L’AI decentralizzata ridisegna i centri di potere dietro i modelli che muovono il Web3

I modelli di intelligenza artificiale più potenti al mondo sono nelle mani di poche società. Decidono i prezzi, stabiliscono chi può accedervi e detengono ogni peso e parametro che il modello apprende dai dati degli utenti.

Sentient (SENT), lanciato nel 2026, nasce come sfida diretta a questo paradigma: una piattaforma di AI aperta in cui i contributori detengono una quota dimostrabile dei modelli che aiutano a creare. Il token ha messo a segno un balzo di circa il 26% in una sola seduta nel luglio 2026, segnale che il mercato sta seguendo da vicino la narrativa dell’AI decentralizzata.

Ma Sentient non è un caso isolato. Una nuova generazione di protocolli sta usando le blockchain per garantire la proprietà aperta dei modelli, coordinare il training distribuito e organizzare mercati di inferenza in cui chiunque può offrire capacità di calcolo in cambio di ricompense. Capire come queste reti funzionano davvero – sul piano degli incentivi, della crittografia e del regolamento on-chain – è il modo più efficace per distinguere l’infrastruttura concreta dal semplice hype.

TL;DR

Le reti di AI decentralizzata usano la blockchain per cristallizzare i diritti di proprietà sui modelli, impedendo che i contributori vengano esclusi a training concluso.

Training e inferenza sono separati in due livelli economici distinti; i contributori vengono remunerati per calcolo e dati in ogni fase, con tracciabilità on-chain.

Prove crittografiche (zero-knowledge o attestazioni) permettono alla rete di verificare l’onestà delle inferenze senza rieseguire l’intero modello.

I token di governance attribuiscono ai contributori potere di voto su aggiornamenti dei modelli, struttura delle commissioni e regole di accesso.

Il trade-off centrale è tra performance e verificabilità: l’inferenza pienamente on-chain è ancora più lenta e costosa delle API centralizzate, ma il divario si sta rapidamente riducendo.

Perché l’AI chiusa è strutturalmente incompatibile con le reti aperte

Ogni modello di grandi dimensioni è addestrato su dati che arrivano da qualche parte. Utenti, ricercatori e comunità open source producono testi, codice e immagini da cui i modelli apprendono. Nel modello centralizzato attuale, questi contributori non ricevono nulla. Il valore viene interamente catturato dall’azienda che addestra il modello.

Si innesta così un problema cumulativo. I contributori migliori smettono di condividere dati in modo aperto quando si rendono conto che vengono sfruttati senza compenso.

I modelli finiscono quindi per dipendere solo dai dati che l’azienda riesce a ottenere legalmente, spesso raschiando il web aperto in base a termini di servizio contestati in tribunale. La filiera del training diventa estrattiva, non collaborativa.

Le reti di AI decentralizzata propongono un patto diverso. I contributori vengono registrati on-chain prima che il training inizi. I loro conferimenti di dati e calcolo sono annotati come input verificabili. Gli smart contract ridistribuiscono i ricavi generati dall’utilizzo del modello verso questi contributori, in base a regole fissate prima che venga speso il primo ora-GPU.

Non è la blockchain a eseguire il calcolo di AI. È la blockchain a far rispettare l’accordo di proprietà che rende razionale, e non predatoria, la partecipazione volontaria.

Leggi anche: https://yellow.com/agentic-trading

Come funziona davvero la proprietà on-chain dei modelli

La proprietà di un modello in una rete di AI decentralizzata non equivale a possedere un file. Un modello addestrato è un insieme di pesi numerici – spesso miliardi di numeri in virgola mobile – distribuiti su più nodi. “Possedere un modello” significa detenere una quota provabile, e tutelata dal protocollo, dei ricavi generati da quel modello, oltre a diritti di governance sul suo sviluppo futuro.

Il meccanismo passa attraverso un evento di minting legato al primo ciclo di training del modello. Quando un modello viene distribuito per la prima volta, la rete emette una fornitura fissa di token di proprietà riferiti a quello specifico asset. I contributori che hanno fornito dati, capacità di calcolo o codice durante il training ricevono una quota proporzionale di questi token.

