Blanket và ảo tưởng phòng ngừa rủi ro: Khi AI recommendation engine gặp thanh khoản chết

Hai tuần trước, tôi đọc bản cáo bạch của Kalshi – một sàn dự đoán được CFTC cấp phép. Điều khiến tôi dừng lại không phải là con số giao dịch hay danh sách hợp đồng, mà là một dòng chữ nhỏ trong phần mô tả sản phẩm đối tác: "Blanket không thực hiện giao dịch hay xử lý tiền, nó chỉ đề xuất hợp đồng phù hợp". Ở góc độ kỹ thuật, đây là một câu nói vô hại. Nhưng nếu bạn đọc kỹ whitepaper của các sàn dự đoán phi tập trung, bạn sẽ thấy rằng bất kỳ lớp trung gian nào đứng giữa người dùng và thị trường đều mang theo một giả định tin cậy mới. Và với Blanket, giả định đó là: AI của nó có thể dự đoán được nhu cầu phòng ngừa rủi ro của doanh nghiệp nhỏ, và quan trọng hơn, thị trường Kalshi có đủ thanh khoản để thực hiện các giao dịch đó. Cả hai giả định này, từ góc độ mật mã học và cấu trúc thị trường, đều đang đứng trên bờ vực sụp đổ. Insight ở cấp độ giao thức mà hầu hết mọi người bỏ lỡ: Blanket không phải là một hệ thống phòng ngừa rủi ro, mà là một recommendation engine được huấn luyện trên dữ liệu lịch sử và gắn vào một thị trường có tính thanh khoản phân cực. Kalshi có thể có hàng triệu đô la thanh khoản cho hợp đồng bầu cử tổng thống, nhưng với những hợp đồng dài hạn như "chỉ số El Niño tháng 6" hay "thuế quan thép nhập khẩu từ Trung Quốc", khối lượng giao dịch thường bằng 0. Đây là những gì code thực sự nói: nếu bạn gọi API của Kalshi để lấy order book cho một hợp đồng ít được giao dịch, bạn sẽ nhận về một danh sách trống hoặc spread đến 40%. Blanket, dù AI có thông minh đến đâu, cũng không thể tạo ra thanh khoản từ không khí. Nó chỉ có thể đề xuất một hợp đồng mà người dùng không thể mua hoặc bán với mức giá hợp lý. Và đó là lỗ hổng kiến trúc đầu tiên: một recommendation engine không có feedback loop về khả năng thực thi giao dịch. Báo cáo audit tiết lộ điều thú vị: trong quá trình phân tích doc của Blanket, tôi nhận thấy họ không đề cập đến bất kỳ cơ chế nào để đánh giá "độ sâu thị trường" trước khi đưa ra đề xuất. Điều này có nghĩa là AI có thể gợi ý một hợp đồng phòng ngừa rủi ro hoàn hảo về mặt lý thuyết, nhưng trên thực tế, doanh nghiệp nhỏ sẽ không thể thoát lệnh khi cần, hoặc phải chịu một khoản lỗ do chênh lệch giá mua-bán quá lớn. Đây là một dạng rủi ro thanh khoản mà các bài toán tối ưu hóa danh mục đầu tư cổ điển thường bỏ qua, nhưng trong thế giới event contract, nó là gót chân Achilles. Tôi đã từng dành 6 tuần để nghiên cứu các điều kiện slashing trong EigenLayer, và tôi thấy một sự tương đồng: cả hai đều phụ thuộc vào giả định rằng thị trường sẽ luôn có đủ người tham gia để thực thi các giao dịch ở mức giá hợp lý. Khi giả định đó sai, toàn bộ kiến trúc sụp đổ. Contrarian Angle: Hầu hết các bài phân tích đều tập trung vào rủi ro pháp lý – liệu Blanket có bị coi là tư vấn đầu tư hay không. Nhưng tôi cho rằng rủi ro lớn hơn nằm ở chính cấu trúc sản phẩm. Blanket đang cố gắng bán "phòng ngừa rủi ro" cho các doanh nghiệp nhỏ, nhưng event contract trên Kalshi là hợp đồng nhị phân – trả 1 đô la nếu sự kiện xảy ra, 0 nếu không. Một doanh nghiệp nhỏ bị thiệt hại 100.000 đô la vì bão có thể mua 10.000 hợp đồng "bão đổ bộ", nhưng nếu bão đổ bộ nhưng thiệt hại thực tế chỉ 50.000 đô la, họ vẫn nhận được 10.000 đô la từ hợp đồng – không có cơ chế proportional payout. Điều này tạo ra một rủi ro cơ sở (basis risk) khổng lồ. AI của Blanket có thể ước lượng xác suất bão, nhưng nó không thể mô hình hóa được mức độ thiệt hại chính xác. Kết quả là người dùng có thể nghĩ rằng mình đã phòng ngừa rủi ro, nhưng thực tế họ đang mua một tấm vé số ngược đời. Giả định tin cậy họ đang đặt ra là sự tương quan giữa giá hợp đồng và tổn thất thực tế là tuyến tính, nhưng trong thực tế, nó phi tuyến và không thể dự đoán được. Từ góc độ mật mã học, còn một vấn đề khác: oracle. Kalshi là một sàn tập trung, họ tự quyết định kết quả của các sự kiện dựa trên nguồn dữ liệu chính thống. Nhưng với các hợp đồng như "giá xăng dầu trung bình tháng 12", nguồn dữ liệu có thể bị tranh chấp. Nếu Blanket đề xuất một hợp đồng mà kết quả phụ thuộc vào một chỉ số do một cơ quan duy nhất công bố, thì toàn bộ chiến lược phòng ngừa rủi ro trở nên vô nghĩa khi cơ quan đó thay đổi phương pháp tính toán. Đây là lý do tại sao tôi tin rằng Blanket, dù được tiếp thị như một công cụ AI hiện đại, thực chất chỉ là một lớp sơn mỏng trên một nền tảng dự đoán truyền thống với tất cả các điểm yếu cố hữu của nó. Takeaway: Trong 12 tháng tới, tôi dự đoán sẽ có một vụ kiện tập thể từ các doanh nghiệp nhỏ sử dụng Blanket, không phải vì AI sai, mà vì họ không thể thoát lệnh khi cần. Và khi điều đó xảy ra, câu hỏi thực sự không phải là "Blanket có vi phạm quy định không?", mà là "Tại sao chúng ta lại tin rằng một recommendation engine có thể thay thế được một thị trường có thanh khoản sâu?"