Upozorenje Wintermutea da bi AI mogao “ugušiti” Bitcoin likvidnost pojavljuje se u trenutku kada se tržište digitalne imovine sve snažnije algoritmizira. Dok tradicionalni sudionici računaju na to da veći udio automatiziranog trgovanja znači i veću učinkovitost, vodeći kripto market-maker Wintermute, prema pisanju NewsBTC, naglašava i drugu stranu: scenarij u kojem AI-driven strategije istovremeno povlače likvidnost i pojačavaju volatilnost. Paralelno s tim, noviji projekt $SUBBD pokušava postaviti drukčiju krivulju – ne oslanjajući se primarno na AI kao izvor alfa, nego na arhitekturu protokola i dizajn tržišne strukture.
Bitcoin je ionako u fazi zrelosti: sve više se promatra kao digitalna makro imovina i ključni stup šireg BTC ekosustava, dok kratkoročne rotacije likvidnosti sve češće odlaze prema “tanjim” i beta-intenzivnijim segmentima tržišta. Upravo na tom raskrižju – između visokofrekventnih AI sustava i fragmentirane likvidnosti – otvara se pitanje: tko će dugoročno kontrolirati tokove kapitala, i hoće li algoritmi postati dominantni odlučivači o tome kada Bitcoin uopće ima “dovoljno” tržišne dubine?
Kako AI mijenja likvidnost Bitcoina: od HFT modela do “praznih knjiga”
Da bi se razumjelo upozorenje Wintermutea, treba razdvojiti dva sloja: strukturu order booka i ponašanje AI modela koji na njemu djeluju. Tradicionalni market makeri unose likvidnost tako da postavljaju limit naloge na obje strane knjige, držeći relativno stabilan spread. AI sustavi nove generacije, osobito oni trenirani na višegodišnjim podacima order flowa, koriste kompleksnije metrike – od microstructure signala do predikcije likvidnosnih šokova – i često povlače naloge čim detektiraju povećani rizik.
U uvjetima neodlučnog tržišta, gdje se BTC kreće u uskom rasponu, ovi modeli imaju tendenciju “usitniti” likvidnost: prisutni su, ali vrlo kratko. Knjiga naloga momentalno izgleda duboka, ali stvarni kapacitet za absorpciju velikog market naloga je manji nego što se čini. To povećava rizik tzv. slippage kaskade: jedan veći nalog probija nekoliko razina, algoritmi povlače ostatak likvidnosti, a cijena se pomiče znatno više nego u klasičnom režimu.
NewsBTC prenosi kako Wintermute naglašava da AI ne mora nužno povećati ukupnu likvidnost – može je i “premjestiti” u druge tokene, pa čak i u potpuno nove narative. U praksi, to znači da sofisticirani modeli rotiraju kapital prema tokenima s boljim kratkoročnim omjerom rizik/nagrada, dok Bitcoin lokalno ostaje “težak” i trom, upravo u trenucima kada tradicionalni sudionici očekuju da bude sidro stabilnosti.
AI-fueled rotacije: zašto memecoini dobivaju kada BTC stoji u mjestu
Jedan od obrazaca koji se ponavlja jest da memecoini i manji projekti dobivaju snažan zamah kada glavni blue-chipovi poput Bitcoina i Ethereuma ulaze u fazu konsolidacije. NewsBTC ističe da ulagači u takvim razdobljima traže višu beta izloženost, a moderni AI modeli portfeljne alokacije to dodatno pojačavaju. Modeli uče da je, statistički, u “bočnim” fazama isplativije rotirati u tokene s većom volatilnošću i tanjom likvidnošću.
Praktični efekt: AI-driven fondovi i botovi mogu kolektivno povući značajne količine kapitala iz BTC parova prema novim temama – bilo da je riječ o klasičnim meme tokenima ili hibridima koji koriste narativ umjetne inteligencije, gaming ili RWA. Pritom se ne radi samo o diskrecijskim odlukama ljudi, već o automatiziranom ishodu optimizacijskih funkcija koje preferiraju “trendovske” signale i momentum.
Na drugoj strani, klasični sudionici – retail i dio institucionalnih ulagača – i dalje promatraju Bitcoin kao primarni indikator tržišnog zdravlja. Nesrazmjer nastaje kada modeli na razini milisekundi rebalansiraju portfelje zbog promjene volatilnosti, dok makro ulagači tek kasnije shvaćaju da se značajan dio likvidnosti “izlio” u znatno rizičnije segmente. To je jedna od točaka na koje Wintermute aludira: AI ne gasi tržište, ali može “locally suffocate” likvidnost u ključnim parovima.
Tehnički pogled: kako AI modeli stvarno upravljaju likvidnošću
Tehnički, većina AI sustava koji upravljaju likvidnošću kombinira nekoliko modula. Prvi modul je signal engine, koji primarno koristi modele poput LSTM-a, Transformer varijanti ili graf-neuronskih mreža za prepoznavanje uzoraka u vremenskim serijama cijene, volumena i dubine knjige. Drugi modul je execution engine, koji odlučuje gdje i kako poslati naloge – po kojim burzama, kojim brzinama i s kojim algoritmom (TWAP, VWAP, POV, ili prilagođeni market-making modeli).
Treći sloj je risk engine, gdje se u stvarnom vremenu prate metrika poput varijance PnL-a, koncentracije pozicija i korelacije s drugim tokenima. Kada risk engine detektira npr. brzo širenje spreada ili anomalije u order booku na većim mjenjačnicama, model može simultano povući pending naloge iz BTC-parova i redistribuirati ih u tokene koje percipira kao “pliće” ali profitabilnije.
