Riscritti per essere letti fuori dal feed, in tre lingue. Il canonical punta sempre qui.
Il fine-tuning è spesso il primo rimedio proposto quando una funzione AI rende poco. Quasi sempre al modello manca contesto, non capacità, e senza un set di eval non sai nemmeno se il tuning ha aiutato.
Ogni sistema on-chain in produzione dipende da poche chiavi private. Dove vivono, chi può usarle e cosa succede quando qualcuno se ne va sono decisioni di architettura, non note di passaggio di consegne.
Ancorare un hash on-chain è il lavoro di un pomeriggio. Quello che decide se serviva a qualcosa è il percorso di verifica: chi controlla, con cosa in mano, fra cinque anni.
Debito USA, oro rivalutato, petrolio e XRP come ponte di liquidità: la mia lettura di uno scenario di reset monetario, con i numeri e i limiti.
Nei progetti con agenti AI il vincolo non è il modello, è il sistema che tiene i dati dell'azienda. Leggere è la metà facile; scrivere è dove stanno integrità, identità e preventivo.
Quasi ogni sistema multi-agente prende un compito, lo taglia a pezzi e affida il coordinamento a un modello a runtime. La colla è dove muoiono affidabilità e margine.
Coniare un token è il decimo facile del lavoro. Il legame, il riscatto e la prova delle riserve sono il prodotto — e il punto dove i progetti di tokenizzazione riescono o falliscono.
Un agente AI passa la demo sull'accuratezza. In produzione a decidere se sopravvive è il costo per pratica: token, tool call, retry e un loop che si può avvitare.
Mettere una persona sul tasto «approva» sembra controllo. Sotto carico l'automation bias trasforma la revisione in un timbro — e il sistema non conserva la prova di cosa sia stato davvero controllato.
Un contratto pubblicato non si corregge: si aggiunge un proxy e una chiave di upgrade. È quella chiave, non la logica certificata dall'audit, la cosa da proteggere.