Come capire se un progetto ha davvero l'AI

Nota: Questo documento è una traduzione automatica della versione originale in inglese.

Come capire se un progetto ha davvero l'AI

Stai osservando un progetto crypto che dichiara di usare l'AI. Il sito web dice «AI-powered». Il pitch deck menziona le reti neurali. Il nome del token contiene «AI». Ma come fai a sapere se dietro quelle dichiarazioni esiste un componente AI reale e funzionante, o se «AI» è solo un'etichetta di marketing?

Questa è la domanda centrale a cui DecAIHub è stato costruito per rispondere. La differenza tra AI genuina e AI-washing non è visibile in superficie. I team di marketing sanno che «AI» è una delle parole chiave più potenti nel mondo crypto, e molti progetti la usano indipendentemente da ciò che la tecnologia fa davvero. L'innovazione reale convive fianco a fianco con dichiarazioni vuote e, senza un metodo strutturato, distinguerle richiede ore di ricerca indipendente per ogni progetto. Questa guida ti offre un kit pratico che funziona sia che tu sia un principiante che vuole evitare l'hype, sia un partecipante esperto che ha bisogno di un framework di screening rapido.

In sintesi: verifica la specificità del campo AI component, guarda l'ai_score per un verdetto quantificato, esamina il tier delle evidenze, confronta le dichiarazioni con artefatti verificabili, applica il test delle cinque domande e fai attenzione ai segnali d'allarme che suggeriscono AI-washing.

Il test delle cinque domande

Prima di immergerti in una revisione completa della scheda, esegui una diagnosi rapida. Ogni domanda mira a un livello specifico della verifica dell'AI.

#	Domanda	Risposta forte	Risposta debole
1	Che cosa fa esattamente l'AI?	Nomina il tipo di modello, il task e il meccanismo	«Usiamo l'AI per ottimizzare tutto»
2	Dove posso vederla in funzione?	Demo live, API pubblica, output registrati	«Coming soon» o beta privata senza artefatti
3	Dov'è il codice o il modello?	Repo pubblico con codice di training/inferenza, model card	Repo vuoto, fork di un tutorial, niente di pubblico
4	Come misurate la qualità?	Benchmark nominato, dataset, versione, data	«La migliore accuratezza del settore» o nessuna metrica
5	Cosa succede se togliete l'AI?	«Il prodotto non può funzionare senza»	«Funziona comunque, solo meno intelligente»

Le domande 1-2 testano specificità ed esistenza: il progetto sa descrivere e dimostrare la propria AI? Le domande 3-4 testano verificabilità e rigore: un esterno può ispezionare le evidenze? La domanda 5 testa la centralità: l'AI è architetturalmente essenziale o cosmetica?

Un progetto con risposte forti a tutte e cinque è probabile che abbia un ai_score elevato. Tre o più risposte deboli giustificano un esame attento.

Guida alla verifica passo dopo passo

Passo 1: verifica il campo AI component

Il campo AI component nel Project Passport descrive la tecnologia AI specifica presente nel progetto. È il singolo indicatore più rapido di sostanza.

Valori concreti come inference engine for LLM routing o AI agent platform (workflows/tools/KB) ti dicono che cosa fa davvero l'AI. I valori speciali segnalano lacune: positioning only significa che l'AI compare nel marketing ma nessun componente funzionante è stato confermato; none o unknown significa che nessuna AI è stata rilevata dalle fonti disponibili. Non sono verdetti permanenti; riflettono le evidenze disponibili al momento della revisione. Vedi Perché l'assenza di evidenze non è assenza di tecnologia.

Passo 2: verifica l'ai_score

L'ai_score (0-3) quantifica quante evidenze verificabili esistono per le dichiarazioni AI di un progetto. Fa parte della metrica DecAI Fit, calcolata come min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) — cinque flag binari con tetto a 3.

ai_score	Significato
0	Nessuna presenza AI verificata. DecAI Fit è forzato a zero.
1	Esiste una dichiarazione di intenti Tier-1, ma nessuna AI funzionante verificata.
2	Evidenze parziali: l'AI è descritta ed esistono alcuni artefatti o demo.
3	Evidenze forti: codice pubblico, benchmark, documentazione dell'architettura, demo funzionanti.

Se ai_score = 0, la dichiarazione AI è attualmente non comprovata. Non è un'accusa contro il progetto, ma nessuna fonte Tier-1 conferma la dichiarazione.

