AGI Descentralizada Explicada: Cómo la Blockchain Impulsa la IA (2026)

AGI Descentralizada es la tesis de que el camino hacia la inteligencia artificial general no tiene que pasar exclusivamente por tres o cuatro laboratorios corporativos con centros de datos privados, y que las redes abiertas coordinadas por blockchains pueden ensamblar los mismos cuatro ingredientes —cómputo, datos, modelos y capital— desde una base de suministro global sin permisos. Esta guía es un mapa técnico y de mercado completo de esa tesis tal como se presenta en septiembre de 2026.

La idea ya no es puramente especulativa. En los últimos dos años, tres líneas independientes de investigación convergieron. Primero, los algoritmos de entrenamiento eficientes en comunicación como DiLoCo, OpenDiLoCo y DeMo redujeron el requisito de ancho de banda del entrenamiento distribuido de modelos en dos a tres órdenes de magnitud, haciendo posible entrenar modelos serios a través de internet público en lugar de dentro de un único tejido InfiniBand. Segundo, la computación verificable maduró: los entornos de ejecución confiables se trasladaron a GPUs de centros de datos con bajo porcentaje de sobrecarga de un solo dígito, mientras que los esquemas de verificación optimistas y criptográficos hicieron que fuera económicamente racional confiar en un operador de GPU anónimo. Tercero, el diseño cripto-económico mejoró lo suficiente como para que las redes puedan cotizar y recompensar un bien difuso y subjetivo como la calidad del modelo en lugar de uno preciso y objetivo como un hash.

Lo que encontrará a continuación:

• Una definición precisa de AGI descentralizada y, tan importante como eso, lo que no es. La mayoría de los tokens comercializados bajo el banner de AGI no están construyendo inteligencia general; están construyendo una capa del stack, y la distinción importa enormemente para la valoración.
• El caso macro de por qué 2026 es el año en que este sector dejó de ser un comercio narrativo y comenzó a producir ingresos medibles, impulsado por la curva de costos de inferencia, las restricciones energéticas sobre la expansión de los hiperescaladores, y la explosión de modelos de pesos abiertos.
• Análisis detallado de las redes líderes: Bittensor (TAO), NEAR Protocol (NEAR), la Artificial Superintelligence Alliance (FET), Render (RENDER), Akash (AKT), más las capas de cómputo y agentes construidas sobre Ethereum (ETH), Solana (SOL), Cosmos (ATOM) y Arbitrum (ARB).
• Un análisis tecnológico profundo sobre el problema de la verificación, el único problema sin resolver más difícil del campo, que abarca el consenso de replicación, las pruebas de fraude optimistas, el machine learning de conocimiento cero y la computación confidencial.
• Un análisis de mercado que separa la capitalización de mercado circulante de los ingresos reales de la red, y una evaluación honesta de la brecha entre ambos.
• Un mapa de riesgos que cubre la economía de emisión de tokens, la dispersión de calidad de subnets, la exposición regulatoria bajo la Ley de IA de la UE y las normas de estructura de mercado de EE. UU., y el riesgo competitivo existencial de que los laboratorios centralizados simplemente avancen más rápido.
• Una perspectiva 2026-2030 con encuadre de probabilidad explícita en lugar de objetivos de precio.

Una nota sobre los datos de sentimiento que acompañan esta guía. Nuestra plataforma registra actualmente lecturas de máxima confianza en ETH, SOL, BNB, ADA, DOGE, XLM, LTC, UNI, APT, ATOM y ARB, con lecturas ligeramente más bajas pero aún elevadas en XRP (92), BTC (91), NEAR (90) y TRX (87). El sentimiento uniformemente saturado en una amplia cesta de grandes capitalizaciones es en sí mismo una señal: normalmente indica un mercado en un régimen amplio de apetito por el riesgo en lugar de uno que hace distinciones detalladas entre activos. En ese entorno, los sectores temáticos como la IA descentralizada tienden a superar en la fase alcista y a retroceder con más fuerza en la bajista, porque el posicionamiento está saturado y los anclajes fundamentales son débiles. Lea el análisis de proyectos a continuación con ese contexto en mente.

Finalmente, una nota de disciplina que atraviesa todo el documento. El sector de IA descentralizada tiene una proporción inusualmente alta de afirmaciones frente a hechos verificables. Donde sea posible, esta guía distingue entre lo que una red ha entregado y puede medirse que hace, lo que ha demostrado a escala de investigación, y lo que sigue siendo hoja de ruta. Las cifras citadas son aproximadas y reflejan las condiciones de mediados de 2026; cualquier dato que cambie diariamente, como la capitalización de mercado o las emisiones de subnets, debe verificarse con datos en vivo antes de que informe una decisión.

Empecemos por la terminología, porque se abusa de ella rutinariamente. La inteligencia artificial general se refiere a un sistema capaz de realizar esencialmente cualquier tarea cognitiva que un humano competente pueda hacer, transfiriendo conocimiento entre dominios sin reentrenamiento específico de la tarea. Tal sistema no existe en septiembre de 2026. Los modelos de frontera de los principales laboratorios son extraordinariamente capaces en lenguaje, código y cada vez más en el uso agéntico de herramientas, pero siguen siendo estrechos en aspectos que importan: planificación a largo plazo frágil, aprendizaje continuo débil, sin memoria persistente de automodificación.

La AGI Descentralizada, entonces, no es un producto que pueda comprarse hoy. Es una apuesta arquitectónica con una afirmación específica: que la forma organizativa que produzca AGI será una red abierta, no una empresa cerrada, y que los rieles de blockchain son la tecnología de coordinación que hace económicamente viable tal red.

Las cuatro entradas y por qué son difíciles de descentralizar

Cualquier camino hacia la inteligencia general requiere cuatro entradas, y cada una tiene un problema de descentralización distinto:

• Cómputo. Los entrenamientos de frontera consumen decenas de miles de aceleradores interconectados durante meses. La restricción no son los FLOPs brutos, que son abundantes en conjunto a escala mundial, sino el interconect. La sincronización de gradientes en el entrenamiento paralelo de datos estándar mueve el conjunto completo de parámetros entre nodos en cada paso. A 400 Gbps dentro de un centro de datos esto es manejable; a 1 Gbps entre continentes es fatal. Descentralizar el cómputo requiere, por tanto, cambiar el algoritmo, no solo el aprovisionamiento de hardware.
• Datos. La web pública ha sido ampliamente agotada como corpus de entrenamiento. La frontera restante son datos propietarios, personales y en tiempo real: documentos empresariales, registros de salud, flujos de sensores, retroalimentación de preferencias humanas. Estos datos están bloqueados por la ley de privacidad y los incentivos comerciales. Descentralizarlos requiere mecanismos que permitan que los datos contribuyan a un modelo sin que el contribuyente ceda su custodia, lo que apunta al aprendizaje federado, los enclaves seguros y, eventualmente, la computación cifrada.
• Desarrollo de modelos. El talento investigador es el insumo más escaso. Los laboratorios centralizados lo concentran con paquetes de capital. Las redes abiertas deben sustituirlo con un flujo de ingresos continuo y creíble para los contribuyentes, que es lo que los calendarios de emisión de tokens intentan hacer, con resultados mixtos.
• Capital. Esta es la única entrada que las criptomonedas descentralizan de forma nativa y eficaz. Una red puede recaudar y asignar capital continuamente a los contribuyentes sin junta directiva, term sheet ni jurisdicción.

Tres significados distintos de la expresión

Cuando los proyectos hablan de AGI descentralizada suelen referirse a una de tres cosas muy diferentes, y confundirlas produce un análisis deficiente.

1. Infraestructura descentralizada para IA. Mercados de GPUs, almacenamiento, ancho de banda y datos. Render, Akash, io.net, Filecoin y Arweave viven aquí. Este es un negocio real con ingresos reales y esencialmente ningún contenido de AGI. Es arbitraje de infraestructura de commodity: hardware inactivo con precios por debajo de las tarifas de los hiperescaladores. Valioso, medible y competitivo en precio, no en inteligencia.

