Sentando las bases para la economía de agentes de IA: un plan de implementación tecnológica previsto por a16z

Ya llega la temporada de predicciones de fin de año. Los inversores de riesgo lanzan tendencias impresionantes, los medios se apresuran a reproducirlas, y los constructores — nosotros, los que realmente convertimos conceptos en realidad — a menudo fruncen el ceño frente a un mapa de ruta borroso. Cuando el equipo de criptografía de a16z propone que en 2026 la IA enfrentará una “revolución en el paradigma de investigación”, “crisis de identidad de agentes” y “impuesto invisible en redes abiertas”, lo que vemos no son titulares, sino una lista de tres problemas técnicos que requieren solución urgente.

Este artículo no pretende repetir esas predicciones. En cambio, las consideramos como una especificación técnica pública de necesidades. Si tú y yo, al igual que yo, creemos que el futuro será definido por la colaboración compleja entre agentes de IA, entonces debemos comenzar ahora a diseñar los protocolos básicos, patrones arquitectónicos y mecanismos de flujo de valor que soporten todo esto. A continuación, un plan técnico factible para abordar estos tres grandes desafíos.

Diseñar una pila de colaboración en investigación de IA “enroscada”

Los marcos actuales de agentes de IA resuelven el problema de “hacer que múltiples agentes dialoguen”, pero en esencia siguen siendo flujos de trabajo lineales o en árbol. Cuando hablamos de “envolver un agente a otro”, describimos un ecosistema más orgánico: agentes que observan, evalúan, vetan y potencian el trabajo de otros, como un equipo de investigación humano.

Esto requiere una nueva forma de pensar en la arquitectura del sistema. El núcleo está en crear una “capa de evaluación meta” — agentes de revisión diseñados específicamente, cuyo prompting no se centra en la tarea en sí, sino en la rigurosidad metodológica, la detección de fallos lógicos y la innovación. La salida de estos agentes no será la respuesta final, sino informes estructurados de evaluación y puntuaciones de confianza. Sobre esta base, el sistema debe poder orquestar flujos de trabajo dinámicos: cuando un agente de demostración matemática se quede atascado, introducir automáticamente un agente de “pensamiento por analogía” para ofrecer una nueva perspectiva, en lugar de simplemente reintentar.

Un desafío aún más importante es la gestión compartida del contexto. Necesitamos desarrollar un “objeto de contexto de investigación” estandarizado, que pueda transmitirse entre agentes, incluyendo toda la cadena de hipótesis, caminos vetados, citas clave y subproblemas sin resolver. Esto es más estructurado que un simple historial de diálogo, más cercano a las notas de laboratorio de un investigador humano. La comunidad de código abierto ya está explorando esta dirección, pero los marcos existentes aún tienen limitaciones en cuanto a la interacción crítica profunda entre agentes.

Construir un protocolo de identidad “conoce a tu agente”

La predicción de Sean Neville sobre “KYA” revela un cuello de botella fundamental: la economía inteligente no puede basarse en participantes anónimos o no rastreables. Los agentes actuales son solo fantasmas tras una clave API, sin identidad verificable, límites de permisos o responsabilidad legal. Esto no solo es un problema regulatorio, sino también una carencia en los protocolos técnicos.

La solución pasa por diseñar un estándar de identidad de agente nativo en criptografía. Posibles caminos incluyen ampliar las credenciales verificables de W3C para que puedan expresar “este agente fue autorizado por un DAO para realizar arbitraje DeFi, con un máximo de 1 millón de dólares en posición”, o crear un registro de agentes en cadena completamente nuevo. Cualquiera que sea la opción, se debe resolver el problema fundamental de gestión de claves: ¿cómo almacenar y rotar de forma segura las claves privadas del agente? Cuando un comportamiento del agente sea anómalo, ¿cómo intervenir rápidamente y recuperar el control?

Un desafío aún más complejo es el diseño de mecanismos de trazabilidad de responsabilidad. Necesitamos integrar en la pila tecnológica registros de auditoría inalterables, que permitan rastrear cada decisión importante del agente hasta sus prompts, fragmentos de datos de entrenamiento y firmas del controlador. Esto no solo es un reto técnico, sino también un cruce entre leyes e ingeniería. El estándar ERC-4337 para cuentas abstractas ya proporciona una base para “billeteras inteligentes”, pero los agentes necesitan metadatos y estructuras de permisos más enriquecidos.

Implementar un protocolo de flujo de valor contra el “impuesto invisible”

El problema del “impuesto invisible” señalado por Liz Harkavy es, en esencia, una disfunción fundamental en el modelo económico de internet. Los agentes de IA consumen en masa contenido respaldado por publicidad y suscripciones, pero esquivan por completo los canales de monetización existentes. Las herramientas tradicionales de análisis web ni siquiera pueden distinguir entre accesos humanos y rastreos de agentes, mucho menos ofrecer microcompensaciones.

Las soluciones técnicas deben abordar simultáneamente los dos aspectos: las vías de pago y el rastreo de atributos. En pagos, soluciones de capa 2 en blockchain como Arbitrum o Base ofrecen capacidades de micropagos de bajo costo, pero la latencia y la complejidad siguen siendo un reto. Protocolos de pago como Lightning Network o Fedimint podrían ser opciones mejores, pero su integración con la infraestructura actual es limitada. Una opción más radical sería reimaginar el protocolo HTTP en sí, agregando un campo de “valor esperado” en los encabezados estándar.

El rastreo de atributos es un problema técnico aún más delicado. ¿Cómo hacer que una respuesta generada por IA pueda ser rastreada de forma confiable hasta los cinco párrafos de Wikipedia, tres artículos académicos y dos blogs del sector en los que se basó? Las etiquetas rel=”canonical” y los estándares de citas existentes son insuficientes. Necesitamos desarrollar nuevos protocolos de marcado de contenido, quizás basados en huellas semánticas en lugar de URLs simples, y crear registros de contribución entre sitios. Solo al resolver el problema de los atributos, las compensaciones basadas en el uso podrán ser justas.

Infraestructura interconectada y desafíos abiertos

Estos tres ámbitos tecnológicos no existen de forma aislada. Un agente de IA que realiza investigación de mercado necesita un certificado “KYA” para demostrar su cumplimiento, usar una arquitectura “enroscada” para organizar su flujo de análisis, y a través de un “protocolo de flujo de valor” pagar automáticamente por cada informe financiero que consuma. Juntos, constituyen los pilares triangulares de la economía de agentes inteligentes: identidad, colaboración e intercambio de valor.

La comunidad de código abierto está en la vanguardia de la construcción de estas infraestructuras. Vemos a LangChain avanzando en estándares de colaboración entre agentes, a Farcaster explorando mapas sociales descentralizados, y a muchos equipos experimentando con integración de pagos en Web3. Pero el mayor desafío sigue siendo la interoperabilidad: ¿cómo descubren los diferentes sistemas de agentes entre sí, establecen confianza y colaboran de forma segura? Esto requiere un trabajo de estandarización que trascienda un solo proyecto.

En el próximo año, los avances reales probablemente no provendrán de modelos más grandes, sino de estos protocolos básicos aparentemente simples. Cuando resolvamos cómo los agentes pueden demostrar quiénes son, cómo pensar en conjunto y cómo pagar por los recursos que consumen, la IA podrá pasar realmente de una interfaz de chat cerrada a una economía digital abierta y sostenible. El camino para los constructores ya está claro: elige una infraestructura y empieza a construir.