Data de publicação: 23 de julho de 2026 · Bitbase Research
Para a pesquisa relacionada da Bitbase Research sobre este tema, veja Infraestrutura de IA descentralizada.
Resumo executivo
O “cripto de IA” é o setor mais envolto em narrativa do mercado e um dos menos disciplinados na avaliação. Até abril de 2026, um filtro setorial amplamente usado contava cerca de 919 projetos rastreados com capitalização combinada perto de US$ 22,6 bilhões, enquanto, em filtros mais frouxos, apenas os vinte maiores tokens de IA somavam entre si US$ 40–60 bilhões — o mesmo setor, medido de duas formas, com diferença de quase três vezes [1][21]. Essa divergência sobre o próprio tamanho do setor já demonstra o primeiro ponto por nós. A expressão “token de IA” descreve uma categoria de marketing, não uma classe de ativos: uma rede descentralizada de aluguel de GPU, um marketplace de inferência, um agente autônomo on-chain e um protocolo de rotulagem de dados quase nada têm em comum em como ganham dinheiro, em como o valor chega ao token ou em como se parece um múltiplo justo. Tratá-los como uma cesta única é o primeiro e mais caro erro analítico, e é justamente esse erro que a narrativa incentiva ativamente.
Este relatório substitui a narrativa por disciplina em três movimentos. Primeiro, divide o setor em quatro subsetores — computação, inferência, agentes e dados — cada um com um motor de receita distinto e, portanto, uma âncora de avaliação distinta [1][21]. Segundo, insiste em que o preço esteja atrelado ao uso, e não à história, e fundamenta essa insistência na mais antiga ferramenta quantitativa disponível para avaliar tokens, a equação monetária de trocas MV = PQ, cuja lição central — a de que a velocidade do token, e não a adoção alardeada, determina quanto valor uma rede de determinado tamanho consegue sustentar — explica por que tantos tokens de IA de “uso elevado” continuam caindo [9][10][11]. Terceiro, como os tokens de IA são esmagadoramente subsidiados por emissão, acrescenta um índice de sustentabilidade de incentivos que separa a receita que uma rede realmente ganha da oferta que ela apenas imprime — exatamente a distinção que o setor de computação DePIN passou 2026 aprendendo da forma difícil, ao migrar da mineração de tokens para o fluxo de caixa real [4][26].
O que está em jogo é concreto porque, pela primeira vez, várias dessas redes têm números reais para avaliar. As estimativas publicadas de receita da computação descentralizada divergem por definição, e não por arredondamento: cerca de US$ 180–220 milhões anualizados nas medidas mais estreitas de receita de protocolo, contra os cerca de US$ 38 milhões que só a Render reportou em janeiro de 2026 — um run-rate anualizado de ~US$ 450 milhões — em base de faturamento bruto de rede, distribuído por cerca de 5.600 nós de GPU ativos, enquanto o uso da Akash cresceu 428% ano a ano com utilização de GPU acima de 80% [4][5][6]. Qual das medidas entra no múltiplo é uma escolha de modelagem que o analista tem de fazer explicitamente, porque as duas diferem por mais de duas vezes. A atualização para o TAO dinâmico da Bittensor tornou as emissões orientadas pelo mercado e gerou mais de 120 subnets contra 32 um ano antes, e a rede registrou cerca de US$ 43 milhões de receita real de serviços de IA no primeiro trimestre de 2026 [3]. São essas as entradas de que um múltiplo de uso precisa. Ao mesmo tempo, o subsetor de agentes — Virtuals, ai16z, AIXBT e pares — negocia 55–85% abaixo de suas máximas com quase nenhuma receita recorrente, um lembrete de que a função do framework é ordenar, não lisonjear [17]. Tudo aqui é análise educacional, não recomendação de investimento.