2. Producción descentralizada de inteligencia. Redes que utilizan incentivos cripto-económicos para que participantes anónimos produzcan mejores modelos, mejores inferencias o mejores predicciones de las que producirían solos. Bittensor es el ejemplo canónico y sigue siendo el diseño más intelectualmente ambicioso del espacio. La afirmación aquí es genuinamente sobre inteligencia: un mecanismo de mercado que selecciona continuamente la calidad en una población competitiva de mineros. Prime Intellect y Nous Research persiguen el mismo objetivo a través del entrenamiento colaborativo abierto en lugar de un consenso ponderado por tokens.

3. Propiedad descentralizada y gobernanza de la IA. El argumento de que, sea lo que sea que resulte ser AGI, su propiedad no debería estar concentrada. NEAR articula esto más claramente con su framing de IA de propiedad del usuario, al igual que la Artificial Superintelligence Alliance. Esto es en parte un programa técnico y en parte uno político.

El blockchain no es la inteligencia

El malentendido más común es que la propia cadena hace el razonamiento. No lo hace, ni puede hacerlo: ejecutar un paso hacia adelante de un transformer dentro del consenso sería absurdamente costoso e innecesariamente lento. El blockchain desempeña cuatro roles de apoyo, todos ellos de coordinación: liquida pagos entre partes sin relación ni jurisdicción compartida, registra compromisos para que los pesos del modelo, los conjuntos de datos y las salidas tengan procedencia resistente a la manipulación, ejecuta el mecanismo de incentivos que decide quién recibe cuánto por el trabajo aportado, y proporciona identidad y reputación para que una red pueda distinguir a un contribuyente consistentemente útil de un aprovechador sin proceso KYC.

Todo lo pesado ocurre fuera de la cadena. La cadena es la capa de contabilidad y el libro de reglas. Comprender esto aclara de inmediato qué cadenas importan: el requisito es liquidación barata, rápida y de alto rendimiento con buenas herramientas para desarrolladores, por lo que los rollups de ETH, SOL y las cadenas Cosmos SDK dominan el sector en lugar de cualquier cadena que afirme ejecutar IA en cadena.

Tres cambios estructurales convirtieron este sector de narrativa a sustancia entre 2024 y 2026. Cada uno es independiente de los ciclos del mercado cripto, que es precisamente por qué importan.

El cuello de botella se desplazó del entrenamiento a la inferencia, y de los chips a la energía

Durante 2023 y 2024 la restricción vinculante sobre la IA era el suministro de aceleradores. Esa restricción se alivió considerablemente para 2026 a medida que sucesivas generaciones de GPU se enviaron en volumen y la demanda cambió de composición. Hoy las restricciones vinculantes son la energía eléctrica y la interconexión de red, y en menor medida el ancho de banda de memoria. Los hiperescaladores que firman acuerdos de compra de energía de múltiples gigavatios y construyen su propia generación están respondiendo a un límite físico que el capital no puede cortocircuitar rápidamente; las colas de interconexión en los principales mercados duran años.

Esto es estructuralmente favorable para el cómputo descentralizado por una razón específica. Las redes distribuidas agregan potencia que ya está interconectada: GPUs de juegos en edificios residenciales, racks infrautilizados en centros de datos de nivel secundario, capacidad varada en instalaciones de minería de criptomonedas con conexiones de alta capacidad existentes, y hardware empresarial inactivo. No necesitan nuevas subestaciones. Cuando el costo marginal de la capacidad centralizada lo fija la construcción de redes eléctricas en lugar del silicio, una red que monetiza la capacidad existente tiene una ventaja de costo genuina y duradera en las cargas de trabajo que puede atender.

Simultáneamente, la mezcla de cargas de trabajo se desplazó hacia la inferencia, y específicamente hacia el razonamiento en tiempo de inferencia donde un modelo gasta cómputo sustancial por consulta generando y evaluando cadenas de pensamiento. La inferencia es mucho más compatible con la descentralización que el entrenamiento: cada solicitud es independiente, la tolerancia a la latencia varía ampliamente según la aplicación y no hay all-reduce. Un trabajo por lotes que resume diez millones de documentos de noche no le importa si se ejecuta en Virginia o en cuatrocientas máquinas de consumo; le importa el costo por token. Esta es la carga de trabajo que las redes descentralizadas pueden atender hoy con una ventaja de precio genuina, y es el segmento de mayor crecimiento del gasto en IA.

Los modelos de pesos abiertos cerraron la brecha de capacidad lo suficiente como para importar

El segundo cambio es que los modelos competentes de pesos abiertos se volvieron abundantes. El shock de eficiencia que comenzó a principios de 2025, cuando una serie de lanzamientos abiertos demostró razonamiento adyacente a la frontera a una fracción del costo de entrenamiento asumido, cambió permanentemente la estructura del sector. Para 2026 hay un banco profundo de modelos con licencia abierta que abarca desde tamaños pequeños en el dispositivo hasta grandes arquitecturas de mezcla de expertos, más pipelines de destilación maduros que comprimen la capacidad de frontera en modelos que se ejecutan en un solo acelerador.

Esto importa para la AGI descentralizada de una manera que es fácil de pasar por alto. Una red de inferencia descentralizada solo es útil si tiene algo que valga la pena servir. Cuando los mejores modelos eran cerrados y accedidos por API, el servicio descentralizado no tenía nada que ofrecer excepto modelos peores a precios más bajos. Cuando los pesos abiertos están a distancia de alcance de los modelos de frontera cerrados en la mayoría de las tareas prácticas, la propuesta de valor se invierte: la red ofrece capacidad comparable sin bloqueo de proveedor, sin política de contenido impuesta por un tercero, sin retención de datos y sin riesgo de que el endpoint quede obsoleto. Los pesos abiertos son la materia prima que hace del servicio descentralizado un producto real en lugar de una papelera de descuentos.

La regulación comenzó a recompensar la auditabilidad y la procedencia

El tercer cambio es regulatorio. Las obligaciones del modelo de propósito general de la Ley de IA de la UE se implementaron a partir de agosto de 2025, creando requisitos documentados sobre resúmenes de datos de entrenamiento, cumplimiento de derechos de autor y evaluación del riesgo sistémico para modelos grandes. Los desarrollos paralelos en los Estados Unidos movieron la estructura de mercado para activos digitales hacia la claridad, mientras que las normas sectoriales en salud y finanzas continuaron endureciéndose sobre la residencia de datos y la explicabilidad de los modelos.

El cumplimiento normativo suele enmarcarse como un costo para las criptomonedas. Aquí actúa en sentido contrario. Los requisitos de documentar qué datos entrenaron un modelo, demostrar que los contribuyentes consintieron, atribuir salidas y probar que una inferencia dada provino del modelo que afirma provenir son exactamente los problemas que el almacenamiento con dirección de contenido, los registros de procedencia en cadena y la verificación basada en atestación resuelven de forma nativa. Proyectos como Story Protocol en el lado de la propiedad intelectual y Vana en el lado de la contribución de datos existen específicamente para hacer que los datos de entrenamiento sean atribuibles. Un laboratorio centralizado tiene que construir un rastro de auditoría interno y pedir a los reguladores que confíen en él. Una red construida sobre compromisos públicos puede simplemente señalarlos.

La fuerza contraria

La honestidad exige el otro lado. La brecha entre la capacidad centralizada de frontera y lo que cualquier red descentralizada ha producido sigue siendo amplia. Ninguna red abierta ha entrenado un modelo que compita con la frontera en la frontera. Las mayores ejecuciones de entrenamiento completamente descentralizadas demostradas públicamente —aproximadamente en las decenas de miles de millones de parámetros— están uno o dos órdenes de magnitud por debajo de las mayores ejecuciones centralizadas por presupuesto de cómputo. La apuesta del sector es que esta brecha es una cuestión de ingeniería y tiempo en lugar de una pared fundamental. Esa apuesta aún no está resuelta, y cualquiera que asigne al sector debería sostenerla como hipótesis en lugar de como conclusión.

El stack de IA descentralizada se ha estabilizado en cinco capas. Comprender dónde se ubica un proyecto determina en qué compite, qué tan defendible es y cómo su token podría acumular valor de manera plausible.

Capa 1: Recursos físicos

GPUs, CPUs, almacenamiento y ancho de banda brutos aportados por operadores que van desde individuos con una sola tarjeta de consumidor hasta centros de datos profesionales con racks de aceleradores empresariales. La economía aquí es suministro puro de commodity. Las redes compiten en tasa de utilización y en la fricción de incorporación del suministro. La métrica clave no es cuántas GPUs están registradas sino qué fracción están realmente alquiladas y pagadas, un número que históricamente estuvo muy por debajo de las afirmaciones de capacidad titular en todo el sector de cómputo DePIN.

