Primitivas de Design de Mercado InfoFi: A Arquitetura Técnica Transformando Informação em Capital

Quando você posta sua opinião no X (Twitter), não custa nada estar errado. Quando você aposta $ 10.000 em um mercado de previsão, estar errado custa $ 10.000. Essa única diferença — o custo do erro — é a primitiva fundamental por trás de um setor emergente de $ 381 milhões que está silenciosamente reconfigurando a forma como a humanidade precifica a verdade.

Information Finance (InfoFi) é o termo de Vitalik Buterin para "uma disciplina onde se começa por um fato que se deseja conhecer e, em seguida, projeta-se deliberadamente um mercado para extrair de forma otimizada essa informação dos participantes do mercado". Ao contrário das finanças tradicionais, que precificam ativos, o InfoFi precifica expectativas — transformando a incerteza epistêmica em sinais negociáveis. O setor abrange agora mercados de previsão que processam $ 40 bilhões anualmente, mercados de atenção que distribuem $ 116 milhões a criadores de conteúdo e redes de credibilidade que asseguram 33 milhões de usuários verificados.

Mas, sob as narrativas de marketing, cada sistema InfoFi opera com base em cinco primitivas técnicas que determinam se a informação é precificada com precisão ou afogada em ruído. Compreender essas primitivas é a diferença entre construir um mercado de informações robusto e uma máquina de spam dispendiosa.

Primitiva 1: Submissão de Sinais com Ônus de Custo

O insight central do InfoFi é deceptivamente simples: opiniões são baratas, compromissos são caros. Todo sistema InfoFi bem projetado força os participantes a arcarem com um custo real ao submeterem informações, criando a fricção que separa o sinal do ruído.

Nos mercados de previsão, isso assume a forma de capital em staking sobre crenças. A Polymarket processou 95 milhões de negociações em 2025, atingindo $ 21,5 bilhões em volume anual. A plataforma migrou de formadores de mercado automatizados para um Livro de Ordens de Limite Central (CLOB) — o mesmo mecanismo usado por bolsas institucionais — com correspondência de ordens off-chain e liquidação on-chain via smart contracts na Polygon. Cada negociação é um compromisso com ônus de custo: os participantes perdem dinheiro quando estão errados, o que cria uma pressão de incentivo implacável para uma avaliação de probabilidade precisa.

A Ethos Network, lançada na Base em janeiro de 2025, aplica essa primitiva à reputação social. Quando você endossa a confiabilidade de outro usuário, você coloca ETH em staking. Esse ETH está em risco se a pessoa endossada se comportar de forma inadequada. O resultado: os endossos de reputação carregam informações reais precisamente porque são dispendiosos de serem concedidos.

O Intuition Protocol adota a abordagem mais explícita, lançando sua mainnet em outubro de 2025 com $ 8,5 milhões em apoio da Superscrypt, Shima, F-Prime (braço de risco da Fidelity), ConsenSys e Polygon. Sua arquitetura trata a informação como uma classe de ativos:

• Atoms (Átomos): Identificadores canônicos para qualquer afirmação discreta (uma identidade, conceito ou peça de informação).
• Triples (Triplas): Declarações de sujeito-predicado-objeto — por exemplo, "Protocolo X tem a vulnerabilidade Y" ou "Alice é confiável".

Ambos podem receber staking via curvas de adesão (bonding curves). Criar Atoms de baixa qualidade custa tokens; curar Atoms de alta qualidade gera taxas.

O fio condutor: o custo do erro cria um filtro de ruído. Afirmações casuais e de baixa confiança são suprimidas pela fricção do compromisso.

Primitiva 2: Regras de Pontuação Adequadas e Compatibilidade de Incentivos

O ônus de custo por si só é insuficiente — a estrutura do retorno deve garantir que o relato verdadeiro seja a estratégia ideal. Este é o domínio matemático das regras de pontuação adequadas: mecanismos onde um participante maximiza sua recompensa esperada ao relatar suas crenças verdadeiras.

A Regra de Pontuação de Mercado Logarítmica (LMSR), inventada pelo economista Robin Hanson, foi o mecanismo fundamental para os primeiros mercados de previsão. Sua função de custo — C(q) = b × ln(Σ exp(qᵢ/b)) — resolve o problema de bootstrapping ao garantir que o formador de mercado automatizado sempre tenha liquidez, mesmo antes da chegada de qualquer negociador. O parâmetro b controla o equilíbrio entre a profundidade da liquidez e a perda potencial máxima do formador de mercado. As negociações históricas são incorporadas ao preço atual, proporcionando um amortecimento natural contra negociadores de ruído.

