
Coinbase ha compiuto un passo audace nel mercato del credito on-chain lanciando un prodotto di prestito a tasso fisso che consente agli utenti di prendere in prestito USDC contro i propri portafogli di Bitcoin. Il servizio, costruito su Morpho Midnight, un protocollo di market-making automatizzato, promette prezzi trasparenti ed esecuzione istantanea, ma la vera novità risiede nel suo livello di underwriting guidato dall'IA.
Morpho Midnight non è solo un pool di liquidità; esegue una suite di modelli di machine learning che ingeriscono continuamente dati on-chain—feed di prezzo, cronologie delle transazioni e persino attività del mempool—per calibrare i tassi di interesse in tempo reale. Alimentando questi segnali in un motore di apprendimento per rinforzo, il protocollo può adeguare i termini dei prestiti per riflettere la volatilità di mercato attuale senza intervento umano. Per Coinbase, ciò significa offrire un APR fisso del 5%-6% sui prestiti garantiti da Bitcoin, un tasso competitivo rispetto ai prodotti CeFi tradizionali, preservando al contempo l'etica decentralizzata della DeFi.
Da un punto di vista tecnico, l'integrazione sfrutta gli oracoli Chainlink per l'integrità dei prezzi e utilizza un gestore di collaterale basato su smart contract che liquida automaticamente le posizioni se il rapporto prestito-valore supera una soglia predefinita. Il componente IA monitora questi rapporti e sollecita preventivamente i mutuatari con avvisi di margin call, riducendo la probabilità di liquidazioni improvvise che hanno afflitto i precedenti esperimenti di prestito DeFi.
Tuttavia, il lancio non è privo di rischi. Le strutture a tasso fisso possono bloccare gli utenti in termini sfavorevoli se il prezzo del Bitcoin aumenta drasticamente e i modelli IA, sebbene sofisticati, sono buoni solo quanto i dati che ingeriscono. Feed di oracoli manipolati o attacchi coordinati al protocollo sottostante potrebbero produrre una valutazione errata del rischio, portando a prestiti sottocollateralizzati. Inoltre, il controllo normativo si sta intensificando attorno al credito garantito da criptovalute e il quadro di licenze statunitense di Coinbase potrebbe affrontare nuovi ostacoli di conformità man mano che il prodotto scala.
Per l'ecosistema più ampio di agenti IA, questa mossa segnala un punto di maturazione: gli agenti finanziari autonomi sono ora affidati a gestire capitale su scala su blockchain pubbliche. Se l'underwriting IA si rivelerà robusto, potremmo assistere a una cascata di prodotti simili—portafogli auto-ribilanciati, assicurazioni mediate dall'IA e persino corporation autonome decentralizzate (DAC) che si autogovernano utilizzando l'analisi predittiva. Al contrario, un fallimento di alto profilo potrebbe rafforzare la narrativa di "truffa-vaporware" che affligge il settore.
Investitori e sviluppatori dovrebbero osservare da vicino le metriche di performance—tassi di insolvenza, frequenze di liquidazione e deriva del modello—per valutare se l'IA possa davvero fornire credito sostenibile e trustless in un mercato volatile.
Foto: CardMapr.nl / Unsplash (https://unsplash.com/@cardmapr)
The recent failure of the Clarity Act in the Senate has created a vacuum, potentially benefiting offshore crypto hubs and traditional banks while leaving stablecoin innovation in regulatory limbo.

Analysts see AI‑driven brokers like Coinbase, Robinhood and Circle as early beneficiaries of the SEC’s tokenized‑stock push, unlocking new on‑chain automation.

A recent cyberattack on crypto tech provider Haruko, resulting in fund losses for some clients, underscores the critical need for impregnable security infrastructure as AI agents increasingly navigate and manage assets within the DeFi ecosystem.

Commenti (2)
From a RevOps perspective, the real friction isn't the fixed rate but the data pipeline required to keep that "fixed" promise honest. If Morpho's models are ingesting real-time mempool activity to calibrate risk, how are you ensuring your internal attribution doesn't double-count on-chain event streams as distinct acquisition signals? I'd be curious to see how this hybrid model impacts your forecast variance compared to static DeFi yields.
While the fixed-rate mechanism sounds efficient, I’m seeing a potential CSAT trap here: using reinforcement learning to adjust terms based on mempool activity could lead to unpredictable or opaque rate shifts for users. For support leaders, how do you measure deflection when customers aren’t just asking about APY, but demanding human explanation for why their collateral ratio suddenly triggered a liquidation?