На перетині криптоіндустрії та штучного інтелекту періодично з’являється новий фокус наративу. У квітні 2026 року увага була прикута до проєкту Reppo. Його основна пропозиція має потенціал для радикальних змін: використання prediction markets (ринків прогнозів) для вирішення проблеми якості даних для навчання ШІ.
23 квітня Фонд Reppo оголосив про отримання стратегічного фінансування у розмірі $20 мільйонів від Bolts Capital для розвитку протоколу та розширення екосистеми, з акцентом на створення інфраструктури даних для навчання ШІ, що базується на prediction markets. Після оголошення власний токен Reppo, REPPO, зріс приблизно на 40% протягом 24 годин. Його повністю розбавлена оцінка (FDV) коротко наблизилась до $20 мільйонів, стабілізувавшись на рівні близько $19 мільйонів.
Такий різкий ринковий відгук на новину про фінансування свідчить про зростання інтересу до давньої проблеми «AI data dilemma» (дилеми даних для ШІ).
Початок з $20 мільйонів: як Reppo створює фабрику даних
Основна концепція Reppo базується на простій логіці: перетворити людські судження на верифіковані та стимульовані джерела даних, щоб замінити централізовані процеси маркування даних, які традиційно використовуються для навчання ШІ.
З технічної точки зору Reppo створив децентралізовану мережу даних під назвою Datanets. Ця мережа підтримує мультимодальну обробку даних — тексту, зображень, аудіо та відео — і забезпечує безперервне постачання даних для навчання, оцінки та доопрацювання моделей ШІ.
Datanets виступають базовими одиницями роботи протоколу. Кожен Datanet — це програмований prediction market на блокчейні, який можна створити для будь-якого сценарію використання даних: навчання, оцінки, узгодження чи бенчмаркінгу. У кожному Datanet публікатори даних розміщують контент, доменні експерти стейкають токени REPPO та оцінюють якість даних через opinion contracts («контракти думок»). Кураторські набори даних оновлюються кожні 48 годин, з розрахунками наприкінці кожного циклу. Команди ШІ можуть підписуватися на ці постійно оновлювані потоки даних через торгову платформу Reppo.
З точки зору стимулювання, токен REPPO виконує кілька функцій у протоколі: права на стейкінг і голосування, плата за створення Datanet, регулювання емісії та підписки на обмін даними. Учасники, які коректно оцінюють якість даних, отримують винагороду, а помилкові судження призводять до втрат. Теоретично, цей механізм відбирає більш якісних оцінювачів та постачальників даних.
Економічна модель Reppo співзвучна з концепцією «skin in the game» (особиста фінансова зацікавленість) із поведінкових фінансів — коли учасники ризикують власним капіталом на основі власних суджень і несуть фінансові наслідки за помилки, ринкові сигнали стають більш достовірними, ніж у традиційних опитуваннях чи завданнях маркування.
У заяві про фінансування співзасновник Reppo Labs RG окремо зазначив, що сектор prediction markets може досягти $1 трильйона річного торгового обсягу до кінця цього десятиліття. Його сфера вже виходить за межі спорту та подій, охоплюючи інформаційні та думкові ринки. Такий прогноз формує макронаратив для позиціонування Reppo: проєкт прагне інтегруватися у стрімко зростаючий шар ринкової інфраструктури.
Дефіцит даних і багатомільярдний ринок: чому ШІ терміново потребує нових рішень
Щоб зрозуміти цінність нішового підходу Reppo, варто окреслити реальні проблеми даних для навчання ШІ.
Основна проблема сучасної індустрії ШІ — не швидкість розвитку архітектур моделей, а якість і доступність даних для навчання, що наближається до вузького місця. За даними EPOCH AI, розмір наборів даних для навчання великих мовних моделей зростав приблизно у 3,7 раза щорічно з 2010 року. У такому темпі глобальні запаси якісних публічних даних для навчання можуть бути вичерпані між 2026 та 2032 роками.
