AI e analisi on-chain: come vengono tracciate le transazioni sulla blockchain

Ogni transazione su una blockchain pubblica viene registrata in modo permanente ed è accessibile a chiunque. Tuttavia, la sola disponibilità dei dati non significa che siano facili da comprendere: i blocchi contengono milioni di indirizzi, importi e marcature temporali privi di nomi e di contesto.

È proprio qui che entra in gioco l’analisi on-chain, una disciplina che trasforma questi dati grezzi in informazioni utili. Negli ultimi anni, un ruolo sempre più importante in questo ambito è svolto dall’intelligenza artificiale (AI), in grado di elaborare volumi di dati che sarebbero irraggiungibili per gli analisti umani.

In questo blog spieghiamo che cos’è l’analisi on-chain, come l’AI la sta trasformando, dove questa combinazione viene già utilizzata e quali limiti è importante tenere a mente.

Che cos’è l’analisi on-chain?

L’analisi on-chain è lo studio dei dati registrati direttamente sulla blockchain per comprendere il comportamento della rete, del mercato e dei suoi partecipanti. A differenza della finanza tradizionale, dove i dati sulle transazioni restano chiusi all’interno delle banche, qui l’intera cronologia è pubblica.

Per la sicurezza e la conformità normativa sono particolarmente importanti i seguenti dati:

• Flussi di fondi: il percorso che i fondi compiono da un indirizzo all’altro, compresi i trasferimenti verso exchange e altri fornitori di servizi.
• Collegamenti con entità note: se gli indirizzi sono collegati, direttamente o indirettamente, a exchange, mixer, mercati del darknet o indirizzi segnalati in casi di frode.
• Schemi di frazionamento e accorpamento: la suddivisione di importi in numerose transazioni più piccole o l’accorpamento di fondi provenienti da più indirizzi, pratiche che possono essere utilizzate per occultare l’origine del denaro.
• Interazioni con gli smart contract: quali protocolli utilizza un indirizzo e se tra questi vi sono contratti compromessi o ad alto rischio.
• Indicatori generali di attività: il numero di indirizzi attivi e il volume delle transazioni, che forniscono il contesto per valutare che cosa sia normale sulla rete.

Tutte queste metriche sono accessibili a chiunque sappia leggere la blockchain. La sfida sta nella mole di dati e nel fatto che gli indirizzi, di per sé, non rivelano chi si cela dietro di essi.

Come l’AI sta trasformando l’analisi on-chain

L’AI non crea nuovi dati, ma consente una lettura più rapida e approfondita di quelli esistenti. I cambiamenti più significativi riguardano tre ambiti.

Clustering degli indirizzi

Una singola persona o organizzazione utilizza spesso molti indirizzi diversi. I modelli di machine learning analizzano gli schemi delle transazioni, ad esempio indirizzi che compaiono insieme come input nella stessa transazione o andamenti temporali simili, e li raggruppano in probabili entità. In questo modo, anziché migliaia di indirizzi scollegati, si ottiene una panoramica di entità come exchange, fondi o servizi.

Riconoscimento di schemi e anomalie

Gli algoritmi possono imparare che aspetto ha un comportamento “normale” sulla rete e segnalare le deviazioni: trasferimenti insolitamente elevati, variazioni improvvise nei flussi di fondi o catene di transazioni tipiche dell’occultamento dell’origine del denaro. Ciò che richiederebbe giorni di lavoro a un analista, un modello può segnalarlo in pochi secondi.

I modelli linguistici come interfaccia

I modelli linguistici di grandi dimensioni rendono l’analisi più accessibile a chi non è un esperto tecnico. Invece di scrivere query su un database, l’utente può porre una domanda in linguaggio naturale e il modello la traduce in un’analisi, riassumendone il risultato. Questi strumenti possono anche spiegare che cosa è accaduto in una determinata transazione o in uno smart contract.

