¿Quién supervisa cuando los agentes de IA se contratan entre sí?

ERC‑8004 resolvió la identidad, ERC‑8183 resolvió la custodia, ¿y luego qué?

Escrito por: Thejaswini M A

Compilado por: Saoirse, Foresight News

Durante mucho tiempo en el desarrollo de Internet, los motores de búsqueda solo se encargaban de devolver listas de resultados, dejando todo el trabajo restante a los usuarios. Lo que aparece ante nuestros ojos son títulos azules y enlaces. Luego hacemos clic en aquellos que parecen coincidir con nuestras necesidades de búsqueda. Sin embargo, al hablar de esta experiencia como algo del pasado, se siente un poco extraño y me da una sensación de nostalgia.

Como escritora, siempre he tenido aversión a la SEO. Las palabras clave pueden arruinar gran parte del contenido interesante de un artículo; en la lógica de clasificación de Google, las citas externas también se consideran votos. En esencia, si más páginas web apuntan a tu página, tu peso en la red será mayor. Sin embargo, no se puede quejar, es lo que hay. Cierta credibilidad es mejor que no ser creído en absoluto. La publicidad ha sustentado todo en Internet. Pero los editores de contenido claramente odian este mecanismo.

Hoy en día, este modelo está en vías de extinción. Si quiero encontrar un libro sobre economía financiera, o saber cómo tratar el dolor de tobillo después de caminar mucho tiempo, simplemente abro Gemini. Algunos usan Perplexity, otros GPT. Aquellos que no son sensibles al consumo de tokens eligen directamente Claude. ¿Estos herramientas son realmente más efectivas que leer un artículo completo? No lo sabemos... Tal vez no, pero ciertamente hacen la vida más fácil. No necesitas leer dos artículos con opiniones diametralmente opuestas; la IA ya ha manejado el problema por ti.

Creo que al menos el grupo de personas menores de 30 años ya no ve a los motores de búsqueda como una entrada que necesita ser visitada activamente.

Luego entran los agentes, rompiendo completamente el viejo patrón. El tráfico no humano ya ha superado al tráfico humano. Un agente que realiza tareas de investigación puede leer miles de páginas web y finalmente solo producir un memorando. Esto es completamente diferente de los humanos. Por lo tanto, en un sistema económico impulsado por agentes, la publicidad puede perder su valor. He escrito dos artículos sobre si el software debería pagar por los recursos que utiliza. Concluimos que el pago en sí es, de hecho, la parte más sencilla del proceso.

Un agente que completa tareas en la red y realiza liquidaciones de valor necesita un conjunto de seis capas de tecnología independientes entre sí.

El agente necesita encontrar recursos web, confiar en los resultados devueltos, confiar en otros robots, confirmar el estado de la tarea, realizar el pago y dejar la compensación correspondiente a los creadores de contenido. A continuación, desglosaremos esto capa por capa en ese orden.

¿Qué hay en la red real?

Tanto las máquinas como los humanos utilizan "búsqueda", pero sus demandas sobre las páginas web son completamente diferentes.

La búsqueda humana devuelve una lista completa de páginas web, que los usuarios navegan por los títulos y eligen qué visitar. La búsqueda de máquinas para agentes de IA es diferente. Los agentes están limitados por la ventana de contexto (memoria a corto plazo) y no navegan por las páginas web de manera completa. No devolverán todos los enlaces ordenados por peso, sino que extraerán solo unos pocos párrafos que sean más útiles para la tarea, alimentándolos directamente al modelo para evitar desbordamientos de memoria, y todo el proceso toma solo milisegundos.

Los dos principales actores en este campo son Parallel y Exa, ambos son empresas independientes que sirven a la búsqueda de agentes. Parallel fue fundada por Parag Agarwal después de dejar Twitter, completó una financiación de 100 millones de dólares en abril y tiene una valoración de 2 mil millones de dólares. Parallel ejecuta búsquedas según objetivos claros, devolviendo fragmentos de contenido comprimido, que se ordenan según su contribución a la tarea, y cada hecho se acompaña de una fuente de cita y un puntaje de confianza.

