Skip to content
Índice Cripto IA – Dashboard de Sector en Vivo y Mapa de Tokens (2026)

Índice Cripto IA – Dashboard de Sector en Vivo y Mapa de Tokens (2026)

Análisis de MercadoÚltima actualización: 22 de noviembre de 2026

Resumen Ejecutivo: Por Qué el Sector de Tokens de IA Necesita un Mapa

La inteligencia artificial y las criptomonedas fueron tratadas como dos historias separadas durante la mayor parte de la última década. Eso cambió entre 2023 y 2025, cuando el costo y la escasez del cómputo de GPU, el auge de los agentes de software autónomos y un creciente debate sobre quién controla los modelos de IA de frontera unieron a las dos industrias. El resultado es un sector de tokens que hoy es uno de los grupos más observados en los activos digitales. También es uno de los más malentendidos. Un token con IA en su nombre puede ser cualquier cosa, desde un mercado de GPU en funcionamiento con ingresos medibles hasta una meme coin con una mascota generada por IA.

Esta guía se propone solucionar eso. Ofrece un mapa de mercado estructurado del sector de tokens de IA, explica cómo se puede construir un índice de criptomonedas de IA para rastrearlo, y muestra qué métricas separan la actividad real de la red de la narrativa. Está escrita para analistas, constructores de carteras y lectores técnicamente curiosos que quieren un marco reutilizable, no una lista de tickers a perseguir.

Qué cubre esta guía

  • Definiciones: qué cuenta como token de IA y por qué una taxonomía importa más que una lista de seguimiento.
  • El mapa de mercado: siete capas funcionales, del cómputo a las aplicaciones de consumo, cada una con su propia economía.
  • Componentes principales: perfiles detallados de los proyectos que componen la mayor parte de la liquidez del sector, incluyendo Bittensor (TAO), la Artificial Superintelligence Alliance (FET), Render (RENDER), NEAR Protocol (NEAR), Internet Computer (ICP), Akash Network (AKT), Virtuals Protocol (VIRTUAL), io.net (IO) y Worldcoin (WLD).
  • Tecnología: cómo funcionan internamente el cómputo descentralizado, las redes de modelos basadas en incentivos, los marcos de agentes y la inferencia verificable.
  • Metodología de índice: reglas de inclusión, esquemas de ponderación, rebalanceo y las trampas que hacen que las canastas de IA ingenuas sean engañosas.
  • Estructura de mercado: liquidez, correlación con Bitcoin y con acciones de IA, presión de desbloqueo y comportamiento de ciclo.
  • Riesgos y oportunidades: una visión equilibrada de lo que puede salir bien y lo que ya ha salido mal.
  • Perspectiva hasta 2030: escenarios con señales explícitas en lugar de objetivos de precio.

Una nota sobre los datos

Los precios y capitalizaciones de mercado en este sector se mueven rápido, a menudo con variaciones de doble dígito en una semana. Por esa razón, esta guía evita citar precios puntuales que quedarían desactualizados en días. Donde aparecen cifras, son parámetros definidos por el protocolo (como el límite de suministro de 21 millones de TAO de Bittensor) o eventos históricos que están en el registro público. Para valores en tiempo real, combine este marco con un feed de datos en tiempo real y las lecturas de sentimiento en cryptobeast.ai.

El contexto actual de sentimiento es útil aquí. Al momento de escribir esto, el sentimiento de large-caps en la plataforma es fuerte: ADA, DOGE, XLM, LINK y SHIB registran 100/100, ETH 90/100, SOL 87/100, XRP 75/100 y BTC 73/100. El único large cap con marca IA en ese grupo, NEAR, se ubica en 66/100, la lectura más baja de la lista. Esa brecha captura dónde se encuentra el sector a finales de 2026: el apetito por el riesgo en criptomonedas es alto, pero los tokens de IA no son automáticamente los principales beneficiarios. El capital está siendo más selectivo, y la selectividad es exactamente para lo que sirve un mapa de mercado.

Conclusiones clave por adelantado

  • El sector de tokens de IA no es una sola operación. El cómputo, las redes de modelos, los agentes, los datos y las cadenas nativas de IA tienen diferentes motores de ingresos, competidores y modos de fracaso.
  • La señal a largo plazo más fuerte es el uso pagado: comisiones por alquileres de GPU, solicitudes de inferencia, transacciones de agentes o ventas de datos, medidas contra las emisiones de tokens.
  • La valoración totalmente diluida y los calendarios de desbloqueo importan más en este sector que en la mayoría, porque muchos tokens de IA se lanzaron con float bajo y FDV alto.
  • Un índice bien construido debe limitar el peso de un solo nombre, filtrar por liquidez y rebalancear en un calendario fijo para evitar convertirse en una apuesta apalancada en uno o dos tokens.
  • Los tokens de IA son sensibles tanto a la beta de criptomonedas como al sentimiento en torno a las acciones de IA, lo que los convierte en una exposición de alta volatilidad incluso según los estándares cripto.

El resto de la guía desarrolla estos puntos en detalle, comenzando con lo que realmente son un índice de criptomonedas de IA y un mapa de mercado.

Qué Son Realmente un Índice de Criptomonedas de IA y un Mapa de Mercado

Un índice de criptomonedas de IA es una canasta de tokens basada en reglas cuyas redes proveen, coordinan o consumen recursos de inteligencia artificial. Un mapa de mercado es la taxonomía subyacente: una clasificación de proyectos según lo que realmente hacen en la cadena de valor de IA. El índice te dice cómo está rindiendo el sector. El mapa te dice por qué, y qué parte del sector lo está impulsando.

Los dos van juntos. Un índice sin mapa tiende a derivar hacia un concurso de popularidad, manteniendo lo que tenga la narrativa de IA más fuerte este trimestre. Un mapa sin índice es útil para la investigación, pero no ofrece forma de medir el rendimiento ni de comparar un segmento con otro.

Definir un token de IA

Estar etiquetado como IA en un agregador no es suficiente para contar. Una definición práctica necesita al menos uno de los siguientes:

  • Provisión de recursos: la red suministra cómputo, almacenamiento, ancho de banda o datos que se utilizan para entrenar o ejecutar modelos de IA.
  • Producción de inteligencia: la red coordina y recompensa la creación de modelos, salidas de inferencia o evaluaciones.
  • Infraestructura de agentes: la red proporciona marcos, launchpads, wallets o rieles de pago construidos principalmente para agentes de IA autónomos.
  • Liquidación nativa de IA: la capa base está explícitamente diseñada y comercializada para cargas de trabajo de IA, con herramientas dedicadas como inferencia on-chain, cuentas de agentes o ejecución de intenciones.
  • Verificación e identidad: la red prueba que una salida provino de un modelo dado, o que un participante es humano en lugar de un bot.

Los tokens que solo usan la marca IA, como meme coins con personajes de IA o proyectos que anunciaron una integración de chatbot sin ningún cambio a nivel de protocolo, están excluidos de un índice estricto. Pueden aparecer en una canasta narrativa más amplia, pero deben mantenerse separados.

El mapa de mercado de siete capas

El marco de cryptobeast.ai clasifica el sector en siete capas funcionales, ordenadas aproximadamente desde la infraestructura física hasta el usuario final.