Passo 3: cerca evidenze Tier-1

Le evidenze Tier-1 consistono negli artefatti più vicini alla realtà effettiva del progetto:

Repository di codice pubblici con codice legato all'AI: definizioni di modelli, script di training, pipeline di inferenza, non solo un README.
Documentazione tecnica che descrive l'architettura del modello, la pipeline dei dati o il design del sistema con versioni e date.
Artefatti di modello come pesi pubblicati, model card o voci su Hugging Face.
Benchmark con metodologia, baseline di confronto, specifica del dataset e informazioni di versione.
Demo funzionanti in cui il componente AI produce output osservabili e testabili.

Le fonti Tier-2 (descrizioni di aggregatori, interviste) forniscono contesto utile ma non dovrebbero essere l'unica base per confermare l'AI. Le fonti Tier-3 (post di influencer, articoli PR, voci) hanno un peso minimo.

Passo 4: confronta le dichiarazioni con gli artefatti

Confronta ciò che il progetto dice con ciò che può essere verificato in modo indipendente. Un progetto che dichiara una «rete neurale proprietaria per la previsione in tempo reale» dovrebbe avere codice, documentazione o almeno una demo che dimostri questa capacità. Quando il linguaggio di marketing è ambizioso ma gli artefatti verificabili sono scarsi, il divario stesso è un segnale.

Segnali d'allarme comuni

Certi pattern suggeriscono che le dichiarazioni AI potrebbero non essere reali. Nessuno di questi è di per sé un'accusa contro il progetto, ma ciascuno giustifica un'indagine più approfondita.

AI solo nel marketing. «AI» nel nome e nel pitch deck, ma nessuna architettura, nome di modello o pipeline di dati descritti da nessuna parte. È la forma più comune di AI-washing.
Repository vuoto o non correlato. Esiste un link a GitHub, ma non contiene codice legato all'AI, nessuna release, o codice non correlato al componente dichiarato.
Metriche senza metodologia. Dichiarazioni come «99% di accuratezza» senza specificare benchmark, dataset, metodo di valutazione o versione.
Puro API wrapper. L'intera «AI» è una chiamata a un'API di terze parti senza logica proprietaria, fine-tuning o elaborazione specifica di dominio sopra di essa.
Branding AI post-lancio. «AI» è stata aggiunta al nome del progetto dopo il lancio del token, senza modifiche tecniche corrispondenti.
Nessun versionamento o timeline. Le dichiarazioni legate all'AI mancano di date, numeri di versione o cronologia di sviluppo tracciabile.
Evidenze circolari. Il progetto cita i propri materiali di marketing come prova, o fa riferimento ad articoli che si limitano a ripetere il comunicato stampa del progetto.
Roadmap perpetua. Le funzionalità AI sono sempre «coming soon», senza milestone rilasciate o artefatti pubblici nonostante mesi di esistenza.
Complessità incoerente. Il progetto dichiara capacità avanzate (inferenza verificabile, federated learning) ma il team e la codebase non corrispondono a quella complessità.

Segnali positivi comuni

I progetti AI genuini condividono caratteristiche riconoscibili. Più un progetto ne dimostra, più è probabile che le sue dichiarazioni AI siano sostanziali.

Dichiarazioni specifiche e testabili. Il progetto nomina l'architettura del modello, l'approccio di training e le fonti di dati con dettagli sufficienti perché un revisore tecnico possa valutarli.
Codice attivo e pertinente. Un repository pubblico con codice di training o inferenza dei modelli, cronologia di commit significativa, test e attività recente.
Metriche riproducibili. I risultati di performance includono nome del benchmark, dataset, metodologia, versione e data.
Documentazione dell'architettura. I documenti tecnici includono il design del sistema, il flusso dei dati e una paternità versionata che evolve nel tempo.
Demo funzionanti e testabili. Un'applicazione live o un'API pubblica che produce output AI che chiunque può testare in modo indipendente.
Team con background AI/ML verificabili. Paper pubblicati, contributi open-source o una storia professionale verificabile.
Model card o data sheet. Il progetto segue pratiche consolidate per documentare i modelli: uso previsto, limitazioni, dati di training, risultati di valutazione.

Pattern del mondo reale

Per costruire intuizione, considera questi archetipi contrapposti. Non vengono nominati progetti specifici; l'obiettivo è riconoscere le differenze strutturali.