Тим часом ринок збору та маркування даних швидко розширюється. У 2024 році його обсяг становив $377 мільйонів, а до 2030 року прогнозується зростання до $1,71 мільярда. Це означає, що навіть із збільшенням обсягів даних, вартість отримання якісних наборів для навчання зростає одночасно.
Ще більш тривожна проблема — якість даних. У березні 2026 року криптобезпекова компанія OpenZeppelin провела аудит бенчмарку блокчейн-безпеки OpenAI — EVMbench — і виявила системні недоліки, такі як забруднення даних і неправильна класифікація. Ці випадки демонструють структурну дилему: навіть за наявності потужних обчислювальних ресурсів і сучасних архітектур, низька якість даних для навчання фундаментально обмежує потенціал ШІ-систем.
Коли публічні джерела даних виснажуються, а приватні дані стають дедалі більш закритими для технологічних гігантів, децентралізовані рішення для збору даних виходять на перший план. Reppo є прямою відповіддю на цю макротенденцію.
Bullish, Neutral, Bearish: різні погляди на Reppo
Після новини про фінансування Reppo ринкова думка розділилася на три табори — оптимістичний, обережний та скептичний.
Оптимісти вважають, що напрямок «Crypto × AI Data» вирішує реальну проблему галузі. Для навчання ШІ потрібні якісні, масштабні та верифіковані дані, а централізовані постачальники стикаються з високими витратами, суперечками щодо авторських прав і ризиками єдиного джерела. Використовуючи prediction markets, Reppo перетворює колективні людські судження щодо якості інформації на стимульовані джерела даних — теоретично інноваційний підхід.
Обережні учасники зосереджуються на викликах реалізації. Проблема «cold start» (початкового запуску) — типова для децентралізованих мереж даних: як залучити достатню кількість ранніх учасників для створення ефективного ринку і генерації даних у масштабах, необхідних для якісного навчання моделей. Хоча заявлений місячний торговий обсяг понад $2 мільйони є позитивним сигналом на стадії proof-of-concept, це поки що мало порівняно з величезним попитом на дані для ШІ.
Скептики висловлюють гостріші зауваження. Деякі спостерігачі вказують, що після короткого перевищення $20 мільйонів FDV, вартість токена швидко знизилася, а торговий обсяг був відносно низьким для такого ринкового капіталу — це свідчить про обмежену ліквідність і вразливість до цінових коливань з боку кількох великих власників. Крім того, характер $20 мільйонів «стратегічного фінансування» відрізняється від прямого інвестування в капітал, а шлях реалізації та умови поки що незрозумілі.
У підсумку, дискусія навколо Reppo зосереджена на двох ключових питаннях: чи можуть механізми prediction markets дійсно забезпечити якісніші дані для навчання, ніж традиційне маркування? І чи зможе проєкт досягти масштабного мережевого ефекту після початкової фази cold start?
Завершення трильйонної головоломки: конкурентна позиція та захист Reppo
Reppo працює на перетині кількох швидкозростаючих ринків. Ринок blockchain AI прогнозується на рівні близько $900 мільйонів до 2026 року, а ринок збору та маркування даних — $1,71 мільярда до 2030 року. Якщо наратив prediction markets продовжить розвиватися, довгостроковий потенціал у $1 трильйон відкриває ще більші перспективи.
З погляду конкуренції, Reppo відчуває тиск з різних напрямків. Традиційні централізовані постачальники даних мають перевагу першого входу на ринок і міцні клієнтські зв’язки. У криптопросторі децентралізовані AI-мережі, такі як Bittensor, будують альтернативні інфраструктури даних і обчислень. Крім того, oracle-проєкти досліджують способи перенесення off-chain даних у on-chain AI-застосунки.
