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

ERC‑8004 resuelve la identidad, ERC‑8183 resuelve 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 son títulos azules y enlaces. Luego hacemos clic en aquellos que parecen coincidir con nuestras necesidades de búsqueda. Sin embargo, hablar de esta experiencia como algo del pasado se siente un poco extraño y me hace sentir un poco nostálgico.

Como escritor, 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 página tendrá más peso. Sin embargo, no hay nada de qué quejarse. Cierta credibilidad es mejor que ninguna. La publicidad ha mantenido 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 durante mucho tiempo, simplemente abro Gemini. Algunos usan Perplexity, otros usan GPT. Aquellos que no son sensibles al consumo de tokens eligen directamente a 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 tienes que leer dos artículos con opiniones completamente opuestas, la IA ya ha manejado el problema por ti.

Creo que, al menos, las personas menores de 30 años ya no ven a los motores de búsqueda como una entrada que necesitan visitar activamente.

Luego aparecen 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, al final, 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. Llegamos a la conclusión de que el pago en sí es 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 interdependientes.

El agente necesita encontrar recursos web, confiar en los resultados devueltos, confiar en otros robots, confirmar el estado de las tareas, completar los pagos y dejar la compensación correspondiente a los creadores de contenido. A continuación, desglosaremos esto capa por capa en este 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 el usuario navega por los títulos y elige a dónde ir. 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 completas. No devolverán todos los enlaces ordenados por peso, solo extraerán unos pocos párrafos que sean más útiles para la tarea y los alimentarán directamente al modelo, evitando así el desbordamiento de memoria, y todo el proceso toma solo milisegundos.

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

En cuanto a Exa, a16z lideró su financiación, completando 250 millones de dólares en mayo, con 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 web, la extracción de contenido de URL se unifica en mil páginas por 1 dólar. Exa cobra 7 dólares por mil solicitudes de búsqueda, que es 7 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 calidad de 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 existieron pruebas como RTEC, pero no hay clasificaciones públicas disponibles para su 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 de laboratorio, 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 las preguntas primero determina un hecho objetivo verificable y luego diseña la pregunta, ocultando el hecho bajo múltiples condiciones restrictivas. Si se hacen preguntas primero, como en un cuestionario de conocimiento general, el modelo probablemente responderá correctamente basándose en su propia memoria o en una búsqueda afortunada. Pero al primero determinar el hecho 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 obtuvo 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 devolverlo. 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 sobre el 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 trae la herramienta de búsqueda básica es mínima; el 51.5% de la investigación profunda representa un ciclo de búsqueda-lectura más largo, con aproximadamente la mitad 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 ha sido fácilmente superada por el modelo, de ahí la necesidad de BrowseComp. GAIA (Meta / Hugging Face, 466 tareas manuales), orientado a escenarios de asistentes reales, puede requerir navegación web, llamadas a herramientas, lectura de archivos y razonamiento en múltiples pasos, no solo búsqueda simple. DeepSearchQA es un conjunto de datos de investigación de búsqueda múltiple, Artificial Analysis hará evaluaciones integrales basadas 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 la búsqueda, el mismo modelo obtuvo una puntuación base de 33 en este índice, y una puntuación base de 17 en el subconjunto de BrowseComp. Incluso si las clasificaciones de los proveedores de búsqueda cambian, la puntuación base permanece constante.

Hasta el 27 de agosto, el índice de búsqueda de Artificial Analysis: la versión media de Perplexity obtuvo 80 puntos, ocupando el primer lugar; Parallel en su nivel avanzado y Brave empataron con 75 puntos; You.com y Exa obtuvieron 74 puntos; Firecrawl, la versión básica de Parallel y la versión de alta velocidad de Parallel obtuvieron 73 puntos cada una.

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: si la IA responde solo con memoria, obtiene la puntuación base; si se conecta a la búsqueda y la puntuación aumenta, significa que la búsqueda encontró información que el modelo no conocía; 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 exclusivos del escenario de negocio. Los proveedores pueden optimizarse específicamente para conjuntos de pruebas conocidos (como DeepSearchQA), al igual que los sitios web solían hacer SEO para Google en el pasado.

¿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 demostrar que la cuenta tiene fondos, y el texto descriptivo puede ser fácilmente falsificado, no puede probar la identidad del desarrollador del robot ni verificar si su historial laboral 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 de servicio, si admite pagos x402 y qué modelos de confianza soporta. El poseedor 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 comentarios firmados, es decir, un sistema de evaluación pública en la cadena. Después de usar el agente, los usuarios pueden dejar una calificación en la cadena, acompañada de etiquetas de tarea (por ejemplo, búsqueda, calificación). Los propietarios de agentes no pueden evaluarse a 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 públicos 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, pruebas de conocimiento cero, o una certificación emitida por un chip de seguridad.