Parte 1 · Por que “token de IA” é um erro de categoria
A precisão sobre o que um token é precede qualquer estimativa do que ele vale, e o rótulo de IA obscurece isso mais do que revela. As quatro coisas que o mercado arquiva sob “cripto de IA” são quatro negócios diferentes. Uma rede de computação como Render ou Akash aluga ciclos de GPU: sua receita é uma taxa de uso sobre uma commodity com preço no mundo real, e seu análogo mais próximo é uma empresa de infraestrutura de nuvem [5][6][7]. Uma rede de inferência ou de modelos como a Bittensor paga participantes para produzir saídas de inteligência de máquina e cobra pelo consumo delas: sua receita é uma comissão de marketplace sobre a inteligência entregue, mais próxima de um negócio de API [3]. Um token de agente como Virtuals ou ai16z representa um programa autônomo que transaciona on-chain: sua “receita”, quando existe, são taxas ou desempenho da própria atividade do agente, e seu análogo está mais próximo de um fundo ou de um software do que de infraestrutura [17]. Um protocolo de dados como The Graph ou Grass vende dados indexados ou coletados para o pipeline de IA: sua receita é uma taxa de consulta ou de acesso a dados [1][21].
Não são nuances de uma mesma coisa. Diferem no que vendem, em quem paga, em quão defensável é a margem e — o que é crítico — em se o token tem algum direito sobre o dinheiro. Fundi-los num único múltiplo de “IA” é o caminho pelo qual um protocolo de indexação de dados que ganha taxas reais de consulta acaba negociando com o mesmo prêmio narrativo de um token de agente com público no Twitter e nenhum fluxo de caixa. A celebrada correlação do setor — quase todo token do grupo negocia 55–85% abaixo de sua máxima histórica em meados de 2026, independentemente dos fundamentos — é ela própria a evidência de que o mercado vinha precificando a narrativa como um fator único, em vez de precificar quatro negócios diferentes por seus quatro méritos diferentes [17]. O primeiro ato do analista é desfazer a cesta.
Parte 2 · Uma taxonomia setorial: computação, inferência, agentes, dados
A taxonomia é a espinha dorsal do framework porque atribui a cada token a pergunta de avaliação correta antes que qualquer número seja calculado.
Computação é o subsetor mais maduro e mais mensurável. Redes descentralizadas de GPU alugam capacidade de renderização e de treinamento de IA, e conquistam clientes por uma razão simples e durável: cobram de 60% a 90% menos que os hyperscalers em preço sob demanda comparável, com o preço de inferência da Render medido de forma independente em cerca de 70% abaixo da computação equivalente do Azure Machine Learning [7]. A demanda é real e visível on-chain — os cerca de US$ 38 milhões de receita mensal da Render em janeiro de 2026, 5.600 nós ativos e mais de 67 milhões de frames renderizados acumulados; o crescimento de uso de 428% ano a ano da Akash e a utilização acima de 80% — e acompanha uma escassez macro genuína, já que a demanda por computação de IA vem superando a oferta e abre exatamente a lacuna que essas redes preenchem [4][5][6][8]. Computação é onde os múltiplos de uso são mais confiáveis, porque a receita é uma taxa sobre uma commodity com preço externo.
Redes de inferência e de modelos abertos ficam uma camada acima na pilha. A Bittensor é o caso de referência: seu redesenho do TAO dinâmico (dTAO) em 2025 tornou as emissões das subnets orientadas pelo mercado e introduziu tokens de subnet, e o ecossistema passou de 32 para mais de 120 subnets ativas, ultrapassando US$ 1,5 bilhão de capitalização combinada das subnets e gerando cerca de US$ 43 milhões de receita real de serviços de IA no primeiro trimestre de 2026 [3]. A pergunta de avaliação aqui é uma take rate de marketplace sobre a inteligência entregue, complicada por uma estrutura de tokens em dois níveis (TAO mais tokens de subnet) que o analista precisa consolidar, e não contar em duplicidade.
Agentes são os mais novos e os menos ancorados. A Virtuals permite que usuários criem agentes autônomos, a ai16z opera uma DAO gerida por IA e a AIXBT gera sinais de negociação — genuinamente inovadores, mas com receita escassa, não recorrente ou ausente, e as quedas de 55–85% do grupo desde suas máximas refletem exatamente isso [17]. Agentes são onde o prêmio narrativo é maior e onde o framework precisa ser mais cético, porque “o agente poderia ganhar taxas algum dia” é uma afirmação de expectativa descontada, não um fato de uso.