Applicazioni pratiche

Sicurezza e tutela degli utenti

I modelli di AI aiutano a individuare tempestivamente frodi, campagne di phishing e smart contract compromessi. Quando i fondi provenienti da un attacco hacker noto iniziano a muoversi sulla rete, i sistemi di analisi possono tracciarne il percorso e avvisare le piattaforme prima che vengano convertiti in altri asset.

Conformità normativa (AML e Travel Rule)

I prestatori di servizi per le cripto-attività nell’UE sono tenuti ad adottare misure di antiriciclaggio e di contrasto al finanziamento del terrorismo e ad applicare la Travel Rule, che richiede che le transazioni siano accompagnate dalle informazioni sull’ordinante e sul beneficiario. L’analisi on-chain supportata dall’AI consente di valutare il rischio degli indirizzi, individuare collegamenti con entità sanzionate o ad alto rischio e monitorare le transazioni in modo più efficiente su larga scala.

Approfondimenti di mercato

I dati on-chain vengono utilizzati anche per l’analisi di mercato, dove però presentano limiti evidenti. Ne abbiamo parlato più approfonditamente nel nostro blog: L'analisi AI nella previsione dei movimenti di mercato: Vantaggi e svantaggi

Ricerca e trasparenza

Giornalisti, ricercatori e autorità di regolamentazione utilizzano gli stessi strumenti per analizzare gli eventi di mercato, tracciare i fondi nei casi di frode e comprendere meglio il funzionamento dei protocolli decentralizzati.

Limiti e rischi

L’AI amplia notevolmente le possibilità dell’analisi on-chain, ma non è infallibile.

• Ipotesi errate: il clustering degli indirizzi si basa su probabilità. Un indirizzo può essere erroneamente associato a una determinata entità, il che può portare a conclusioni inesatte.
• Distorsioni nei dati di addestramento: un modello è valido solo quanto i dati su cui è stato addestrato. Nuovi schemi di frode possono passare inosservati.
• Errori dei modelli linguistici: i modelli linguistici a volte forniscono risposte convincenti ma errate. Le conclusioni vanno sempre verificate sui dati di origine.
• Privacy: quanto più l’analisi è sofisticata, tanto più è facile collegare gli indirizzi a persone reali. Ciò solleva importanti questioni sulla tutela della privacy di utenti che non hanno commesso alcun illecito.
• Eccessivo affidamento: i sistemi automatizzati funzionano meglio come supporto alla valutazione umana, non come suo sostituto.

Che impatto ha sull’uso quotidiano delle criptovalute?

Per la maggior parte degli utenti di criptovalute, l’AI e l’analisi on-chain operano dietro le quinte. Quando una piattaforma regolamentata verifica una transazione o richiede informazioni aggiuntive sul destinatario, parte di questo processo si basa spesso proprio su strumenti di questo tipo. Il loro scopo è proteggere gli utenti e il sistema finanziario dagli abusi.

Chi desidera analizzare il mercato in autonomia ha a disposizione anche block explorer pubblici e piattaforme di analisi. Quando si utilizzano questi strumenti, è utile:

• capire che cosa misura effettivamente ciascuna metrica,
• verificare le conclusioni su più fonti,
• tenere presente che nessun indicatore garantisce l’andamento futuro dei prezzi.

È inoltre importante ricordare che le transazioni sulle blockchain pubbliche sono visibili in modo permanente: conoscere le basi dell’analisi on-chain è quindi utile anche per la propria sicurezza e privacy.

Conclusione

L’analisi on-chain sfrutta una delle caratteristiche fondamentali della blockchain, la trasparenza, per trasformare dati grezzi in informazioni comprensibili. L’intelligenza artificiale apporta a questo processo velocità, scala e accessibilità: dal clustering degli indirizzi e dal rilevamento delle anomalie fino alle interfacce linguistiche che avvicinano l’analisi a un pubblico più ampio.

Allo stesso tempo, l’AI resta uno strumento che richiede verifica e un utilizzo responsabile. Offre il massimo valore quando è affiancata dalla valutazione umana esperta, da un quadro normativo chiaro e dal rispetto della privacy degli utenti.