  • Capa 1, Cómputo: mercados descentralizados de GPU y CPU. Ejemplos: Render (RENDER), Akash Network (AKT), io.net (IO), Aethir (ATH), Nosana (NOS). Motor principal: demanda de horas de GPU en alquiler y la brecha de precio frente a las nubes centralizadas.
  • Capa 2, Redes de inteligencia descentralizada: protocolos que recompensan a los participantes por producir modelos o salidas útiles. El referente es Bittensor (TAO) y sus tokens de subred. Motor principal: la calidad y el uso comercial de lo que producen las subredes.
  • Capa 3, Datos: redes que recopilan, etiquetan, licencian o monetizan datos para entrenamiento. Ejemplos: Grass, Vana (VANA), Ocean Protocol (OCEAN). Motor principal: demanda de los constructores de modelos de conjuntos de datos propietarios o de propiedad del usuario.
  • Capa 4, Marcos de agentes y launchpads: herramientas y plataformas de lanzamiento de tokens para agentes autónomos. Ejemplos: Virtuals Protocol (VIRTUAL), ElizaOS (anteriormente ai16z) y la pila de agentes de Fetch.ai dentro de la ASI Alliance (FET). Motor principal: número de agentes activos que generan ingresos.
  • Capa 5, Capas base nativas de IA: cadenas de propósito general posicionadas como la capa de liquidación para IA. Ejemplos: NEAR Protocol (NEAR), Internet Computer (ICP). Motor principal: adopción por desarrolladores y características específicas de IA como abstracción de cadena, intenciones e inferencia on-chain.
  • Capa 6, Verificación e identidad: machine learning de conocimiento cero (zkML), ML optimista y prueba de humanidad. Ejemplos: Worldcoin (WLD), más una larga cola de proyectos zkML que en su mayoría aún no tienen token. Motor principal: la necesidad de distinguir humanos de agentes y probar la procedencia del modelo.
  • Capa 7, Aplicaciones e InfoFi: productos de consumo y profesionales que usan IA y llevan un token. Ejemplos incluyen Kaito (KAITO) y varias herramientas de trading y análisis de IA. Motor principal: crecimiento de usuarios e ingresos por suscripción o comisiones.

Por qué la clasificación cambia el análisis

Cada capa tiene un modelo económico diferente, y tratarlas como un grupo oculta eso. Las redes de cómputo se comportan como mercados de materias primas: sus ingresos dependen de la utilización y los diferenciales de precio frente a AWS, Google Cloud y nubes de GPU especializadas como CoreWeave. Las redes de inteligencia se comportan más como fondos de investigación, pagando emisiones a cambio de salidas de modelos cuyo valor es incierto. Los launchpads de agentes son más parecidos a exchanges o tiendas de aplicaciones, cobrando comisiones por lanzamientos de tokens y trading. Las L1 nativas de IA se valoran como cualquier plataforma de smart contracts, por actividad de desarrolladores, comisiones y profundidad del ecosistema.

Así que las preguntas que importan difieren por capa. Para Render se pregunta sobre el volumen de trabajos de GPU y la quema. Para Bittensor se pregunta si los outputs de las subredes los está comprando alguien fuera de la red. Para Virtuals se pregunta cuántos agentes generan ingresos sostenidos después del lanzamiento. Para NEAR se pregunta si los desarrolladores de IA lo están eligiendo sobre los L2 de Ethereum o Solana. Un mapa de mercado convierte estas preguntas en una lista de verificación repetible.

Índice versus canasta narrativa

Finalmente, un índice es diferente de una canasta narrativa. Una canasta narrativa es cualquier colección de tokens que se mueven juntos en un tema, y a menudo incluye meme coins y nombres de baja liquidez que suben en las redes sociales. Un índice tiene reglas de inclusión publicadas, filtros de liquidez, límites de peso y un calendario de rebalanceo. La diferencia se vuelve obvia en las caídas. Las canastas narrativas durante la manía de agentes de IA de finales de 2024 y principios de 2025 a menudo perdieron del 80 al 95 por ciento desde el pico, mientras que las canastas basadas en reglas ponderadas hacia cómputo e infraestructura cayeron mucho menos, aunque igualmente con fuerza.

Por Qué el Sector de Tokens de IA Importa en 2026

El argumento para rastrear tokens de IA en 2026 no depende de que ningún proyecto en particular funcione. Se apoya en cuatro tendencias estructurales, cada una de las cuales impulsa la demanda hacia una infraestructura abierta y sin permisos para la IA.

1. Escasez de cómputo y la economía de las GPU

La demanda de cómputo de entrenamiento e inferencia de IA ha crecido más rápido que la oferta de aceleradores de alta gama durante varios años consecutivos. Los hyperscalers han comprometido cientos de miles de millones de dólares en gasto de capital combinado en centros de datos, y el acceso a las GPU de primer nivel sigue siendo racionado a través de contratos a largo plazo que favorecen a los compradores más grandes. Eso deja un gran mercado intermedio desatendido: startups, investigadores, estudios de renderizado y desarrolladores independientes que necesitan acceso flexible y a corto plazo a GPU a un precio razonable.

Las redes de cómputo descentralizadas apuntan exactamente a esa brecha. Agrupan GPU inactivas o subutilizadas, desde tarjetas de consumidores hasta hardware de minería retirado y capacidad de centros de datos excedente, y venden acceso a través de mercados abiertos. El argumento no es que reemplazarán a AWS. El argumento es que pueden atender una larga cola de oferta y demanda que a los proveedores centralizados les resulta antieconómico servir. Si ese argumento se sostiene se muestra en los datos de utilización, por eso los tokens de cómputo son la parte más medible del sector.

2. La economía de agentes necesita rieles de pago nativos

La segunda tendencia es el cambio de asistentes de IA de tipo chat a agentes autónomos: software que planifica, toma acciones, llama herramientas y gasta dinero para un usuario o para sí mismo. Para 2026, los flujos de trabajo agénticos son estándar en el desarrollo de software, la atención al cliente, la investigación y el trading. Los agentes necesitan pagar por llamadas de API, datos, cómputo y servicios de otros agentes, a menudo en cantidades pequeñas y a través de fronteras, a velocidad de máquina.

Los rieles de pago tradicionales manejan esto mal. Las redes de tarjetas fueron construidas para humanos, tienen comisiones fijas que hacen que los micropagos sean antieconómicos, y necesitan verificaciones de identidad que un agente no puede pasar por sí solo. Las stablecoins en cadenas de alto rendimiento, los wallets programables y los estándares de pago específicos para agentes son una opción mucho mejor. Los esfuerzos de la industria en protocolos de pago de agentes, incluidos los estándares de pago nativos de HTTP revividos alrededor del código de estado 402 Payment Required y las especificaciones de comercio agente a agente, apuntan en la misma dirección: los agentes transaccionarán en rieles cripto por defecto. Eso le da a los marcos de agentes, las L1 nativas de IA y la infraestructura de stablecoin debajo de ellos un camino real de crecimiento.

3. El debate entre IA abierta y cerrada

Tercero, la IA de frontera está concentrada en un puñado de empresas. Un pequeño número de laboratorios controla los modelos más capaces, los clusters de cómputo más grandes y los pipelines de datos que los alimentan. Esa concentración genera preocupaciones sobre censura, poder de fijación de precios, acceso a modelos y la alineación de los sistemas de IA con los intereses de quienes los controlan.

Los modelos de código abierto han reducido considerablemente la brecha, y un ecosistema creíble de modelos abiertos ahora compite en muchas tareas. Las redes descentralizadas como Bittensor van un paso más allá, intentando coordinar la producción de inteligencia misma a través de incentivos abiertos. La investigación de entrenamiento distribuido, de proyectos que trabajan en entrenamiento de baja comunicación a través de internet abierto, ha demostrado que modelos útiles pueden entrenarse en hardware heterogéneo distribuido globalmente. Incluso si la IA descentralizada nunca iguala a los laboratorios de frontera, puede actuar como una alternativa abierta creíble, y las alternativas abiertas tienden a capturar un valor significativo en los mercados tecnológicos.

4. Verificación, procedencia y prueba de humanidad

Cuarto, a medida que el contenido generado por IA se vuelve indistinguible de la producción humana, la verificación se convierte en infraestructura. Las plataformas, los reguladores y los usuarios necesitan cada vez más responder tres preguntas: ¿fue esto producido por un humano, qué modelo lo produjo y el modelo se ejecutó honestamente? Las herramientas criptográficas como las pruebas de conocimiento cero, los entornos de ejecución confiables (TEE) y las atestaciones on-chain responden estas preguntas de maneras que no dependen de confiar en una sola empresa. Los sistemas de prueba de humanidad como World ID son un enfoque para la pregunta humana. zkML y la inferencia basada en TEE son enfoques para la pregunta del modelo.