Protocolos de dados alimentam o pipeline do qual os outros três dependem. The Graph indexa dados de blockchain para aplicações; Grass coleta e roteia dados da web para treinamento de IA [1][21]. Sua receita é uma taxa de consulta ou de acesso, e sua pergunta de valor se parece com a de um negócio de infraestrutura de dados com API tarifada. Os quatro subsetores, lado a lado, comprovam o que o rótulo esconde: mesma narrativa, quatro motores de receita, quatro múltiplos.
Parte 3 · O problema da avaliação: equação de trocas e a armadilha da velocidade
Uma vez ordenados os tokens, a pergunta é como avaliar um deles, e aqui o cripto de IA herda todo o problema não resolvido da avaliação de tokens. As ações têm um século de teoria de fluxo de caixa descontado e de múltiplos; a maioria dos tokens sequer concede direito sobre os fluxos de caixa que ajuda a gerar. A ferramenta séria mais antiga é a equação monetária de trocas, MV = PQ, importada da teoria quantitativa de Fisher e adaptada ao cripto pelo modelo INET de Chris Burniske: reorganizada, M = PQ / V, em que o valor de mercado que uma rede consegue sustentar (M) equivale ao tamanho da economia transacionada através do token (PQ) dividido pela velocidade do token (V) [9][12]. O modelo divide o valor em um componente de utilidade corrente (CUV), que reflete o uso presente, e um componente de utilidade esperada descontada (DEUV), que reflete a aposta do mercado no uso futuro [9]. Trabalhos empíricos passaram desde então a tentar ajustar a identidade a dados on-chain em vez de supor suas entradas, transformando-a de experimento mental em algo testável [10].
A identidade carrega uma lição que domina a análise de tokens de IA: a velocidade é a destruidora silenciosa de valor. Se um token é usado puramente como meio de troca — ganho por um provedor de GPU e vendido imediatamente por dólares —, sua velocidade é alta, e um V alto derruba o M que o mesmo PQ consegue sustentar [11]. É por isso que “nossa rede processou X de uso” não é, por si só, um fato altista: se cada unidade de uso atravessa o token em alta velocidade e sai, o valor de mercado sustentável é uma fração do fluxo. Os tokens que preservam valor são aqueles que dão aos detentores uma razão para não vender — staking, direitos sobre taxas, governança com poder real ou escassez genuína diante da demanda —, reduzindo V e elevando o M que um dado PQ sustenta. O teto fixo de 21 milhões da Bittensor e seu desenho com forte peso em staking são, na linguagem da equação de trocas, um mecanismo de supressão de velocidade; um token de agente sem staking e de uso puramente como meio de troca é um mecanismo maximizador de velocidade [3][11]. O framework trata a velocidade como uma entrada de primeira ordem, não como um pensamento tardio.
Parte 4 · Múltiplos de uso: o numerador certo para o subsetor certo
Respeitada a velocidade, a ferramenta prática é um múltiplo de uso — o análogo cripto do preço/vendas —, mas a disciplina do framework é que o denominador precisa combinar com o subsetor. O preço/vendas, valor de mercado sobre receita de taxas anualizada, já é o múltiplo padrão da indústria para protocolos que ganham taxas, o modo como Ethereum e as principais praças de DeFi são comparados, e expõe o quanto a narrativa pode custar caro: a avaliação de cerca de US$ 5,4 bilhões da Uniswap contra cerca de US$ 26 milhões de taxas de protocolo anualizadas implica um múltiplo de receita perto de 207×, um número de tecnologia de alto crescimento para uma exchange madura [13]. Essa é a régua, e cada subsetor de IA precisa da sua própria versão.
