Qualche giorno fa un amico mi ha chiesto, ha detto che aveva caricato centinaia di dati del settore su una piattaforma, e alla fine la piattaforma ha usato i suoi dati per addestrare un modello senza dargli nulla in cambio. Gli ho detto che è abbastanza normale, quasi tutte le aziende di AI fanno così, solo che la gente non si rende conto di quanto sia assurdo tutto ciò.
Pensa un attimo, anche YouTube seguiva questa logica. I creatori caricavano i video, la piattaforma usava i tuoi contenuti per attrarre utenti e vendere pubblicità, e tu non guadagnavi nulla. Poi YouTube ha introdotto un meccanismo di suddivisione dei ricavi, e l'intero ecosistema è rinato. Ma nel mondo dell'AI, la suddivisione per i contribuenti di dati è ancora un grande vuoto. Quello che sta facendo Openledger, in sostanza, è cercare di tappare questa falla a livello di protocollo.
So che il termine 'blockchain + AI' è stato abusato, molti progetti lo usano per attirare attenzione, ma credo che l'approccio di OpenLedger meriti di essere esaminato seriamente, poiché non sta costruendo il livello di calcolo, né il livello di archiviazione; si occupa di un problema più a monte: da dove provengono i dati, chi li utilizza, quanto ne viene utilizzato, e chi tiene i conti.
C'è un dettaglio nel team fondatore che vale la pena menzionare. Il fondatore Pryce Yebesi ha già avuto un'uscita a 24 anni, avendo venduto la sua azienda di pagamenti crittografici Utopia Labs a Coinbase. Non si tratta di un curriculum sulla carta; Utopia Labs ha gestito una grande quantità di logiche contabili per i pagamenti sulla catena, e questa esperienza gli ha dato una comprensione relativamente profonda della 'relazione di liquidazione tra dati e denaro'. Non è entrato da una prospettiva accademica, ma è cresciuto da un reale problema di business.
La struttura del progetto, secondo me, ha tre livelli che meritano di essere analizzati.
In basso c'è la parte della catena. OpenLedger è costruito su OP Stack ed EigenDA, ed è una L2 compatibile con Ethereum, con basse commissioni, alta capacità di elaborazione e sicurezza ancorata alla mainnet di Ethereum. Questa scelta non ha particolari sorprese, ma scegliere EigenDA come livello di disponibilità dei dati ha senso, poiché i dati di addestramento AI sono numerosi e i costi di archiviazione sulla catena sono un problema di costo molto reale; EigenDA può ridurre questi costi.
Il livello intermedio è il Datanet, che è il cuore dell'intero sistema. Ogni Datanet è essenzialmente un primitivo di dataset on-chain, i dati caricati dai contributor portano metadati, timestamp e informazioni di attribuzione; i modelli durante l'addestramento registrano da quali Datanet provengono, consentendo così un tracciamento dell'attribuzione deterministico. Inoltre, questi Datanet non sono statici; man mano che sempre più contributor caricano dati e sempre più modelli vengono addestrati su di essi, ogni Datanet evolverà gradualmente in un corpus verticale di alta qualità supportato da una trasparente tracciabilità, diventando essenzialmente un oggetto economico in grado di generare continuamente ricompense di attribuzione. La parte interessante di questo design è che trasforma i dati da 'asset una tantum' in 'asset che generano reddito continuo', logicamente più vicini al copyright piuttosto che a una vendita.
Il livello superiore è quello dell'attribuzione, ovvero il Proof of Attribution. In passato ero scettico riguardo a questo tipo di meccanismi, poiché tecnicamente è molto difficile 'misurare con precisione l'impatto di un dato sull'output di un modello'. Tuttavia, dopo aver esaminato il white paper del PoA rilasciato da OpenLedger a giugno 2025, la loro soluzione ha una specificità tecnica: per modelli piccoli usano l'approssimazione della funzione di impatto, mentre per i modelli linguistici di grandi dimensioni utilizzano l'attribuzione dei token basata su array di suffissi, esaminando il grado di corrispondenza tra i token di output e il corpus di addestramento compresso. [Inferenze] Questi due metodi non sono invenzioni nuove; la comunità accademica ha già condotto ricerche correlate; OpenLedger li ha implementati in un sistema che può liquidare sulla catena. Questo passo è facile da dire, ma difficile da realizzare; la difficoltà risiede nei costi computazionali su larga scala, per i quali attualmente non hanno pubblicato dati dettagliati sui test di carico.
$OPEN ha una chiara posizione funzionale, come indicato nella documentazione ufficiale. Svolge tre funzioni chiave: funge da Gas per tutte le attività sulla catena OpenLedger, è il principale token per le spese di esecuzione delle inferenze e costruzione di nuovi modelli AI, e distribuisce ricompense ai contributor di dati attraverso un sistema di Proof of Attribution. Esiste anche un meccanismo chiamato IAO (Initial AI Offering), che consente ai creatori di tokenizzare i propri modelli AI, rendendoli asset scambiabili sulla catena, supportando il crowdfunding per lo sviluppo dei modelli, la governance della comunità e l'uscita di liquidità per gli investitori. Non ho ancora visto molti casi concreti di questa funzione; le [inferenze] dovrebbero essere ancora in fase iniziale.
Per quanto riguarda i dati, dal periodo di testing incentivato da dicembre 2024 a febbraio 2025, OpenLedger ha attratto oltre 6 milioni di nodi, 25 milioni di transazioni e oltre 20.000 modelli distribuiti. La mainnet è stata lanciata a settembre 2025 e lo stesso giorno è stata ufficialmente quotata su Binance, con il prezzo del token che è aumentato del 200% il giorno del lancio. Ma devo dire una cosa non così piacevole: un grande rialzo al lancio seguito da un lungo calo è lo standard per i nuovi progetti su Binance, e $OPEN non fa eccezione.
All'inizio del 2026, un membro della comunità ha sottolineato che il token era sceso di oltre l'88% rispetto al prezzo di lancio. Questo non significa che ci siano problemi con il progetto stesso, ma indica che la pazienza del mercato nei confronti del racconto 'AI + blockchain' è limitata; il protocollo deve dimostrare il proprio valore attraverso il consumo reale di dati e l'attività dei contributor.
Tra le recenti mosse, ce n'è una che ritengo meriti attenzione: nel gennaio 2026, OpenLedger ha collaborato con Story Protocol per lanciare un nuovo standard per l'addestramento di AI legali, che può automaticamente pagare i detentori di diritti d'autore. Questa direzione è molto interessante, poiché il settore legale è uno dei contesti in cui i modelli linguistici specializzati hanno una necessità reale, gli studi legali non possono semplicemente fornire i dettagli dei casi a GPT, ma sono disposti a pagare per un sistema di addestramento privato che garantisca rigorosamente la tracciabilità e i diritti d'uso dei dati.
Alla fine, il problema che OpenLedger deve risolvere è reale, il design meccanico ha una profondità tecnica e il team ha una reale esperienza nel business. Ma la sua sfida più grande al momento non è la tecnologia, bensì il cold start; ci devono essere abbastanza contributor di dati e la qualità dei dati deve essere sufficientemente alta affinché i developer di modelli vengano a prendere i dati; una volta che i developer di modelli saranno presenti, i contributor continueranno a caricare. Se questo volano riuscirà a muoversi, ci vorrà tempo e più scenari verticali per convalidarlo. Continuerò a seguire.
@OpenLedger #OpenLeder #openledger
