”kryptovalutor” inte bara spekulativa investeringsmöjligheter, utan ”digitala tillgångar baserade på protokoll som är inbäddade i decentraliserad informationslagring, distribuerade konsensusmekanismer och smarta kontrakt”.

De tekniska egenskaperna avgör de verkliga riskerna med och möjliga användningsområdena för nya kryptovalutor. Därför kan moderna AI-system, som stora språkmodeller (LLM:er), bidra med automatiserad textanalys, kunskapsutvinning och jämförande bedömningar av projekt.

Hur tillförlitliga stora språkmodeller är är dock en viktig fråga. Deras användbarhet begränsas av korta kontextfönster, svårigheter att hantera stora dokumentsamlingar och risken för hallucinationer.

Investerare behöver därför en ordentlig utvärdering av hur tillförlitliga sådana verktyg faktiskt är när de används för att bedöma kryptoprojekt.

För att bedöma språkmodellernas förmåga att utföra den här uppgiften tog forskarna fram ett ramverk. Det omfattar förbehandling av data, där vitpapper struktureras och sammanfattas inför analysen, utformning av särskilda AI-instruktioner, jämförelse av resultaten med mänskliga bedömningar och slutligen utveckling av ett protokoll för att använda stora språkmodeller till att bedöma kryptoprojekts potential.

Källa: Knowledge and Information Systems

Att ta fram rätt verktyg

Att samla in rätt data

Forskarna använde Token Offerings Research Database (TORD) som sin huvudsakliga datakälla. Databasen innehåller manuellt insamlade uppgifter om Initial Coin Offerings (ICO:er), Security Token Offerings (STO:er) och Initial Exchange Offerings (IEO:er).

Detta omfattar officiella projektsajter, vitpapper, arkiverat webbinnehåll, sekundära databaser samt information från kryptobörser och regulatoriska rapporter.

Med hjälp av dessa data skapades ett urval med 29 unika tokenprojekt vars vitpapper fortfarande gick att komma åt. Av dessa hade 27 ett sammanvägt expertbetyg i TORD.

Forskarna valde OpenAI GPT−3.5-turbo som huvudkonfiguration samt två kompakta modeller med öppen källkod, Qwen2.5-0.5B och Qwen2.5-1.5B. Totalt tog de fram 1 008 fullständiga bedömningar från experter och stora språkmodeller.

Att testa olika metoder

Forskarna använde olika metoder för att undersöka hur stora språkmodeller bäst kunde användas för att studera kryptoprojekt.

• Metod 1: bedömning av delar av dokumentet, vilket innebär att så mycket som möjligt av innehållet i vitpappret matas in i språkmodellen, avkortat vid 4 000 token (cirka 3 000 ord) för att ta hänsyn till modellernas begränsningar.
• Metod 2: bedömning baserad på en sammanfattning, där tokenbegränsningarna hanterades med en process i två steg: först sammanfattades vitpappret och därefter bedömdes det.
• Metod 3: aspektfokuserad sammanfattningsbaserad bedömning, som förfinar sammanfattningen ytterligare genom att ta fram riktad information som är relevant för investeringsbeslut – närmare bestämt om ledningens personlighet och erfarenhet, produktegenskaper och marknadsförhållanden.
  • Den upptäckte också möjliga varningssignaler, till exempel otillräcklig erfarenhet, bristande ekonomiskt deltagande eller ogenomtänkta projektstrukturer.

En gräns på 120 ord för slutsatsen i den slutliga bedömning som genererades av de stora språkmodellerna bedömdes vara optimal för att undvika fel och ge en potentiell användare en lättbegriplig slutsats.

Fyra olika promptstrategier användes för att styra de stora språkmodellernas resonemang mot bästa möjliga resultat:

• Nollskott (ZS): strukturerade instruktioner gavs utan exempel på projektnivå
• Fåskott (FS): nollskottsmetoden kompletterades med uttryckliga utvärderingsdimensioner och specifika bedömningskriterier.
• Tankekedja (CoT): ett stegvis resonemang på faktornivå användes.
• Tankekedja med kontext och bedömningsmatris (CoT-CR): områdesspecifika aspekter, såsom mekanismer för tokenlåsning och projektets originalitet, inkluderades.

