Cuando la IA cubre las carencias del sector cripto, estas quince oportunidades de negocio merecen atención

Autor: Rex St. John

Compilación: AIdidiaoJP, Foresight News

La mayoría de los buenos proyectos cripto no fracasan por una dirección equivocada, sino por tres carencias de infraestructura: el juicio es demasiado caro, no hay moneda estable y la liquidación es demasiado lenta. Después de 2023, estas tres cosas han cambiado por completo.

Entre 2014 y 2019, el sector cripto vio surgir una gran cantidad de proyectos ambiciosos: tribunales en cadena, oráculos universales, mercados de datos, mercados de potencia de cálculo, micropagos, sistemas de identidad, registros de curación, seguros, trazabilidad, mercados de trabajo, organizaciones autónomas... Casi se pretendía trasladar toda la economía a la cadena. La mayoría ya han desaparecido.

El problema no estaba en las ideas en sí, sino en que dependían de tres cosas que entonces no existían: un mecanismo capaz de resolver de forma barata cuestiones ambiguas del mundo real, una unidad de cuenta estable y una cadena lo bastante rápida para liquidar micropagos.

El viejo cuello de botella: todos los contratos acababan necesitando una decisión humana

Los contratos inteligentes solo pueden verificar lo que un ordenador puede comprobar: firmas, saldos, hashes. Pero en casi todos los contratos con sentido, la cuestión clave está fuera de la cadena: ¿se ha terminado el trabajo? ¿Es cierta esta afirmación? ¿Se ha retrasado el vuelo?

Todos los proyectos acababan dependiendo de personas para decidir: votaciones de poseedores de tokens, jurados con staking, curadores. Pero las personas son lentas, caras de contratar, fáciles de sobornar en grupos pequeños y, además, no están dispuestas a acudir a un tribunal por una disputa de 4 dólares. Por eso el mercado nunca llegó a crecer y el modelo económico solo podía sostenerse con tokens. Cuando llegaron los ciclos de 2018 y 2022, los proyectos se vinieron abajo.

Cuatro cambios, todos posteriores a 2023

El juicio se ha abaratado. Los grandes modelos de lenguaje pueden leer contratos, entregables y pruebas en unos segundos y por unos céntimos, y emitir un veredicto. Formar un jurado con modelos de distintos proveedores que votan a ciegas es más difícil de sobornar que un único jurado humano y nunca se ausenta.

Los agentes de IA se han convertido en usuarios. Los agentes de IA trabajan, compran servicios y firman acuerdos. Necesitan contratos, pagos y reputación más que los humanos, y sus transacciones son tan pequeñas que ningún humano podría arbitrar.

Las stablecoins ya están aquí. A mediados de 2026, la oferta ronda los 310.000 millones de dólares (datos de Spark), de modo que los contratos pueden pagarse en dólares en lugar de en tokens de gobernanza con precios muy volátiles.

Las cadenas son más rápidas y baratas. Solana confirma en menos de un segundo y las comisiones son inferiores a un céntimo, lo que hace viables el pago por uso y la inclusión de cada veredicto en la cadena.

La regla para encontrar proyectos: una idea antigua cuyo cuello de botella era «necesitar una parte de confianza que decida». Ese es precisamente el cuello de botella que la IA elimina.

Quince direcciones, ordenadas por potencial de ingresos y grado de preparación

Los niveles de ingresos son estimaciones del autor sobre la cuota que podrían captar los nuevos entrantes, no predicciones.

1. Tribunales comerciales en línea (Kleros, arbitraje de OpenBazaar)

Cómo se hacía antes: staking y selección aleatoria de jurados para resolver disputas entre desconocidos, sustituyendo al servicio de atención al cliente de las plataformas.

Por qué se estancaba: cada caso requería tiempo y trabajo humano, con un coste demasiado alto, y solo servía para disputas de más de unos cientos de dólares. El volumen no despegaba y los jurados pequeños eran fáciles de sobornar.

