Cómo gestionar activos en la cadena con un Agente de IA

null

Para equipos capaces de dominar simultáneamente los dos ámbitos de Web3 y la IA, este es el momento oportuno para entrar: ya sea para construir sistemas de agentes on-chain más fiables en la capa de ejecución, o para conectar los eslabones clave de datos, permisos y confianza en la capa de infraestructura, todavía existe un espacio considerable por cubrir.

Antes de comenzar el análisis formal, es necesario aclarar primero un concepto central: DeFAI.

DeFAI es la sigla de la fusión entre DeFi (finanzas descentralizadas) y AI (inteligencia artificial). Se refiere a la introducción de agentes de IA en escenarios financieros on-chain para que puedan percibir el estado del mercado, formular estrategias de forma autónoma y ejecutar directamente operaciones on-chain; con ello, se pueden completar, sin depender de la intervención en tiempo real por parte de personas, una serie de acciones financieras tradicionalmente realizadas por profesionales, como la asignación de activos y la gestión de riesgos, así como la interacción con protocolos.

En pocas palabras, DeFAI no es una simple “modernización” con IA de herramientas de DeFi, sino un intento de construir, en la cadena, una capa de ejecución financiera que pueda operar de forma autónoma.

Esta vertical se ha acelerado rápidamente desde el 27B de 2024. Detrás de ello, hay tres acontecimientos emblemáticos que vale la pena observar: cada uno corresponde a tres niveles en los que los agentes de IA entran en Web3—salto del relato a lo masivo, construcción de infraestructura tokenizada de base y materialización real de las capacidades de ejecución.

El primer evento ocurrió en julio de 2024. El robot de Twitter Truth Terminal, construido por el desarrollador Andy Ayrey, se hizo viral rápidamente después de recibir una donación de 50k USD en BTC por parte de Marc Andreessen, cofundador de a16z, y desencadenó la propagación viral de la moneda GOAT. Este fue el primer momento en el que los agentes de IA como participantes de la economía on-chain entraron verdaderamente en la vista pública.

El segundo evento ocurrió en octubre de ese mismo año. Virtuals Protocol se disparó en la red Base, tokenizando el propio agente de IA; su valor de mercado del ecosistema alcanzó un máximo de más de 3.500 millones de USD, convirtiéndose en un representante típico de la fase de construcción de infraestructura tokenizada de la vía DeFAI.

El tercer evento, proyectos como Giza, HeyAnon y Almanak se desplegaron sucesivamente en la capa de ejecución on-chain, impulsando a la industria a pasar de una lógica impulsada por relatos a una fase de productización: los agentes de IA comienzan a “ponerse manos a la obra” ejecutando operaciones on-chain, en lugar de quedarse únicamente en el nivel de interacción de información.

En términos de tamaño del mercado global, varias instituciones de investigación tienen expectativas altamente consistentes sobre el crecimiento de la vía de agentes de IA:

Gráfico 1: Comparación de predicciones del tamaño del mercado global de agentes de IA

Fuente de datos: MarketsandMarkets（2025）、Grand View Research（2025）、BCC Research（2026.01）

Sin embargo, todavía existe una brecha significativa entre el entusiasmo del capital y la materialización de la industria. En el informe “The State of AI in 2025” publicado por McKinsey en noviembre de 2025 (basado en 105 países y 1.993 encuestados), aunque el 88% de las organizaciones ya usa IA en al menos una función del negocio, casi dos tercios aún se mantienen en fase de experimentación o piloto. En el ámbito de los agentes de IA específicamente: el 62% de las organizaciones inicia experimentos, el 23% impulsa la escalabilidad en al menos una función; pero el porcentaje de organizaciones que logran un despliegue escalado en cualquier función única es inferior al 10%.

Estos datos nos sugieren que el entusiasmo narrativo en la vía DeFAI, por el momento, aún va por delante del progreso real de implementación. Entender esta brecha es el requisito previo para evaluar de manera objetiva el valor de esta vía.

II. La base tecnológica de DeFAI: cómo los agentes de IA interactúan con el mundo on-chain

Para entender cómo opera DeFAI, primero hay que responder una pregunta clave: ¿mediante qué mecanismo se introduce la IA en operaciones financieras on-chain?