Capa 2: Orquestación y programación

Convertir un grupo heterogéneo en un clúster utilizable. Esta es una ingeniería genuinamente difícil: hacer coincidir las cargas de trabajo con el hardware con el perfil de memoria correcto, gestionar la rotación de nodos a mitad del trabajo, realizar checkpointing para que un nodo caído no mate una ejecución de varias horas, containerizar entornos para que un trabajo se ejecute de manera idéntica en todas partes, y enrutar alrededor de la topología de red. Akash usa una subasta inversa donde los proveedores pujan por solicitudes de despliegue. io.net agrupa GPUs geográficamente dispersas en clústeres lógicos con una capa de orquestación basada en Ray. Render usa un sistema de nodos por niveles que segmenta los trabajos por confianza y clase de hardware.

Capa 3: Verificación

La capa más difícil, y la que determina si toda la edificación se sostiene. El enunciado del problema es simple: pagó a un operador anónimo para ejecutar un modelo en su entrada. ¿Cómo sabe que ejecutaron el modelo que especificó, en la entrada que proporcionó, honestamente, en lugar de devolver salida en caché, un modelo más pequeño y barato, o ruido? Hay cuatro familias de respuestas.

• Replicación y consenso. Hacer que múltiples partes independientes realicen el trabajo y comparen. Barato de razonar, costoso en cómputo bruto (se paga N veces por un resultado) y vulnerable a la colusión si las réplicas pueden coordinarse. Yuma Consensus de Bittensor es una variante sofisticada: los validadores puntúan independientemente las salidas de los mineros, y la recompensa de un minero deriva del consenso ponderado por stake de esas puntuaciones, con un mecanismo de recorte que neutraliza a los validadores cuyas opiniones se desvían demasiado de la mediana ponderada. Convierte un juicio de calidad subjetivo en un punto de Schelling.
• Verificación optimista con pruebas de fraude. Asumir que el resultado es honesto, publicar un bono, permitir una ventana de desafío durante la cual cualquier observador puede disputar y forzar una recomputación. Barato en el camino feliz. Requiere observadores económicamente motivados, bonos significativos y una ruta de resolución de disputas que sea en sí misma confiable. El enfoque de Gensyn para la verificación del entrenamiento se basa en esta familia, combinando prueba probabilística de aprendizaje con pinpointing basado en grafos para que una disputa pueda reducirse a una sola operación divergente en lugar de requerir que toda la ejecución se rehaga.
• Verificación criptográfica (ZKML). Producir una prueba de conocimiento cero de que un grafo de computación específico se ejecutó en entradas específicas. Matemáticamente sólido, no requiere confiar en nadie. El problema es la sobrecarga: demostrar un paso hacia adelante de un transformer históricamente costaba órdenes de magnitud más que ejecutarlo, con el tiempo de prueba y la memoria escalando mal con el tamaño del modelo. Cadenas de herramientas como EZKL y varios stacks de prueba han mejorado sustancialmente, y ZKML es ahora práctico para modelos pequeños, clasificadores y capas de decisión donde la computación verificada vale mucho más que el cómputo que consume. Aún no es práctico para verificar la inferencia de modelos de lenguaje grande a escala.
• Atestación de hardware (TEE). Ejecutar la carga de trabajo dentro de un entorno de ejecución confiable en el propio acelerador, que produce una atestación firmada del código y los datos que ejecutó. La computación confidencial en GPUs de centros de datos es ahora madura, con sobrecarga medida en porcentajes de un solo dígito bajos para la mayoría de las cargas de trabajo en lugar de los múltiplos impuestos por la prueba criptográfica. La compensación es que reemplaza la confianza en el operador con confianza en el proveedor de silicio y su servicio de atestación, un riesgo real pero muy diferente. Esto se ha convertido en el predeterminado pragmático para la inferencia descentralizada de producción, y es central para el diseño de IA confidencial de NEAR.

Capa 4: Incentivos y diseño de mecanismos

Dada una salida verificada, ¿quién recibe qué? Aquí es donde los blockchains son indispensables y donde reside la mayor parte de la innovación genuina. El problema de diseño es que la calidad de la inteligencia es subjetiva y multidimensional. No se puede escribir una función de puntuación de forma cerrada para determinar si una respuesta del modelo es buena. Las redes utilizan por tanto proxies objetivos (pérdida en un conjunto reservado, latencia, tiempo de actividad), puntuación de validadores con consenso (Bittensor), o resultados de mercado (una red de predicciones donde la precisión es liquidada por la realidad). Cada uno tiene modos de fallo: los proxies se manipulan mediante overfitting al benchmark, la puntuación del validador puede ser capturada por la concentración de stake, y los resultados del mercado solo funcionan donde la verdad fundamental eventualmente llega.

Capa 5: Aplicaciones y agentes

La cima del stack es donde los agentes autónomos realizan transacciones. Dos estándares de 2025-2026 importan aquí: el patrón x402, que revive el código de estado HTTP 402 inactivo para permitir que un cliente máquina pague por una llamada API de forma inline con stablecoins y sin cuenta, y ERC-8004, que especifica registros en cadena para identidad, reputación y validación de agentes para que un agente pueda evaluar si confiar en otro sin un directorio central. Juntos hacen del comercio agente a agente una realidad técnica en lugar de una diapositiva de presentación. La pregunta sin resolver es la demanda: una economía de agentes que se pagan entre sí requiere agentes que produzcan suficiente valor para justificar los pagos, y eso sigue siendo temprano.

Lo que sigue es una evaluación de las redes que importan, organizada por lo que realmente hacen. Las cifras son aproximadas y reflejan las condiciones de mediados de 2026.

Bittensor (TAO) - el mercado de inteligencia

Bittensor es el proyecto más conceptualmente ambicioso del sector y lo más cercano a un programa de investigación de AGI descentralizada con una economía funcional. Su arquitectura es una cadena raíz más una población creciente de subnets, cada una un mercado competitivo autónomo para una tarea específica de inteligencia de máquinas. Los mineros en una subnet producen salidas, los validadores las puntúan, y Yuma Consensus convierte las opiniones de los validadores ponderadas por stake en emisiones. Las subnets suman ahora en los cientos bajos y cubren inferencia de texto a escala, generación de imágenes, plegamiento de proteínas, predicción de series de tiempo financieras, recopilación de datos a escala web, preentrenamiento descentralizado y más.

La transición de febrero de 2025 al TAO dinámico fue el cambio más importante de la red. Cada subnet tiene ahora su propio token alpha con un pool de liquidez contra TAO, y las emisiones se asignan según el precio de mercado de esos tokens alpha en lugar de por votación del validador raíz. Esto convirtió la financiación de subnets en un referéndum de mercado continuo: el capital fluye hacia las subnets que el mercado cree que están produciendo valor. Es un mecanismo elegante y también volátil, ya que los precios alpha son delgados y reflexivos.

La tokenomics imita deliberadamente a Bitcoin: un límite máximo de 21 millones, emisiones de bloques que se reducen a la mitad en hitos fijos de suministro, con el primer halving ya pasado y los halvings subsiguientes extendiendo la emisión muy hacia el futuro. TAO ha cotizado en una banda muy amplia desde 2024, aproximadamente entre los cientos bajos y los setecientos altos de dólares, reflejando un mercado que no se ha establecido en cómo valorarlo. Caso alcista: Bittensor es un mecanismo de financiamiento y selección sin permisos para la investigación de inteligencia de máquinas con tracción de producto genuina en varias subnets. Caso bajista: la dispersión de calidad entre subnets es extrema, una parte significativa de las emisiones financia actividad sin cliente externo, y gran parte de la demanda de TAO ha sido históricamente de participantes que buscan emisiones en lugar de usuarios finales que compran inferencia.

NEAR Protocol (NEAR) - IA de propiedad del usuario y abstracción de cadena

NEAR es inusual en que su equipo fundador incluye a un coautor del paper del transformer, y el proyecto ha redirigido esfuerzo sustancial hacia IA desde 2024. Su tesis es la IA de propiedad del usuario: los usuarios deben controlar los modelos y datos que actúan en su nombre, con privacidad aplicada por hardware confidencial en lugar de por política. El stack práctico combina la cadena fragmentada de alto rendimiento de NEAR, un sistema de intenciones que permite a un usuario expresar un resultado deseado y que los solucionadores compitan para cumplirlo entre cadenas, e infraestructura de cómputo confidencial para ejecutar modelos en datos privados con atestación.