La formula di allocazione è scritta nello smart contract prima dell’avvio del training e non può essere modificata a posteriori.

Ogni volta che qualcuno paga per eseguire un’inferenza sul modello – una previsione, un testo generato, un embedding – una fee viene ripartita tra chi fornisce l’infrastruttura di inferenza e i detentori dei token di proprietà. Il rapporto di riparto è definito via governance. Se un modello diventa ampiamente utilizzato, i contributori originari continuano a percepire flussi dal suo utilizzo, senza dover fornire ulteriore lavoro: una struttura simile a una royalty.

L’approccio di Sentient va oltre con il cosiddetto “Sentient Model Fingerprinting”. Ogni modello addestrato sulla piattaforma incorpora una sorta di impronta crittografica che collega gli output di inferenza a quella specifica versione del modello.

Questo consente di individuare se qualcuno copia i pesi e li usa per eseguire inferenze senza pagare le fee di proprietà: una forma di pirateria banale con pesi chiusi ma difficile da dimostrare. L’impronta genera una traccia di audit on-chain che rende applicabili i diritti sui ricavi anche quando i pesi sono tecnicamente aperti.

I due livelli: training distribuito e mercati di inferenza

Le reti di AI decentralizzata scompongono il ciclo di vita dell’AI in due layer economici distinti. Analizzarli separatamente è cruciale: coinvolgono attori, incentivi e sfide tecniche differenti.

Il livello di training è dove il modello apprende. In un sistema centralizzato, una sola azienda esegue il processo sulla propria infrastruttura. In una rete decentralizzata, il training è suddiviso tra molti contributori, ciascuno responsabile di una parte del calcolo.

Il nodo critico è la coordinazione: tutti devono concordare sullo stato del modello a ogni step, il che richiede un meccanismo di consenso tarato sugli aggiornamenti di gradiente invece che sulle sole transazioni finanziarie. Progetti come Bittensor e Gensyn hanno sviluppato protocolli specializzati, basati su uno scoring on-chain che valuta la qualità del contributo di gradiente di ogni partecipante e remunera di conseguenza.

Il livello di inferenza è dove il modello addestrato produce output per gli utenti finali. L’inferenza è economicamente diversa dal training: è ripetitiva, time-sensitive e più facile da verificare. Un utente invia una query, un provider di inferenza esegue il modello sul proprio hardware e restituisce il risultato. La domanda chiave è: come può l’utente sapere che il provider ha usato il modello effettivo e non un sostituto più economico?

È qui che i mercati di inferenza diventano interessanti. Più provider competono per servire una stessa query. Il vincitore esegue il modello e restituisce sia il risultato sia una prova crittografica. Altri provider possono effettuare spot-check tramite un meccanismo di challenge. Chi bara perde la collateral in stake. Chi si comporta onestamente incassa le commissioni. La struttura di mercato incentiva l’accuratezza senza obbligare l’intera rete a verificare ogni singolo output.

“I mercati di inferenza prendono in prestito il design economico dei prediction market: i partecipanti mettono a rischio valore sulla correttezza degli output, e quelli errati vengono penalizzati tramite slashing, lo stesso meccanismo usato per sanzionare i validator scorretti nelle reti proof-of-stake.”

Come le prove crittografiche validano gli output di AI senza rieseguire il modello

Il problema tecnico più spinoso dell’AI decentralizzata è la verifica. Eseguire una volta un large language model è costoso. Farlo due volte solo per controllare il primo risultato è economicamente insostenibile su larga scala. Ma senza verifica l’intero impianto di incentivi crolla: un provider potrebbe restituire qualsiasi output verosimile e incassare la fee.

Nel 2026 sono in sviluppo attivo due approcci.