Qué cambia la IA: un jurado multimodelo puede resolver una disputa de 4 dólares en segundos y por unos céntimos, y cada voto y su razonamiento pueden hacerse públicos. Las transacciones entre agentes de IA generarán millones de disputas pequeñas que ningún humano podría revisar.

Potencial de ingresos: grande. En 2025, los comercios perdieron unos 33.790 millones de dólares por 261 millones de contracargos (datos de Mastercard); el mercado de software de resolución de disputas en línea ronda los 1.760 millones de dólares (Mordor Intelligence). Aunque solo se cobre por una pequeña parte de los veredictos, es un negocio real.

2. Oráculos de preguntas sin API (Augur, Truthcoin, futarquía)

Cómo se hacía antes: permitir que cualquiera apostara sobre cualquier cuestión del mundo real y que los poseedores de tokens informaran del resultado.

Por qué se estancaba: las cuestiones subjetivas («¿se aprobó realmente el proyecto de ley?») requerían votaciones humanas lentas y manipulables. La liquidez se fue a los deportes y las elecciones, donde las API ya daban la respuesta.

Qué cambia la IA: un jurado de modelos lee los criterios de resolución y las fuentes de información, decide sobre resultados ambiguos y adjunta el razonamiento para posibles apelaciones. Esto abre el mercado de cola larga que hoy nadie lista, porque nadie puede liquidarlo.

Potencial de ingresos: grande. En octubre de 2026, el volumen de los mercados de predicción de EE. UU. alcanzó los 120.700 millones de dólares (DeFi Rate). La liquidación es el punto débil común a todas las plataformas y puede venderse a todas ellas.

3. Seguros sin peritos (Etherisc, Nexus Mutual, mutuas P2P)

Cómo se hacía antes: los seguros paramétricos pagan automáticamente cuando ocurre un evento medible (retraso de vuelo, falta de lluvia); las mutuas permiten que los miembros compartan el riesgo y voten sobre las reclamaciones de los demás.

Por qué se estancaba: los seguros paramétricos solo cubren eventos con fuentes de datos limpias. Las reclamaciones en las mutuas se deciden por votación de los miembros, lo que es lento, cuesta reunir quórum y genera conflictos de intereses: cada pago sale del fondo común. Las primas denominadas en tokens volátiles ahuyentaban a compradores y reguladores.

Qué cambia la IA: las reclamaciones las resuelve un jurado neutral según la redacción de la póliza y las pruebas, sin ningún interés en el resultado. Las condiciones pueden redactarse en lenguaje natural («pérdida de cosecha en la región, según informe del ministerio o de dos medios»), y el jurado las juzga a partir de los documentos, lo que amplía enormemente los riesgos asegurables. Los pagos se hacen en stablecoins.

Potencial de ingresos: grande pero lento, requiere socios aseguradores con licencia o mutuas reguladas. Solo el seguro paramétrico movió unos 19.400 millones de dólares en 2025, con un crecimiento anual de alrededor del 12 % (GM Insights). Un punto de entrada más rápido es vender la evaluación de reclamaciones a aseguradoras existentes.

4. Mercados de trabajo con depósito en garantía (Colony, Gitcoin, Bounties Network)

Cómo se hacía antes: se publica una tarea, el dinero queda en depósito y se libera tras la aceptación.

Por qué se estancaba: seguía haciendo falta una persona que decidiera si el trabajo estaba terminado. Esa persona era quien publicaba la tarea, con lo que reaparecían todas las disputas de las plataformas de freelancers.

Qué cambia la IA: los criterios de aceptación los evalúa un jurado neutral comparándolos con los entregables reales (repositorios de código, informes, diseños). Los agentes de IA son a la vez trabajadores y compradores, en un volumen que ningún revisor humano podría igualar.

Potencial de ingresos: medio a grande. Upwork facturó 788 millones de dólares en 2025 y gestionó más de 4.000 millones en trabajo (Yahoo Finance). Un mercado nativo para agentes de IA puede cobrar comisiones más bajas y gestionar trabajos más pequeños y numerosos.