Las intenciones son la pieza subestimada. Un agente autónomo que debe ejecutarse en varias cadenas históricamente necesitaba gestionar claves, gas y puentes en cada una. Las firmas de cadena y la arquitectura de intenciones de NEAR colapsan eso en una única solicitud declarativa. Esta es infraestructura que los desarrolladores de agentes realmente necesitan. NEAR lleva una lectura de sentimiento de 90 en nuestra plataforma, ligeramente por debajo del cohorte de grandes capitalizaciones saturado, lo que es consistente con un activo donde la historia fundamental es sólida pero el mercado todavía está valorando el riesgo de ejecución. Riesgo: NEAR compite por la atención de los desarrolladores de IA tanto contra el ecosistema de rollups de Ethereum como contra Solana, y sus productos de IA deben ganar por mérito en lugar de por lealtad a la cadena.

Artificial Superintelligence Alliance (FET) - el stack de agentes fusionado

La ASI Alliance consolidó Fetch.ai, SingularityNET y Ocean Protocol bajo el ticker FET en 2024, al que luego se unió CUDOS compute. La fusión produjo el stack más amplio del sector: frameworks de agentes autónomos y un mercado de agentes de Fetch, investigación de IA neuro-simbólica y el linaje OpenCog de SingularityNET, primitivas de intercambio de datos de Ocean, y capacidad de GPU de CUDOS. Fortaleza: cobertura vertical desde cómputo hasta datos hasta agentes, más el pedigree de investigación de AGI más longevo en cripto. Debilidad: las organizaciones fusionadas llevan deuda de integración, y la entidad combinada ha tenido que trabajar para demostrar que el conjunto supera la suma de tres comunidades anteriormente independientes. El token se entiende mejor como un índice diversificado de exposición a la economía de agentes en lugar de una apuesta a un mecanismo específico.

Render (RENDER) - renderizado de GPU expandiéndose hacia IA

Render comenzó como renderizado de GPU distribuido para artistas 3D, migró de Ethereum a Solana, y usa un equilibrio de quema y acuñación donde los clientes queman créditos y los operadores de nodos reciben recompensas acuñadas. Tiene la afirmación más legítima del sector de ajuste previo producto-mercado: estudios reales pagaron por trabajos de renderizado reales antes de que existiera ninguna narrativa de IA. Su expansión hacia la inferencia de IA y las cargas de trabajo de difusión aprovecha la misma red de nodos. Pregunta clave: el renderizado y la inferencia de IA tienen diferentes perfiles de hardware y memoria, y los operadores optimizados para uno no son automáticamente competitivos en el otro.

Akash (AKT) - la nube descentralizada

Akash es una cadena Cosmos SDK que ejecuta un mercado de subasta inversa para cómputo containerizado. Un usuario publica una especificación de despliegue con un techo de precio; los proveedores pujan a la baja. Es el diseño más nativo de la nube del sector, ya que cualquier cosa que se ejecute en un container funciona en Akash, y su mercado de GPU ha sido su motor de crecimiento. Fortaleza: sustituibilidad genuina con la nube convencional para una clase real de cargas de trabajo, datos de arrendamiento en cadena transparentes. Debilidad: el suministro de aceleradores de alta gama es disputado por compradores que pagarán más, y la utilización del hardware premium es la métrica a vigilar.

Entrenamiento colaborativo abierto: Prime Intellect y Nous Research

Ninguno es principalmente una historia de tokens, y ambos importan más que la mayoría de los tokens. Prime Intellect demostró el entrenamiento globalmente distribuido de un modelo de diez mil millones de parámetros entre continentes, luego siguió con una ejecución de aprendizaje por refuerzo distribuido a mayor escala, construido sobre métodos de comunicación eficiente derivados de DiLoCo. Nous Research desarrolló el optimizador DeMo, que desacopla las actualizaciones de momentum para reducir drásticamente la comunicación entre nodos, y opera una red de preentrenamiento distribuido con coordinación en Solana. Estos grupos producen la evidencia empírica de que el entrenamiento descentralizado funciona. Si la tesis de AGI descentralizada alguna vez se valida, lo será por resultados de trabajos de este tipo.

El elenco de apoyo

• Ethereum (ETH) y Arbitrum (ARB): liquidación y el hogar natural para estándares de agentes incluyendo ERC-8004, más servicios de verificación basados en restaking.
• Solana (SOL): la capa de rendimiento para la actividad de agentes de alta frecuencia, redes de ancho de banda DePIN y datos, e infraestructura de lanzamiento de tokens de agentes.
• Cosmos (ATOM): el SDK subyacente a Akash, Allora y varias AI appchains, con IBC como sustrato de interoperabilidad.
• Filecoin y Arweave: almacenamiento verificable para conjuntos de datos y pesos de modelos, esencial para las afirmaciones de procedencia.
• Allora: una red donde la calidad de inferencia es juzgada por resultados realizados, un diseño que sortea limpiamente la puntuación subjetiva.

Si solo entiende un tema técnico en este sector, que sea este. La verificación y la eficiencia de comunicación son las dos paredes entre las redes descentralizadas y las cargas de trabajo serias de IA, y cada esfuerzo de ingeniería significativo en el espacio es un ataque a una de ellas.

Por qué el entrenamiento distribuido se consideraba imposible

El entrenamiento paralelo de datos estándar divide un lote entre N trabajadores. Cada uno calcula gradientes en su shard, luego todos los trabajadores realizan un all-reduce para promediar los gradientes, luego cada uno aplica la misma actualización. El all-reduce mueve datos proporcionales al conteo de parámetros del modelo, en cada paso. Para un modelo con miles de millones de parámetros en media precisión, eso son gigabytes por paso, miles de veces por hora. Dentro de un centro de datos con interconect de alto ancho de banda esto es una fracción manejable del tiempo de paso. A través de internet público con ancho de banda residencial o comercial típico, la comunicación dominaría el cómputo por órdenes de magnitud, y el clúster pasaría casi todo su tiempo esperando en la red.

Por eso la sabiduría convencional sostenía que el entrenamiento serio requería hardware colocado. La sabiduría convencional era correcta sobre el algoritmo naive y equivocada sobre el problema.

Cómo se derribó esa pared

Tres familias algorítmicas cambiaron el panorama:

• SGD local y DiLoCo. En lugar de sincronizar en cada paso, los trabajadores entrenan independientemente durante cientos de pasos locales usando un optimizador interno, luego sincronizan un pseudo-gradiente que representa su deriva acumulada usando un optimizador externo. Esto reduce la frecuencia de sincronización en dos a tres órdenes de magnitud con una pérdida modesta en la calidad final del modelo. La implementación de código abierto OpenDiLoCo y sus sucesores hicieron esto reproducible fuera de un único laboratorio de investigación.
• Compresión de gradientes y desacoplamiento de momentum. El enfoque DeMo explota la observación de que el momentum contiene redundancia sustancial y que solo los componentes de movimiento más rápido del gradiente deben compartirse de inmediato. Al desacoplar y comprimir lo que cruza el cable, los requisitos de ancho de banda caen en órdenes de magnitud adicionales, en algunas configuraciones suficiente para entrenar sobre conexiones de consumidor ordinarias.
• Pipelines asíncronos y tolerantes a fallos. Los nodos que se unen y abandonan a mitad de la ejecución, catastrófico para un clúster sincrónico, se gestionan mediante mallas de dispositivos elásticas, checkpointing frecuente y diseños que toleran los rezagados en lugar de esperarlos.

El estado actual del arte: el entrenamiento descentralizado de modelos en las decenas de miles de millones de parámetros está demostrado y es reproducible. El aprendizaje por refuerzo descentralizado post-entrenamiento, más tolerante a la comunicación que el preentrenamiento porque la generación de rollout es vergonzosamente paralela, está aún más avanzado y puede ser donde las redes descentralizadas logren primero una ventaja competitiva genuina. El preentrenamiento a escala de frontera a través de internet abierto sigue fuera del alcance.

