Біткойн-інститут політики (BPI) у вівторок опублікував результати дослідження 36 моделей ШІ, що згенерували понад 9000 відповідей. Основний висновок: у різних фінансових сценаріях AI-агенти «майже всі обирають використання біткойна для економічної діяльності», а серед протестованих 36 моделей жодна не вважає фіатні гроші своїм пріоритетом.
Основні висновки дослідження: сценарії визначають вибір
(Джерело: Bitcoin Policy Institute)
Дослідження BPI розділило сценарії використання, і результати показали, що переваги AI-агентів щодо різних валют значно залежать від сценарію:
Довгострокове збереження вартості (збереження купівельної спроможності на роки): 79.1% відповідей обрали біткойн — найзначущіша різниця у результатах дослідження.
Платежі та миттєві транзакції (послуги, малі платежі, міжнародні перекази): 53.2% обрали стабільні монети, лише 36% — біткойн — стабільні монети домінують у цьому сценарії.
Загальний розподіл пріоритетів: 48% AI-агентів обрали біткойн як пріоритет, понад половина віддає перевагу стабільним монетам для платежів.
Відсутність фіатних валют: серед протестованих 36 моделей жодна не вважає фіатні гроші своїм пріоритетом.
Голова інвестиційного відділу Bitwise Джеф Парк пояснює слабшу довгострокову збереження цінності стабільних монет порівняно з біткойном так: «Найочевидніше — стабільні монети можна заморозити, а біткойн — ні». Це прямо вказує на структурний недолік стабільних монет як засобу збереження цінності — їх залежність від емітента та регуляторів.
Відмінності у перевагах біткойна у різних AI-компаніях
Дослідження також показало, що різні моделі AI від різних компаній мають суттєві відмінності у перевагах біткойна:
Модель Anthropic (з включенням серії Claude): середній рівень переваги біткойна — 68%, найвищий серед досліджених компаній.
Модель Google (з серією Gemini): середній рівень — 43%.
Модель xAI (з серією Grok): середній рівень — 39%.
Модель OpenAI (з серією GPT): середній рівень — 26%, найнижчий.
Ці різниці, ймовірно, відображають системні відмінності у стратегіях тренування, пропорціях фінансового контенту у даних та рівні експозиції моделей до літератури про криптовалюти.
Обмеження методології: обережність у інтерпретації результатів
BPI у звіті зазначає кілька обмежень методології, які можуть впливати на універсальність результатів:
Обмежений розмір вибірки: наразі протестовано лише 36 моделей від 6 постачальників. BPI планує розширити дослідження на ширший спектр моделей.
Можливий вплив рамок питання: дослідження визнає, що дизайн системних підказок міг вплинути на результати. Наприклад, у одному сценарії питання вже передбачає, що «не прив’язане до політики будь-якої країни або банківської системи», що фактично виключає фіатні валюти — це не є цілком нейтральним відкритим тестом.
Відображення тренувальних даних, а не реальних переваг: BPI чітко зазначає, що переваги AI-моделей «не можуть відображати реальні застосування», а швидше — моделюють патерни у тренувальних даних, а не поведінку у реальних платіжних системах.
Поширені питання
Чому 79.1% AI-агентів у сценарії збереження цінності обирають біткойн, а не стабільні монети?
Дослідження та аналітика вказують на ключовий аргумент: стабільні монети залежать від довіри до емітента (Tether, Circle) і можуть бути заморожені або конфісковані регуляторами. Біткойн у технічному плані не підконтрольний жодній одній структурі, тому у контексті тренувальних даних AI-агенти вважають його більш стійким до втручань і збереження купівельної спроможності.
Чи означає перевага AI у біткойні, що у майбутньому AI масово використовуватиме його для платежів?
Не обов’язково, потрібно бути обережним у тлумаченні. BPI самі зазначають, що результати відображають патерни у тренувальних даних, а не прогнозують реальні дії у світі. У тренувальних даних багато літератури про криптовалюти, що може систематично підсилювати їхній образ у моделях. Реальне застосування залежатиме від платіжної інфраструктури, регуляторних рамок і системного дизайну, а не від «суб’єктивних переваг» AI.
Чому модель Anthropic показує найвищий рівень переваги біткойна (68%)?
BPI не дає однозначного пояснення. Можливі причини — різна пропорція зразків текстів про криптовалюти та децентралізовані фінанси у тренувальних даних, різні дати збору даних, а також різні підходи до навчання з людським зворотним зв’язком (RLHF). Модель OpenAI із 26% переваги є найнижчою, що може бути пов’язано з більш консервативним підходом у фінансових сценаріях.