Para computação, o denominador certo é a receita de computação da rede — taxas reais pagas por tempo de GPU —, porque é uma taxa sobre uma commodity com preço externo. Um múltiplo de preço sobre receita de computação é defensável e comparável ao de nuvem, mas só onde numerador e denominador usam a mesma definição de receita: os ~US$ 38 milhões mensais de faturamento bruto de rede da Render (~US$ 450 milhões anualizados) e os ~US$ 180–220 milhões de receita de protocolo do setor não são entradas intercambiáveis, e substituir um pelo outro move o múltiplo em mais da metade [4][5]. Para inferência, o denominador é a receita de marketplace pela inteligência entregue — os ~US$ 43 milhões de receita real da Bittensor no primeiro trimestre —, mas consolidada entre TAO e tokens de subnet para que a mesma atividade não seja contada duas vezes [3]. Para agentes, o denominador honesto costuma ser uma receita recorrente perto de zero, e é exatamente esse o achado: um múltiplo de uso sobre um token de agente é muitas vezes indefinido ou absurdo, e o framework deve dizê-lo em vez de inventar um número baseado em história [17]. Para dados, o denominador são taxas de consulta ou de acesso a dados, um número de API tarifada [1][21]. O erro isolado mais comum na avaliação de tokens de IA é tomar emprestado um múltiplo em estilo computação — ancorado em receita real com preço externo — e aplicá-lo a um token de agente cuja “receita” é especulativa, o que fabrica uma falsa equivalência entre um negócio de nuvem e uma narrativa.
Parte 5 · O índice de sustentabilidade de incentivos: demanda real vs. subsídio de emissão
Um múltiplo de uso ainda pode enganar, porque boa parte do que parece demanda no cripto de IA é subsídio: as redes pagam provedores com tokens recém-emitidos para alavancar a oferta, e essa emissão pode se disfarçar de tração. O setor de computação DePIN passou 2026 enfrentando exatamente isso, em uma amplamente documentada “virada para a receita”, do crescimento subsidiado por tokens para o fluxo de caixa real do negócio — Akash, io.net e Aethir trabalhando explicitamente para substituir a mineração de tokens por clientes pagantes [4][26]. O segundo instrumento do framework, o índice de sustentabilidade de incentivos, foi construído para enxergar através do subsídio ao perguntar, para cada rede, quanto da emissão do token é coberto por receita externa real e quanto apenas infla a oferta para pagar pelo próprio uso.
A mecânica importa porque se conecta ao acúmulo de valor, o problema mais profundo de todo o exercício. Mesmo uma rede com receita real pode não repassar nada dela ao token: os detentores muitas vezes não têm direito sobre os fluxos de caixa do protocolo a menos que a governança conceda um explicitamente, de modo que uma narrativa de “receita” pode coexistir com um token que não captura nada [14]. Modelos de buyback-and-burn e de fee switch tentam fechar essa lacuna atrelando a destruição de tokens à renda do protocolo — a decisão da Uniswap de ativar seu fee switch é o caso de referência de um token de governança tentando alcançar o acúmulo de valor [13][14]. Mas o acúmulo só é real se for líquido: um protocolo que recompra 5% da oferta enquanto desbloqueia 10% via vesting e recompensas de staking ainda dilui, de modo que a queima é cosmética [15]. O veredicto empírico é ao mesmo tempo um banho de água fria e um esclarecimento — entre os tokens, mecanismos ativos de acúmulo de valor superam os tokens apenas de governança em cerca de 10 pontos percentuais, em média, mas o motor dominante dos retornos é a escala da receita, e não o desenho do mecanismo: protocolos que devolvem capital enquanto geram receita real superam todo o resto por larga margem, e “uma taxa de queima alta não compensa utilidade zero ou demanda em queda” [15][16]. O índice, portanto, ordena uma rede em dois eixos ao mesmo tempo: a qualidade de sua demanda real e externa e a sustentabilidade de suas emissões diante dessa demanda.
Parte 6 · Benchmarking entre comparáveis
Um framework se prova ordenando nomes reais, e 2026 finalmente forneceu receita real suficiente para tentar. O exercício é passar cada token representativo pelas mesmas quatro perguntas — qual subsetor, que múltiplo de uso sobre o denominador certo, quão sólido é o caminho de acúmulo de valor e quão sustentáveis são as emissões — e deixar as diferenças aparecerem.