Contexto macroeconómico para finales de 2026

Estos motores estructurales se desarrollan en un contexto de mercado. El sentimiento cripto amplio en cryptobeast.ai es fuertemente positivo en noviembre de 2026, con muchas large caps en o cerca de lecturas máximas y ETH (90/100) y SOL (87/100) muy por encima de BTC (73/100). Ese patrón generalmente marca una fase de toma de riesgo en la que el capital rota de Bitcoin hacia plataformas de smart contracts y sectores de mayor beta. En ciclos pasados, los tokens de IA han sido de los mayores beneficiarios de tales rotaciones.

La lectura más modesta de NEAR (66/100) es un recordatorio de que la rotación no es automática. Después del exceso especulativo de la manía de agentes de 2024-2025 y las profundas caídas que siguieron, muchos inversores ahora exigen evidencia de uso antes de pagar por exposición a IA. Eso es saludable. Significa que el sector está pasando de un mercado impulsado por narrativas a uno impulsado por fundamentos, lo que favorece a proyectos con ingresos medibles y captura clara de valor de tokens.

El vínculo con las acciones de IA

Los tokens de IA también se negocian con un ojo puesto en las acciones públicas de IA. Las ganancias de los principales fabricantes de GPU, la orientación de gasto de capital de los hyperscalers y los lanzamientos de modelos importantes afectan el sentimiento de los tokens de IA, a menudo en cuestión de horas. Ese vínculo entre activos es una característica real del sector. Atrae a una nueva clase de participantes que quieren exposición líquida y 24/7 al tema de IA, pero también significa que los tokens de IA pueden caer por noticias del mercado de renta variable que no tienen nada que ver con los fundamentos cripto.

Proyectos y Tokens Clave: Los Componentes Principales

El sector de tokens de IA contiene cientos de activos, pero la liquidez y la actividad de desarrolladores están concentradas en un grupo relativamente pequeño. Los perfiles a continuación cubren los proyectos que forman el núcleo de cualquier índice serio de criptomonedas de IA, organizados por capa del mapa de mercado. Para cada uno, el enfoque está en qué hace la red, cómo captura valor el token y qué métricas importan más.

Bittensor (TAO): redes de inteligencia descentralizada

Bittensor es el proyecto de referencia para la capa de inteligencia descentralizada. Ejecuta una red de subredes, cada una un mercado competitivo para una tarea específica de IA, como inferencia de texto, preentrenamiento, generación de imágenes, raspado de datos, plegamiento de proteínas o predicción financiera. Dentro de cada subred, los mineros producen outputs y los validadores los puntúan. El mecanismo Yuma Consensus combina las puntuaciones de los validadores en asignaciones de recompensas.

TAO tiene un suministro máximo fijo de 21 millones, un eco deliberado de Bitcoin, y un calendario de halvings. El primer halving, en diciembre de 2025, redujo la emisión diaria de aproximadamente 7.200 TAO a aproximadamente 3.600 TAO. En febrero de 2025 la red pasó a Dynamic TAO (dTAO), que le dio a cada subred su propio token alpha y un pool de creador de mercado automatizado contra TAO. Las emisiones ahora fluyen según la demanda del mercado por el token de cada subred en lugar de por votación de validadores, convirtiendo a Bittensor en un mercado para startups de IA tanto como en un protocolo.

Métricas clave: número de subredes activas, TAO neto apostado en pools de subredes, ingresos externos obtenidos por productos de subredes, y la proporción de emisiones que van a subredes con usuarios pagadores reales.

Artificial Superintelligence Alliance (FET): infraestructura de agentes

La ASI Alliance se formó en 2024 como una fusión de tokens entre Fetch.ai, SingularityNET y Ocean Protocol, con FET como el token sobreviviente. CUDOS, un proveedor de cómputo, se unió más tarde. Ocean Protocol anunció su salida de la alianza a finales de 2025, lo que redujo la huella de la capa de datos de la alianza y creó cierta fricción en la gobernanza y la contabilidad de tokens. El núcleo sigue siendo el marco de agentes autónomos de Fetch.ai (uAgents, Agentverse), el mercado descentralizado de IA de SingularityNET y el enfoque en investigación de AGI, y las iniciativas del modelo ASI:One.

Métricas clave: agentes registrados y activos en Agentverse, volumen de transacciones que fluye a través de los servicios de agentes, y progreso en productos a nivel de alianza en contraposición a anuncios.

Render Network (RENDER): cómputo de GPU

Render comenzó como una red de renderizado de GPU descentralizada estrechamente ligada a OTOY y su software OctaneRender, sirviendo a artistas 3D, estudios y diseñadores de movimiento. Se trasladó de Ethereum a Solana en 2023 y desde entonces se ha expandido hacia la inferencia de IA y las cargas de trabajo de cómputo. Su modelo de token es un Equilibrio de Quema y Acuñación: los usuarios queman RENDER en proporción al valor en moneda fiat del trabajo que compran, mientras que los operadores de nodos reciben RENDER recién acuñado según un calendario de emisiones fijo. Si la quema supera las emisiones, la oferta neta cae.

Métricas clave: trabajos de renderizado y cómputo, RENDER quemado por época frente a las emisiones, y la proporción de cargas de trabajo de no renderizado (IA).

NEAR Protocol (NEAR): capa base nativa de IA

NEAR es una capa 1 de prueba de participación fragmentada cofundada por Illia Polosukhin, uno de los coautores del artículo Transformer de 2017 Attention Is All You Need. Ese antecedente ha convertido a NEAR en la cadena de propósito general más creíble que reclama el posicionamiento de IA. Su estrategia combina abstracción de cadena (firmas de cadena que permiten a una cuenta NEAR controlar activos en otras cadenas), NEAR Intents para ejecución entre cadenas, y NEAR AI, que se enfoca en IA de propiedad del usuario, inferencia privada en TEE y herramientas de agentes.

La lectura de sentimiento de NEAR de 66/100 en cryptobeast.ai es constructiva pero se queda atrás de las principales L1, lo que sugiere que el mercado todavía quiere pruebas de que el posicionamiento de IA se traduzca en crecimiento de comisiones.

Métricas clave: cuentas activas diarias, volumen de intenciones, ingresos por comisiones y actividad de desarrolladores específica de IA.

Internet Computer (ICP): ejecución de IA on-chain

El Internet Computer, desarrollado por la Fundación DFINITY, ejecuta smart contracts llamados canisters que pueden servir contenido web y ejecutar más cómputo que la mayoría de las cadenas. DFINITY ha demostrado inferencia de IA on-chain para modelos más pequeños y ha impulsado la construcción de aplicaciones asistida por IA a través de su plataforma Caffeine. La tokenómica de ICP quema ICP en ciclos, que pagan por el cómputo.

Métricas clave: tasa de quema de ciclos, número de canisters activos y la adopción de las herramientas de construcción de aplicaciones de IA.

Akash Network (AKT): nube descentralizada

Akash es una cadena Cosmos SDK que ejecuta un mercado de subasta inversa para cómputo en la nube. Los proveedores pujan para alojar cargas de trabajo, y los usuarios generalmente pagan muy por debajo de los precios de lista de las nubes centralizadas. Akash añadió soporte de GPU en 2023 y desde entonces se ha convertido en un lugar destacado para trabajos de inferencia y ajuste fino de IA, incluyendo a través de asociaciones con proveedores ricos en GPU.

Métricas clave: arrendamientos activos, tasa de utilización de GPU, gasto diario en la red y el número de GPU disponibles.

io.net (IO) y Aethir (ATH): agregación de GPU

io.net, construido sobre Solana y lanzado con un token en 2024, agrega oferta de GPU de centros de datos, mineros de criptomonedas y hardware de consumidores en clusters para cargas de trabajo de IA. Aethir se enfoca en la nube de GPU de nivel empresarial para IA y juegos en la nube, con una red de nodos que verifica la calidad del servicio. Ambos compiten directamente con Akash y Render en la capa de cómputo y están expuestos a la misma pregunta central: ¿puede un mercado descentralizado garantizar la confiabilidad que necesitan los clientes empresariales?