Pattern A: AI genuina con evidenze forti. Repository attivo con codice di training dei modelli, script di valutazione e pipeline di inferenza documentata. Benchmark pubblicati con metodologia. Demo live che produce output AI osservabili. L'ai_score è 3.

Pattern B: AI in fase iniziale con evidenze parziali. La documentazione ufficiale descrive cosa farà l'AI, con una roadmap che include milestone AI. Esiste un prototipo ma non è pubblicamente accessibile. Nessun benchmark ancora. L'ai_score è 1-2. Questo non è AI-washing; è un progetto in fase iniziale in cui le evidenze non si sono ancora materializzate.

Pattern C: AI-washing senza sostanza. «AI» in evidenza nel branding. Il pitch deck menziona «reti neurali proprietarie». Nessuna documentazione tecnica oltre il marketing. Nessun repo, demo, benchmark o artefatto di modello. L'ai_score è 0.

Pattern D: API wrapper presentato come AI proprietaria. Il componente AI consiste interamente in chiamate a un fornitore di terze parti. Nessun fine-tuning, nessuna pipeline personalizzata, nessuna elaborazione specifica di dominio. Questo non è un'accusa contro il progetto, ma chiamarla «AI proprietaria» travisa la realtà tecnica. Vedi Automazione vs componente AI reale.

Come DecAIHub risolve questo problema

DecAIHub esiste perché rispondere a «questa AI è reale?» non dovrebbe richiedere ore di ricerca indipendente per ogni progetto. La piattaforma usa un framework strutturato per separare l'AI reale dall'AI-washing.

DecAI Fit

DecAI Fit è un indice composito (0-6) che misura quanto un progetto sia allineato con i principi dell'AI decentralizzata. Combina quattro dimensioni: AI reality, Onchain necessity, Token necessity ed Evidenze.

La regola critica: se ai_score = 0, allora DecAI Fit = 0 indipendentemente dalle altre dimensioni. Nessuna AI verificata significa che il progetto non raggiunge la soglia per la classificazione come AI decentralizzata. Questa singola regola elimina dal sistema di punteggio la forma più comune di AI-washing.

Flag AI reality (da AI_0 ad AI_4)

L'AI reality è costruita da cinque flag binari, ognuno dei quali cattura un livello di verifica progressivamente più profondo:

Flag	Cosa verifica	Esempio di evidenza
AI_0	Dichiarazione Tier-1 di intenti AI	Roadmap o documenti ufficiali che menzionano piani AI
AI_1	Descrizione di cosa fa l'AI	Documenti tecnici che spiegano la funzione del modello
AI_2	Demo o esempi funzionanti	Demo pubblica, API live, output registrati
AI_3	Metriche e benchmark	F1 score pubblicato su un dataset nominato con versione
AI_4	Architettura e versioni dei modelli	Diagrammi di architettura, model card, cronologia delle versioni

Tutti e cinque i flag impostati a 1 significano evidenze forti e multilivello di AI reale. Solo AI_0 = 1 significa intenti dichiarati senza ancora nulla di verificabile.

Sistema di evidenze Tier-1, Tier-2, Tier-3

Ogni dichiarazione in una scheda progetto è fondata su fonti classificate:

Tier-1 (evidenze): codice, contratti, documentazione ufficiale, audit, fatti on-chain. Peso massimo.
Tier-2 (contesto): descrizioni di aggregatori, cataloghi di ecosistemi, dashboard di analytics, interviste. Utili per il controllo incrociato, insufficienti come prova unica.
Tier-3 (rumore): post di influencer, articoli PR, voci, dichiarazioni senza fonte. Se esistono solo fonti Tier-3, DecAI Fit ha un tetto di 2.

Questa gerarchia garantisce che i materiali di marketing da soli non possano elevare la valutazione di un progetto.

Rilevamento dell'AI-washing

DecAIHub non assegna ai progetti etichette accusatorie o assolutorie. Misura invece il divario tra dichiarazioni ed evidenze. Quando le dichiarazioni di marketing superano significativamente gli artefatti verificabili, questo divario diventa visibile nella scheda: un use case AI audace abbinato a positioning only o ai_score = 0 è un segnale misurabile e oggettivo. Il lettore trae le proprie conclusioni.