5. Licencias de datos y medios (Ocean Protocol, Ujo, Mycelia)

Cómo se hacía antes: los creadores y propietarios de datos venden acceso directamente y los royalties se ejecutan mediante contratos.

Por qué se estancaba: había pocos compradores y nadie podía comprobar cómo se usaban los datos después de la venta.

Qué cambia la IA: los laboratorios de IA se han convertido en compradores. El acuerdo de Reddit con Google se cifra en unos 60 millones de dólares al año, y el de News Corp con OpenAI supera los 250 millones en cinco años (Quartz). Las condiciones pueden redactarse en lenguaje natural («no usar en modelos que compitan con el licenciante») y un jurado las evalúa frente a las pruebas de auditoría.

Potencial de ingresos: medio a grande, aunque por ahora concentrado en unos pocos licenciantes grandes. La oportunidad está en la cola larga: millones de pequeños creadores que no pueden negociar por su cuenta.

6. Pagos entre máquinas (BAT, Lightning, IOTA)

Cómo se hacía antes: pagar fracciones de céntimo por artículo, por llamada a API o por kilovatio-hora.

Por qué se estancaba: la gente odia aprobar micropagos, y las comisiones y la volatilidad se comían el margen.

Qué cambia la IA: a un agente de IA no le importa pagar cien veces al día 26 céntimos. El estándar x402 liquidó unos 198,9 millones de transacciones y unos 52,7 millones de dólares hasta septiembre de 2026 (TRM Labs).

Potencial de ingresos: pequeño hoy, posiblemente grande después. El propio análisis de TRM detectó que la mayor parte del volumen aún no es comercio real entre agentes. La infraestructura de pago existe; lo que falta es un motivo para confiar en el vendedor, y eso son las ideas 1 y 7.

7. Reputación y depósitos como alternativa al colateral (Bloom, ETHLend)

Cómo se hacía antes: usar el historial crediticio en cadena para préstamos sin colateral completo.

Por qué se estancaba: las carteras se crean gratis y el mal historial se tira junto con la cartera, así que los prestamistas seguían exigiendo un 150 % de colateral.

Qué cambia la IA: el historial de veredictos de un agente de IA (entregas completadas, disputas perdidas) es difícil de falsificar y costoso de abandonar; los depósitos que un jurado puede confiscar hacen que los compromisos sean ejecutables. Es la plantilla de «fianza de agente».

Potencial de ingresos: medio. Los primeros clientes serán los mercados de agentes que necesitan puntuaciones de confianza, no los prestamistas.

8. Prueba de personalidad (uPort, Sovrin, BrightID)

Cómo se hacía antes: identidad portátil que demuestra que eres un humano único.

Por qué se estancaba: ninguna aplicación la necesitaba con urgencia y los usuarios no querían pasar por el proceso de configuración.

Qué cambia la IA: lo que cambia es la demanda, no la solución. Con la proliferación de bots y agentes de IA, «detrás hay un humano real» de repente tiene valor. World informó de 18 millones de humanos verificados en abril de 2026 (Decrypt).

Potencial de ingresos: mercado grande para el ganador, pero muy competitivo e intensivo en capital. El hueco abierto es vincular agentes de IA a personas o empresas responsables.

9. Organizaciones con reglas ejecutables (The DAO, Aragon)

Cómo se hacía antes: dirigir organizaciones con código y votaciones de tokens.

Por qué se estancaba: el código no puede expresar las reglas que de verdad importan a la gente («no pagar a personas con información privilegiada sin divulgación»), la participación era baja y fácil de manipular.

Qué cambia la IA: los estatutos se redactan en lenguaje natural y cada propuesta se comprueba contra ellos por un jurado antes de firmar desde la tesorería. Es la plantilla de «constitución DAO».

Potencial de ingresos: pequeño a medio. Las tesorerías son grandes, pero el margen para cobrar por herramientas es pequeño; se vende como control de riesgos.

10. Listas curadas (registros de curación con tokens, Steemit)

Cómo se hacía antes: apostar tokens para mantener listas de calidad (anunciantes, fuentes de noticias).