Virtuals Protocol (VIRTUAL): launchpad de agentes

Virtuals, principalmente en Base y luego expandido a Solana, permite a los creadores lanzar agentes de IA tokenizados. Cada token de agente está emparejado contra VIRTUAL, por lo que la demanda de trading de agentes también crea demanda de VIRTUAL. Durante la manía de agentes de finales de 2024, Virtuals alcanzó una valoración de varios miles de millones de dólares antes de una fuerte caída en 2025. Desde entonces ha añadido mecanismos de lanzamiento más estructurados y un protocolo de comercio de agentes para que los agentes puedan transaccionar entre sí.

Métricas clave: nuevos lanzamientos de agentes, ingresos por comisiones del protocolo, y la proporción de agentes con ingresos continuos después de su ventana de lanzamiento.

Worldcoin (WLD): prueba de humanidad

Worldcoin, cofundado por Sam Altman, emite World IDs a personas verificadas como humanos únicos con su dispositivo de escaneo de iris Orb. Su relevancia para la IA es directa: a medida que los bots y agentes se multiplican, una forma de probar la humanidad que preserve la privacidad se vuelve valiosa para las plataformas, los airdrops, la gobernanza y los pagos. También enfrenta el mayor escrutinio regulatorio de cualquier proyecto en esta lista, con acciones de protección de datos en varias jurisdicciones.

Métricas clave: World IDs verificados, el número de aplicaciones que integran World ID y los desarrollos regulatorios.

Menciones honorables

  • ElizaOS (anteriormente ai16z): un marco de agentes de código abierto ampliamente utilizado cuyo token rastrea el ecosistema construido a su alrededor.
  • Kaito (KAITO): una plataforma de información cripto impulsada por IA que lanzó un token en 2025, un ejemplo líder de InfoFi.
  • Grass y Vana: proyectos de capa de datos centrados en datos web y datos de propiedad del usuario respectivamente.
  • Chainlink (LINK): no es un token de IA, pero su infraestructura de oráculo y entre cadenas sustenta cada vez más a los agentes que necesitan datos verificados fuera de la cadena. Su lectura de sentimiento de 100/100 refleja la demanda amplia de infraestructura.

Inmersión Tecnológica: Cómo Funciona Realmente la IA Descentralizada

Detrás de las narrativas se encuentran problemas de ingeniería reales. Las redes de IA descentralizadas deben resolver problemas de coordinación, verificación y rendimiento que los proveedores centralizados evitan al confiar en su propio hardware. Conocer estos mecanismos es la mejor manera de juzgar si las afirmaciones de un proyecto son plausibles.

Mercados de cómputo descentralizados

Una red de cómputo descentralizada tiene tres partes principales: un registro de oferta donde los proveedores listan hardware, un mecanismo de emparejamiento que conecta trabajos con proveedores, y una capa de liquidación y verificación que paga a los proveedores y penaliza las trampas.

  • Emparejamiento: Akash usa subastas inversas, donde los usuarios publican manifiestos de despliegue y los proveedores pujan. Render usa un sistema de enrutamiento de trabajos por niveles que pondera la reputación del nodo y la prioridad. io.net agrupa las GPU en clusters configurados para marcos específicos.
  • Verificación: esta es la parte difícil. Para el renderizado, el output se puede verificar visualmente o mediante muestreo de fotogramas. Para el entrenamiento e inferencia de IA, verificar la corrección es mucho más difícil. La mayoría de las redes combina puntuaciones de reputación, staking con slashing, ejecución redundante en verificaciones puntuales y atestación de hardware.
  • Límites de red: el entrenamiento de modelos grandes necesita enlaces de muy alto ancho de banda y baja latencia entre GPUs, que los centros de datos proporcionan con interconexiones especializadas. Las GPUs de consumidores distribuidas por internet no pueden igualar esto, por lo que el cómputo descentralizado se adapta mejor a la inferencia, el ajuste fino, el renderizado y los trabajos por lotes que al preentrenamiento de frontera.

Inteligencia impulsada por incentivos: cómo Bittensor puntúa el output

El diseño de Bittensor invierte el modelo habitual. En lugar de pagar por tiempo de cómputo, paga por calidad de output según lo juzgan los validadores. Cada subred define su propio mecanismo de incentivos, el código que le dice a los validadores cómo puntuar a los mineros. Una subred de inferencia de texto puede puntuar respuestas frente a modelos de referencia o preferencias humanas. Una subred de preentrenamiento puede puntuar puntos de control de modelos por pérdida en datos reservados. Una subred de predicción puede puntuar pronósticos frente a resultados realizados.

Yuma Consensus luego agrega los pesos de los validadores, dando más influencia a los validadores que concuerdan con el consenso ponderado por participación y limitando el efecto de valores atípicos o validadores que colusionan. Bajo dTAO, la participación de las emisiones de TAO de cada subred depende del precio de su token alpha en su pool de TAO. En efecto, el mercado decide qué subredes merecen financiamiento.

El principal riesgo técnico es el juego de incentivos. Si la función de puntuación puede ser explotada, por ejemplo copiando outputs de un modelo más fuerte o sobreajustando al conjunto de evaluación, los mineros lo explotarán. La calidad de la subred depende en gran medida de lo robusto que sea el diseño de incentivos, por eso la diligencia debida a nivel de subred importa.

Entrenamiento distribuido y de baja comunicación

Un creciente cuerpo de investigación aborda el entrenamiento a través de internet abierto. Los métodos que reducen la frecuencia con que los nodos deben sincronizar gradientes, como variantes del SGD local y técnicas que comprimen o retrasan la comunicación, han permitido entrenar modelos con miles de millones de parámetros en GPUs distribuidas globalmente. Varios equipos han demostrado modelos de entrenamiento colaborativo y abierto construidos de esta manera. El resultado aún no está a escala de frontera, pero confirma que los límites de red del entrenamiento descentralizado son un problema de ingeniería, no una ley de la física.

Marcos de agentes y agentes on-chain

Un agente de IA en cripto generalmente tiene cuatro partes:

  • Un núcleo de razonamiento: un modelo de lenguaje grande, a menudo llamado a través de una API o ejecutado en inferencia descentralizada.
  • Memoria y contexto: almacenes vectoriales y estado estructurado que rastrean las interacciones pasadas.
  • Herramientas y acciones: plugins que permiten al agente publicar en redes sociales, consultar datos, llamar smart contracts o hacer trading.
  • Un wallet: claves o cuentas inteligentes que permiten al agente tener y gastar activos.

Marcos como ElizaOS y uAgents de Fetch.ai empaquetan estas partes. Los launchpads como Virtuals añaden una capa de token para que el agente pueda recaudar capital y su comunidad pueda compartir ingresos. El problema de seguridad clave es la gestión de claves: un agente con un hot wallet controlado por un modelo es vulnerable a la inyección de prompts, donde una entrada maliciosa engaña al modelo para que envíe fondos. Las mitigaciones incluyen límites de gasto, claves de sesión, aprobación de firma múltiple para transacciones grandes y ejecutar agentes dentro de TEE.

Inferencia verificable: zkML, opML y TEE

¿Cómo sabe un usuario que un proveedor descentralizado realmente ejecutó el modelo que afirma? Hay tres enfoques principales:

  • zkML: el proveedor produce una prueba de conocimiento cero de que un modelo específico produjo un output específico a partir de una entrada dada. Esta es la garantía más sólida, pero la generación de pruebas sigue siendo mucho más costosa que la inferencia para modelos grandes, lo que la limita a modelos pequeños o partes de modelos.
  • ML optimista (opML): los resultados se asumen correctos a menos que alguien los impugne dentro de una ventana de disputa, después de lo cual el cómputo se vuelve a ejecutar y se verifica paso a paso. Esto es más barato pero añade latencia y depende de observadores activos.
  • Entornos de Ejecución Confiables: los enclaves de hardware, incluidos los modos de computación confidencial en las GPU de centros de datos modernos, producen atestaciones de que un código específico se ejecutó en hardware genuino. Esto es rápido y práctico hoy, pero depende de confiar en el proveedor de hardware y tiene un historial de vulnerabilidades de canal lateral.