Los cuatro regímenes de verificación, comparados

Considere la decisión desde la perspectiva de un diseñador de redes. Necesita verificación suficientemente barata para no destruir su ventaja de costo, suficientemente fuerte para que el fraude no sea rentable, y suficientemente general para cubrir su mezcla de cargas de trabajo.

La replicación cuesta un múltiplo del cómputo base y da aseguramiento probabilístico que escala con el número de réplicas y la independencia de los replicadores. Funciona bien para tareas donde los resultados son comparables, por lo que se adapta a las redes basadas en puntuación. Falla donde los resultados son legítimamente no deterministas, ya que dos nodos honestos que ejecutan la misma generación basada en muestreo producen texto diferente, lo que obliga a comparar en calidad semántica en lugar de igualdad bit a bit, que es exactamente el problema de juicio subjetivo que se intentaba evitar.

Los esquemas optimistas cuestan casi cero en el camino feliz, que es su gran virtud. La seguridad económica descansa en tres parámetros: el tamaño del bono relativo al valor de hacer trampa, la longitud de la ventana de desafío, y si existe un observador racional que se beneficia de capturar el fraude. Equivocarse en cualquiera de los tres y el esquema es teatro. La sutileza para ML específicamente es que la recomputación para resolución de disputas debe ser determinista, lo que requiere fijar el comportamiento de punto flotante, las versiones del kernel y las clases de hardware, ya que el mismo modelo en dos generaciones de aceleradores diferentes puede producir bits distintos.

La ZKML es el único régimen sin ninguna suposición de confianza. La sobrecarga ha caído drásticamente pero sigue siendo el problema vinculante para los modelos grandes: el costo de prueba escala con el tamaño del circuito, y un paso hacia adelante de un transformer grande es un circuito enorme. El patrón de despliegue sensato en 2026 es selectivo: pruebe el modelo pequeño de alta apuesta que controla una decisión financiera, no el modelo grande que redacta copia de marketing. Espere progreso continuo mediante mejores sistemas de prueba, aceleración de hardware y técnicas de argumento de búsqueda para activaciones no lineales, pero no espere inferencia de frontera verificada a precios de commodity en este ciclo.

La atestación TEE se ha convertido en el ganador práctico para la inferencia de producción. Los modos de computación confidencial en aceleradores de centros de datos modernos cifran la memoria y producen una medición firmada del código en ejecución, con sobrecarga suficientemente baja para ser comercialmente irrelevante en la mayoría de las cargas de trabajo. Se obtiene integridad y confidencialidad simultáneamente, que es lo que los compradores empresariales realmente quieren. La advertencia honesta es que el modelo de seguridad ahora incluye la infraestructura de atestación del proveedor de silicio y el historial de ataques de canal lateral contra tecnologías de enclave. Es una reducción de confianza, no una eliminación de confianza.

Lo que esto implica para la evaluación de proyectos

Cuando una red afirma IA verificable, las preguntas de seguimiento correctas son: qué régimen, cuánto cuesta como porcentaje de la carga de trabajo, qué exactamente está atestado (los pesos del modelo, la entrada, los parámetros de muestreo, ¿los tres?), y qué sucede económicamente cuando la verificación falla. Los proyectos que no pueden responder a estas preguntas con claridad están describiendo una aspiración.

La capitalización de mercado del sector de IA descentralizada y sus ingresos son dos historias diferentes, y conflacionarlas es el error analítico más común cometido en este espacio.

Tamaño y composición del sector

Dependiendo de cuán ampliamente se defina la membresía, el sector cripto de IA ha oscilado entre aproximadamente veinte y setenta mil millones de dólares en capitalización de mercado agregada desde principios de 2024. El amplio rango refleja tanto la volatilidad genuina como la deriva definitoria, ya que los proveedores de índices han añadido periódicamente tokens de agentes, cómputo DePIN e incluso activos meme con marca de IA en el mismo segmento.

Una descomposición más útil divide el sector en cuatro bloques:

• Cómputo e infraestructura (Render, Akash, io.net, Aethir, almacenamiento adyacente a Filecoin): el bloque más grande por conteo, caracterizado por ingresos medibles, márgenes delgados y competencia directa de precios con la nube commodity.
• Redes de inteligencia (Bittensor y sus tokens alpha de subnets, Allora): alto valor conceptual, altos múltiplos de valoración sobre ingresos externos modestos, dominados por TAO.
• Cadenas plataforma con tesis de IA (NEAR, y la actividad enfocada en IA en ETH, SOL, ATOM y ARB): valoraciones impulsadas principalmente por los fundamentos generales de la cadena, con la narrativa de IA como un múltiplo incremental.
• Tokens de agentes y aplicaciones: el bloque más reflexivo y de menor duración, donde 2024-2025 vio una actividad de lanzamiento explosiva seguida de una severa attrición. La supervivencia aquí es brutal y la tasa base de cualquier token de agente individual que retiene valor durante un ciclo completo es baja.

La verificación de la realidad de los ingresos

Aquí está el número incómodo que cualquiera que asigne a este sector debería internalizar. Los ingresos externos anualizados agregados en redes de cómputo e inferencia descentralizados —pagos de clientes que no son en sí mismos participantes en el sistema de recompensas de la red— han sido históricamente una pequeña fracción de uno por ciento de la capitalización de mercado del sector. Incluso los mejores intérpretes, donde existe demanda pagadora genuina, cotizan a múltiplos de ingresos que serían extraordinarios para cualquier negocio de infraestructura convencional.

Esto no es automáticamente condenatorio. Las redes en etapa temprana legítimamente cotizan sobre el valor de opción, y las emisiones de tokens que funcionan como subsidio de crecimiento es un libro de jugadas reconocido que produjo resultados duraderos en otros verticales cripto. Pero sí dicta la postura analítica correcta: siga la trayectoria de ingresos, no el nivel de ingresos. Una red cuyos ingresos externos no incentivados se están compounding a una alta tasa desde una base pequeña está ejecutando. Una red cuyas métricas de actividad son planas una vez que se elimina el comportamiento que busca recompensas no lo está, independientemente de lo que haga su token.

Las métricas que resisten la manipulación son: horas de GPU pagadas donde el pagador no recibe emisiones, cohortes de clientes recurrentes, margen bruto por nodo después del hardware y la energía, y utilización de niveles de hardware premium en lugar de capacidad registrada agregada. Las métricas que se manipulan rutinariamente son: nodos registrados, cómputo total direccionable, recuentos de transacciones y direcciones de wallet únicas.

Leyendo el panorama de sentimiento actual

Los datos de sentimiento que acompañan esta guía muestran lecturas máximas o casi máximas en un conjunto inusualmente amplio de grandes capitalizaciones: ETH, SOL, BNB, ADA, DOGE, XLM, LTC, UNI, APT, ATOM y ARB todos en 100, con XRP en 92, BTC en 91, NEAR en 90 y TRX en 87. Varias observaciones se desprenden de ello.

Primero, la uniformidad es información. Cuando el sentimiento se satura en activos con fundamentos completamente diferentes —una cadena de pagos, un activo meme, un token de gobernanza DeFi y un L2 leyendo idénticamente— las lecturas están midiendo el régimen de mercado en lugar de la convicción específica del activo. Ese régimen es ampliamente favorable al riesgo.

Segundo, en los regímenes de apetito por el riesgo, los sectores temáticos con anclajes de valoración débiles exhiben la beta más alta. La IA descentralizada no tiene esencialmente ningún anclaje de valoración, ya que el análisis de flujo de caja descontado carece de sentido a los niveles de ingresos actuales. Esto produce una participación al alza desproporcionada y caídas igualmente desproporcionadas cuando el régimen cambia.

Tercero, las lecturas ligeramente más bajas en BTC (91) y NEAR (90) relativas al cohorte saturado merecen atención por razones diferentes. Una lectura de BTC por debajo del cohorte alt en un rally amplio es una firma clásica de rotación tardía, donde el capital ha avanzado a lo largo de la curva de riesgo. NEAR leyendo 90 mientras el amplio conjunto de grandes capitalizaciones lee 100 sugiere que el mercado aún no ha repriced completamente su posicionamiento de IA, lo que es una oportunidad o un descuento preciso por riesgo de ejecución dependiendo de su lectura de la tracción de su producto.