La unidad central de ejecución de un sistema DeFAI es un agente de IA construido sobre modelos de lenguaje grande. Según el resumen académico de Wang et al.（2023）, su capacidad central puede resumirse en una arquitectura de tres capas, y cada capa cumple una función específica en escenarios on-chain:

La capa de planificación, responsable de la descomposición de objetivos y la optimización de rutas; corresponde a la generación de estrategias y la evaluación de riesgos en escenarios on-chain;

La capa de memoria, mediante almacenamiento externo como bases de datos vectoriales para acumular información a través de periodos; carga con datos históricos del mercado y el estado de los protocolos;

La capa de herramientas, que amplía la capacidad del modelo para permitirle llamar a sistemas externos como protocolos DeFi, oráculos de precios y puentes entre cadenas.

Pero aquí hay un punto que aclarar: el modelo de IA en sí no puede interactuar directamente con la blockchain. Casi todos los sistemas DeFAI actuales adoptan una arquitectura que separa el razonamiento off-chain de la ejecución on-chain: el agente de IA calcula la estrategia off-chain y luego convierte los resultados en señales de transacción on-chain, que el módulo de ejecución envía. Este diseño de arquitectura es, por un lado, una elección realista bajo las condiciones tecnológicas actuales; por otro lado, también introduce una serie de temas de seguridad como la autorización de claves privadas y la gestión de permisos (ver el capítulo V).

Los agentes de IA, en esencia, son sistemas de decisión autónoma basados en modelos de lenguaje grande; cierran el ciclo de ejecución mediante descomposición de tareas, gestión de memoria y llamadas a herramientas, y en la actualidad ya existe una forma inicial de interacción con el lado de los activos on-chain.

Gráfico 2: Arquitectura de tres capas del agente de IA y modelo de ejecución on-chain

III. Evolución de DeFAI: de la interacción de información al ciclo de ejecución cerrado

Después de aclarar la base tecnológica de DeFAI, surge naturalmente una pregunta: ¿cómo llegó este sistema paso a paso hasta el estado en que está hoy?

Según la investigación de The Block, la evolución de DeFAI no fue de un solo salto; atravesó dos etapas distintas: desde agentes de tipo interactivo centrados en el procesamiento de información en etapas tempranas, hasta sistemas de tipo ejecución que hoy sí pueden intervenir en operaciones on-chain.

Hay diferencias fundamentales entre ambas en cuanto a orientación de objetivos, métodos técnicos y nivel de riesgo.

Gráfico 3: Comparación de rutas evolutivas en dos oleadas de DeFAI

El hilo de evolución en dos etapas puede entenderse así:

La primera oleada es el agente interactivo, centrado en construir un marco de agentes que pueda conversar y analizarse. Los proyectos representativos incluyen el framework de Eliza de ElizaOS (antes ai16z), el G.A.M.E. de Virtuals, etc. La esencia de esta etapa sigue siendo una herramienta de información: el agente puede leer, hablar y analizar, pero sus límites funcionales se detienen en el nivel de información y no tocan ninguna operación de ejecución de activos.

La segunda oleada es el agente DeFAI de tipo ejecución, que es el que realmente entra en un ciclo cerrado de decisión y ejecución. Los proyectos representativos incluyen HeyAnon, Wayfinder, Giza (ARMA Agent) y Almanak, etc. La característica común de este tipo de sistemas es: la IA opera off-chain, produce señales de estrategia estructuradas y completa transacciones mediante un módulo de ejecución on-chain. No reemplaza los protocolos DeFi existentes; en cambio, introduce una capa de mecanismo de decisiones de IA por encima de ellos, haciendo que toda la cadena de operaciones pase de “instrucciones dadas por humanos” a “ejecución autónoma por parte del agente”.

La diferencia esencial entre las dos oleadas no radica en la complejidad tecnológica, sino en si realmente se toca el activo. Esto también determina que los desafíos de la segunda oleada en materia de mecanismos de confianza, diseño de permisos y arquitectura de seguridad sean mucho más complejos que los de la primera; de hecho, eso es exactamente lo que se tratará en el siguiente capítulo.

IV. Panorama de implementación de DeFAI: cuatro escenarios de aplicación principales

De la arquitectura técnica a la ruta de evolución, el “qué puede hacer” DeFAI se ha ido aclarando gradualmente. Entonces, a nivel real de productos, ¿qué problemas está resolviendo?

En general, las exploraciones actuales de DeFAI han formado un patrón relativamente maduro de despliegue alrededor de cuatro direcciones centrales, que corresponden a cuatro dolores clave en operaciones on-chain: “eficiencia de rendimiento, ejecución de estrategias, umbral de interacción y control de riesgos”.