En 2026, los TEE son el estándar pragmático para la inferencia privada y verificable, con NEAR AI y varias plataformas de agentes que dependen de ellos. zkML sigue siendo el objetivo a largo plazo para la verificación con confianza minimizada.

Redes de datos

Los protocolos de capa de datos enfrentan un problema diferente: probar que los datos son auténticos, únicos y legalmente utilizables. Los enfoques incluyen redes de extensiones de navegador que recopilan datos web públicos con metadatos de procedencia, DAOs de datos donde los usuarios agrupan datos personales y votan sobre licencias, y diseños de cómputo-a-datos donde los modelos se entrenan en datos sin que los datos brutos salgan nunca de su propietario. La economía depende de si los laboratorios de IA pagarán por datos procedentes de cripto en lugar de rasparlos o licenciarlos directamente de grandes editores.

Análisis de Mercado: Estructura, Liquidez y Comportamiento de Ciclo

Entender cómo se negocian los tokens de IA importa tanto como entender qué hacen. El sector tiene características estructurales distintas que configuran los retornos, las caídas y la forma en que se comporta un índice.

Tamaño y concentración

A lo largo de 2024 y 2025, el valor de mercado agregado de los tokens de categoría IA en los principales agregadores de datos osciló en las decenas de miles de millones de dólares, una pequeña fracción de la capitalización de mercado cripto total pero suficientemente grande para contar como un sector de primer nivel junto a DeFi, layer 2s y memecoins. El valor está altamente concentrado. Un puñado de nombres, típicamente Bittensor, NEAR, ICP, el token de la ASI Alliance y Render, han acaparado juntos la mayoría de la market cap del sector en la mayoría de los puntos. La larga cola de tokens de agentes, proyectos de datos y pequeñas redes de cómputo es numerosa pero individualmente pequeña.

Esa concentración tiene una consecuencia directa para la indexación. Un índice de IA puro ponderado por market cap acaba siendo principalmente una apuesta en dos o tres tokens, varios de los cuales son L1 de propósito general cuyo valor depende solo en parte de IA. Por eso importan los límites de peso y la construcción basada en capas, como se discute en la sección de metodología.

Comportamiento de ciclo: la plantilla de 2024-2025

El ciclo completo más reciente en tokens de IA ofrece una plantilla útil:

  • Fase 1, rally de infraestructura (principios de 2024): siguiendo el impulso de las acciones de IA, los tokens de cómputo e inteligencia se rallaron con fuerza. Render, Bittensor y los entonces separados tokens de Fetch.ai, SingularityNET y Ocean lideraron.
  • Fase 2, consolidación (mediados de 2024): la fusión de tokens de la ASI y la debilidad cripto generalizada produjeron un largo período lateral a la baja.
  • Fase 3, manía de agentes (Q4 2024 a enero de 2025): los agentes autónomos que publicaban en redes sociales, los launchpads de agentes y los marcos de agentes desencadenaron una ola especulativa. Virtuals Protocol y los tokens de marcos de agentes subieron muchas veces en semanas, y se lanzaron miles de tokens de agentes.
  • Fase 4, caída profunda (2025): a medida que la novedad se desvaneció y la mayoría de los agentes no mostraron ingresos duraderos, los tokens de agentes cayeron del 80 al 95 por ciento desde sus picos. Los tokens de infraestructura también cayeron bruscamente pero generalmente resistieron mejor.
  • Fase 5, reconstrucción (finales de 2025 a 2026): el mercado se orientó hacia la infraestructura generadora de ingresos, el halving de Bittensor y la madurez de dTAO, y los rieles de pago de agentes.

La lección: dentro del sector de IA, las capas narrativas (agentes, aplicaciones) tienen la beta más alta y las caídas más profundas, mientras que las capas de infraestructura (cómputo, redes de inteligencia) son más resilientes pero siguen siendo muy volátiles según los estándares tradicionales.

Estructura de correlación

Los tokens de IA tienen tres correlaciones superpuestas:

  • Beta cripto: como casi todos los altcoins, los tokens de IA se mueven fuertemente con Bitcoin y Ethereum, generalmente amplificando sus movimientos. En una venta masiva generalizada, los fundamentos de IA ofrecen poca protección.
  • Sentimiento de acciones de IA: las ganancias de los principales fabricantes de GPU, la orientación de gasto de capital de los hyperscalers y los grandes lanzamientos de modelos desencadenan regularmente movimientos a nivel de sector.
  • Rotación intrasectorial: el dinero rota entre capas. Los tokens de agentes y los tokens de cómputo a menudo se turnan liderando a medida que las narrativas cambian.

Lectura del contexto actual de sentimiento

La instantánea de sentimiento de cryptobeast.ai para el 16 de noviembre de 2026 muestra lecturas muy fuertes en las large caps: ADA, DOGE, XLM, LINK y SHIB en 100/100, ETH en 90/100, SOL en 87/100, XRP en 75/100 y BTC en 73/100. Varias características destacan:

  • Las lecturas máximas en activos de alta beta como DOGE y SHIB generalmente apuntan a un apetito por el riesgo en etapa tardía, un entorno en el que los sectores especulativos incluidos los agentes de IA pueden rally rápidamente pero también revertirse bruscamente.
  • Las lecturas de ETH y SOL por encima de BTC sugieren rotación hacia los ecosistemas de smart contracts, donde la mayor parte de la actividad de agentes de IA y cómputo se asienta (Base en Ethereum, Solana para Render e io.net).
  • NEAR en 66/100 es positivo pero claramente por debajo de sus pares. Para el análisis del sector de IA esto es una señal relativa útil: el mercado aún no está recompensando las narrativas de L1 nativas de IA al mismo nivel que la beta cripto general.

Dinámica de oferta: el problema del FDV

Muchos tokens de IA se lanzaron con baja oferta circulante y altas valoraciones totalmente diluidas, un patrón común en la cohorte de lanzamientos de 2024. Los desbloqueos programados para equipos, inversores y asignaciones de ecosistema crean presión de venta persistente que puede superar el crecimiento real en el uso. Antes de tratar cualquier token de IA como infravalorado en métricas de uso, los analistas deben comparar:

  • la market cap circulante frente al FDV,
  • el calendario de desbloqueo para los próximos 12 a 24 meses,
  • las emisiones a mineros, validadores u operadores de nodos frente a los ingresos del protocolo.

El halving de Bittensor es un contraste útil. Reducir la emisión a la mitad reduce directamente la presión de venta estructural de los mineros. El Equilibrio de Quema y Acuñación de Render crea un vínculo directo entre el uso y la oferta neta. Estos mecanismos no son garantías, pero son el tipo de diseño de token que vincula el precio a los fundamentos.

Niveles de liquidez

Para fines de índice y trading, los tokens de IA se dividen en niveles aproximados. Los nombres de Nivel 1 se negocian en todos los principales exchanges con libros de órdenes profundos y mercados de derivados. Los nombres de Nivel 2 tienen buena liquidez spot pero derivados más delgados. El Nivel 3 cubre la mayoría de los tokens de agentes y los tokens alpha de subredes, que se negocian principalmente en DEXs o en pools nativas del protocolo donde el deslizamiento incluso en órdenes moderadas puede ser significativo. Un índice destinado a ser invertible debe construirse principalmente a partir del Nivel 1 y el Nivel 2.

Construcción y Uso de un Índice de Criptomonedas de IA: Metodología

Un buen índice es un conjunto de decisiones explícitas, cada una de las cuales moldea los retornos. Esta sección presenta una metodología práctica para construir un índice de criptomonedas de IA, explica las concesiones y muestra cómo leer el comportamiento del índice una vez que existe.

Paso 1: definición del universo

Comienza con todos los tokens etiquetados como IA en los principales agregadores, luego aplica el filtro definitorio de antes en esta guía. Cada candidato debe proveer recursos, producir inteligencia, impulsar agentes, servir como capa de liquidación nativa de IA, o proporcionar verificación o identidad. Elimina los juegos de pura marca y las meme coins. Asigna a cada token sobreviviente una capa primaria en el mapa de mercado de siete capas. Donde un proyecto abarca varias capas, como la ASI Alliance (agentes y cómputo) o NEAR (capa base y herramientas de agentes), clasifícalo por su principal fuente de ingresos.

