AI Agent「Rito de Paso」: ¿Qué falta para pasar de la simulación a la transacción real?

Con un entorno de entrenamiento y retroalimentación, y resolviendo la autorización y ejecución, el AI Agent de Web3 podrá realmente completar una tarea.

Escrito por: imToken

Si eres un usuario de alto consumo de tokens, en el último año deberías haber sentido de cerca la evolución más crucial del AI Agent:

Además del salto en inteligencia del modelo subyacente, este comienza a parecerse cada vez más a un verdadero «trabajador».

Desde los primeros chatbots, hasta la maduración gradual de infraestructuras como MCP, Skills y Harness, el Agent ha comenzado a obtener cada vez más «manos y pies», puede abrir páginas web, leer datos en tiempo real, operar software e incluso conectar billeteras y cuentas de trading.

Pero al llegar a este punto, también han surgido nuevos problemas de realidad: saber usar herramientas y realmente completar una tarea laboral son dos cosas diferentes.

Un Agent que realmente pueda asumir tareas no debería solo llamar a una API una vez tras recibir instrucciones, sino que necesita ajustar continuamente sus acciones en un entorno en constante cambio, basándose en los resultados.

El mercado financiero refleja esta diferencia de manera especialmente clara.

Puedes decirle a un Agent «ayúdame a juzgar quién tiene más probabilidades de ganar en un partido», y en segundos podrá darte un análisis que parece bueno, pero si la solicitud cambia a «darte un capital para participar continuamente en el mercado de predicciones durante el próximo mes, aumentando los beneficios mientras controlas la máxima caída», se convierte en un problema completamente diferente.

Debe leer continuamente noticias en tiempo real, cuotas y libros de órdenes, juzgar si el mercado ha fijado precios adecuadamente, decidir cuándo abrir, aumentar o cerrar posiciones, y ajustar su estrategia a tiempo si su juicio resulta erróneo.

Recientemente, una serie de innovaciones en infraestructura parecen estar completando este rompecabezas que anteriormente estaba relativamente ausente.

I. ¿Necesita el AI Agent un «campo de entrenamiento simulado»?

A mediados de agosto, SKALE lanzó un producto bastante interesante, AgentPit.

En términos simples, es un «sandbox de trading simulado» diseñado específicamente para AI Agents en mercados de predicción, sincronizando la información del mercado real de Polymarket y siendo compatible con su API, mientras utiliza un libro de órdenes CLOB y un mecanismo de liquidación de CTF Token que se asemeja a un entorno de producción, solo que reemplazando el capital real con USDC simulado.

Los desarrolladores pueden permitir que el Agent lea en tiempo real las cotizaciones, realice órdenes y gestione posiciones, y pruebe estrategias sin riesgo de pérdida de capital, además de observar el comportamiento colectivo que surge de múltiples Agents compitiendo en el mismo libro de órdenes.

Esto se asemeja a las pruebas retrospectivas y simulaciones en el trading cuantitativo tradicional, pero para el AI Agent, su significado es mucho más profundo.

Porque un problema a largo plazo que enfrenta el Agent es: ¿cómo sabes si un Agent «realmente puede comerciar»?

Es bien sabido que, en el pasado, la evaluación de la capacidad de grandes modelos dependía en gran medida de pruebas de referencia estáticas (Benchmarks) —resolver algunos problemas matemáticos, corregir un fragmento de código o resumir un texto largo.

Pero las decisiones complejas en el mundo real no tienen respuestas estándar predefinidas, especialmente en el mercado financiero. Supón que el Agent juzga que el valor justo de un evento de predicción «SÍ» debería ser de 0.7 dólares, mientras que el precio de mercado actual es de 0.55 dólares. Después de comprar, el precio podría seguir cayendo a 0.45 dólares, o podría dispararse rápidamente debido a una noticia de última hora. Además, la liquidez instantánea del libro de órdenes también afectará directamente el precio promedio de ejecución real.

Esto significa que el Agent no puede dar una predicción y terminar la tarea; debe enfrentar continuamente las consecuencias reales de su decisión anterior, y ese es el valor central de AgentPit. Proporciona un bucle de retroalimentación dinámica que se aproxima a un entorno de producción real:

Observar → Juzgar → Ejecutar → Obtener retroalimentación → Ajustar → Reejecutar.

