Ma thèse pour $GRASS
Alors que les modèles d'IA se développent ⭢ la demande pour de grands volumes de données publiques diverses et à jour a augmenté de manière significative
Cependant, les grandes plateformes ont intensifié le blocage des IP de centres de données et de proxies, rendant le scraping traditionnel moins fiable. @grass se positionne dans cette lacune en utilisant un réseau distribué de nœuds résidentiels (échelonné à 8,5 millions d'utilisateurs actifs mensuels d'ici fin 2025) pour collecter des données publiques du web. Cette approche fournit des IP géo-diversifiées qui sont nettement plus difficiles à bloquer.
En 2025, cela a généré des revenus fous, passant de près de zéro au T1 à environ 2,75 millions de dollars au T2 et 4,3 millions de dollars au T3, avec une prévision de rythme de 12,8 millions de dollars au T4, soutenue par des clients AI récurrents. Ce qui en fait un cas d'utilisation solide est :
Une demande commerciale prouvée + un nombre élevé d'appareils détenus par les utilisateurs + une provenance ZK que les alternatives centralisées n'ont pas
Grass peut s'améliorer en👇
1. Étendant le même rollup de données souveraines dans le LCR pour un contexte d'inférence en temps réel, ce qui déplacerait l'économie des contrats de formation épisodiques vers des revenus récurrents basés sur l'utilisation
2. Du côté des tokens, une utilité plus forte + une capitalisation de valeur plus formalisée au-delà des rachats discrétionnaires améliorerait l'alignement des détenteurs
À environ 240 millions de dollars de capitalisation boursière, à mon avis, la configuration montre un écart clair entre la forte traction des données AI et les mécanismes actuels des tokens. Ce à quoi je m'attends à ce qu'il soit abordé lors du prochain appel aux détenteurs de tokens.
Alors que les modèles d'IA se développent ⭢ la demande pour de grands volumes de données publiques diverses et à jour a augmenté de manière significative
Cependant, les grandes plateformes ont intensifié le blocage des IP de centres de données et de proxies, rendant le scraping traditionnel moins fiable. @grass se positionne dans cette lacune en utilisant un réseau distribué de nœuds résidentiels (échelonné à 8,5 millions d'utilisateurs actifs mensuels d'ici fin 2025) pour collecter des données publiques du web. Cette approche fournit des IP géo-diversifiées qui sont nettement plus difficiles à bloquer.
En 2025, cela a généré des revenus fous, passant de près de zéro au T1 à environ 2,75 millions de dollars au T2 et 4,3 millions de dollars au T3, avec une prévision de rythme de 12,8 millions de dollars au T4, soutenue par des clients AI récurrents. Ce qui en fait un cas d'utilisation solide est :
Une demande commerciale prouvée + un nombre élevé d'appareils détenus par les utilisateurs + une provenance ZK que les alternatives centralisées n'ont pas
Grass peut s'améliorer en👇
1. Étendant le même rollup de données souveraines dans le LCR pour un contexte d'inférence en temps réel, ce qui déplacerait l'économie des contrats de formation épisodiques vers des revenus récurrents basés sur l'utilisation
2. Du côté des tokens, une utilité plus forte + une capitalisation de valeur plus formalisée au-delà des rachats discrétionnaires améliorerait l'alignement des détenteurs
À environ 240 millions de dollars de capitalisation boursière, à mon avis, la configuration montre un écart clair entre la forte traction des données AI et les mécanismes actuels des tokens. Ce à quoi je m'attends à ce qu'il soit abordé lors du prochain appel aux détenteurs de tokens.