Escenarios de trayectoria de crecimiento

Enmarcando los próximos veinticuatro meses como escenarios en lugar de pronósticos:

• Commoditización de infraestructura (más probable). El cómputo descentralizado captura una parte significativa pero no espectacular del mercado de inferencia por lotes sensible al precio. Los ingresos crecen de manera constante, los márgenes se mantienen delgados, y las valoraciones convergen gradualmente hacia múltiplos de infraestructura. Los ganadores son las redes con el menor costo de adquisición de clientes y la mejor ingeniería de orquestación.
• Avance en inteligencia. Una o más redes descentralizadas producen un modelo o capacidad genuinamente competitivo en un benchmark relevante, validando la tesis de producción en lugar de solo la tesis de infraestructura. Esto sería un cambio de paso para la valoración del sector y es más plausible en el aprendizaje por refuerzo post-entrenamiento o en dominios especializados estrechos que en el preentrenamiento general.
• Inflexión de la economía de agentes. Los pagos máquina a máquina mediante rieles estilo x402 y reputación estilo ERC-8004 alcanzan volumen genuino, convirtiendo la infraestructura de liquidación de stablecoins y las cadenas que la alojan en los principales beneficiarios. En este escenario ETH, SOL y NEAR capturan más valor que los tokens específicos de IA.
• Agotamiento narrativo. Los avances centralizados en capacidad son suficientemente rápidos y baratos como para que la alternativa descentralizada nunca sea económicamente convincente fuera de los nichos de resistencia a la censura. Los múltiplos del sector se comprimen hacia la pequeña base de ingresos.

La comparación directa se complica por el hecho de que los proyectos comercializados bajo el mismo banner a menudo no compiten en absoluto. Render y Bittensor no son sustitutos; uno vende horas de GPU, el otro ejecuta un torneo de incentivos. Las comparaciones útiles ocurren dentro de las capas.

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

Los cuatro venden acceso a aceleradores distribuidos, y se diferencian en cuatro ejes.

• Generalidad de la carga de trabajo. Akash es el más general, ya que orquesta contenedores arbitrarios y funciona como sustituto de la nube convencional en lugar de como especialista. Render es el más especializado, construido alrededor de pipelines de renderizado con IA como expansión. io.net se sitúa en el medio, construido específicamente para clustering de ML. Aethir se enfoca en la entrega de GPU de nivel empresarial y en juegos además de IA.
• Calidad del suministro. Los aceleradores de nivel empresarial en centros de datos profesionales con interconect de alto ancho de banda son un producto fundamentalmente diferente de las tarjetas de consumidor en conexiones residenciales. Las redes que agregan los primeros pueden servir entrenamiento e inferencia sensible a la latencia; las redes ponderadas hacia los últimos están confinadas a trabajos por lotes y de renderizado. Esta distinción única explica la mayor parte de la varianza en los ingresos realizados por nodo.
• Mecanismo de precios. La subasta inversa de Akash descubre el precio de manera dinámica y transparente en cadena. El equilibrio de quema y acuñación de Render desacopla el precio que paga un cliente del precio al contado del token, mejor para la experiencia del cliente pero hace que la acumulación de valor del token sea indirecta. Los modelos de mercado con tarjetas de tarifas fijas intercambian el descubrimiento de precios por la previsibilidad.
• Capa de liquidación. Cosmos SDK para Akash, Solana para Render e io.net. Esto importa menos para los usuarios finales que para la composibilidad de la red con el resto de DeFi.

Evaluación: esta capa se consolidará. Los mercados commodity con bajos costos de cambio recompensan la escala, y el ganador será decidido por qué red hace que la incorporación de la carga de trabajo existente de un cliente sea casi sin fricción, no por cuál tiene el número de capacidad más impresionante.

Producción de inteligencia: Bittensor vs Allora vs colaborativos abiertos

La ventaja de Bittensor es que tiene una economía funcional con cientos de millones de dólares en emisiones financiando activamente a miles de participantes independientes para competir en tareas de inteligencia de máquinas. Ese es un mecanismo de financiamiento de investigación que opera a una escala que ningún otro sistema descentralizado se aproxima. Su debilidad estructural es que las emisiones se pagan independientemente de si existen clientes externos, lo que significa que una subnet puede estar bien financiada y ser comercialmente irrelevante simultáneamente. El TAO dinámico mejoró esto sometiendo las subnets a precios de mercado continuos, pero los mercados alpha son delgados y pueden ser tan reflexivos como informativos.

El diseño de Allora es filosóficamente más limpio para cualquier tarea donde la realidad eventualmente dictamina. Si la red está pronosticando un precio o un evento, el resultado llega y la puntuación es objetiva. Esto elimina completamente la superficie de ataque de subjetividad del validador. La compensación es el alcance: solo funciona donde la verdad fundamental está por llegar, lo que excluye la mayoría de las tareas generativas.

Prime Intellect y Nous Research representan un tercer modelo: investigación colaborativa abierta sin torneo ponderado por tokens. Producen los resultados técnicos más sólidos del sector y tienen la afirmación más clara de avanzar el estado del arte. Su problema de coordinación es el contrario: excelente producción de investigación, mecanismos menos desarrollados para compensar sosteniblemente a los contribuyentes a escala.

Cadenas plataforma: NEAR vs Ethereum vs Solana para IA

La diferenciación de NEAR es la integración más estrecha entre los primitivos a nivel de cadena y los requisitos de IA: intenciones para la ejecución declarativa entre cadenas, firmas de cadena para que un agente controle cuentas en otras cadenas desde una sola cuenta, fragmentación para el rendimiento y cómputo confidencial para la inferencia privada. Es la cadena diseñada alrededor del caso de uso de agentes.

La diferenciación de Ethereum es la gravedad. Los estándares se escriben y adoptan en Ethereum porque ahí es donde están los desarrolladores, las stablecoins y la infraestructura institucional. Los registros de agentes ERC-8004 importan precisamente porque son estándares de Ethereum. Una economía de agentes asentará valor sustancial en Ethereum y sus rollups incluyendo Arbitrum independientemente de dónde ocurra el cómputo.

La diferenciación de Solana es el costo y el rendimiento en la capa de transacciones, decisivo para la actividad de agentes de alta frecuencia y para las redes DePIN que escriben muchos registros pequeños. Render, io.net y varias redes de datos eligieron Solana exactamente por esta razón.

Cosmos, con ATOM en su centro, sigue siendo el sustrato de elección para los equipos que quieren su propia cadena soberana con consenso personalizado y lógica de aplicación, que es por qué Akash, Allora y varias AI appchains construyeron allí.

La comparación que más importa

Deje de lado las rivalidades internas por un momento. Cada proyecto en esta guía compite principalmente contra la nube centralizada y las API de modelos centralizados, no entre sí. Un desarrollador que elige dónde ejecutar la inferencia compara una red descentralizada contra un endpoint de hiperescalador en cuatro dimensiones: precio, latencia, fiabilidad y esfuerzo de integración. Las redes descentralizadas actualmente ganan decisivamente en precio para cargas de trabajo por lotes, pierden en latencia para las interactivas, pierden en SLAs de fiabilidad, y pierden significativamente en esfuerzo de integración. Tres de esos cuatro son problemas de ingeniería con soluciones conocidas. La trayectoria del sector depende de cuán rápido se resuelvan.

Un marco equilibrado para pensar en la exposición a este sector, sin pretender que las incertidumbres son más pequeñas de lo que son.

Las oportunidades estructurales

• Arbitraje de costos con una fuente duradera. La brecha de precios entre las horas de GPU descentralizadas y las tarifas de lista de los hiperescaladores no es un subsidio temporal en todos los casos. Parte de ella es genuina: agregar hardware ya construido, ya interconectado y subutilizado tiene una ventaja de costo real sobre financiar nuevos centros de datos y conexiones de red. Donde esa brecha es estructural en lugar de financiada por emisiones, persiste.
• Viento regulatorio a favor en procedencia. Los requisitos de documentar los datos de entrenamiento, atribuir salidas y probar la identidad del modelo favorecen las arquitecturas con procedencia criptográfica nativa. Es una ventaja de movimiento lento pero compounding.
• Resistencia a la censura como producto real. Un conjunto no trivial de aplicaciones no puede usar API de modelos centralizados, ya sea por razones de política de contenido, jurisdiccionales, o porque la aplicación compite con el proveedor. Esta demanda es inelástica y paga una prima.
• Rieles de pago de agentes. Si el comercio máquina a máquina alcanza volumen significativo, los rieles cripto son la única capa de liquidación que soporta pagos programáticos instantáneos, por debajo de un centavo y sin cuenta. Esta puede ser la oportunidad más subvalorada del sector, y sus beneficiarios son las cadenas y la infraestructura de stablecoins en lugar de los tokens de marca IA.
• Pago asimétrico en la tesis de producción. Si una red descentralizada alguna vez demuestra capacidad de modelo genuinamente competitiva, la repricing sería violenta. Este es un resultado de baja probabilidad y alta magnitud, que es precisamente el tipo de exposición que justifica una posición pequeña en lugar de ninguna.