A limitação da LMSR é a ineficiência de capital: ela fornece a mesma profundidade de liquidez independentemente de onde os preços estejam, desperdiçando capital perto de valores de probabilidade extremos (como um mercado com 95% de confiança). Um artigo da Paradigm de novembro de 2024 introduziu um AMM específico para mercados de previsão (pm-AMM) que trata os preços de resultados como seguindo o movimento browniano — o mesmo arcabouço matemático subjacente à precificação de opções de Black-Scholes — e ajusta a profundidade da liquidez dinamicamente ao longo do tempo para manter taxas constantes de perda versus rebalanceamento (LVR) para os provedores de liquidez.

a mesma propriedade matemática — compatibilidade de incentivos — aparece em sistemas não financeiros. O mecanismo de vouching da Ethos Network é compatível com incentivos: se você colocar ETH em staking para endossar alguém que posteriormente aplica golpes (rugs) nos usuários, seu ETH estará em risco. A estratégia ideal é apenas endossar pessoas em quem você genuinamente acredita serem confiáveis. Os registros curados por tokens da Intuition funcionam de forma semelhante: os stakers lucram quando sua informação curada é julgada de alta qualidade e perdem tokens quando ela é de baixa qualidade.

Primitiva 3: Propagação de Confiança Baseada em Grafo

Pontuações de reputação estáticas são vulneráveis a manipulação. Se uma pontuação é calculada a partir de contagens brutas (seguidores, avaliações, transações), um atacante com bons recursos pode simplesmente comprar os insumos. A propagação de confiança baseada em grafo é a solução: a confiança não é atribuída de forma absoluta, mas se propaga através do grafo social, tornando o contexto e os relacionamentos centrais para o cálculo da pontuação.

O EigenTrust, originalmente projetado para identificar nós maliciosos em redes par-a-par (P2P), é o principal algoritmo para esse fim. O OpenRank (da Karma3 Labs, apoiado pela Galaxy e IDEO CoLab) aplica o EigenTrust aos dados do grafo social do Farcaster e do Lens Protocol. Em vez de tratar um "follow" de uma conta nova e um "follow" de uma conta altamente confiável como equivalentes, o EigenTrust pondera as interações pela reputação do ator. O algoritmo converge para uma atribuição de confiança estável, onde sua reputação depende de quem confia em você e do quanto eles próprios são confiáveis.

O resultado é um grafo de confiança personalizado — sua reputação em relação a uma determinada comunidade reflete as conexões sociais específicas dentro dessa comunidade. O OpenRank usa isso para alimentar os feeds "Para Você" do Farcaster, classificações de canais e personalização de frames. Um usuário profundamente inserido na comunidade DeFi obtém pontuações de reputação diferentes para contextos diferentes de um usuário inserido na comunidade de arte NFT.

O sistema de pontuação YAP da Kaito aplica a mesma lógica aos mercados de atenção. O engajamento de uma conta com alto YAP (alta reputação) vale exponencialmente mais do que o engajamento de uma conta com baixo YAP. Isso é o PageRank aplicado ao capital social: links de nós de alta autoridade transferem mais autoridade do que links de nós de baixa autoridade. A Kaito processa isso em cerca de 200.000 criadores ativos mensais, calculando o mindshare — a porcentagem da atenção total do Twitter cripto capturada por um determinado projeto — com a travessia ponderada do grafo social.

O Ethos leva a propagação de grafos ainda mais longe com seu sistema apenas para convidados. O valor da sua conta depende não apenas de quem deu aval para você, mas de toda a cadeia de quem convidou quem. Uma conta nova convidada por um membro do Ethos bem conectado herda parte da credibilidade desse membro — uma aplicação estrutural do princípio de "confiado por pessoas confiáveis".

Primitiva 4: Resistência Sybil em Múltiplas Camadas

Ataques Sybil — inundar um sistema com identidades falsas para manipular pontuações, colher recompensas ou distorcer mercados — são a ameaça existencial para todas as primitivas de InfoFi. Se identidades falsas forem baratas de criar, sinais que geram custos podem ser manipulados com bots coordenados, grafos de reputação podem ser inflados artificialmente e as resoluções de mercados de previsão podem ser manipuladas.

O setor de InfoFi convergiu para uma pilha de defesa em múltiplas camadas:

Camada 0 — Verificação Biométrica: World (anteriormente Worldcoin) usa Orbs de varredura de íris para emitir World IDs na Worldchain. Provas de conhecimento zero (ZK) permitem que os usuários provem a humanidade sem revelar qual íris foi digitalizada, evitando o rastreamento entre aplicativos. Com 7.500 Orbs sendo implantados nos EUA em 2025, esta camada visa 200 milhões de verificações de prova de humanidade.

Camada 1 — Convite e Restrições do Grafo Social: Ethos (apenas convidados), Farcaster (verificação de telefone) e Lens Protocol (criação de perfil restrita por carteira) impõem fricção estrutural na criação de identidade. Identidades falsas exigem conexões sociais reais para inicialização.

Camada 2 — Confiança Ponderada por Stake: Sistemas baseados em EigenTrust ponderam a confiança pelo stake ou reputação estabelecida. Ataques de coordenação exigem o acúmulo de confiança real de membros existentes — caro para falsificar.

Camada 3 — Análise Comportamental: O algoritmo da Kaito foi atualizado em 2025 após críticas de que recompensava o "content farming" de KOLs (Key Opinion Leaders) em vez de análises genuínas. As atualizações introduziram filtros de IA que detectam seguidores pagos, padrões de postagem semelhantes a bots e conteúdo que menciona classificações sem fornecer insights. Respostas não contam mais para as classificações dos líderes; postagens que apenas discutem recompensas sem adicionar informações são excluídas dos cálculos de mindshare.