Por supuesto, aquí «entrenar» no significa necesariamente que cada vez que el Agent complete una transacción, automáticamente modifique los parámetros del modelo subyacente; proporciona un entorno donde se pueden ejecutar estrategias repetidamente, evaluar resultados e iterar flujos de trabajo.

Así como un sistema de conducción autónoma necesita experimentar una gran cantidad de escenarios extremos en un simulador antes de salir a la carretera, un futuro Agent financiero que podría gestionar capital real también es difícil de obtener el control de activos solo con unas pocas pruebas de Prompt; necesita demostrar primero cómo se desempeña en un entorno de decisiones continuas.

Pero el problema también surge.

Un buen desempeño en un entorno simulado no significa que se pueda entregar dinero real al AI; entre ambos, hay una capa más crítica que se necesita.

II. Infraestructura en paralelo: cuando los pagos y las transacciones se convierten en componentes nativos del Agent

Si observas las acciones de los principales gigantes de la nube y plataformas de trading en los últimos meses, no es difícil notar que la trayectoria de operación del Agent se está estandarizando a una velocidad sorprendente.

Primero, la implementación de protocolos de pago nativos de máquina.

El 18 de agosto, Amazon Bedrock AgentCore Payments se lanzó oficialmente. Este servicio permite que los Agents que operan en AgentCore descubran y paguen de forma autónoma para llamar a APIs de terceros, servicios MCP o fuentes de datos especializadas, e integra la infraestructura de billetera de Coinbase y Stripe / Privy, con soporte nativo para monedas estables y protocolos de pago de máquina como x402.

Esto resuelve un problema crítico: si el Agent, al analizar el mercado, encuentra que un conjunto de datos en tiempo real de alta calidad requiere pago, anteriormente, el flujo de trabajo debía interrumpirse, esperando que un humano comprara manualmente, configurara la API Key y luego continuara.

Bajo el marco de AgentCore Payments, el pago se encapsula directamente como un nodo automatizado dentro del flujo de trabajo; el usuario solo necesita establecer un presupuesto y estrategia por adelantado, y el Agent puede iniciar micropagos de forma autónoma cuando se encuentra con barreras de pago, todo el proceso sin intervención humana, y las claves privadas de la billetera y los certificados permanecen aislados del modelo mismo.

Dos días después, el 20 de agosto, Binance lanzó Agent OS, abriendo la interfaz nativa del Agent.

A diferencia de simplemente proporcionar una función de AI, Agent OS es más como una capa de interfaz de infraestructura financiera diseñada específicamente para Agents, integrando Binance API, Wallet Agentic Hub, x402, Skills Hub y componentes MCP.

Permite que aplicaciones AI compatibles obtengan información del mercado a través de MCP, vean información de cuentas y, con la autorización del usuario, ejecuten operaciones de trading soportadas. Más importante aún, enfatiza en el nivel de mecanismo los límites de permisos y el aislamiento:

Los usuarios pueden asignar subcuentas específicas al Agent, aislando fondos y actividades de trading de la cuenta principal, y configurar permisos específicos para el Agent; los permisos de acceso relacionados también pueden ser revocados en cualquier momento.

Si juntamos AgentPit, AWS AgentCore Payments y Binance Agent OS, comenzaremos a notar un cambio cada vez más claro:

AgentPit proporciona un entorno para pruebas de estrategia y retroalimentación continua, x402 y AWS AgentCore Payments comienzan a habilitar pagos nativos de máquina, mientras que Binance Agent OS abre aún más las capacidades de mercado, cuentas y trading a los Agents, haciendo que las capacidades previamente dispersas se estén uniendo en un flujo de trabajo completo.

Sin embargo, un aspecto especialmente único del escenario financiero es que si el código se escribe incorrectamente, simplemente se vuelve a ejecutar, pero si un Agent ejecuta una transacción errónea, los activos pueden haber salido realmente de la billetera.

Esto significa que, al pasar del entorno simulado al mundo real, hay un rol que no se puede eludir.

Ese es el de la billetera.

