State Street amplia l'iniziativa di tokenizzazione mentre le banche si affrettano a portare contanti e fondi onchain
State Street sta ampliando la sua strategia sugli asset digitali, sviluppando versioni tokenizzate di fondi tradizionali e prodotti di cassa, mentre le grandi banche trasferiscono sempre più le infrastrutture finanziarie principali sulla blockchain.
La banca di custodia sta costruendo fondi monetari tokenizzati, exchange-traded funds e strumenti di cassa come depositi tokenizzati e stablecoin, secondo un comunicato di giovedì.
Questo sforzo si basa sul ruolo già esistente di State Street nei mercati crypto, dove fornisce servizi di amministrazione e contabilità per gli exchange-traded fund crypto e, lo scorso anno, ha annunciato piani per espandersi nella custodia di asset digitali dal 2026.
Invece di lanciare veicoli nativi crypto, State Street sta posizionando la tokenizzazione come aggiornamento delle strutture d'investimento tradizionali. La banca intende collaborare con gestori patrimoniali istituzionali e clienti insieme alla propria divisione di asset management, che il mese scorso ha stretto una partnership con Galaxy Digital per un fondo di liquidità privata tokenizzato.
L'iniziativa arriva mentre le banche di custodia accelerano gli sforzi per digitalizzare la cassa stessa.
All'inizio di questo mese, BNY Mellon ha attivato un servizio di deposito tokenizzato progettato per pagamenti, garanzie e margini, creando rappresentazioni su blockchain dei depositi bancari che restano passività dirette della banca emittente piuttosto che stablecoin.
Anche altri importanti gestori patrimoniali stanno adottando strategie simili. Questa settimana, Franklin Templeton ha aggiornato due fondi monetari istituzionali per supportare la regolamentazione e la registrazione della proprietà su blockchain, consentendo agli strumenti di cassa tradizionali di integrarsi in strutture di stablecoin tokenizzate e regolamentate senza modificare la gestione o la regolamentazione dei fondi.
State Street aveva già evidenziato la crescente domanda istituzionale per questi cambiamenti. In un rapporto di ricerca pubblicato nell’ottobre 2025, la banca affermava che quasi il 60% degli investitori istituzionali prevedeva di aumentare l’esposizione agli asset digitali, con molti che si aspettano che una parte significativa dei portafogli verrà tokenizzata nel tempo.
Esclusione di responsabilità: il contenuto di questo articolo riflette esclusivamente l’opinione dell’autore e non rappresenta in alcun modo la piattaforma. Questo articolo non deve essere utilizzato come riferimento per prendere decisioni di investimento.
Ti potrebbe interessare anche
LVMH è scesa del 37% quest'anno: una volta era la società con la maggiore capitalizzazione di mercato in Europa, ora è uscita dalla top ten.
Martedì, il prezzo delle azioni di LVMH è sceso del 2,6%, portando la capitalizzazione di mercato a 201 miliardi di euro (circa 232 miliardi di dollari), leggermente inferiore a quella di L’Oréal, uscendo così per la prima volta dalla top ten europea dal 2017. Quest'anno il titolo LVMH ha registrato un calo complessivo del 37%, tornando ai livelli raggiunti quando la chiusura globale dei negozi era stata causata dalla pandemia. Con il calo della domanda per i beni di lusso, diverse banche d'investimento hanno già abbassato il rating di LVMH.

Meta implementerà i suoi chip AI auto-sviluppati nella prima metà del prossimo anno, con l'obiettivo di ridurre i costi e diminuire la dipendenza da Nvidia.
La terza generazione del chip AI sviluppato internamente da Meta, MTIA 450, sarà implementata nei data center nella prima metà del prossimo anno, mentre la quarta generazione è prevista per entrare nei data center entro la fine del 2027. Negli ultimi 12 mesi, Meta si è impegnata a una capacità di distribuzione di chip proprietari equivalente a oltre 1 gigawatt di consumo energetico. Secondo Yee Jiun Song, vicepresidente dell’ingegneria presso Meta, rispetto ai prodotti attualmente distribuiti da Nvidia, i chip proprietari di Meta offrono maggiore efficienza e consumano meno energia nell’esecuzione dei modelli di AI.