Källa: Knowledge and Information Systems

Resultat från stora språkmodeller

Med undantag för den aspektfokuserade sammanfattningsbaserade bedömningen gav AI-modellerna i allmänhet kryptoprojektet ett högre betyg än de mänskliga bedömarna.

”Metod 1 och 2 kondenserar ofta det berättande innehållet utan att på ett tillförlitligt sätt lyfta fram varningssignaler eller styrningsrelaterade tecken, vilket leder till optimismbias och systematisk överskattning jämfört med mänskliga bedömningar.”

Promptar av typen tankekedja gav sammantaget de lägsta betygen. Särskilt tankekedja i kombination med aspektfokuserad sammanfattningsbaserad bedömning var den enda metoden som ledde till en lägre bedömning än de mänskliga bedömningarna.

Källa: Knowledge and Information Systems

Trots denna tendens till överskattning observerades också en motsatt, svag tendens att underskatta de starkaste projekten.

Det bör också noteras att AI-modellerna Qwen2.5-0.5B och Qwen2.5-1.5B gav liknande resultat som GPT−3.5-turbo.

Källa: Knowledge and Information Systems

Förklaringar till de stora språkmodellernas snedvridning

Anledningen till att stora språkmodeller tenderar att överskatta kryptoprojekt med de flesta promptstrategier är att generiska och lätt strukturerade sammanfattningar ofta bevarar vitböckernas säljande ton.

Aspektfokuserad informationsinhämtning undviker i huvudsak detta problem, men har andra begränsningar. Den kan föra betygen närmare människors försiktiga bedömningar när den fångar upp svagheter i styrning, ledning eller tokenutformning, men den kan också ge projekten ett alltför stort avdrag när underlaget är ofullständigt eller när enstaka negativa tecken dominerar motiveringen till betyget.

Detta ledde forskarna till slutsatsen att stora språkmodeller kan stödja mänskligt analysarbete, men inte ersätta det helt.

”Dessa mekanismer tyder på att den främsta utmaningen i utformningen inte bara handlar om valet av prompt, utan också om att ta fram tillförlitligt underlag som mellanled före betygsättningen. Därför bör artefakten användas för att flagga fall som kräver expertgranskning, snarare än för att ta fram slutgiltiga investeringsbetyg.”

Sammantaget finns det ingen enskild ”bästa metod” att använda, åtminstone inte enligt den här studien.

I den aktuella designmatrisen ger en strukturerad sammanfattning i kombination med promptning av typen tankekedja det lägsta felet (metod 2 + CoT).

Den aspektfokuserade metoden synliggör däremot möjliga varningssignaler, och dess genomsnittliga betyg ligger närmare medelvärdet för de mänskliga bedömningarna.

Utveckla ett AI-verktyg för analys av kryptoprojekt

Detta ledde forskaren till att lägga fram förslag på den bästa metoden för att använda AI vid analys av kryptoprojekt:

1. Underlaget bör struktureras innan modellen genererar sitt resonemang, för att begränsa felen så mycket som möjligt.
2. Kalibrering och möjligheten att granska utdata bör utformas och utvärderas separat. Aspektfokuserad informationsinhämtning bör användas för att förbättra den strukturella granskningsbarheten och synligheten för varningssignaler.
3. Modelltriangulering: observerade felmönster bör inte tillskrivas en enskild modellfamilj utan jämförande tester, eftersom de kan bero på hur stora språkmodeller fungerar i allmänhet.

”Tillsammans breddar dessa principer bidraget från en tillämpning av stora språkmodeller till en uppsättning designrekommendationer för att utforma granskningsbara beslutsstödsartefakter i miljöer där finansiell informationsgivning är svagt standardiserad.”

Viktiga insikter för investerare

Den här studien ger intressant information för investerare inom både AI och krypto.