Prove a conoscenza zero per l’inferenza permettono al provider di generare una dimostrazione matematica che una determinata computazione è stata eseguita correttamente, senza rivelare i pesi del modello né costringere il verificatore a rieseguirlo. Il verificatore controlla la prova, un’operazione molto meno onerosa della sua generazione. Progetti come Modulus Labs e ZKML lo hanno dimostrato su modelli più piccoli, ma l’overhead di generazione delle prove per modelli di frontiera (70 miliardi di parametri e oltre) resta significativo. La generazione di una prova per una singola inferenza su un modello di grandi dimensioni può richiedere minuti su hardware specializzato, contro i millisecondi dell’inferenza “pura”.

Esecuzione ottimistica con fraud proof segue un’impostazione diversa, ispirata al design degli optimistic rollup di Ethereum (ETH). Gli output vengono accettati come validi per default. Chiunque può contestare un risultato entro una certa finestra, rieseguendo la computazione su un nodo di riferimento. Se il challenger dimostra che il risultato era errato, il provider originale perde lo stake e il challenger incassa una reward.

Questo approccio è molto più rapido nel caso normale – in cui i provider si comportano correttamente – ma introduce un ritardo prima che i risultati siano considerati definitivamente finali.

La maggior parte dei sistemi in produzione nel 2026 utilizza un modello ibrido: esecuzione ottimistica per le query di routine, con controlli casuali tramite prove zero-knowledge per mantenere alta la disciplina dei provider senza sopportare il costo di verifica su ogni richiesta. Il rapporto tra query controllate e non controllate è un parametro di governance che i detentori del token possono regolare man mano che i costi di generazione delle prove diminuiscono.

Il ruolo dei token di governance nello sviluppo dei modelli

I token di governance in una rete di AI decentralizzata non servono solo a votare sugli upgrade di protocollo. Determinano scelte che incidono direttamente sul valore economico dei modelli: quali dataset includere nei futuri cicli di fine-tuning, quali filtri di sicurezza applicare, come strutturare la ripartizione delle fee di inferenza, e se i pesi di un modello possano essere resi interamente pubblici o debbano restare a diffusione limitata.

Ne deriva una struttura di potere realmente diversa rispetto all’AI chiusa. In un modello centralizzato, un team interno di “safety” prende decisioni strategiche dentro l’azienda; in un modello decentralizzato, l’allocazione del rischio, dei ricavi e del controllo passa per un processo on-chain, dove sviluppatori, fornitori di calcolo e detentori di token hanno voce diretta sulle traiettorie evolutive dei modelli. quali paletti applicare. In una rete decentralizzata, queste decisioni spettano ai detentori del token, che spesso hanno interessi divergenti.

I contributor focalizzati sulla massimizzazione delle capacità del modello tenderanno a votare contro vincoli di sicurezza che riducono le performance su determinate attività. Chi invece ha come priorità la conformità regolamentare nella propria giurisdizione spingerà per filtri più stringenti.

La soluzione pratica verso cui la maggior parte delle reti sta convergendo è una governance a due livelli. Un core council, eletto dai detentori di token, gestisce le decisioni di sicurezza time‑critical che non possono attendere un voto di governance completo. I grandi parametri economici, come strutture commissionale e ripartizione dei ricavi, vengono invece sottoposti a un voto esteso di tutta la base dei token holder, con una finestra di deliberazione più lunga. È uno schema che ricalca quello di molti protocolli DeFi come Aave e Compound, introdotto dopo aver scoperto che una governance totalmente on-chain e totalmente “democratica” è vulnerabile ad attacchi da bassa partecipazione e a manipolazioni dell’ultimo minuto.

La governance dei modelli introduce poi una sfida specifica dell’AI: cosa diventa il modello dopo gli aggiornamenti. Un contributor che ha partecipato all’addestramento iniziale detiene token che rappresentano il valore di quel modello. Se un voto di governance approva una fase di fine‑tuning massiva che cambia in modo sostanziale il comportamento del modello, quei token rappresentano ancora lo stesso asset? La maggior parte dei protocolli affronta il punto coniando un nuovo token per ogni major release e attribuendo agli holder esistenti una quota proporzionale nella nuova versione, in modo analogo a quanto accade con gli azionisti che ricevono titoli in caso di spin‑off.