Computação pontua melhor em qualidade da demanda: Render e Akash ganham receita com preço externo que acompanha o uso real de IA, de modo que seus múltiplos de uso significam algo e suas emissões são cada vez mais cobertas por clientes, e não por mineração, o que é todo o sentido da virada do setor para a receita [4][5][6]. O passo seguinte do analista não é celebrar, mas verificar a emissão líquida e o caminho do acúmulo de valor — receita real com captura fraca pelo token ainda assim reprova. Inferência, liderada pela Bittensor, pontua bem em receita real (~US$ 43 milhões no primeiro trimestre) e em supressão de velocidade (teto fixo de 21 milhões, forte peso em staking, halving em dezembro de 2025 que cortou a emissão diária de 7.200 para 3.600 TAO), mas exige cuidado para consolidar a estrutura de TAO mais subnets e para confirmar que a receita das subnets é genuína, e não especulação intraecossistema entre mais de 120 subnets [3]. Agentes pontuam pior em todos os eixos que importam — receita recorrente escassa ou inexistente, nenhuma âncora de preço externa e quedas de 55–85% que refletem o mercado reprecificando a narrativa em direção aos fundamentos — e a contribuição do framework é afirmar com todas as letras que a maioria dos tokens de agente são apostas em DEUV com CUV desprezível, não ativos lastreados em uso [9][17]. Protocolos de dados ficam no meio, com receita de API tarifada que é real, mas frequentemente modesta em relação à avaliação [1][21]. As classificações específicas importam menos que o método: as mesmas quatro perguntas, aplicadas de forma idêntica, separam um negócio de computação comparável ao de nuvem de um agente narrativo que um único múltiplo de “IA” precificaria igual.
Parte 7 · Limites e modos de falha honestos
Um framework de avaliação conquista confiança ao nomear o que não consegue fazer. O maior limite é que o cripto de IA é recente, e ativos em estágio inicial são legitimamente dominados por sua utilidade esperada descontada, não pela utilidade corrente: um framework ancorado no uso presente subavaliará sistematicamente uma rede que de fato está construindo rumo a uma grande demanda futura, exatamente como um filtro estrito de preço/vendas teria descartado as ações de computação em nuvem no início [9]. O índice é uma disciplina contra a narrativa, não uma bola de cristal para opcionalidade, e deve ser lido como uma ordenação da qualidade fundamental relativa de hoje, não como um veredicto sobre o potencial de dez anos de uma rede.
Quatro limites adicionais merecem ser tão visíveis quanto o próprio framework. Qualidade dos dados: a “receita” on-chain pode ser manipulada — wash usage, transações intraecossistema entre as próprias subnets ou agentes de um projeto e demanda financiada por grants podem todos inflar o denominador e, como o múltiplo só é tão honesto quanto seu número de receita, uma rede que fabrica uso derrota todo o aparato [3][26]. Ambiguidade do direito do token: mesmo onde a receita é real, o token pode não ter direito exigível sobre ela, de modo que um negócio forte pode estar sentado sobre um token sem valor — a questão do acúmulo de valor não é uma nota de rodapé, é um critério eliminatório [14][15]. Reflexividade da narrativa: como “IA” é um fator de mercado coordenado, o grupo pode subir e cair junto por sentimento, independentemente dos fundamentos que o framework mede, de modo que a vantagem está na seleção relativa dentro do setor, não em acertar o tempo da narrativa [1][17]. Humildade do modelo: a equação de trocas é uma identidade, não uma previsão — seu resultado depende inteiramente da velocidade suposta e do PQ futuro, ambos inobserváveis de antemão —, de modo que analistas sérios tratam qualquer estimativa pontual como cenário, não como alvo, e nosso índice é deliberadamente ordinal em vez de um preço preciso [10][11]. Como checklist, o framework afia o julgamento; como oráculo de avaliação, vai decepcionar.