4.1 Optimización de rendimiento: reajuste automático entre protocolos

La optimización de rendimiento es el escenario de aplicación DeFAI con mayor madurez de despliegue. Su lógica central es: escanear continuamente el rendimiento anualizado de depósitos de protocolos DeFi principales como Aave, Compound y Fluid; combinarlo con parámetros de riesgo preestablecidos para determinar si es necesario hacer un reajuste; y ejecutar el análisis de costos de transacción antes de cada operación. Solo cuando la mejora del rendimiento pueda cubrir todo el gas y los costos de transacción, entonces se transfiere realmente el capital, logrando así una configuración óptima automatizada entre protocolos.

Por ejemplo, en el caso de Giza, su ARMA Agent se lanzó en febrero de 2025 en la red Base con una estrategia de rendimiento para stablecoins; monitorea continuamente cambios de tasas en protocolos como Aave, Morpho, Compound y Moonwell. Tras considerar en conjunto APY de los protocolos, costos de comisiones y liquidez, asigna de forma inteligente el capital del usuario para maximizar el rendimiento. Según datos públicos, ARMA ya cuenta con aproximadamente 60k tenedores independientes, más de 36k agentes desplegados y un volumen de activos administrados (AUA) que supera los 20 millones de USD.

En un entorno de mercado donde el rendimiento de los protocolos DeFi fluctúa continuamente, la eficiencia y puntualidad del monitoreo manual y los reajustes manuales distan mucho de los sistemas automatizados; ahí está el valor central de este escenario.

Gráfico 4: Ejemplo de imagen del ARMA Agent de la plataforma Giza

Fuente de datos:

4.2 Automatización de estrategias cuantitativas: democratización de capacidades a nivel institucional

En el escenario de automatización de estrategias cuantitativas, las plataformas DeFAI intentan modularizar y automatizar los módulos de flujo completo de los equipos cuantitativos tradicionales, de modo que los usuarios individuales también puedan acceder a capacidades de ejecución de estrategias a nivel institucional.

Por ejemplo, Almanak apoyado por Delphi Digital: su sistema AI Swarm descompone el flujo cuantitativo en cuatro etapas:

El módulo de estrategia admite escribir lógica de inversión mediante el SDK de Python y completar backtesting;

El motor de ejecución, tras obtener la autorización del usuario, ejecuta automáticamente el código de estrategia auditado y activa llamadas a DeFi;

El monedero de seguridad se construye con Safe + Zodiac para un esquema de multirma, y mediante control de permisos por roles otorga el derecho de ejecución de la estrategia al agente de IA, asegurando que los fondos permanezcan siempre dentro del rango controlable por el usuario;

El fondo de estrategias empaqueta las estrategias como un “banco” de tesorería transaccionable estándar ERC-7540; los inversores pueden participar en la distribución de los rendimientos de la estrategia de manera similar a las participaciones de un fondo.

El significado de esta arquitectura reside en que los agentes de IA asumen funciones como análisis de datos, iteración de estrategias y gestión de riesgos; el usuario solo necesita aprobar el resultado final de la salida del sistema y no es necesario formar un equipo cuantitativo profesional—logrando la llamada “equidad de estrategias de nivel institucional” (afirma el proyecto).

Gráfico 5: Visualización en la página de inicio del sitio de Almanak

Fuente de datos:

4.3 Ejecución de instrucciones en lenguaje natural: hacer que las operaciones DeFi sean tan simples como enviar mensajes

El núcleo de este escenario es la operación DeFi basada en la intención del usuario (Intent-based DeFi): aprovechando tecnologías de procesamiento de lenguaje natural, el usuario emite instrucciones de transacción en lenguaje cotidiano; la IA las interpreta y las convierte en operaciones on-chain de múltiples pasos, reduciendo de forma sustancial el umbral de operación para usuarios comunes.

HeyAnon construyó una plataforma de chat DeFAI. Los usuarios ingresan instrucciones mediante el cuadro de diálogo y la IA puede ejecutar operaciones on-chain como intercambio de tokens, puentes entre cadenas, préstamos y staking. Se integran puentes entre cadenas LayerZero y protocolos como Aave v3; admite despliegue multi-cadena como Ethereum, Base y Solana.

Gráfico 6: Visualización en la página de inicio del sitio de HeyAnon

Fuente de datos:

Wayfinder, por su parte, respaldado por Paradigm, ofrece un servicio de transacciones cross-chain de punta a punta aún más avanzado. Su agente de IA (denominado Shells) encuentra automáticamente la ruta óptima entre distintas cadenas y ejecuta operaciones como transferencias cross-chain, intercambios de tokens o interacciones con NFT; el usuario no necesita preocuparse por detalles técnicos como tarifas de gas subyacentes o compatibilidad cross-chain.