III. ¿Cuál es el verdadero valor de la Agent Wallet?

Si esbozamos el flujo de trabajo completo del futuro AI Agent, presentará una cadena clara:

• Primero, entrenar y probar estrategias en un entorno simulado como AgentPit;
• Luego, obtener información y herramientas a través de MCP, Skills y varias APIs;
• Comprar datos y recursos computacionales a través de protocolos como x402;
• Luego, ejecutar transacciones en el mercado real;
• Y continuar ajustando estrategias según los resultados reales;

Al llegar a este paso de ejecución, el rol que asume la billetera será completamente diferente al de hoy.

Después de todo, la lógica de interacción de las billeteras Web3 tradicionales está diseñada para la interacción humano-máquina: cada firma depende de que un humano verifique visualmente en la pantalla y haga clic manualmente para confirmar. Pero si un Agent de alta frecuencia necesita leer múltiples conjuntos de datos de cotizaciones por segundo y ajustar continuamente las posiciones, seguir exigiendo que un humano firme cada transacción anula el sentido de la automatización.

Sin embargo, si se le entrega directamente la clave privada al AI, es equivalente a renunciar a todas las líneas de seguridad.

Por lo tanto, lo que la Agent Wallet realmente debe resolver nunca ha sido «cómo permitir que el AI tenga la clave privada», sino «cómo proporcionar al Agent un poder de ejecución seguro y controlable sin ceder el control final de los activos».

Esta también es la solución central que imToken ofrece en el marco de diseño de la Agent Wallet:

• Aislamiento de cuentas y claves de sesión (Session Keys): en el diseño de la Agent Wallet de imToken, cada Agent que obtiene permisos de ejecución corresponde a una Agent Account independiente, cuya Session Key se genera y aísla en un entorno de ejecución confiable (TEE) y no sale de este entorno seguro.
• Restricciones duras de políticas (Policy): cada Agent Account debe estar vinculada a una política clara, que incluya una lista blanca de protocolos permitidos, límites de transacción individuales, cuotas diarias, frecuencia de operaciones y plazos de autorización. En otras palabras, el Agent no obtiene una billetera sin restricciones, sino una cuenta de ejecución rodeada de reglas.
• El usuario retiene el control final: el Agent solo puede ejecutar de forma autónoma dentro del alcance de la política previamente autorizada por el usuario; las operaciones que excedan los límites deben ser confirmadas nuevamente por el usuario, quien siempre puede ajustar la política, pausar o reanudar el Agent, revocar permisos y recuperar fondos; para transacciones identificadas como anómalas o que exceden la política preestablecida, la ejecución automática también se detendrá y se requerirá nuevamente la autenticación del usuario.

Desde esta perspectiva, al examinar todo el ecosistema, se puede ver que el entrenamiento simulado (como AgentPit) y la billetera inteligente (como imToken Agent Wallet) están en realidad resolviendo dos etapas del mismo problema.

La primera se encarga de elevar el límite de capacidad de decisión del Agent, mientras que la segunda se encarga de fortalecer la línea de seguridad de las acciones del Agent.

Ambos son indispensables.

Esto podría ser el cambio más importante de la Agent Wallet en comparación con las billeteras tradicionales.

Reflexiones finales

En este sentido, después de la aparición de AgentPit, está llegando una nueva fase que merece atención.

El AI Agent está pasando de «aprender a usar herramientas» a «aprender a trabajar».

Y cuando finalmente salga del campo de entrenamiento simulado y entre en el mundo real de transacciones, lo que determine si puede avanzar de manera estable y lejana, a menudo no solo dependerá de cuán inteligente sea el modelo subyacente, sino también de cuán sólidos sean los límites de cuentas y autorizaciones que construimos para él.

Después de todo, en un sistema económico real y complejo, lo que realmente necesitamos nunca ha sido un Agent que nunca comete errores, sino uno cuyo riesgo, incluso si puede cometer errores, siga dentro de límites controlables.

Este contenido se ofrece únicamente con fines informativos generales y no constituye un asesoramiento financiero, de inversión, legal ni fiscal. Cualquier evento, recompensa, promoción en línea o información relacionada que se mencione en el presente documento no debe considerarse como una recomendación, solicitud o invitación a comprar, vender, operar o de negociar de otra manera con cualquier criptoactivo. Los criptoactivos son sumamente volátiles y pueden provocar pérdidas. La disponibilidad de los servicios, productos y eventos relacionados de WEEX puede variar según la región. Tienes la responsabilidad de asegurarte de que tu participación esté de acuerdo con las leyes y regulaciones locales vigentes.