Conclusão · Da narrativa ao numerador
O cripto de IA recompensa o analista que recusa a cesta. A narrativa trata de um fator; o framework trata de quatro negócios, cada um com seu próprio motor de receita, seu próprio denominador correto e seu próprio múltiplo honesto [1][21]. Sob o múltiplo está a equação de trocas e sua lição implacável de que a velocidade, e não o uso alardeado, decide quanto valor uma rede de determinado tamanho consegue reter — razão pela qual um token precisa de um motivo para ser mantido, e não apenas usado [9][11]. Em torno do múltiplo está o índice de sustentabilidade de incentivos, que separa a receita que uma rede ganha da oferta que ela imprime e pergunta se algo disso de fato chega ao token — o filtro do acúmulo de valor no qual um negócio real ainda pode ser reprovado [14][15][16]. Entre os dois, a taxonomia setorial transforma um paredão de “tokens de IA” em uma comparação ordenada: nomeie o subsetor, coloque o uso real no numerador certo, suprima o prêmio narrativo e verifique que as emissões estão cobertas pela demanda, e não o contrário.
As primitivas mais profundas sobre as quais esses julgamentos se apoiam — como a emissão e o vesting de tokens são projetados, como o float circulante de uma rede diverge de seu valor totalmente diluído e como a mecânica de captura de taxas e de buyback-and-burn de fato acumula (ou deixa de acumular) valor para os detentores — merecem, cada uma, ser compreendida por si só, porque o índice é tão bom quanto a compreensão que o leitor tem da mecânica que ele avalia. Trate-o como uma disciplina para ordenar a qualidade fundamental dentro de um setor dominado pela narrativa, nunca como previsão de preço, e sempre ao lado do contexto de demanda e de mercado que nenhum framework de oferta e uso consegue capturar.
Leituras relacionadas
Outros artigos da Bitbase sobre este tema:
- Tokens de fãs e tokens sociais
- Social dominance e token mindshare: como medir atenção
Referências
[1] CoinDCX, Top AI (Artificial Intelligence) Crypto Coins in June 2026 (tamanho do setor, divisão por subsetores). coindcx.com
[2] The Motley Fool, "Better AI Crypto: Bittensor (TAO) vs. Render," 06/05/2026. fool.com
[3] TAO Media, The Ultimate Guide to Bittensor 2026 e The Complete Beginner's Guide to Dynamic TAO (dTAO) (subnets, receita do primeiro trimestre, halving, teto de 21M). tao.media
[4] BlockEden.xyz, "DePIN's Revenue Pivot: From Token Subsidies to Real AI Compute Revenue," 12/04/2026. blockeden.xyz
[5] Own Your Mind, Render vs Akash vs io.net 2026: Revenue, Burns & Tokenomics. ownyourmind.ai
[6] BlockEden.xyz, "DePIN's Revenue Reckoning: How Akash, io.net, and Aethir Are Replacing Token Mining with Real Business Cash Flow," 12/03/2026. blockeden.xyz
[7] Securities.io, GPU Rendering Wars: Render Network vs. Akash & AWS (2026); BuildMVPFast, DePIN GPUs for Inference: io.net, Akash vs AWS. securities.io
[8] Yellow.com Research, AI Compute Demand Is Outpacing Supply, And Crypto GPU Networks Are Closing the Gap (2026). yellow.com
[9] Chris Burniske, Cryptoasset Valuations (modelo INET; MV=PQ; CUV vs. DEUV). medium.com
[10] Improving the Equation of Exchange for Cryptoasset Valuation Using Empirical Data, arXiv 2403.04914. arxiv.org
[11] I. Barbero, Understanding Velocity and Its Effects on MoE Token Dynamics, Coinmonks. medium.com
[12] Eton Venture Services, The Quantity Theory of Money: A Framework for Valuing Crypto Tokens. etonvs.com
[13] Talos, State of the Network: Uniswap Flips the Fee Switch — From Governance Token to Value Accrual (padrão P/S; ilustração dos 207× da UNI). talos.com
[14] FinTech Weekly, Rethinking Token Value: From Subsidized Supply to Sustainable Accrual. fintechweekly.com
[15] Volity, Burn Rate: 2026 Crypto Tokenomics; FinanceFeeds, How Token Buybacks Can Affect Cryptocurrency Prices. volity.io
[16] Novora Research, Which Token Value Accrual Model Works? (acúmulo ativo +10 p.p.; a escala da receita domina). novora.co
[17] OpenAIToolsHub, AI Agent Crypto Tokens — Virtuals, ai16z, AIXBT, and Bittensor Explained (receita dos agentes, quedas de 55–85%). openaitoolshub.org
[18] Eqvista, Crypto Valuation Metrics — How to Value Crypto? (Daily Active Addresses e métricas de uso). eqvista.com
[19] A. Damodaran, The Dark Side of Valuation e textos sobre preço/vendas e múltiplos de receita para ativos pré-lucro e de alto crescimento (âncora metodológica para os múltiplos de uso).