Gráfico 7: Visualización en la página de inicio del sitio de Wayfinder

Fuente de datos:

En conjunto, la interfaz de lenguaje natural reduce significativamente el umbral de operación de DeFi, pero también exige mayor precisión en el análisis de intenciones subyacentes: si la IA interpreta de manera errónea una instrucción, el resultado de la operación podría diferir mucho de lo que el usuario esperaba.

4.4 Gestión de riesgos y monitoreo de liquidaciones: mecanismos integrados en protocolos on-chain

En los escenarios de préstamos DeFi y apalancamiento, la aplicación más común de un agente de IA es monitorear en tiempo real la salud de las posiciones on-chain y, antes de que se acerquen los umbrales de liquidación, ejecutar automáticamente operaciones de protección. Esta aplicación se está integrando gradualmente en muchos protocolos DeFi principales, convirtiéndose en una función nativa de las plataformas DeFi.

Aave mide la seguridad de la posición con un “factor de salud”; cuando el factor de salud es inferior a 1.0, la posición del prestatario activa automáticamente la elegibilidad para la liquidación;

Compound utiliza el mecanismo de “factor de colateral de liquidación (Liquidation Collateral Factor)”: cuando el saldo de deuda de una cuenta supera el límite establecido por ese factor, se activa la liquidación; los parámetros específicos de cada activo colateral se fijan por separado mediante gobernanza on-chain.

En mercados on-chain de alta volatilidad 24/7, resulta difícil mantener una eficiencia de respuesta consistentemente equivalente con monitoreo humano. En este escenario, un agente de IA puede lograr seguimiento continuo, evaluación inteligente e intervención automática, elevando la eficiencia de gestión de riesgos a niveles que los sistemas de automatización manuales o basados en reglas difícilmente pueden alcanzar.

Gráfico 8: Cuatro escenarios de aplicación principales de Agent×DeFi

En conjunto, los cuatro escenarios mencionados arriba no son mutuamente independientes, sino complementarios alrededor de la misma línea principal: la optimización de rendimiento y la automatización de estrategias cuantitativas se orientan a usuarios avanzados con cierto tamaño de activos; su ventaja central radica en la eficiencia de ejecución y la precisión de la estrategia. La interacción de lenguaje natural busca reducir el umbral de operación para usuarios comunes. La gestión de riesgos es una salvaguarda subyacente presente en todos los escenarios. Los tres, en sinergia, conforman el patrón básico de despliegue del ecosistema DeFAI en la actualidad, y también sientan las bases para aplicaciones de agentes on-chain más complejas en el futuro.

V. Límite de seguridad de DeFAI: gestión de claves privadas y control de permisos

Los cuatro escenarios de aplicación mencionados anteriormente, ya sea optimización de rendimiento o automatización de estrategias cuantitativas, solo pueden lograrse con un único requisito previo: el agente de IA debe tener algún tipo de permiso de firma, es decir, la capacidad de acceder a la clave privada. Este es el desafío técnico más crucial de la vía DeFAI, y también el más fácil de quedar oculto por el calor narrativo: si el mecanismo de firma presenta vulnerabilidades, todas las capacidades de estrategia de las capas superiores perderán sentido.

Actualmente, las soluciones de gestión de seguridad de claves privadas más comunes en la industria se dividen en dos categorías: MPC (cálculo multipartito) y TEE (entornos de ejecución confiables). Ambas tienen enfoques diferentes en cuanto al modelo de seguridad, el nivel de automatización y la complejidad de ingeniería.

Gráfico 9: Tabla comparativa de dos tipos de soluciones principales de gestión de seguridad de claves privadas

La idea central de MPC (Multi-Party Computation, cálculo multipartito) es eliminar el punto único de falla mediante la fragmentación de la clave. Por ejemplo, en el caso común de firmas umbral 2-of-3: incluso si una parte de la clave se filtra, el atacante no puede completar de forma independiente la firma, y la seguridad de los fondos no se ve afectada. Vultisig es un producto representativo de esta dirección: es un monedero auto-custodiado multi-cadena de código abierto basado en tecnología MPC/TSS, con arquitectura sin una sola frase mnemónica; combina la seguridad de la clave con la custodia propia del usuario.