På kryptosidan står det klart att stora språkmodeller (ännu?) inte kan ersätta mänskligt ledd granskning. AI-modeller kan till exempel vilseledas av överdriven entusiasm eller en säljande ton i kryptoprojekts vitböcker, vilket medför en allvarlig risk för att projektens potential överskattas.

Att använda AI för att upptäcka varningssignaler kan däremot vara mycket användbart, om man använder rätt metod för att formulera promptar.

För investerare i AI visar studien att stora språkmodeller för närvarande ännu inte helt kan ersätta mänskligt arbete. De är dock ett värdefullt verktyg, särskilt när det gäller att gå igenom stora mängder tekniska data.

Studien visar också att det är avgörande att lära sig rätt metod för att formulera promptar och att utforma en lämplig analysmetod för att använda AI optimalt. Ur perspektivet att investera i AI-teknik tyder detta sannolikt på att merparten av produktivitetsvinsterna från AI kommer gradvis och inte enbart genom förbättrade modeller. I stället blir det viktigt att användarna blir mer förtrogna med AI-verktyg och lär sig att förbättra resultatens kvalitet genom bättre analysupplägg och promptar.

Investeringar på kryptomarknaderna

Coinbase

I takt med att kryptovalutor blir alltmer etablerade får fler investerare exponering mot dem eller ökar sin närvaro på kryptovalutamarknaderna. Detsamma gäller i takt med att antalet kryptoprojekt växer.

Detta gynnar företag som Coinbase, som har nära kopplingar till handel med kryptovalutor, tillgångspriser, förvaring och institutionellt deltagande.

Att investera i kryptobörser och teknikplattformar som Coinbase kan därför vara ett sätt för investerare att få exponering mot kryptomarknaden utan att behöva välja ut enskilda token på måfå.

Det betyder dock inte att Coinbase ger investerare i bolagets börsnoterade aktie samma slags möjliga avkastning (och risker) som en direktinvestering i krypto kan ge. Det handlar i stället om en investering i kryptomarknadens infrastruktur. Coinbase uppgav att bolaget hade tillgångar på sin plattform till ett värde av 246 miljarder dollar den 30 juni 2026.

I dag har företaget, utöver sin huvudsakliga app och kryptobörs, flera kompletterande tjänster:

• Coinbase One, en premiummedlemstjänst med avgiftsfri handel, förhöjda stakingbelöningar och erbjudanden från partnerföretag, till exempel en skatteräknare för krypto och kryptoresearch.
• Coinbase Advanced, för professionella kryptohandlare.
• Coinbase Wallet, för egen förvaring av kryptovalutor utanför börser samt av NFT:er.
• Coinbase Earn, en stakingtjänst där ägare av kryptovalutor kan låsa sina tillgångar för att få ränta från nätverket. Coinbase-kunder tjänade 230 miljoner dollar på detta under 2023.
• Coinbase Card, ett Visa-betalkort för köp med kryptovalutor. Kortet ger 1 % tillbaka i Bitcoin när man betalar med USD och 1,5 % i USDC när man betalar med ETH. Kortet accepteras överallt där Visa-betalkort accepteras.
• USD Coin (USDC), ett digitalt stablecoin med ett värde motsvarande den amerikanska dollarn, har som mål att skapa en ”digital dollar”.

I takt med att fler avancerade verktyg, däribland AI, utvecklas kommer de att komplettera den befintliga kryptoinfrastrukturen. Coinbase är nu en mer mogen och dominerande plattform och har goda förutsättningar att dra nytta av att krypto blir alltmer etablerat, i takt med den växande trenden med Bitcoin-ETF:er, stablecoin och tokenisering av aktier.

(Du kan läsa mer om Coinbases historia, utbud och investeringspotential i vår särskilda rapport om företaget)

Senaste nytt och utveckling kring Coinbase-aktien (COIN)

Refererad studie

^{1. Yann Thorens m.fl. Tillämpning av LLM:er vid bedömning av digitala tillgångar: en studie med blandade metoder. Knowledge and Information Systems. 17 oktober 2026. https://doi.org/10.1007/s10115-026-02910-2}