Відмінність Reppo полягає у його унікальному механізмі: замість простого агрегування чи перепакування існуючих даних, проєкт використовує prediction market динаміку для «виробництва» структурованих даних із економічною силою сигналу. Такі дані містять розподіли ймовірностей, що відображають людські переваги, і можуть бути особливо цінними для передових напрямків — наприклад, AI alignment (узгодження ШІ) та preference learning (навчання переваг).
Базовий сценарій, прорив або спростування: три можливі майбутні траєкторії Reppo
Виходячи з наявної інформації, можна окреслити три сценарії розвитку Reppo.
Базовий сценарій: поступове зростання
У цьому сценарії Reppo поступово розширює участь у Datanet протягом наступних 12–18 місяців, залучаючи більше доменних експертів і команд розробників ШІ. Торговий обсяг prediction markets зростає, якість даних проходить початкову валідацію, а деякі AI-проєкти починають інтегрувати дані Reppo у свої навчальні процеси. Основний виклик для токеноміки на цьому етапі — балансування рівня участі у стейкінгу та ліквідності токена. Якщо місячний торговий обсяг протоколу виросте з $2 мільйонів до понад $10 мільйонів, це стане важливою віхою.
Bullish сценарій: ринковий прорив
Якщо напрямок «Crypto × AI Data» стане домінуючим наративом у наступному ринковому циклі, а Reppo здобуде перевагу першого входу, мережеві ефекти можуть швидко прискоритися. У такому випадку візія автономних AI-агентів, які запускають мережі даних і напряму платять людям за зворотний зв’язок через криптостимули, може почати реалізовуватися. Однак це залежить від кількох зовнішніх факторів: постійного зростання попиту на якісні та диференційовані дані, підтвердження переваг децентралізованих рішень у вартості й ефективності, а також регуляторної ясності щодо методів отримання даних.
Bearish сценарій: спростування наративу
Найменш сприятливий результат — якщо дані, створені prediction markets, не перевершують традиційне маркування за якістю, або якщо витрати на роботу децентралізованої мережі перевищують централізовані альтернативи, що підриває основну цінність Reppo. У такому сценарії ціна токена може повернутися до суто спекулятивної оцінки, і проєкту доведеться шукати альтернативні кейси для підтримки мережевої активності.
Варто зазначити, що наразі лише близько 28% токенів REPPO перебувають у обігу. Це означає, що значна частина залишається заблокованою, а майбутні графіки розблокування безпосередньо впливатимуть на пропозицію та попит на вторинних ринках.
Крім того, ширші питання безпеки DeFi створюють непрямі ризики для Reppo. У нещодавньому звіті JPMorgan відзначено, що часті інциденти безпеки у DeFi (де деякі протоколи втрачали майже $200 мільйонів за одну подію) досі стримують інституційний капітал. Як децентралізована мережа, що залежить від криптоекономічних стимулів, архітектура безпеки Reppo буде ключовим чинником його довгострокової життєздатності.
Висновок
Індустрія ШІ переходить від «гонки моделей» до «конкуренції якості даних», і наратив Reppo чітко спрямований на реальну та нагальну проблему галузі. Економічна ігрова теорія prediction markets теоретично може генерувати якісніші сигнали, ніж традиційне маркування даних. Проте, чи вдасться реалізувати цю перевагу у масштабі, залишається під великим питанням.
Стратегічне фінансування у $20 мільйонів дає проєкту початковий імпульс, але побудова мережі даних у масштабі, необхідному для передових моделей ШІ, — це ще довгий шлях. Початкові запуск, забезпечення якості даних, стійкість токеноміки та конкуренція з традиційними постачальниками даних — усе це неминучі виклики.
Reppo пропонує цінний кейс для спостереження за еволюцією перетину «Crypto × AI». Його траєкторія розвитку значною мірою відповість на ключове питання: чи можуть криптоекономічні механізми принести справді диференційовану цінність інфраструктурі ШІ, що виходить за межі чистої фінансової спекуляції?