En cuanto a Exa, con inversión de a16z, completó una financiación de 250 millones de dólares en mayo y tiene una valoración de 2.2 mil millones de dólares. Sirve a más de 5000 empresas y 40,000 desarrolladores, proporcionando capacidades subyacentes para productos como Cursor, Cognition, HubSpot, OpenRouter, Monday.com, entre otros. Exa se centra en la comprensión semántica en lugar de la coincidencia de palabras clave, y puede devolver contenido coincidente incluso si la consulta no aparece en el texto original, al tiempo que devuelve el texto original de la página web de manera limpia.

Según la documentación oficial de Parallel, el costo de mil solicitudes de búsqueda en dos niveles de alta velocidad es de 1 dólar, mientras que en dos niveles de baja velocidad es de 5 dólares. Sin importar la longitud de la página, la extracción de contenido de URL se unifica en mil páginas por 1 dólar. Exa cobra 7 dólares por mil solicitudes de búsqueda, siete veces más que Parallel; la extracción de contenido de página web cuesta 1 dólar por mil páginas, y la interfaz de preguntas y respuestas con citas cuesta 5 dólares por mil.

¿Es realmente buena la efectividad de la búsqueda?

Google generalmente realiza evaluaciones de calidad de búsqueda internamente: juzga si los usuarios hacen clic en el primer resultado, permanecen en la página o abandonan de inmediato; al mismo tiempo, contrata evaluadores humanos para calificar los resultados. En el pasado, también hubo pruebas como RTEC, pero no existen clasificaciones públicas disponibles para la compra. Google Analytics y Similarweb contabilizan el tráfico, no la calidad de búsqueda.

En el mundo de los agentes de IA, ya han surgido conjuntos de pruebas de referencia en laboratorios, diseñados específicamente para medir si las herramientas de búsqueda pueden ayudar a la IA a obtener respuestas correctas.

OpenAI lanzará BrowseComp en abril de 2025, que incluye 1266 preguntas construidas inversamente. El creador de preguntas primero determina un hecho objetivo verificable y luego diseña la pregunta, ocultando el hecho bajo múltiples condiciones restrictivas. Si se hace la pregunta primero, como en un cuestionario de conocimiento general, el modelo probablemente responderá correctamente basándose en su propia memoria o en una búsqueda afortunada. Solo al determinar el hecho primero y luego empaquetar la pregunta se puede realmente probar la capacidad de búsqueda de la herramienta.

El GPT‑4o original obtuvo solo un 0.6%; el GPT‑4o con capacidad de navegación obtuvo un 1.9%; la investigación profunda de OpenAI alcanzó un 51.5%.

El objetivo de la prueba es verificar si el sistema puede encontrar un hecho oculto y verificable en la verdadera Internet y producirlo. Las 1266 preguntas tienen respuestas estándar breves, y el modelo solo tiene una oportunidad para responder; si coincide, obtiene puntos, si no, no obtiene nada, y la puntuación final es igual al porcentaje de preguntas correctas respecto al total. El 0.6% del GPT‑4o original representa que el modelo casi no puede obtener hechos a través de su memoria inherente; el 1.9% del GPT‑4o con navegación indica que la mejora que brinda la herramienta de búsqueda básica es mínima; el 51.5% de la investigación profunda representa un ciclo de búsqueda-lectura más largo, con aproximadamente un 50% de probabilidad de encontrar el hecho objetivo.

Además de BrowseComp, hay otros conjuntos de evaluación: SimpleQA (OpenAI, 4326 preguntas), un conjunto de pruebas de hechos fácil de calificar; a medida que las herramientas de navegación se aceleran, la dificultad de SimpleQA fue fácilmente superada por el modelo, por lo que se creó BrowseComp. GAIA (Meta / Hugging Face, 466 tareas manuales), orientado a escenarios de asistentes reales, puede requerir navegación web, uso de herramientas, lectura de archivos y razonamiento en múltiples pasos, no solo búsqueda simple. DeepSearchQA es un conjunto de datos de investigación de búsqueda múltiple, y Artificial Analysis hará una evaluación integral basada en este conjunto de datos. FRAMES (Google DeepMind, 824 muestras), un conjunto de preguntas de múltiples saltos, requiere extraer hechos de múltiples fuentes y luego integrarlos.

La institución privada Artificial Analysis fue cofundada por George Cameron y Micah Hill-Smith, y lanzará el índice de búsqueda el 18 de agosto de 2026. Esta evaluación fija el modelo de IA utilizado para responder y las reglas de evaluación, solo cambiando la API de búsqueda que utiliza el agente. Si la puntuación cambia, significa que la diferencia proviene de la herramienta de búsqueda en sí, y no de la capacidad del modelo.