TEE (Trusted Execution Environment, entorno de ejecución confiable) sigue otro camino: encerrar tanto la clave privada como el código del agente en una región aislada protegida por hardware (enclave), donde el agente de IA completa el cálculo de la estrategia y la firma; solo se envía el resultado de la firma a la cadena, y el entorno externo no puede ver la clave privada en absoluto. Chips principales como Intel SGX, AMD SEV y ARM CCA proporcionan soporte de aislamiento y cifrado a nivel hardware. Chainlink ha incorporado TEE en su red de oráculos para procesar datos sensibles y, mediante mecanismos de autenticación remota, puede demostrar hacia el exterior la integridad del entorno de ejecución.

Sin embargo, la seguridad de la clave no es la única barrera. En despliegues reales, independientemente de qué solución de gestión de claves se use, es necesario superponer un mecanismo de control de permisos para evitar que el agente realice operaciones fuera de sus atribuciones. La práctica de Almanak ofrece un marco de referencia relativamente completo: la plataforma utiliza simultáneamente TEE para proteger la lógica de la estrategia y parámetros privados, e inserta una capa de permisos Zodiac Roles Modifier entre el motor de despliegue y la cuenta inteligente Safe que posee el usuario. Cada transacción iniciada por la IA debe compararse uno por uno con una lista blanca preestablecida de direcciones de contrato, funciones y parámetros; las transacciones que no cumplan con el rango de autorización se rechazan automáticamente.

Esta materialización del principio de mínimo privilegio ya se ha convertido en una referencia importante para el diseño de seguridad de sistemas DeFAI. Revela una lógica más profunda: el problema de seguridad de DeFAI no es, en esencia, un asunto de selección de una tecnología única; es una ingeniería de sistema que surge de la coordinación entre gestión de claves, límites de permisos y auditoría de ejecución. La falta de cualquiera de los eslabones puede convertirse en el nodo más débil de toda la cadena. Esta es también la base de partida para el análisis de riesgos del siguiente capítulo.

VI. Brecha entre la realidad y el relato: análisis de los riesgos clave de DeFAI

La expansión rápida del relato suele ocurrir antes de que la tecnología alcance madurez real. Entre 2024 y 2025, la valoración del mercado para DeFAI suele estar muy por encima de su progreso real de despliegue. Evaluar de manera objetiva el valor de esta vía debe basarse en una comprensión clara de los siguientes riesgos estructurales.

Gráfico 10: Tabla comparativa de identificación de riesgos clave de DeFAI

Entre los riesgos anteriores, hay tres tipos que vale especialmente la pena desarrollar en detalle.

Primero, las alucinaciones del modelo es una categoría de riesgo que actualmente es más difícil de resolver fundamentalmente. En escenarios de servicios de información, el costo de una alucinación de LLM es simplemente una respuesta errónea; pero en escenarios de activos on-chain, el mismo error puede desencadenar directamente una pérdida irreversible de fondos. Mientras el razonamiento subyacente dependa de LLM, este riesgo no puede eliminarse por completo; actualmente solo puede gestionarse mediante mecanismos de validación de salida y de retroceso, en lugar de curarse por completo.

Segundo, los ataques MEV tienen un rasgo estructural: cuando el patrón de transacciones de un agente de IA se vuelve estable y predecible, los bots de “carrera” se vuelven específicos para intervenir. La combinación de TEE con ejecución privada puede reducir la exposición de la estrategia hasta cierto punto, pero aún no existe una solución sistemática.

Por último, el abismo de materialización comercial tampoco puede subestimarse: según el informe de McKinsey de 2025, en escenarios empresariales generales, menos del 10% de las organizaciones logran un despliegue a escala de agentes de IA en cualquier función única. En escenarios on-chain, el umbral de confianza y la complejidad operativa son aún mayores, y este abismo no hace más que intensificarse: muchos productos etiquetados con “DeFAI” todavía están, en la práctica, en fase de prueba de concepto; desde una demostración técnica hasta un ciclo comercial realmente significativo, todavía hay una distancia considerable.