[20] I. Fisher, The Purchasing Power of Money (1911), origem da equação de trocas MV=PT, aqui adaptada como MV=PQ.
[21] DEXTools News, Top 5 Crypto AI Projects: Best Artificial Intelligence Tokens (2026) (líderes de computação e de dados, incluindo The Graph, Grass, NEAR). dextools.io
[22] Crypto.news, Bittensor (TAO) Price Prediction: What the December Halving Means for TAO in 2026 (mecânica do halving; atenção institucional). crypto.news
[23] CryptoDaily, DeFi Revenue Tokens: Why Fees, Burns and Buybacks Matter More Than TVL, 05/2026. cryptodaily.co.uk
[24] Gate Wiki, What Is Tokenomics: Allocation, Inflation Design, and Governance Utility in 2026. gate.com
[25] Ashley Lannquist, Today's Crypto Asset Valuation Frameworks, Blockchain at Berkeley. medium.com
[26] BlockEden.xyz, Decentralized GPU Networks 2026: How DePIN Is Challenging AWS for the $100B AI Compute Market. blockeden.xyz
Metodologia e divulgação: Este relatório sintetiza dados públicos do setor de cripto de IA com data de meados de 2026 (contagem de projetos e capitalização [1]; receita e utilização da computação descentralizada para Render, Akash e io.net [4][5][6][7][8]; subnets dTAO da Bittensor, receita do primeiro trimestre, halving e teto de oferta [3][22]; desempenho dos tokens de agente [17]); a literatura de avaliação de criptoativos (a equação de trocas e o modelo INET [9][12][20], refinamentos empíricos [10], dinâmica da velocidade [11] e a prática do preço/vendas [13]); e a literatura de acúmulo de valor de tokens (fee switches, buyback-burn e diluição líquida de desbloqueios [14][15][16][23][24]). A taxonomia de quatro subsetores (computação / inferência / agentes / dados), o mapeamento de múltiplos de uso e o índice de sustentabilidade de incentivos são construtos analíticos educacionais e ordinais para ordenar a qualidade fundamental relativa dentro do setor de cripto de IA; os números citados (≈919 projetos e ~US$ 22,6 bilhões de capitalização setorial em um filtro, contra ~US$ 40–60 bilhões para os vinte maiores em filtros mais frouxos; ~US$ 180–220 milhões de receita de computação anualizada em nível de protocolo, contra os ~US$ 38 milhões mensais da Render em base de faturamento bruto; Akash +428% ano a ano e utilização >80%; Bittensor ~US$ 43 milhões no primeiro trimestre e mais de 120 subnets; quedas de 55–85% nos agentes; o P/S ilustrativo de ~207×) provêm das fontes citadas e ilustram o framework, em vez de prever o preço de qualquer token. Onde as fontes medem a mesma quantidade em bases diferentes — como ocorre tanto com a capitalização setorial quanto com a receita de computação —, este relatório informa a amplitude em vez de escolher um número e apresentá-lo como definitivo. Nada aqui é uma classificação, uma recomendação ou um preço-alvo.
Aviso legal: Este é um conteúdo educacional da Bitbase Research, fornecido apenas para fins informativos. Não constitui recomendação de investimento nem aconselhamento de negociação, tributário ou financeiro. Escrito com data de julho de 2026; o setor de cripto de IA, as receitas das redes, os cronogramas de oferta de tokens e as condições de mercado mudam continuamente, portanto baseie-se sempre nos dados primários mais recentes e faça sua própria pesquisa antes de qualquer decisão.