Camada 4 — Agregação de Credenciais ZK: O Human Passport (anteriormente Gitcoin Passport, adquirido pela Holonym Foundation em 2025) agrega credenciais de várias fontes — verificação social, histórico on-chain, biometria — em uma única pontuação de resistência Sybil usando provas de conhecimento zero. Com 2 milhões de usuários e 34 milhões de credenciais emitidas, ele permite que aplicativos exijam uma pontuação mínima de resistência Sybil sem saber quais verificações específicas um usuário possui.

A Galxe combina essas camadas em escala: 33 milhões de usuários em mais de 7.000 marcas possuem credenciais verificadas por meio de provas ZK, com o Galxe Score agregando atividade on-chain no Ethereum, Solana, TON, Sui e outras redes em uma métrica de reputação multidimensional.

Primitiva 5: Precificação Contínua via Bonding Curves

Pontuações binárias ("confiável" ou "não confiável", "verificado" ou "não verificado") são inadequadas para mercados de informação porque não representam o grau de confiança, reputação ou atenção. Os sistemas InfoFi usam bonding curves (curvas de vinculação) — funções matemáticas contínuas que determinam o preço com base na quantidade demandada — para criar mercados que precificam informações em um espectro.

A função de custo do LMSR é uma bonding curve para ações de mercado de previsão: à medida que mais ações de um determinado resultado são compradas, seu preço aumenta continuamente. Isso torna o preço de mercado um indicador em tempo real da confiança coletiva.

A camada de mercado de reputação do Ethos cria bonding curves para credibilidade individual: "tickets de confiança" e "tickets de desconfiança" vinculados a perfis de usuários específicos são precificados continuamente com base na demanda. Quando a comunidade acredita que a confiabilidade de um usuário está aumentando, os preços dos tickets de confiança sobem. Isso transforma a avaliação de reputação de um selo estático em um mercado dinâmico com descoberta contínua de preços.

Cookie.fun introduziu a relação Preço/Mindshare (P/M) como uma métrica de avaliação contínua para agentes de IA: a capitalização de mercado dividida pela porcentagem de mindshare, análoga à relação preço/lucro em mercados de ações. Um P/M baixo implica atenção subvalorizada em relação à capitalização de mercado; um P/M alto implica o contrário. Este é o equivalente do InfoFi à avaliação fundamental — traduzindo métricas de atenção em sinais de investimento contínuos.

A arquitetura de vault da Intuition usa bonding curves para determinar como o staking afeta a pontuação de credibilidade e relevância de cada Atom e Triple. Fazer staking em um vault que contém informações precisas e amplamente citadas é lucrativo; o staking em um vault com informações de baixa qualidade incorre em perdas à medida que outros saem. O mecanismo de precificação contínua alinha os incentivos dos curadores com a qualidade da informação ao longo do tempo.

A Arquitetura Que Precifica a Verdade

Estas cinco primitivas não são sistemas independentes — elas compõem uma arquitetura unificada. Sinais com custo associado só são valiosos se forem estruturados como regras de pontuação adequadas (para que o relato fidedigno seja o ideal), agregados via propagação em grafos (para que o contexto afete o valor), defendidos por resistência a Sybil (para que sinais falsos sejam caros) e expressos via precificação contínua (para que graus de confiança sejam capturados).

O volume anual de $ 40 bilhões em mercados de previsão, os $ 116 milhões distribuídos aos participantes do mercado de atenção e as 33 milhões de identidades credenciadas em toda a Web3 representam evidências iniciais de que esses mecanismos funcionam. O número de traders ativos mensais da Polymarket cresceu de 45.000 para 19 milhões entre 2024 e 2025 — um aumento de 421x impulsionado não pela especulação, mas por usuários descobrindo que os mercados de previsão fornecem avaliações de probabilidade de eventos mais precisas do que a mídia tradicional.

A próxima onda de aplicações de InfoFi provavelmente virá de agentes de IA usando esses mercados como fontes de dados. A Kalshi já relata que bots algorítmicos são os principais participantes em sua plataforma regulada pela CFTC, com sistemas de IA tratando mudanças de probabilidade em mercados de previsão como gatilhos de execução para negociações em mercados tradicionais correlacionados. Quando agentes de IA consomem e produzem informações em escala, a qualidade dos mecanismos de precificação subjacentes determina a qualidade dos sistemas de IA construídos sobre eles.

O que Vitalik chamou de "info finance" está se tornando o encanamento da economia da informação: a camada que determina o que é verdade, quem é confiável e o que merece atenção — com incentivos aplicados pelo capital que os sistemas de informação tradicionais nunca tiveram.

BlockEden.xyz fornece infraestrutura para construtores em Sui, Aptos, Ethereum e mais de 20 redes blockchain. Desenvolvedores que criam mercados de informação, sistemas de reputação e análises on-chain podem acessar serviços de nós de nível de produção e APIs de dados em BlockEden.xyz.