VII. Análisis de tendencias

A partir del análisis anterior, puede hacerse una evaluación por etapas de la ruta evolutiva de DeFAI. En general, esta vía se encuentra en el punto crítico de transición de la prueba de concepto a la productización, y se prevé que su evolución atraviese tres etapas progresivas:

Gráfico 11: Predicción de etapas de desarrollo de DeFAI

Nota: La tabla de arriba se basa en una evaluación integral no determinista de reportes públicos de la industria, avances de proyectos y madurez tecnológica

En el estado actual, DeFAI en general se encuentra en una fase de transición de periodo de apoyo a la toma de decisiones hacia una etapa semiautónoma: algunos proyectos ya han comenzado a asumir capacidades limitadas de ejecución autónoma, pero los mecanismos de revisión humana y respaldo siguen siendo la forma de despliegue predominante. En este contexto, en combinación con la madurez tecnológica actual y la realidad del mercado, hay tres conclusiones que vale la pena destacar.

En primer lugar, la esencia de la mayoría de los proyectos DeFAI actuales sigue siendo herramientas de automatización, no agentes realmente autónomos. En esta etapa, los productos etiquetados como “DeFAI” tienen principalmente la capacidad de traducir instrucciones humanas a secuencias de operaciones DeFi preestablecidas; en esencia se parecen más a una interfaz de ejecución eficiente que a un sistema autónomo con capacidades independientes de razonamiento y decisión. Según el informe de McKinsey de 2025, incluso en escenarios empresariales generales, menos del 10% de las organizaciones logran un despliegue a escala de agentes de IA en cualquier función única. En escenarios on-chain, el umbral de confianza y la complejidad operativa son más altos; aún hay una distancia considerable desde las demostraciones técnicas hasta un cierre comercial realmente completo.

En segundo lugar, la dirección en la que los agentes de IA son actualmente más maduros y más fáciles de obtener la confianza institucional no es la negociación autónoma de alto riesgo, sino la supervisión on-chain, alertas y apoyo a la gobernanza. Escenarios como el monitoreo de posiciones 24/7, alertas de liquidación y análisis de propuestas de gobernanza, por un lado tienen una tolerancia relativamente mayor a las alucinaciones de LLM—salidas incorrectas no disparan directamente pérdidas de fondos—y, por otro lado, pueden compensar de manera efectiva la insuficiencia innata de la atención humana sostenida. Estos escenarios son una ruta más realista para que DeFAI pase de “demostración tecnológica” a “adopción institucional”.

En tercer lugar, la fusión de agentes de IA con RWA es la próxima dirección de intersección que vale la pena observar con atención en esta vía. Según datos de RWA.xyz, a principios de abril de 2026, el valor total de activos RWA tokenizados on-chain ya supera los 27.000 millones de USD (sin incluir stablecoins), abarcando varias categorías como bonos del Tesoro de EE. UU., crédito privado, materias primas y bonos corporativos. Si los agentes de IA pudieran intervenir en la gestión de un portafolio de activos que incluya tanto RWA de bonos del Tesoro como stablecoins—por ejemplo, ajustando automáticamente las proporciones de asignación según el entorno del mercado—el volumen de activos al que podrían acceder sería mucho mayor que el alcance actual dominado por activos nativos DeFi, y podría finalmente conectar el lado de los activos on-chain y off-chain, realizando una interconexión Web3+AI+TraFi y ampliando de forma significativa la imaginación del mercado.

VIII. Conclusión

Los agentes de IA y la gestión de activos on-chain están en un periodo crítico de transición de la prueba de concepto a la productización. La viabilidad técnica ya ha sido validada inicialmente, pero desde el riesgo de alucinaciones del LLM, la heterogeneidad de datos on-chain hasta la falta de infraestructura base de confianza, los desafíos a los que se enfrenta la industria no se pueden resolver únicamente con iteración tecnológica. Se requiere un avance sistemático: diseño de arquitectura de proyectos, planificación de rutas de cumplimiento normativo, construcción de sistemas de seguridad y validación de modelos de negocio.

Esto también significa que esta vía aún está en una fase temprana de construcción, y que el panorama competitivo real todavía no se ha configurado. Para equipos con capacidad de manejar simultáneamente Web3 y la IA, este es justamente el momento ventana para entrar: tanto si se trata de construir sistemas de agentes on-chain más fiables en la capa de ejecución como si se trata de conectar los eslabones clave de datos, permisos y confianza en la capa de infraestructura, todavía existe un espacio considerable por cubrir.

Las barreras competitivas de DeFAI, en última instancia, no recaerán en una sola capacidad del modelo ni en la profundidad de la integración de protocolos, sino en si es posible construir un ciclo verdaderamente coherente entre tecnología, cumplimiento normativo y seguridad.

—Seguimos profundizando en esta zona de intersección y esperamos explorar con proyectos y inversores institucionales con intereses afines los límites y posibilidades de este campo juntos.