Contributo di Dati, Privacy e il Problema del Federated Training

Una delle questioni di design più delicate per qualsiasi rete di AI decentralizzata è come permettere ai fornitori di dati di partecipare senza esporre informazioni sensibili. Cartelle cliniche, dati finanziari e comunicazioni personali sono fra gli input di training più preziosi per modelli AI specializzati. Ma i contributor non possono limitarsi a caricare questi dati su una rete condivisa senza generare seri rischi di privacy e di non conformità normativa.

Il federated learning offre una soluzione parziale. Invece di inviare i dati grezzi a un nodo centrale di training, ogni contributor addestra localmente un aggiornamento del modello sui propri dati e invia soltanto il gradiente, ossia la direzione matematica in cui devono muoversi i pesi del modello, alla rete. La rete aggrega i gradienti di molti partecipanti senza mai vedere i dati sottostanti. Il modello migliora grazie ai dati privati, ma questi non lasciano mai il controllo del contributor.

Il ruolo della blockchain nel federated learning è di coordinamento e regolamento economico. Gli smart contract registrano quali contributor hanno inviato gradienti in ogni round di training, valutano qualità e utilità di ciascun gradiente tramite funzioni di scoring on-chain e distribuiscono le ricompense di conseguenza. Il problema della valutazione non è banale: un partecipante potrebbe inviare gradienti casuali e incassare comunque premi senza lavoro effettivo. Protocolli come FedML e lo stesso framework di training di Sentient usano impegni crittografici (commitment) e meccanismi di reveal ritardato per individuare questi comportamenti, imponendo ai contributor di impegnarsi sul proprio gradiente prima di vedere le submission altrui.

Su questo si innesta normalmente la differential privacy, che fornisce garanzie matematiche formali sull’impossibilità di ricostruire esempi specifici di training a partire dai pesi pubblicati del modello. Il “budget di privacy”, cioè quanta informazione il modello è autorizzato a far trapelare su ogni singolo dato, diventa a sua volta un parametro di governance, che consente ai token holder di bilanciare utilità del modello e protezione della privacy dei contributor.

«Federated learning abbinato alla differential privacy offre alle reti di AI decentralizzate una risposta credibile al problema della protezione dei dati. Il contributor non cede mai i propri dati. La rete non li vede mai. E il modello migliora comunque.»

Chi Sta Davvero Traendo Beneficio Oggi dalle Reti di AI Decentralizzata

Capire i meccanismi è un conto. Capire chi dovrebbe davvero interessarsene nel 2026 è un altro. La tecnologia è già oggi concretamente utile in contesti ben precisi, e decisamente poco pratica in altri.

I benefici più evidenti vanno a ricercatori indipendenti in AI e contributor open-source. Possono mettere a disposizione potenza di calcolo per il training o dataset curati per modelli in cui credono, ottenendo una quota di proprietà provabile e flussi di ricavi ricorrenti legati all’utilizzo del modello. L’alternativa, contribuire a un modello open-source come le derivate di LLaMA, porta reputazione ma nessun ritorno economico quando il modello viene commercializzato.

Le imprese con dati proprietari e vincoli di compliance guardano con crescente interesse a configurazioni di federated training. Un network ospedaliero che vuole un modello AI specializzato in ambito medico non può condividere le cartelle dei pazienti con un fornitore centralizzato. Una rete federata e decentralizzata gli consente di contribuire al training mantenendo i dati on‑premises. Il registro on-chain delle quote di proprietà crea una traccia verificabile che soddisfa i requisiti di compliance.

I protocolli DeFi e le applicazioni Web3 hanno bisogno di servizi di inference AI che non possano essere censurati o dismessi unilateralmente da un provider centralizzato di API. Un prediction market che usa l’AI per elaborare dati su eventi reali non può permettersi che il fornitore di AI chiuda l’accesso API nel mezzo delle operazioni. I mercati di inference decentralizzata offrono ridondanza e resistenza alla censura che le API centralizzate, per struttura, non possono garantire.