Paso 2: filtros de elegibilidad

  • Liquidez: requiere un volumen mínimo promedio de trading diario durante 30 o 90 días en venues reputables, excluyendo exchanges con wash trading obvio.
  • Calidad de listado: requiere listados en varios exchanges centralizados importantes o liquidez DEX profunda y verificada.
  • Antigüedad: requiere un historial mínimo de trading, a menudo 90 días, para evitar comprar nuevos listados en su pico de hype y bajo float.
  • Float: requiere que la oferta circulante sea una participación mínima de la oferta total, o aplica un ajuste de float a los pesos.
  • Custodia: para productos invertibles, requiere soporte de custodios de grado institucional.

Paso 3: esquema de ponderación

La ponderación es donde los índices de IA más difieren. Las principales opciones:

  • Ponderado por market cap: simple y representativo, pero muy concentrado en unos pocos nombres grandes, varios de los cuales son L1 de propósito general.
  • Ponderado por market cap con límite: igual que el anterior, con un límite de nombre único (comúnmente del 15 al 25 por ciento) y redistribución del exceso. Este es el enfoque profesional más común.
  • Ponderado igualmente: le da a cada componente el mismo peso, lo que inclina hacia nombres más pequeños y tokens sensibles a narrativas. Mayor volatilidad, y necesita rebalanceo frecuente.
  • Ponderado por capas: asigna pesos objetivo a cada capa del mapa de mercado (por ejemplo, 30 por ciento cómputo, 25 por ciento redes de inteligencia, 15 por ciento L1 de IA, 15 por ciento agentes, 10 por ciento datos, 5 por ciento verificación), luego pondera por market cap con límite dentro de cada capa. Esto mantiene la exposición por segmento diversificada a propósito.
  • Ponderado fundamentalmente: pondera por ingresos del protocolo, comisiones o uso en lugar de precio. Esta es la opción más impulsada por fundamentos, pero depende de datos confiables y comparables, que aún son irregulares entre proyectos.

Para uso en investigación, el enfoque de cryptobeast.ai es rastrear un índice ponderado por market cap con límite como el benchmark principal junto a una versión ponderada por capas. La brecha entre los dos muestra si el rendimiento proviene de los gigantes o del sector en general.

Paso 4: rebalanceo y reconstitución

Rebalancea en un calendario fijo, mensual o trimestral, para restaurar los pesos objetivo. Reconstituye (añade y elimina componentes) con menos frecuencia, generalmente trimestralmente, con reglas de buffer para que los tokens cerca de la línea de elegibilidad no entren y salgan cada período. Publica las reglas de antemano para que el rebalanceo no pueda ser manipulado.

Paso 5: casos especiales

  • Fusiones de tokens: la fusión de la ASI de 2024, que convirtió AGIX y OCEAN en FET a ratios fijos, muestra por qué las reglas del índice deben cubrir las fusiones. La posterior salida de Ocean de la alianza añade otra capa de complejidad.
  • Migraciones y cambios de marca: RNDR a RENDER en Solana y ai16z a ElizaOS requirieron tratamiento de continuidad.
  • Tokens de subredes: los tokens alpha de Bittensor pueden rastrearse como un sub-índice separado, ya que se negocian en pools denominados en TAO con perfiles de liquidez distintos.
  • Rendimiento de staking: para redes con staking nativo (TAO, NEAR, ICP, AKT), decide si el índice rastrea solo el precio o el retorno total incluyendo las recompensas de staking.

Lectura de señales del índice

Una vez construido, el índice y sus sub-índices se convierten en una herramienta de diagnóstico:

  • Índice de IA frente a BTC: una ratio creciente significa que IA supera al mercado, lo que suele ocurrir en fases de toma de riesgo.
  • Diferencial de capas: que los agentes superen al cómputo señala exceso especulativo. Que el cómputo y las redes de inteligencia lideren mientras los agentes rezagan señala una fase impulsada por fundamentos.
  • Diferencial entre ponderación con límite y ponderación igual: la superación de ponderación igual señala participación amplia. La superación con límite señala concentración en líderes.
  • Índice frente a acciones de IA: la divergencia persistente de los benchmarks de renta variable de IA puede apuntar a estrés específico de cripto o catalizadores específicos de cripto.

Panel de fundamentos

Combina el índice de precios con un panel de uso rastreado por capa:

  • Cómputo: horas de GPU vendidas, tasa de utilización, gasto equivalente en moneda fiat, quema de tokens frente a emisiones.
  • Inteligencia: subredes activas, flujos de TAO hacia pools de subredes, ingresos externos de productos de subredes.
  • Agentes: agentes activos, transacciones iniciadas por agentes, ingresos por comisiones del launchpad.
  • L1 de IA: cuentas activas, comisiones, recuentos de desarrolladores específicos de IA.
  • Verificación: identidades verificadas, pruebas generadas, integraciones.

Cuando el precio y el uso divergen durante mucho tiempo, o bien el precio es incorrecto o los datos de uso están midiendo lo incorrecto. Ambos valen la pena investigar.

Consideraciones de Inversión: Oportunidades y Riesgos

El sector de tokens de IA ofrece exposición asimétrica a una de las tendencias tecnológicas definitorias de la década, pero también conlleva riesgos más allá de los del mercado cripto más amplio. Una evaluación equilibrada significa tomar ambos en serio.

Oportunidades

1. Exposición a la demanda de infraestructura de IA

Los tokens de cómputo ofrecen exposición líquida, las 24 horas del día, a la demanda de capacidad de GPU. Si las redes descentralizadas capturan incluso una pequeña parte del mercado de inferencia, que sigue creciendo a medida que los agentes se multiplican y se ejecutan continuamente, los ingresos que fluyen a través de redes como Render, Akash, io.net y Aethir podrían crecer considerablemente. Los modelos de tokens basados en quema vinculan esos ingresos directamente a la reducción de la oferta.

2. La tesis del riel de pago de agentes

Si los agentes autónomos se convierten en actores económicos significativos, necesitarán rieles de pago sin permisos, wallets e identidad. Las cadenas y protocolos que se conviertan en los estándares para las transacciones de agentes podrían acumular ingresos por comisiones a una escala que supere cualquier ciclo de aplicación individual. Esta tesis beneficia a las L1 nativas de IA como NEAR, los marcos de agentes, y, indirectamente, las cadenas generales de alto rendimiento.

3. La inteligencia abierta como clase de activo

El modelo dTAO de Bittensor crea efectivamente un mercado de capital de riesgo líquido para startups de IA, donde cada subred opera como una empresa en etapa temprana financiada por emisiones. Eso da exposición a una cartera diversificada de experimentos de IA que de otro modo solo serían accesibles a través de fondos de capital de riesgo privados. El calendario de halvings añade un componente de escasez.

4. La verificación como mercado en crecimiento

A medida que el contenido sintético y el tráfico de bots aumentan, la demanda de prueba de humanidad y procedencia de modelos debería crecer. Los proyectos que se conviertan en capas de verificación estándar podrían ver efectos de red, ya que cada nueva integración hace que el sistema sea más útil para el siguiente.

5. Reinicio de valoración después de la caída

La caída de 2025 eliminó gran parte del exceso especulativo. Los proyectos que siguieron construyendo durante ella ahora a menudo se negocian a valoraciones que, comparadas con su crecimiento de uso, se ven muy diferentes al pico de 2024. Esto crea espacio para la selección basada en fundamentos.

Riesgos

1. Captura de valor débil

El riesgo más fundamental: el uso de la red no se traduce necesariamente en valor del token. Muchas redes de cómputo permiten a los usuarios pagar en stablecoins o moneda fiat, y si el token es solo un intermediario que se compra y vende inmediatamente, el uso crea poca demanda duradera. Los analistas deben trazar el camino desde el pago del usuario hasta el beneficio del titular del token (quema, rendimiento de staking, participación en comisiones) y confirmar que es real.