Los riesgos, en orden aproximado de importancia

1. Actividad financiada por emisiones haciéndose pasar por demanda. La mayor trampa analítica. Una red que paga a los participantes en su propio token genera actividad que parece tracción y desaparece cuando caen las emisiones. El diagnóstico es preguntar si cualquier unidad de actividad existiría si las emisiones fueran cero. Para la mayoría de las redes en este sector hoy, gran parte de ella no existiría.

2. Los laboratorios centralizados simplemente se mueven más rápido. Los laboratorios de frontera tienen capital enorme, los mejores investigadores, relaciones de hardware integradas y la capacidad de tomar decisiones en una reunión en lugar de a través de un foro de gobernanza. Si el progreso de capacidad sigue requiriendo enormes ejecuciones de entrenamiento colocadas, las redes descentralizadas pueden nunca acercarse más a la frontera de lo que están ahora. La premisa completa del sector es que este no es el caso.

3. La acumulación de valor del token es genuinamente poco clara en varios diseños. Pregunte con precisión: cuando un cliente paga por inferencia, ¿qué sucede con el token? ¿Se quema, se hace staking, se distribuye, o es meramente una unidad de cuenta que el cliente nunca toca porque pagó en stablecoins? Varias redes prominentes tienen tokenomics donde el crecimiento del uso produce poca demanda mecánica del token. No es fatal, pero debe valorarse.

4. Dispersión de calidad y mala asignación de capital dentro de las redes. En arquitecturas de múltiples subnets, la distribución de la creación de valor es extremadamente sesgada. Un puñado de subnets produce la mayor parte del output real; muchos producen poco de valor externo mientras siguen atrayendo emisiones. Un inversor que compra el token base está comprando el promedio, no el mejor.

5. Fallo de verificación. Si una red de inferencia descentralizada es sorprendida devolviendo sistemáticamente salidas más baratas o en caché que las pagadas, el daño reputacional sería sectorial y severo. La verificación no es meramente una formalidad técnica; es la garantía de integridad del producto.

6. Exposición regulatoria en dos frentes. La regulación de IA puede imponer obligaciones que una red sin permisos estructuralmente no puede cumplir, como identificar quién entrenó un modelo o eliminar una capacidad bajo demanda. Por separado, el tratamiento de valores y estructura de mercado de tokens cuyo valor deriva de los ingresos de la red sigue siendo dependiente de la jurisdicción y sin resolver en algunos lugares.

7. Riesgo del ciclo de hardware. Las redes descentralizadas están suministradas desproporcionadamente con aceleradores de generación anterior. Cuando una nueva generación ofrece un gran salto de eficiencia, la economía del hardware más antiguo se deteriora bruscamente, y las redes que tienen ese suministro ven márgenes comprimidos.

8. Concentración y captura de gobernanza. Los mecanismos ponderados por stake concentran la influencia en los grandes tenedores. Donde los validadores puntúan a los mineros, una mayoría de stake coordinada puede dirigir las emisiones hacia sí misma. Las redes varían ampliamente en cuán seriamente han abordado esto.

Una lista de verificación de evaluación práctica

Antes de formarse una opinión sobre cualquier proyecto en este sector, obtenga respuestas concretas a estas preguntas:

• ¿Qué porcentaje de los ingresos de la red proviene de partes que no reciben emisiones?
• ¿Cuál es el régimen de verificación y su sobrecarga como porcentaje del costo de la carga de trabajo?
• ¿Cuál es el calendario de emisiones, y cómo se ve la red a la mitad de la tasa de emisión actual?
• ¿Se requiere el token para transaccionar, o es opcional y puede omitirse con stablecoins?
• ¿Cuál es la utilización en niveles de hardware premium, no la capacidad registrada agregada?
• ¿Qué se ha entregado versus qué está en la hoja de ruta, y cuál es la brecha histórica entre plazos anunciados y entregados?
• ¿Quiénes son tres clientes externos nombrados, y qué pagan?

Los proyectos que responden a las siete con claridad son raros. Esa rareza es en sí misma la señal de selección más útil disponible.

Los pronósticos en este sector tienen un historial abismal, por lo que lo que sigue está estructurado como tesis direccionales con razonamiento explícito y formas explícitas de estar equivocado, en lugar de como predicciones.

2026-2027: la fase de consolidación y prueba

Tesis: la capa de mercado de cómputo se consolida de una docena de redes creíbles a tres o cuatro, decidido por la calidad de orquestación y la integración empresarial en lugar de por la capacidad. El diferenciador será si un cliente puede apuntar las herramientas existentes a la red y tener cargas de trabajo ejecutándose sin reescribir nada. Las redes que requieren integración a medida perderán ante aquellas que presenten una interfaz familiar.

Tesis: la verificación basada en TEE se convierte en el estándar de producción para la inferencia descentralizada, con ZKML confinada a modelos pequeños, de alto valor y alta apuesta. La economía de sobrecarga hace que esto sea casi inevitable. Observe cómo la computación confidencial se convierte en una característica predeterminada anunciada en lugar de un nivel premium.

Tesis: el aprendizaje por refuerzo post-entrenamiento descentralizado alcanza la paridad competitiva genuina antes de que lo haga el preentrenamiento descentralizado. La generación de rollout de RL es vergonzosamente paralela y tolerante a la latencia, lo que se adapta mucho mejor a la topología descentralizada que la sincronización de gradientes. Si el sector produce un hito de capacidad legítimo en esta ventana, lo más probable es que provenga de aquí.

Cómo esto está equivocado: si los compradores empresariales concluyen que cualquier infraestructura sin respaldo de SLA es inutilizable para la producción, la consolidación ocurre alrededor de quien pueda ofrecer garantías contractuales convencionales, lo que favorece a los participantes más centralizados en el sector descentralizado y socava la tesis desde dentro.

2027-2028: la prueba de la economía de agentes

Tesis: los pagos máquina a máquina se convierten en el éxito comercial más claro del sector, y benefician a las cadenas de propósito general y la infraestructura de stablecoins más que a los tokens específicos de IA. Las piezas técnicas —protocolos de pago HTTP inline, identidad de agentes en cadena y registros de reputación, límites de gasto programables— ya están especificadas y enviándose. Lo que falta son agentes suficientemente valiosos para que valga la pena hacer los pagos. Esa es una pregunta de capacidad, y la capacidad está mejorando rápidamente.

Tesis: los datos se convierten en el recurso en disputa en lugar del cómputo. A medida que los modelos de pesos abiertos comoditizan la arquitectura y los datos de la web pública se agotan, los datos propietarios diferenciados se convierten en el foso duradero. Esto es estructuralmente favorable para las redes que pueden atraer la contribución de datos bajo garantías de privacidad, que es la intersección de la computación confidencial y los incentivos de tokens. Espere que el trabajo de diseño de mecanismos más interesante de este período sea sobre datos, no sobre cómputo.

Cómo esto está equivocado: la generación de datos sintéticos puede resultar suficientemente buena para que el foso de datos propietarios importe mucho menos de lo esperado, colapsando la tesis.

2028-2030: la pregunta estructural

Para finales de la década una de dos cosas será evidente.

Escenario A - la descentralización demuestra ser viable a escala. El entrenamiento eficiente en comunicación continúa mejorando, la verificación se vuelve barata y rutinaria, y una red descentralizada entrena o ajusta un modelo competitivo con los modelos cerrados contemporáneos en al menos un dominio significativo. El sector se reprecia drásticamente al alza y la composición del gasto en infraestructura de IA cambia. En este mundo, las redes que sobrevivieron la consolidación 2026-2027 y construyeron relaciones de suministro duraderas capturan valor enorme.