Esta normativa 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 estadísticas de 8004scan en julio, se registraron un total de 385998 agentes en 29 cadenas públicas, con más de 460000 evaluaciones. La gran mayoría de los IDs 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 de crawlers sobre Ethereum, BNB Chain y Base encontró que las calificaciones en la cadena no se pueden comparar horizontalmente entre diferentes agentes. La mayoría de los comentarios no están vinculados a resultados de tareas que cualquiera pueda verificar, y el costo de manipular las calificaciones es muy bajo. Después de filtrar las calificaciones sospechosas, muchos de los agentes calificados ya no tienen evaluaciones válidas. Este estándar solo unifica el formato de salida de los datos de evaluación, y la veracidad de las evaluaciones queda a cargo de sistemas externos. ENS, EigenLayer, The Graph y Taiko han expresado su intención de adoptar este estándar, pero aún no han desarrollado herramientas de filtrado de evaluaciones.

¿Realmente los agentes completaron el trabajo?

La arquitectura de Comercio Agente, diseñada conjuntamente por la Fundación Ethereum y Virtuals Protocol, 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), implementa este sistema. ERC-8183 estandariza el proceso completo de publicación de tareas, custodia de fondos, verificación de resultados y liquidación entre agentes.

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 el evaluador designado. 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 falla, los fondos se devuelven al cliente. Si el proveedor de servicios pierde contacto o si el evaluador se retrasa 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 permanentemente bloqueados.

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 normativa establece: Este acuerdo no proporciona mecanismos de resolución de disputas ni arbitraje, y el rechazo de resultados / el tiempo de espera se considera la determinación final. Si el robot de calificación que eliges te engaña maliciosamente, no hay administrador ni servicio al cliente a quien apelar. No tienes a dónde acudir; y además, respecto a los problemas mencionados anteriormente, 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 un evaluador, pero sacrifican velocidad y aumentan costos. La custodia y liquidación puramente automatizadas pueden completarse en segundos, con tarifas muy bajas; mientras que la mejora 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, así que aquí hay una breve explicación.

x402 fue lanzado por Coinbase, es un protocolo construido sobre las cadenas públicas existentes, que cobra por solicitud y utiliza stablecoins para completar las 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, junto con información de desafío; el agente lleva un comprobante de pago y vuelve 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 en la cadena se liquida en aproximadamente 0.5 segundos. Ante una serie de pequeñas llamadas, el agente puede bloquear previamente una cantidad de fondos, manteniendo un registro durante el proceso y finalmente liquidando en la cadena, en lugar de iniciar una transacción en la cadena con cada llamada. El límite de pago está controlado por el monto bloqueado en esta sesión o por la clave de acceso, no es un modelo de "autorización única, deducción permanente".

MPP admite múltiples 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 aceptan pagos con tarjetas de Stripe pueden recibir directamente pagos con tarjetas MPP, 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 crawlers. Este esquema era demasiado rudimentario, cobrando lo mismo por capturar la página de inicio que por un informe de investigación profundo. Ahora, Cloudflare ha cambiado a un modelo de facturación basado en el valor: solo 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 su producto Index el 19 de mayo, utilizando el algoritmo de valor 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, y así completar la distribución. Ya no se paga uniformemente por clic, sino que se mide la contribución real de cada artículo a la tarea mediante un modelo matemático. Los socios de colaboración incluyen The Atlantic, Fortune, PR Newswire, PitchBook, ZoomInfo, Tracxn, RocketReach, Enigma y Fiscal AI.

Actualmente, Index solo se liquidará cuando el agente utilice 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 emite recompensas a los contribuyentes en su propio token. Este esquema está dirigido a desarrolladores de datos de entrenamiento de IA y no está destinado a 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 hecho públicos los números de pago; Parallel tampoco ha revelado; OpenLedger liquida en tokens OPEN, sin estadísticas independientes públicas sobre el total de pagos. 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 locales antes de inventar pagos de bajo fricción. Sin embargo, el desarrollo de la internet de máquinas ha seguido un camino completamente inverso: desde su nacimiento, ha logrado liquidaciones globales instantáneas y en flujo. Ahora, la economía de 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 a Terry Pratchett para cerrar:

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