Checklist di verifica rapida

Verifica	Dove guardare	Cosa aspettarsi
Specificità dell'AI component	Campo AI component	Meccanismo concreto, non buzzword
Punteggio AI	ai_score in DecAI Fit	Superiore a 0 per qualsiasi AI verificata
Tier delle evidenze	Tabella delle evidenze	Artefatti Tier-1 per dichiarazioni forti
Esistenza del codice	Repository collegati	Codice legato all'AI con cronologia di commit
Qualità delle metriche	Documentazione, benchmark	Metodologia, dataset, versione, data
Disponibilità di demo	Link al prodotto, API pubbliche	Output AI osservabili
Competenza AI del team	Sezione team, paper pubblicati	Background ML/AI verificabile
Versionamento	Documentazione, changelog	Date, numeri di versione, cronologia

Cosa la verifica da sola non dimostra

Anche una verifica approfondita ha dei limiti:

Un ai_score elevato non significa che l'AI sia buona. Significa che esistono artefatti verificabili. La qualità è una questione separata.
Un ai_score elevato non significa che il progetto avrà successo. Il merito tecnologico e la sostenibilità sono dimensioni diverse.
Un ai_score basso non è un'accusa contro il progetto. Alcuni progetti hanno tecnologia reale ma documentazione scarsa o un modello di sviluppo chiuso.
La verifica riflette un momento nel tempo. Le valutazioni sono datate (Last verified) e aggiornate quando compaiono nuove evidenze.
La verifica dell'AI non valuta il modello di business, la qualità del team o l'adeguatezza al mercato. Sono aspetti rilevanti ma fuori dall'ambito della valutazione dell'AI reality.

Domande frequenti

Quanto velocemente posso verificare se un progetto crypto ha AI reale?

Una verifica di base richiede meno di cinque minuti usando la scheda progetto su DecAIHub. Guarda il campo AI component, l'ai_score e il tier delle evidenze. Se l'AI component dice positioning only e ai_score = 0, hai già un segnale forte. Una verifica più approfondita con il test delle cinque domande e la revisione del repository richiede 15-30 minuti.

E se un progetto ha codice AI su GitHub ma nessun prodotto funzionante?

Il codice è un segnale positivo, ma ha bisogno di contesto. È mantenuto attivamente? È correlato al prodotto dichiarato? Un repository con script di training non aggiornato da due anni, o che appare non correlato alla funzionalità dichiarata del progetto, è un'evidenza più debole di una codebase attiva e ben documentata con CI/CD e commit recenti.

Avere una demo dimostra che l'AI è reale?

Una demo è un'evidenza forte (imposta il flag AI_2), ma non definitiva. Potrebbe usare un'API di terze parti dietro le quinte o mostrare un prototipo limitato. La verifica più solida combina una demo con codice, documentazione e metriche: più livelli indipendenti che raccontano una storia coerente.

Un progetto può ottenere un buon punteggio DecAI Fit senza codice open-source?

Sì. Il codice open-source è l'evidenza Tier-1 più forte, ma non l'unica. Un progetto può raggiungere un ai_score significativo attraverso documentazione tecnica dettagliata, benchmark pubblicati, demo funzionanti e artefatti di modello. Tuttavia, senza alcuna evidenza Tier-1, i tetti di governance limitano il punteggio massimo.

Qual è la forma più comune di AI-washing nel crypto?

Il pattern più comune è l'AI solo nel marketing: «AI» nel nome e nei materiali, ma nessuna descrizione tecnica, codice, demo o metriche. Il secondo più comune è l'API wrapper: chiamare un fornitore AI di terze parti e presentarlo come tecnologia proprietaria senza fine-tuning o logica specifica di dominio.

È possibile che un progetto abbia AI reale ma un DecAI Fit basso?

Sì. DecAI Fit misura le evidenze verificabili, non lo stato effettivo della tecnologia a porte chiuse. Un progetto con AI sofisticata che non pubblica nulla riceverà un punteggio basso perché non c'è nulla da verificare. DecAI Fit premia la trasparenza per design. Quando un tale progetto pubblica in seguito degli artefatti, il punteggio viene aggiornato.

Vedi anche

Riferimenti esterni

Stanford HAI — Artificial Intelligence Index Report — dati annuali sullo stato della ricerca AI e sull'adozione nell'industria.
OECD AI Policy Observatory — framework e definizioni internazionali di governance dell'AI.
MIT Technology Review — AI topic — divulgazione accessibile su progressi e tendenze dell'AI.
Hugging Face — Model Cards — standard di documentazione per pubblicare informazioni sui modelli e risultati di valutazione.
Papers With Code — benchmark, dataset e risultati state-of-the-art su vari task AI.