Escenario B - la descentralización se asienta en un nicho permanente. La capacidad de frontera sigue siendo función del capital concentrado y el cómputo colocado. Las redes descentralizadas persisten y son genuinamente útiles, sirviendo cargas de trabajo por lotes sensibles al precio, aplicaciones resistentes a la censura, sectores con restricciones de privacidad, y el long tail de modelos especializados. Este es un negocio real y duradero, quizás de múltiples miles de millones de dólares, pero es infraestructura en lugar de inteligencia, y debe valorarse como tal.

Ponderando esto honestamente: el Escenario B es más probable con la evidencia actual. La brecha de capacidad es amplia, la tendencia en el entrenamiento de frontera es hacia más concentración en lugar de menos, y ninguna red descentralizada ha demostrado aún un resultado que fuerce una reevaluación. Pero el Escenario A está lejos de estar excluido, y el progreso algorítmico en eficiencia de comunicación entre 2024 y 2026 fue más rápido de lo que esperaban la mayoría de los observadores informados. La postura racional es exposición dimensionada para la economía del Escenario B con valor de opción en el Escenario A.

Cosas específicas a observar como indicadores principales

• El mayor conteo de parámetros entrenado completamente de forma descentralizada, y qué tan rápido se mueve ese número. Si todavía está en las decenas de miles de millones en 2028, el Escenario B está confirmado.
• La relación de ingresos externos a emisiones en todo el sector. Una relación creciente es la mejor evidencia única de ajuste genuino producto-mercado.
• Si alguna empresa significativa adopta públicamente la inferencia descentralizada para una carga de trabajo de producción bajo su propio nombre. Las referencias nombradas cambian las conversaciones de adquisición.
• La sobrecarga de verificación como porcentaje del costo de la carga de trabajo. Si se acerca a lo negligible, la inferencia descentralizada se vuelve estrictamente dominante en precio para un conjunto de cargas de trabajo mucho más amplio.
• Si el volumen de pagos de agentes en rieles públicos crece hasta los miles de millones anuales. Esto es medible en cadena y es el proxy disponible más limpio para la tesis de la economía de agentes.
• La dirección de la regulación de IA sobre la procedencia del modelo y la atribución de datos. Los requisitos más estrictos favorecen las arquitecturas criptográficas.

Esta sección final es un método de trabajo en lugar de comentario. Es el proceso que un analista riguroso debería seguir antes de formarse una opinión sobre cualquier proyecto en este sector.

Paso 1: Clasifique el proyecto en su capa real

Antes que nada, determine cuál de las cinco capas del stack ocupa genuinamente el proyecto: recursos físicos, orquestación, verificación, incentivos o aplicaciones. Los materiales de marketing reclamarán varias. Mire la ingeniería: qué hace realmente el código base, sobre qué publica el equipo, de dónde provienen los ingresos. Un proyecto que vende horas de GPU es una empresa de infraestructura y debe valorarse contra comparables de infraestructura sin importar cuánto AGI aparezca en su documentación. La mala clasificación es el origen de la mayor parte del trabajo de valoración deficiente en este sector.

Paso 2: Separe la actividad impulsada por emisiones de la demanda orgánica

Construya el contrafactual: si las emisiones de tokens fueran a cero mañana, ¿qué actividad continuaría? Trabaje a través de cada categoría de participante. Los operadores de nodos que contribuyen hardware por emisiones se irían. Los clientes que pagan tarifas de mercado por un servicio que necesitan se quedarían. Los validadores que hacen staking por rendimiento dejarían de hacer staking. Los desarrolladores que construyen productos con usuarios reales continuarían.

El residual —lo que sobrevive al contrafactual— es el negocio real de la red. Todo lo demás es subsidio de crecimiento, legítimo y a menudo estrategia correcta, pero debe reconocerse como gasto en lugar de ingresos. Las redes rara vez publican esta descomposición. A menudo hay que construirla a partir de datos en cadena, comparando flujos de pago con distribuciones de emisiones por dirección.

Paso 3: Interrogue la afirmación de verificación

Haga las cuatro preguntas de la sección de tecnología: qué régimen, qué sobrecarga, qué exactamente está atestado, y cuál es la consecuencia económica de un fallo detectado. Luego haga la quinta pregunta que separa los proyectos rigurosos del marketing: ¿alguna vez alguien ha sido atrapado y slasheado? Un sistema de verificación que nunca se ha activado en producción es perfecto o inerte, y el inerte es mucho más común. Busque datos de incidentes publicados.

Paso 4: Rastree la acumulación de valor del token mecánicamente

Dibuje el flujo de un dólar de cliente a través del sistema. ¿El cliente paga en qué activo? Si en stablecoins, ¿algo se convierte al token nativo, y esa conversión es obligatoria o conveniente? ¿Alguna porción se quema, y la quema es proporcional al uso? ¿Los operadores de nodos se pagan en el token nativo, y lo venden inmediatamente, creando presión de venta estructural que escala con el crecimiento de la red?

Este ejercicio produce conclusiones incómodas sorprendentemente a menudo. Varias redes bien consideradas tienen diseños donde el crecimiento del uso crea presión neta de suministro de tokens en lugar de demanda. Eso no las convierte en malos negocios; convierte sus tokens en una expresión pobre del negocio.

Paso 5: Evalúe el equipo contra el historial de entrega

Compare los plazos anunciados con la entrega real a lo largo del historial completo del proyecto, no solo los trimestres recientes. Busque específicamente: características anunciadas y silenciosamente abandonadas, fechas de mainnet que se deslizaron repetidamente, y si las afirmaciones técnicas en publicaciones de blog fueron alguna vez reproducidas independientemente. En un sector donde las afirmaciones superan la verificación, un historial documentado de entregar exactamente lo prometido es una de las señales más fuertes disponibles, y es suficientemente rara como para ser genuinamente diferenciadora.

Paso 6: Dimensione la posición al escenario, no a la historia

Dado el análisis, determine qué escenario futuro necesita el proyecto para justificar su valoración actual. Si requiere el Escenario A —la descentralización demostrando ser viable a escala de frontera— la posición debe dimensionarse como una opción de baja probabilidad, independientemente de cuán convincente sea la narrativa. Si funciona en el Escenario B, puede llevar una ponderación central. La mayoría de los proyectos en este sector están valorados para el Escenario A mientras sus fundamentos describen el Escenario B, y reconocer ese desajuste es donde reside la ventaja analítica.

Paso 7: Defina qué cambiaría su opinión

Escriba, antes de tomar cualquier posición, las observaciones específicas que invalidarían la tesis: una trayectoria de ingresos que se aplana durante dos trimestres consecutivos, un incidente de fallo de verificación, una salida clave del equipo, un cambio en el calendario de emisiones, un competidor que entrega la misma capacidad a menor costo. Los sectores impulsados por la narrativa son exactamente los sectores donde los criterios de invalidación precomprometidos importan más, porque la narrativa suministrará una razón para mantener a través de cualquier decepción individual.

Aplicando el marco: un resumen trabajado

Ejecutar los siete pasos en las principales redes produce una taxonomía aproximada. Akash y Render se clasifican limpiamente como infraestructura con ingresos externos reales, mecánicas transparentes y viabilidad en el Escenario B. Bittensor se clasifica como una capa de incentivos con el mecanismo más ambicioso del sector, ingresos externos significativos pero concentrados, y una valoración que requiere una creencia sustancial en el Escenario A. NEAR se clasifica como una cadena plataforma donde la IA es una tesis incremental sobre los fundamentos generales de la cadena, lo que la hace de menor beta a la narrativa de IA en ambas direcciones. FET se clasifica como una cesta diversificada que abarca tres capas, lo que reduce el riesgo de punto único de fallo mientras diluye la claridad de cualquier tesis única. Prime Intellect y Nous Research se clasifican como programas de investigación cuyos resultados deben rastrearse como indicadores principales para todo el sector independientemente de si existe alguna forma de tomar exposición directa.

Ninguna de estas clasificaciones es una recomendación. Son el resultado de un método, y el método es la cosa duradera. Los proyectos cambian, los mecanismos se rediseñan, y la composición del sector en 2028 se verá diferente de hoy. Los siete pasos seguirán aplicando.