Fuente: @artificialanalysis

Sin utilizar búsqueda en absoluto, el mismo modelo obtuvo una puntuación base de 33 en este índice, mientras que la puntuación base del subconjunto de BrowseComp fue de 17. Incluso si las clasificaciones de los proveedores de búsqueda cambian, la puntuación base no cambia.

Hasta el 27 de agosto, el índice de búsqueda de Artificial Analysis: la versión intermedia de Perplexity ocupa el primer lugar con 80 puntos; Parallel en nivel avanzado y Brave están empatados con 75 puntos; You.com y Exa tienen 74 puntos; Firecrawl, Parallel básico y Parallel de alta velocidad tienen 73 puntos.

Si la puntuación de la herramienta de búsqueda es superior a la base, significa que la búsqueda realmente ayudó al modelo a obtener nueva información. La lógica es la siguiente: la IA responde solo con memoria, obteniendo la puntuación base; al conectarse a la búsqueda, la puntuación aumenta, lo que indica que la búsqueda encontró información que el modelo no conocía originalmente; si la puntuación no mejora, significa que la búsqueda no tuvo efecto.

Sin embargo, la evaluación en sí tiene limitaciones: las preguntas de prueba y los modelos utilizados no son específicos del escenario de negocio. Los proveedores pueden optimizarse específicamente para conjuntos de pruebas conocidos (como DeepSearchQA), al igual que los sitios web en el pasado optimizaban para Google a través de SEO.

¿Quién es el robot del otro lado?

Cuando dos agentes de IA se contratan entre sí, solo tener una dirección de billetera y una descripción no es suficiente para establecer confianza. La dirección de la billetera solo puede probar que la cuenta tiene fondos, y el texto descriptivo es fácil de falsificar, no puede probar la identidad del desarrollador del robot ni corroborar si su historial de trabajo es real. El estándar ERC‑8004 fue diseñado para resolver la verificación de la identidad y reputación real de los agentes.

ERC‑8004 fue redactado por personas de MetaMask, la Fundación Ethereum, Google y Coinbase, y se lanzó en la red principal de Ethereum el 29 de enero de 2026, e incluye tres registros principales.

Primero, Registro de Identidad, realizado en forma de NFT. Cada agente corresponde a un token numerado, cuyo identificador de recurso uniforme apunta a un archivo de registro que documenta el nombre del agente, el punto final del servicio, si admite pagos x402 y qué modelos de confianza soporta. El titular del token es el propietario del agente; cuando se transfiere la propiedad del token, la información de la billetera de pago anterior se borra y el nuevo propietario debe volver a firmar para demostrar el control.

Segundo, Registro de Reputación, que recibe retroalimentación firmada, es decir, un sistema de evaluación pública en la cadena. Después de usar un agente, los usuarios pueden dejar calificaciones en la cadena, acompañadas de etiquetas de tarea (por ejemplo, búsqueda, calificación). Los propietarios de los agentes no pueden escribir evaluaciones sobre sí mismos, y las evaluaciones pueden ser retiradas. Cualquiera puede agregar notas adicionales debajo de la evaluación, y los registros de reembolso y advertencias de spam pueden adjuntarse junto a la calificación. Esta es una sección de comentarios pública vinculada al ID del agente, no un sistema privado de estrellas dentro de una aplicación específica.

Tercero, Registro de Verificación, que se conecta a verificadores independientes de terceros. El agente inicia una solicitud de verificación, y el contrato inteligente del verificador devuelve una puntuación de 0 a 100, junto con un enlace a la evidencia; la fuente de la evidencia puede ser el resultado de una repetición de tarea, una prueba de conocimiento cero, o un certificado emitido por un chip de seguridad.

Esta norma en sí no maneja la lógica de pagos, y el documento deja claro este punto. Solo registra la identidad del agente, las evaluaciones externas y los resultados de verificación de terceros, dejando los pagos a otros protocolos. La calidad de los datos del registro no es ideal. Según las estadísticas de 8004scan de julio, se registraron un total de 385998 agentes en 29 cadenas públicas, con más de 460000 evaluaciones. La gran mayoría de los ID son solo insignias vacías; el 89.2% no tiene interfaces de servicio estándar publicadas; solo 8631 agentes tienen servicios utilizables, lo que representa solo el 2.24%.