Por qué se estancaba: el juego del staking premiaba la especulación, no el criterio, y los votantes no leían las entradas.

Qué cambia la IA: criterios de inclusión redactados en lenguaje natural, revisados entrada por entrada por un jurado, con razonamiento y bajo coste de impugnación.

Potencial de ingresos: pequeño a medio; lo más potente es integrarlo en otro producto (tienda de aplicaciones, registro de proveedores, mercado de modelos).

11. Trazabilidad de contenidos (Po.et, Ascribe)

Cómo se hacía antes: poner una marca de tiempo a las obras creativas para demostrar quién las creó primero.

Por qué se estancaba: la marca de tiempo demuestra que un archivo existió, no quién lo creó, y nadie lo comprobaba.

Qué cambia la IA: los medios generativos hacen que «¿es real y de quién es?» sea urgente para redacciones, tribunales y plataformas. Un jurado puede sopesar la cadena de pruebas, no solo el hash.

Potencial de ingresos: medio, vendiendo a editoriales y plataformas. Ya existen estándares de credenciales de contenido sobre los que se puede construir.

12. Seguimiento de la cadena de suministro (VeChain, IBM Food Trust)

Cómo se hacía antes: rastrear mercancías de la granja a la estantería en un libro mayor compartido.

Por qué se estancaba: basura entra, basura sale. El libro mayor no puede saber si la etiqueta de la caja es auténtica.

Qué cambia la IA: no tanto como se exageró. Los modelos pueden comprobar a gran escala la coherencia documental (certificados, facturas, fotos) y detectar falsificaciones chapuceras. Pero no pueden ver dentro de la caja.

Potencial de ingresos: medio, pero con ciclos de venta empresarial largos. Empieza por la comprobación de documentos de cumplimiento, no por el libro mayor.

13. Activos tokenizados con cláusulas legalmente vinculantes (Polymath, Harbor, tZERO, security tokens de 2018)

Cómo se hacía antes: tokenizar acciones, inmuebles y préstamos para negociarlos 24/7 con liquidación instantánea.

Por qué se estancaba: el token era solo un recibo. Los acuerdos reales (escrituras, cascadas de pagos, restricciones de transferencia, qué pasa en caso de impago) vivían en PDF que la cadena no podía leer, y ningún tribunal trataba los registros en cadena como fuente de verdad. Solo funcionaron los activos simples: en marzo de 2026 había unos 23.600 millones de dólares tokenizados, sobre todo deuda pública y fondos monetarios (Cointelegraph citando a DeFiLlama).

Qué cambia la IA: el propio acuerdo legal se convierte en el contrato que el jurado usa para decidir. Si se incumple una cláusula, si corresponde pagar, si se permite una transferencia: el jurado lo decide frente a los documentos y las pruebas, y cada veredicto queda en cadena. Si el acuerdo designa el veredicto de ese jurado como arbitraje vinculante, el resultado puede tener fuerza legal: los laudos arbitrales son ejecutables en la mayoría de los países conforme a la Convención de Nueva York.

Potencial de ingresos: grande. Cobrar por la emisión y el servicio de crédito privado, facturas e inmuebles: los activos complejos que la tokenización ha omitido hasta ahora. No se puede entregar en solitario: hacen falta emisores con licencia y abogados que redacten las cláusulas de arbitraje.

14. Infraestructura compartida y mercados de potencia de cálculo (Golem, iExec, Helium, Filecoin, Akash, io.net)

Cómo se hacía antes: incentivar con tokens a desconocidos para que ofrezcan GPU, almacenamiento, cobertura inalámbrica o datos de mapas, vendiendo más barato que la nube.

Por qué se estancaba: se intentó muchas veces y nunca despegó. Las recompensas en tokens compraron oferta, pero la demanda de pago no llegó. Messari estimó que todo el sector ingresó en cadena unos 72 millones de dólares en 2025, frente a una capitalización de unos 10.000 millones en tokens (Decrypt citando a Messari). El problema de fondo es la confianza: el comprador no puede saber si un proveedor desconocido ejecutó de verdad la tarea, mantuvo el tiempo de actividad o entregó la cobertura prometida, y si algo sale mal no hay quién decida. Las empresas compran garantías de servicio, no tokens.