Ovdje se pojavljuju dva konkretna rizika. Prvi je herd behaviour među AI sustavima: mnogi fondovi treniraju modele na sličnim datasetovima, pa u stresnim situacijama donose gotovo identične odluke – što multiplicira efekt povlačenja likvidnosti. Drugi je rizik execution latencyja: u uvjetima zasićenja mreže ili problema s API-jem burze, modeli mogu “zakasniti” s ažuriranjem knjige, ostavljajući nelikvidne naloge na krivim razinama i uzrokujući iznenadne flash pomake.
$SUBBD: drukčiji pristup tržišnoj strukturi i distribuciji rizika
Na toj pozadini pojavljuje se projekt $SUBBD, koji prema NewsBTC-u pokušava zaobići klasičnu AI-trading mantru i fokus preusmjeriti na dizajn protokola i tokenomiku. Umjesto oslanjanja na agresivne AI market-making botove, $SUBBD cilja na arhitekturu u kojoj je distribucija likvidnosti stabilnija, a tokovi kapitala manje podložni kratkoročnim signalima.
Jedan od ključnih elemenata takvih projekata jest poticanje organskog pružanja likvidnosti kroz mehanizme poput bonding curve modela ili prilagođenih AMM krivulja. Za razliku od tradicionalnog order booka, gdje AI bot može povući nalog u mikrosekundi, bonding curve ili AMM logika uvodi predvidljiv raspored cijena u odnosu na omjer tokena u poolu. Time se dio rizika prebacuje s “trenutne odluke AI modela” na dizajn samog protokola.
Drugi aspekt je pokušaj da se smanji ovisnost o kratkoročnim “pump & dump” ciklusima. Ako se nagrade i raspodjela naknada u protokolu poput $SUBBD-a vežu na dulje lock-periode ili sudjelovanje u governanceu, dobiva se struktura u kojoj likvidnost manje oscilira zbog jednokratnih AI-driven rotacija. Takav dizajn, naravno, ne uklanja rizik volatilnosti, ali mijenja motivaciju ključnih sudionika.
AI, memecoini i $SUBBD: tko će privući sljedeći val likvidnosti?
Trenutni trend pokazuje da AI narativ sam po sebi postaje nova vrsta “memea”. Tokeni koji kombiniraju AI brendiranje i jednostavnu, lako objašnjivu priču često dobivaju disproporcionalno veliku pažnju u ranim fazama. To se preklapa s mehanikom memecoin tržišta: niska početna kapitalizacija, visok potencijal za viralan rast i spremnost AI botova da agresivno trguju na temelju volumenskih signala na društvenim mrežama.
$SUBBD se, prema retorici koja ga prati, nastoji pozicionirati kao alternativa tom pristupu – ne negirajući memetiku, ali stavljajući veći naglasak na tržišnu strukturu i dugoročniju održivost likvidnosti. To znači da fokus nije toliko na tome može li AI “pogoditi” sljedeći pump, nego na tome kako se dizajnom protokola smanjuje osjetljivost na kolektivno ponašanje automatiziranih sustava.
Ipak, treba jasno naglasiti da takvi projekti nose svoje rizike. Prvi je likvidnosni rizik: ako protokol ne uspije privući dovoljno sudionika i volumena, čak i savršeno dizajniran mehanizam ostaje teorijski – spreadovi ostaju široki, a cijena lako podložna manipulaciji. Drugi je regulatorni rizik: kako nadzorna tijela sve više promatraju AI u financijama, projekti koji eksplicitno komuniciraju automatizirano upravljanje imovinom mogu postati predmet dodatnog nadzora, osobito ako se cilja na masovno maloprodajno tržište.
Zaključak: između AI “gušenja” i protokola koji traže novu ravnotežu
Wintermuteovo upozorenje da bi AI-driven strategije mogle nominalno “ugušiti” likvidnost Bitcoina ne znači da je BTC slab, već da se njegova tržišna dinamika sve više oblikuje izvan ljudske diskrecije. U uvjetima automatiziranih rotacija, AI modeli mogu povlačiti likvidnost iz BTC parova upravo onda kada makro ulagači očekuju stabilnost, stvarajući kratkoročne “šupljine” u knjizi naloga.
S druge strane, projekti poput $SUBBD pokušavaju zadati drugačiji smjer: manje ovisan o brzini i kratkoročnim signalima, a više o arhitekturi protokola, tokenomici i dugoročnoj distribuciji rizika među sudionicima. Prednost tog pristupa je potencijalno stabilnija likvidnost i manja podložnost kolektivnim AI reakcijama; nedostatak je veća ovisnost o uspjehu projekta u privlačenju stvarne upotrebe i volumena.
Tema je posebno relevantna za naprednije ulagače, market-makere i graditelje protokola koji žele razumjeti kako se spaja AI s trgovanjem kriptoimovinom, ali i za retail sudionike koji moraju shvatiti da “likvidnost” više nije statična brojka na ekranu, već dinamičan rezultat interakcije algoritama, dizajna protokola i ljudske psihologije. Dugoročno, upravo će kvaliteta te interakcije odlučivati hoće li Bitcoin zadržati status središnje točke tržišne likvidnosti ili će fragmentacija – ubrzana umjetnom inteligencijom – redefinirati raspodjelu kapitala u cijelom kripto ekosustavu.