Fuente: @8004_scan

En mayo, una investigación sobre Ethereum, BNB Chain y Base Chain encontró que: las calificaciones en la cadena no se pueden comparar horizontalmente entre diferentes agentes. La mayoría de las retroalimentaciones no están vinculadas a resultados de tareas que cualquiera pueda verificar, y el costo de manipular evaluaciones es muy bajo. Después de filtrar las evaluaciones sospechosas, muchos de los agentes calificados ya no tienen evaluaciones válidas. Este estándar solo unifica el formato de salida de los datos de evaluación; qué evaluaciones son reales y confiables queda a cargo de sistemas externos. ENS, EigenLayer, The Graph y Taiko han declarado que integrarán este estándar, pero aún no han desarrollado herramientas de filtrado de evaluaciones.

¿Los agentes realmente completaron el trabajo?

La arquitectura de Comercio Agentic, diseñada conjuntamente por la Fundación Ethereum y el Protocolo Virtuals, tiene como objetivo lograr que los agentes de IA autónomos se contraten entre sí, colaboren y realicen liquidaciones en la cadena, sin necesidad de intermediarios humanos. ERC-8004 junto con ERC-8183 (estándar de custodia) implementan este sistema. ERC-8183 estandariza la publicación de tareas entre agentes, la custodia de fondos, la verificación de resultados y el proceso de liquidación.

El flujo de trabajo es el siguiente: el agente cliente que inicia la tarea publica la tarea, especificando la descripción de la tarea, la fecha límite, el presupuesto y designando un evaluador. El cliente deposita fondos en un contrato inteligente, y los fondos quedan bloqueados, sin que ninguna de las partes pueda utilizarlos unilateralmente.

El agente que proporciona el servicio completa el cálculo fuera de la cadena y sube el resultado final a IPFS, Arweave u otro almacenamiento descentralizado, enviando solo el hash o el localizador de recursos a la cadena. El evaluador (que puede ser un agente árbitro especializado, un oráculo automatizado o un verificador de pruebas de conocimiento cero) revisa los resultados entregados.

Si el evaluador determina que la tarea fue completada, se paga al proveedor de servicios después de deducir la tarifa; si la determinación falla, los fondos se devuelven al cliente. Si el proveedor de servicios pierde contacto o si el evaluador se detiene más allá de la fecha límite, el contrato activará la lógica de reembolso público, devolviendo los fondos al cliente para evitar que los activos queden bloqueados permanentemente.

El evaluador también puede ser asumido directamente por el cliente, y el documento considera este modo como una solución habitual en escenarios sin terceros. Al mismo tiempo, la norma establece: Este acuerdo no proporciona mecanismos de resolución de disputas ni arbitraje, y la negativa a resultados / el tiempo de espera se considera la determinación final. Si el robot de calificación que eliges te engaña maliciosamente, no hay administradores ni servicio al cliente a quienes apelar. No tienes a dónde acudir; y, además, respecto a los problemas mencionados en el nivel anterior, no puedes confiar en las evaluaciones en la cadena para seleccionar evaluadores confiables, ya que la mayoría de las evaluaciones son falsas.

Sistemas como UMA, Kleros y Bittensor pueden mitigar el riesgo de mala conducta de los evaluadores, pero sacrifican velocidad y aumentan costos. La custodia y liquidación completamente automatizadas pueden completarse en segundos, con tarifas muy bajas; mientras que la actualización del proceso de disputas a través de UMA y Kleros requiere ventanas de desafío, depósitos de garantía y la participación de humanos en la votación.

¿Se completó la transferencia de fondos?

Recientemente ha habido mucha discusión en la industria sobre este tema, aquí una breve explicación.

x402 fue lanzado por Coinbase, es un protocolo construido sobre las cadenas públicas existentes, que cobra tarifas por solicitud y utiliza stablecoins para realizar transferencias.

Fuente: @coinbase

Otro conjunto es el Protocolo de Pago de Máquinas (MPP), lanzado en marzo de 2026 por Stripe y Tempo, con el lanzamiento del mainnet de Tempo el mismo día. MPP es un estándar HTTP. El servidor devuelve un 402 que requiere pago en respuesta, junto con información de desafío; el agente lleva un comprobante de pago para volver a intentar la solicitud; el servidor devuelve recursos y un recibo de pago.