Qué cambia la IA: dos cosas. Los agentes de IA son compradores dispuestos a enviar trabajo al proveedor más barato con historial verificado. Y un jurado puede resolver reclamaciones de servicio a partir de pruebas (registros, benchmarks, pruebas de inferencia) y confiscar el depósito del proveedor si no cumple: es la plantilla de «fianza de agente» aplicada al hardware. Es la garantía que estas redes nunca tuvieron.

Potencial de ingresos: grande si se resuelve la confianza, porque la demanda de inferencia es enorme. Pero hoy la demanda de pago demostrada es pequeña, así que empieza ofreciendo una garantía de servicio para un solo tipo de tarea, no montes un mercado desde el principio.

15. Propiedad intelectual respaldada por contratos reales (Mediachain, Ascribe, IPwe, Story Protocol)

Cómo se hacía antes: registrar canciones, arte, patentes y marcas en cadena, y usar contratos inteligentes para licenciar y pagar royalties.

Por qué se estancaba: el token nunca fue un derecho legal. La propiedad vive en las oficinas de derechos de autor, de patentes y en los acuerdos de licencia firmados, y para que algo entre en esos sistemas hacen falta abogados y tasas por cada obra. Nadie confía legalmente en los registros en cadena, y las licencias se siguen negociando por correo.

Qué cambia la IA: los agentes de IA ya pueden redactar contratos reales y preparar la documentación. Redactan licencias en lenguaje jurídico claro, preparan registros de derechos de autor, solicitudes de marca o documentos de cesión, los presentan en nombre del titular y luego anclan en cadena el hash de los documentos firmados y los justificantes. Ese mismo contrato se convierte después en un contrato ejecutable por agentes de IA: un jurado decide si el uso cumple la licencia y los royalties fluyen según el veredicto. Por fin, el registro en cadena y el registro legal dicen lo mismo.

Potencial de ingresos: grande. Solo el comercio minorista de productos licenciados alcanzó los 389.800 millones de dólares en 2025 (Licensing International), y las licencias para entrenar IA son un comprador nuevo (véase la idea 5). La oportunidad está en la cola larga de creadores y pequeños inventores que no pueden pagar abogados por cada solicitud. Los servicios de presentación necesitan revisión de abogados para evitar el ejercicio no autorizado de la abogacía, así que empieza por registros de derechos de autor y licencias que los particulares puedan presentar por sí mismos.

Cómo elegir y qué puede salir mal

Elige la dirección donde el viejo cuello de botella era el juicio humano y donde hoy ya hay gente pagando por malos juicios. Eso apunta a: tribunales comerciales en línea, liquidación de mercados de predicción y reclamaciones de seguros.

Pruebas antes de empezar:

• Ya hay gente pagando por la versión humana lenta (equipos de contracargos, peritos de seguros, liquidadores de mercados).
• El problema puede responderse con pruebas que un jurado pueda ver. Si hay que inspeccionar una caja física, la IA no ayuda.
• Funciona sin token. Todas las ideas anteriores murieron en parte porque su modelo económico dependía del token, no de los clientes.

Riesgos:

• Los jurados de modelos pueden equivocarse a la vez. Los modelos entrenados con datos de la misma fuente comparten puntos ciegos. Publica los razonamientos, mantén vías de apelación y mide la concordancia con revisiones humanas.
• Las pruebas pueden falsificarse. El jurado solo puede juzgar lo que ve; ancla las pruebas con hash y trata las declaraciones de las partes como no fiables.
• La regulación sigue siendo una restricción dura en seguros, valores y préstamos. La IA elimina el cuello de botella del juicio, no las licencias.
• La demanda puede seguir siendo escasa. Los pagos entre máquinas y la infraestructura compartida tienen hoy infraestructura utilizable, pero poca demanda de pago demostrada. Mide antes de escalar.