2. Emisiones que superan los ingresos

La mayoría de las redes de IA pagan a los participantes principalmente a través de emisiones de tokens. Si las emisiones a mineros y operadores de nodos superan con creces los ingresos reales del protocolo, la red está subsidiando el uso con dilución. Eso puede funcionar como fase de arranque, pero es insostenible indefinidamente. Rastrear la ratio emisiones-ingresos a lo largo del tiempo; debería estar cayendo.

3. Competencia de los proveedores centralizados

Los hyperscalers y las nubes de GPU especializadas siguen bajando precios y aumentando la oferta. Si la escasez de GPU se alivia sustancialmente, la brecha de precio que impulsa la demanda de cómputo descentralizado podría estrecharse. Los proveedores centralizados también ofrecen garantías de servicio, certificaciones de cumplimiento y soporte que las empresas valoran, lo que las redes descentralizadas tienen dificultades para igualar.

4. Riesgo técnico y de seguridad

  • El juego de incentivos en las redes de inteligencia puede significar que las emisiones recompensen la explotación en lugar del trabajo útil.
  • Los wallets de agentes son vulnerables a la inyección de prompts y al compromiso de claves.
  • La verificación basada en TEE depende de los proveedores de hardware y tiene un historial de ataques de canal lateral.
  • El riesgo de smart contracts aplica a cada launchpad, puente y pool en la pila.

5. Riesgo regulatorio

La regulación de IA se está expandiendo en múltiples jurisdicciones, incluidas las obligaciones por fases de la Ley de IA de la UE. Las reglas de datos biométricos afectan directamente a Worldcoin. Las reglas de valores pueden aplicarse a tokens comercializados con características de distribución de ingresos, que muchos tokens de agentes tienen. Las reglas de protección de datos afectan a los proyectos de capa de datos. Los resultados regulatorios son inciertos y difieren por jurisdicción.

6. Dependencia narrativa y volatilidad

Los tokens de IA reaccionan a las noticias del sector de IA mucho más allá de sus propios fundamentos. Un informe de ganancias decepcionante de un fabricante importante de chips o un cambio en el sentimiento sobre el gasto de capital en IA puede desencadenar ventas masivas a nivel sectorial sin relación con el rendimiento de la red. Combinado con la beta cripto, esto hace que los tokens de IA sean uno de los sectores principales más volátiles, con caídas del 70 por ciento o más que han ocurrido más de una vez.

7. Concentración y gobernanza

Muchos proyectos de IA siguen estando fuertemente influenciados por equipos fundadores, fundaciones o inversores tempranos. Las fusiones de tokens, las salidas de alianzas y los cambios de marca muestran que la gobernanza y la estructura de estos proyectos pueden cambiar significativamente, a veces de maneras que afectan a los titulares sin mucha advertencia.

Un marco práctico de riesgo

  • Prefiere tokens con un camino demostrable del uso a la captura de valor.
  • Verifica los calendarios de desbloqueo y las tendencias de emisiones frente a ingresos antes de evaluar la valoración.
  • Diversifica entre las capas del mapa de mercado en lugar de concentrarte en la narrativa más candente.
  • Dimensiona las posiciones teniendo en cuenta la volatilidad realizada del sector, que suele estar muy por encima de la de Bitcoin.
  • Observa el diferencial de capas: cuando los tokens de agentes y aplicaciones superan notablemente a la infraestructura, el riesgo especulativo es elevado.

Panorama Competitivo: Cómo se Comparan los Proyectos

La competencia en el sector de tokens de IA ocurre en dos niveles: entre proyectos descentralizados dentro de la misma capa, y entre el sector descentralizado en su conjunto y los titulares centralizados. Esta sección compara los principales proyectos cara a cara e identifica ventajas duraderas.

Capa de cómputo: Render vs Akash vs io.net vs Aethir

  • Render: su ventaja es una base de clientes de larga data en la industria creativa a través de la relación con OTOY y la integración con herramientas profesionales de 3D. Su modelo de Equilibrio de Quema y Acuñación ofrece el vínculo más claro entre uso y oferta. Su desafío es expandirse desde el renderizado, donde está establecido, hacia el cómputo de IA general, donde la competencia es feroz.
  • Akash: la oferta más general y similar a la nube, capaz de alojar cualquier carga de trabajo en contenedores con un modelo transparente de subasta inversa. Sus fortalezas son la apertura, la interoperabilidad de Cosmos y una fuerte comunidad de desarrolladores de código abierto. Su desafío es atraer y retener oferta de GPU de nivel empresarial.
  • io.net: enfocado en agregar grandes clusters de GPU rápidamente, construido sobre Solana con énfasis en marcos de IA y ML. Su fortaleza es la escala de la oferta listada. Su desafío es demostrar que la oferta listada se traduce en capacidad utilizada, verificada y confiable.
  • Aethir: posicionado hacia la nube de GPU empresarial para IA y juegos, con una red de nodos para la verificación de calidad. Su fortaleza es el enfoque empresarial. Su desafío es diferenciarse tanto de las nubes de GPU centralizadas como de los pares descentralizados.

Vista comparativa: en el cómputo, el ganador probablemente no se decidirá solo por la tecnología sino por la confiabilidad y las relaciones del lado de la demanda. Las redes que aseguren demanda recurrente empresarial o de desarrolladores, no solo oferta, construirán posiciones defendibles. Espera consolidación a lo largo del tiempo, con redes de cómputo más pequeñas especializándose en nichos o fusionándose con las más grandes.

Capa de inteligencia: Bittensor frente al campo

Bittensor no tiene un equivalente directo a su escala. Sus competidores son principalmente indirectos:

  • Los esfuerzos de entrenamiento descentralizado como Gensyn, Prime Intellect y Nous Research se centran en protocolos de entrenamiento distribuido, algunos sin tokens líquidos o con lanzamientos de tokens que aún están tomando forma.
  • Los desarrolladores de modelos de código abierto centralizados compiten por el mismo resultado, IA abierta y ampliamente disponible, sin incentivos de tokens.
  • La ASI Alliance compite en la narrativa más amplia de IA descentralizada pero con una arquitectura diferente centrada en agentes y mercados.

El foso de Bittensor es su efecto de red de subredes: un gran ecosistema de equipos, validadores y capital organizado en torno a TAO. dTAO fortaleció este foso al hacer que el financiamiento de las subredes sea impulsado por el mercado. Su principal vulnerabilidad es el control de calidad. Si demasiadas subredes producen outputs por los que ningún usuario externo paga, el sistema se convierte en una economía de emisiones autorreferencial.

Capa de agentes: Virtuals vs ElizaOS vs ASI

  • Virtuals Protocol es un launchpad más economía de tokens. Su fortaleza es el vínculo reflexivo entre los lanzamientos de agentes y la demanda de VIRTUAL, más una comunidad de creadores establecida. Su debilidad es esa misma reflexividad: cuando la especulación de agentes se enfría, el efecto sobre la demanda de VIRTUAL también se amplifica.
  • ElizaOS es principalmente un marco de código abierto. Su fortaleza es la adopción por desarrolladores, ya que muchos agentes en diferentes cadenas están construidos sobre él. Su debilidad es que la adopción del marco no crea automáticamente demanda de tokens.
  • ASI Alliance (FET) trae el programa de investigación de agentes autónomos de más larga trayectoria, con el marco de agentes de Fetch.ai, el mercado de IA de SingularityNET y las credenciales de investigación. Su fortaleza es la profundidad y las relaciones institucionales. Su desafío es convertir una organización amplia y fusionada en productos enfocados, especialmente después de la salida de Ocean.

Capas base nativas de IA: NEAR vs ICP vs L1 generales

NEAR e ICP compiten menos entre sí que con las plataformas de propósito general donde la mayor parte de la actividad de agentes realmente ocurre, especialmente Base y otros L2 de Ethereum y Solana.