El flujo real de fondos depende del canal subyacente. En Tempo, una transacción única se liquida en la cadena en aproximadamente 0.5 segundos. Ante una serie de pequeñas llamadas, el agente puede bloquear previamente una cantidad de fondos, manteniendo un registro continuo durante el proceso, y finalmente liquidar en la cadena de una sola vez, en lugar de iniciar una transacción en la cadena con cada llamada. El límite de pago está controlado por la cantidad bloqueada en esta sesión o la clave de acceso, no por un modo de "autorización única, cobro permanente".

MPP admite varios canales subyacentes: Visa ha publicado especificaciones de tarjetas, permitiendo que los agentes paguen con tarjetas tokenizadas; Lightspark implementa un esquema de pago de red Lightning basado en el mismo proceso 402, junto con un plan de tarjetas Visa. Los comerciantes que ya han integrado pagos con tarjetas de Stripe pueden recibir pagos con tarjetas MPP directamente, y los fondos ingresan a cuentas normales de Stripe; la red Lightning es otro canal opcional bajo las reglas de MPP. Stripe también admite x402. Tanto x402 como MPP reutilizan el código de estado HTTP 402 "se requiere pago", pero pertenecen a dos protocolos diferentes.

¿Los creadores de contenido han recibido su compensación?

Si los creadores no reciben dinero, no habrá nuevo contenido disponible para buscar. Si los creadores no pueden obtener ganancias, dejarán de publicar obras, y los agentes de IA eventualmente se quedarán sin nuevo material de lectura.

Cloudflare, Parallel y OpenLedger son tres proyectos representativos en este campo.

Cloudflare inicialmente cobraba una tarifa fija por la captura de páginas web por parte de crawlers. Este esquema era demasiado tosco, cobrando lo mismo por capturar la página de inicio que por un reportaje de investigación profundo. Ahora Cloudflare ha cambiado a un modelo de facturación basado en el valor: solo se paga al publicador cuando el contenido realmente genera valor. Además, para los sitios que generan ingresos por publicidad, si el proveedor de servicios de IA se niega a pagar, Cloudflare bloqueará los crawlers de IA.

Parallel lanzó el producto Index el 19 de mayo, utilizando el algoritmo de Shapley de la teoría de juegos cooperativos para calcular la proporción de contribución de cada fuente de información al resultado final de la tarea del agente, completando así la distribución. Ya no se paga de manera uniforme por clic, sino que se mide la contribución real de cada artículo a la tarea mediante un modelo matemático. Los socios cooperativos incluyen The Atlantic, Fortune, PR Newswire, PitchBook, ZoomInfo, Tracxn, RocketReach, Enigma y Fiscal AI.

Actualmente, Index solo se liquidará cuando los agentes utilicen la herramienta de búsqueda propia de Parallel. A menos que todas las plataformas de IA se integren, no podrá convertirse en un estándar universal en la red.

OpenLedger es otra solución que utiliza un sistema de tokens. Este sistema mide el impacto de los conjuntos de datos en los modelos de IA y paga a los contribuyentes con su propio token. Este esquema está dirigido a desarrolladores de datos de entrenamiento de IA y no está diseñado para compensar a los periodistas por sus artículos diarios.

He intentado buscar datos reales sobre las cantidades que estos proyectos han pagado a los creadores. Cloudflare no ha publicado cifras de pago; Parallel tampoco ha revelado; OpenLedger liquida con el token OPEN y no ha hecho públicos los totales de pago de manera independiente. Por lo tanto, actualmente no tenemos hechos concretos para evaluar la efectividad real de este mecanismo.

En la historia del desarrollo comercial humano, las cajas registradoras aparecieron bastante tarde. Los humanos pasaron muchos años estableciendo acuerdos verbales y sistemas de reputación local antes de inventar pagos de bajo fricción. Sin embargo, el desarrollo de Internet de las máquinas ha seguido un camino completamente inverso: desde su nacimiento, ha logrado liquidaciones globales instantáneas y en flujo. Ahora, la economía de los agentes se ve obligada a apresurarse a construir tribunales de disputas de bajo valor en la cadena para evitar que dos robots se engañen mutuamente por tareas de unos pocos dólares.

Finalmente, cito una frase de Terry Pratchett para cerrar:

"Hablar puramente de lógica es fácil, decir que las máquinas solo ejecutan las instrucciones que reciben. Pero la gente tiene derecho a esperar que las máquinas también tengan un poco de sentido común."