I retail token holder sono nella posizione più ambigua. Detenere un governance token dà diritti di voto ed esposizione alle fee, ma richiede partecipazione attiva per catturare valore. Gli holder passivi che non votano vengono di fatto diluiti rispetto a chi è attivo. È una dinamica analoga al possesso di governance token in un protocollo DeFi: l’upside economico è reale, ma va “lavorato”.

Il Vero Trade-Off tra Performance e Verificabilità

Nessuna panoramica sull’AI decentralizzata è completa senza un’analisi trasparente dei limiti attuali. Il nodo principale è strutturale: più rendi verificabile un calcolo AI, più questo diventa lento e costoso.

Un’API centralizzata come quella di GPT‑5 di OpenAI restituisce un risultato di inference in circa 500 millisecondi per una query tipo. Una inference completamente verificata in zero‑knowledge su un modello di scala equivalente richiede, nel 2026, tra i 30 secondi e diversi minuti a seconda dell’hardware e del sistema di proof. Per applicazioni dove la latenza è critica – segnali di trading in tempo reale, moderazione di contenuti live, chatbot interattivi – il gap è ancora proibitivo.

L’approccio di esecuzione “ottimistica” riduce sensibilmente questo scarto. Con l’optimistic inference, la latenza del primo risultato è quasi identica a quella di un servizio centralizzato. Il prezzo da pagare è sul fronte della finalità: le applicazioni devono attendere la chiusura della challenge window prima di considerare il risultato definitivamente assestato. Per la maggior parte dei casi d’uso Web3, una finestra di contestazione di qualche minuto è accettabile; per le applicazioni realmente real‑time, non lo è.

Sul fronte dei costi, il quadro è più favorevole. I provider centralizzati di API applicano un markup significativo per l’accesso ai modelli di frontiera perché operano in condizioni di quasi‑monopolio. Un mercato competitivo dell’inference, nel quale più operatori fanno bidding per eseguire le query, tende a comprimere i prezzi verso il costo marginale. I primi dati dai mercati di inference come le offerte di calcolo AI di Akash Network indicano che la GPU compute commoditizzata, accessibile tramite marketplace decentralizzati, può costare dal 30% al 60% in meno rispetto ad API centralizzate equivalenti per modelli che non richiedono il massimo livello assoluto di capacità.

La sintesi onesta è che le reti di AI decentralizzata sono già pronte per la produzione in applicazioni tolleranti alla latenza, sensibili alla privacy o che richiedono forte resistenza alla censura. Stanno ancora inseguendo i player centralizzati nelle applicazioni real‑time ad altissima complessità, dove i migliori provider proprietari mantengono un vantaggio duraturo. L’evoluzione dell’hardware per la generazione di proof e della ricerca in zkML suggerisce che il gap continuerà a ridursi, ma difficilmente si chiuderà del tutto nel breve periodo.

Conclusioni

Le reti di AI decentralizzata non vogliono sostituire i cluster di GPU che addestrano i modelli di frontiera.

Stanno costruendo uno strato economico e legale sopra lo sviluppo dell’AI che renda razionale il contributo volontario, tuteli una forma di proprietà aperta e renda tracciabili e verificabili i ricavi da inference. La blockchain è un registro dei diritti e un layer di regolamento, non un supercomputer.

L’exploit di Sentient nel luglio 2026 riflette un mercato che sta iniziando a prezzare l’idea che lo sviluppo open di AI abbia bisogno di un modello economico credibile per sopravvivere accanto a concorrenti chiusi e ben finanziati. I meccanismi – fingerprinting on-chain dei modelli, mercati di inference con verifica crittografica, federated training con differential privacy – non sono più teoria. Girano in produzione su reti che pagano i contributor, oggi.

Da leggere dopo: Grok 4.5 Sfida OpenAI e Anthropic con un’AI Agentica Più Economica