  • La ventaja de NEAR es la abstracción de cadena y las intenciones. Se posiciona como una capa de coordinación que permite a los agentes actuar en cualquier cadena en lugar de insistir en que se asienten en NEAR. Eso es pragmático en un mundo multicadena. Las credenciales de IA de su fundador añaden credibilidad.
  • La ventaja de ICP es una capacidad computacional inusual para un entorno on-chain y el alojamiento de pila completa. Su desafío es la participación mental de los desarrolladores fuera de su propio ecosistema.
  • Ethereum (a través de Base) y Solana actualmente alojan la mayoría de los tokens de agentes, la actividad de trading de agentes y las transacciones de tokens de cómputo de IA. Sus lecturas de sentimiento de ETH (90/100) y SOL (87/100) reflejan un fuerte impulso del ecosistema, frente al 66/100 de NEAR.

La pregunta estratégica para las L1 nativas de IA es si las características específicas de IA pueden ganar contra la gravedad de liquidez y desarrolladores de las cadenas generales más grandes. La estrategia de abstracción de cadena de NEAR es en efecto una apuesta a que no necesita ganar esa pelea directamente.

Capa de verificación: World vs alternativas

Worldcoin lidera la prueba de humanidad por escala pero enfrenta vientos en contra de privacidad y regulatorios. Las alternativas incluyen la identidad basada en gráficos sociales, las atestaciones respaldadas por ID gubernamental y las pruebas de conocimiento cero basadas en pasaportes. En la verificación de modelos, los proyectos de zkML y los proveedores de inferencia basados en TEE compiten, con los TEE actualmente por delante en practicidad y zkML por delante en minimización de confianza.

Comparación resumida

  • Fundamentos más medibles: capa de cómputo (Render, Akash).
  • Efecto de red más fuerte: el ecosistema de subredes de Bittensor.
  • Beta más alto: launchpads de agentes y tokens de agentes (Virtuals y su ecosistema).
  • Exposición más diversificada: L1 nativas de IA (NEAR, ICP), cuyo valor depende de la adopción amplia de la plataforma.
  • Mayor sensibilidad regulatoria: verificación e identidad (Worldcoin).

Perspectiva Futura 2026-2030: Escenarios y Señales

Pronosticar un sector tan joven y volátil con estimaciones puntuales sería una falsa precisión. Un enfoque más útil es esbozar escenarios plausibles, las condiciones bajo las cuales cada uno se desarrolla, y las señales que indican qué camino está tomando el mercado.

Caso base: adopción selectiva de infraestructura

En el caso base, el sector de tokens de IA sigue madurando a lo largo de las líneas visibles en 2025-2026:

  • El cómputo descentralizado captura una parte modesta pero creciente de las cargas de trabajo de inferencia, ajuste fino y renderizado, principalmente de startups sensibles al coste, investigadores y estudios creativos. Dos o tres redes de cómputo se convierten en líderes claros, y el resto consolida o se especializa.
  • El ecosistema de Bittensor sigue expandiéndose, con una minoría de subredes produciendo outputs comercialmente valiosos que justifican sus emisiones. Los halvings continúan reduciendo la emisión, el próximo esperado alrededor de 2029 según el calendario actual.
  • Los pagos de agentes crecen de manera constante en rieles de stablecoin, con cadenas de propósito general capturando la mayor parte del volumen y cadenas específicas de IA capturando coordinación y nichos especializados.
  • Los tokens de IA siguen siendo un sector cripto de alta beta con rallies periódicos impulsados por narrativas y caídas profundas, pero con mayor diferenciación entre proyectos con ingresos y los que no los tienen.

Caso alcista: la economía de agentes a escala

En el caso alcista, los agentes autónomos se convierten en una parte significativa de la actividad económica en internet para finales de la década:

  • Los agentes transaccionan rutinariamente entre sí por datos, cómputo y servicios, creando un volumen de micropagos de muy alta frecuencia en rieles cripto.
  • La inferencia descentralizada se convierte en un componente estándar de las pilas de agentes gracias a las ventajas de privacidad, resistencia a la censura y coste, con la verificación TEE y zkML haciéndola aceptable para empresas.
  • El entrenamiento descentralizado produce modelos abiertos que son competitivos en dominios importantes, validando la tesis de las redes de inteligencia.
  • La prueba de humanidad se convierte en una capa estándar para las plataformas que deben separar humanos de agentes.

En este escenario el sector de IA podría crecer hasta convertirse en uno de los sectores cripto más grandes por valor de mercado, con tokens de infraestructura generadores de comisiones liderando.

Caso bajista: la centralización gana

En el caso bajista, las ventajas de la IA centralizada abruman las alternativas descentralizadas:

  • La oferta de GPU se pone al día con la demanda, comprimiendo la ventaja de precio del cómputo descentralizado.
  • Los principales proveedores de IA construyen sus propios sistemas de pago de agentes en rieles tradicionales o en stablecoins emitidas y controladas por entidades reguladas, evitando las redes sin permisos.
  • Las redes de incentivos no logran mostrar demanda externa por sus outputs, y las economías impulsadas por emisiones se contraen.
  • La presión regulatoria sobre datos biométricos, tokens de distribución de ingresos y sistemas de IA aumenta los costes de cumplimiento para los proyectos nativos de cripto.

En este escenario la mayoría de los tokens de IA tendrían un rendimiento significativamente inferior al del mercado cripto más amplio, con solo algunos proyectos de infraestructura que tienen ingresos reales manteniendo relevancia.

Señales a observar

  • Utilización de cómputo: crecimiento sostenido en horas de GPU pagadas y gasto equivalente en moneda fiat en redes descentralizadas, no solo oferta listada.
  • Quema frente a emisiones: las redes donde la quema de tokens se acerca o supera las emisiones muestran una captura de valor real impulsada por el uso.
  • Ingresos externos de las subredes: las subredes de Bittensor que ganan ingresos de clientes fuera del ecosistema cripto sería una validación importante.
  • Volumen de transacciones de agentes: el número y valor de las transacciones on-chain iniciadas por agentes, especialmente pagos de stablecoin por servicios.
  • Adopción empresarial: clientes empresariales nombrados que utilizan cómputo o inferencia descentralizada en producción.
  • Adopción de verificación: integración de la prueba de humanidad y la inferencia verificable en plataformas principales.
  • Claridad regulatoria: cómo las principales jurisdicciones tratan los tokens de agentes con distribución de ingresos, la identidad biométrica y las obligaciones de los sistemas de IA.
  • Sentimiento relativo: si los activos nativos de IA como NEAR cierran la brecha de sentimiento con las principales L1. Un movimiento desde el actual 66/100 hacia el rango de 85 a 90 de ETH y SOL señalaría que el mercado está comenzando a incorporar la tesis de IA nuevamente.

Cómo probablemente evolucionará el mapa de mercado

Para 2030 el mapa de siete capas probablemente se verá diferente. Algunas capas pueden fusionarse. Las redes de cómputo e inteligencia podrían converger a medida que las redes combinen la oferta de GPU con incentivos basados en outputs. Los marcos de agentes pueden ser absorbidos en las capas base como características nativas. Es probable que aparezcan nuevas capas, como la identidad y reputación de agentes, los seguros de IA y los mercados de licencias de modelos. Una buena metodología de índice debe ser lo suficientemente flexible para manejar tales cambios a través de reglas claras de reclasificación y reconstitución.

Perspectiva final

El sector de tokens de IA es donde se encuentran dos de las tendencias tecnológicas más poderosas de la década, y eso lo hace propenso tanto a la innovación genuina como a la especulación extrema. Las herramientas de esta guía, un mapa de mercado funcional, un índice basado en reglas, un panel de uso y un marco de riesgo disciplinado, están diseñadas para distinguir las dos. Los proyectos que importen para 2030 serán aquellos cuyas redes son usadas y pagadas, independientemente de su narrativa. Rastrear esa diferencia sistemáticamente es la ventaja más confiable disponible en este sector.

Índice Cripto IA – Dashboard de Sector en Vivo y Mapa de Tokens (2026) Preguntas frecuentes

Últimas noticias crypto

Ver todas las noticias →