La IA descentralizada redefine quién controla los modelos que impulsan la Web3

Los modelos de IA más potentes del mundo están en manos de unas pocas compañías. Ellas fijan los precios, deciden quién accede y son propietarias de cada peso y parámetro que el modelo aprende a partir de los datos de los usuarios.

Sentient (SENT) se lanzó en 2026 como un desafío directo a ese esquema, construyendo una plataforma de IA abierta donde los contribuyentes poseen una participación demostrable en los modelos que ayudan a crear. Su token llegó a dispararse alrededor de un 26% en un solo día de julio de 2026, una señal de que el mercado sigue de cerca la narrativa de la IA descentralizada.

Pero Sentient no está sola. Una nueva generación de protocolos está utilizando blockchains para garantizar la propiedad abierta de los modelos, coordinar el entrenamiento distribuido y crear mercados de inferencia donde cualquiera puede aportar cómputo y ganar recompensas. Entender cómo funcionan realmente estas redes —a nivel de incentivos, criptografía y liquidación on-chain— es la forma más clara de separar la infraestructura genuina del simple ruido especulativo.

TL;DR

Las redes de IA descentralizada usan blockchains para hacer valer los derechos de propiedad sobre los modelos, de forma que los contribuyentes no puedan ser excluidos una vez entrenado el modelo.

El entrenamiento y la inferencia se separan en capas distintas; los contribuidores cobran por cómputo y datos en cada fase, con todo registrado on-chain.

Pruebas criptográficas (zero-knowledge o atestaciones criptográficas) permiten verificar que las inferencias son honestas sin reejecutar el modelo completo.

Los tokens de gobernanza otorgan a los contribuidores poder de voto sobre actualizaciones de modelos, estructuras de comisiones y reglas de acceso.

El gran trade-off es rendimiento frente a verificabilidad: la inferencia totalmente on-chain sigue siendo más lenta y cara que las API centralizadas, pero la brecha se está cerrando rápido.

Por qué la IA cerrada es un problema estructural para las redes abiertas

Todo gran modelo de IA se entrena con datos que provienen de algún sitio. Usuarios, investigadores y comunidades open source producen el texto, código e imágenes de los que aprenden los modelos. Bajo el esquema centralizado actual, esos contribuidores no reciben nada. La empresa que entrena el modelo captura todo el valor.

Esto genera un problema acumulativo. Los mejores contribuidores dejan de compartir sus datos abiertamente cuando se dan cuenta de que se extraen sin compensación.

Los modelos pasan a depender entonces de los datos que la empresa pueda adquirir legalmente, a menudo raspando la web abierta bajo términos de servicio cuestionados en los tribunales. La cadena de entrenamiento se convierte en un proceso extractivo, no colaborativo.

Las redes de IA descentralizada plantean un arreglo distinto. Los contribuidores se registran on-chain antes de que comience el entrenamiento. Sus aportaciones de datos y cómputo se registran como entradas verificables. Los smart contracts distribuyen los ingresos generados por el uso del modelo de vuelta a esos contribuidores según reglas fijadas antes de que alguien aportara una sola hora de GPU.

La blockchain no ejecuta la computación de IA. Hace cumplir el acuerdo de propiedad que convierte la contribución voluntaria en algo racional.

También lee: BNB Chain impulsa trading “agentic” en pleno rally de BNB

Cómo funciona en la práctica la propiedad on-chain de modelos

La propiedad de un modelo en una red de IA descentralizada no equivale a poseer un archivo. Un modelo entrenado es un conjunto de pesos numéricos —a menudo miles de millones de números en coma flotante— repartidos entre nodos distribuidos. Poseer “un modelo” significa tener un derecho exigible y demostrable sobre una porción de los ingresos que genera, además de derechos de gobernanza sobre su evolución futura.

El mecanismo gira en torno a un evento de emisión de tokens vinculado al entrenamiento inicial del modelo. Cuando se despliega por primera vez, la red emite una oferta fija de tokens de propiedad que representan ese modelo concreto. Los participantes que aportaron datos, cómputo o código durante el entrenamiento reciben una asignación proporcional de esos tokens.

La fórmula de asignación se codifica en el smart contract antes de comenzar el entrenamiento y no puede modificarse con efecto retroactivo.

Cada vez que alguien paga por ejecutar una inferencia sobre el modelo —ya sea para una predicción, un texto generado o un embedding— una comisión se reparte entre el proveedor de infraestructura que ejecuta la inferencia y los tenedores de tokens de propiedad. El ratio de reparto lo fija la gobernanza. Así, si un modelo alcanza un uso masivo, los contribuidores iniciales siguen cobrando de él sin trabajo adicional, de manera análoga a una regalía.

El enfoque de Sentient va más allá con lo que denomina “Sentient Model Fingerprinting”. Cada modelo entrenado en su plataforma incorpora una huella criptográfica incrustada que vincula las salidas de inferencia a una versión específica del modelo.

Esto permite detectar si alguien copia los pesos del modelo y ejecuta inferencias sin pagar la comisión de propiedad, una forma de piratería trivial con pesos cerrados pero difícil de demostrar. La huella crea una trazabilidad on-chain que respalda la ejecución de ingresos incluso cuando los pesos son técnicamente abiertos.

También lee: DeepSeek, la IA barata que presiona a OpenAI y Anthropic

Las dos capas: entrenamiento distribuido y mercados de inferencia

Las redes de IA descentralizada dividen el ciclo de vida de la IA en dos capas económicas diferenciadas. Entender cada una por separado es clave, porque implican participantes, incentivos y retos técnicos distintos.

La capa de entrenamiento es donde el modelo aprende. En un sistema centralizado, una sola empresa ejecuta el proceso en su propio hardware. En una red descentralizada, el entrenamiento se reparte entre numerosos participantes que ejecutan porciones del cómputo.

El gran reto es la coordinación: todos los participantes deben coincidir en el estado del modelo en cada paso, lo que exige un mecanismo de consenso adaptado a actualizaciones de gradientes, no a simples transacciones financieras. Proyectos como Bittensor y Gensyn han desarrollado protocolos especializados para esto, con sistemas de puntuación on-chain que clasifican la calidad de cada contribución de gradiente y remuneran en función de ella.

La capa de inferencia es donde el modelo entrenado genera salidas para los usuarios finales. Económicamente, la inferencia es distinta al entrenamiento: es repetitiva, sensible al tiempo y más fácil de verificar. Un usuario envía una consulta, un proveedor de inferencia ejecuta el modelo en su hardware y devuelve el resultado. La cuestión clave es: ¿cómo sabe el usuario que el proveedor ejecutó el modelo real y no un sustituto más barato?

Ahí es donde entran los mercados de inferencia. Varios proveedores compiten por atender una consulta. El ganador ejecuta el modelo y devuelve un resultado acompañado de una prueba criptográfica. Otros proveedores pueden hacer verificaciones aleatorias a través de un mecanismo de desafío. Los proveedores deshonestos pierden el colateral que tenían en stake. Los honestos cobran comisiones. La estructura de mercado genera incentivos para la precisión sin exigir que toda la red verifique cada resultado.

“Los mercados de inferencia se inspiran en el diseño económico de los mercados de predicción: los participantes ponen valor en juego sobre la corrección de sus salidas, y las salidas incorrectas se penalizan mediante slashing, el mismo mecanismo que castiga a los validadores maliciosos en redes de prueba de participación.”

También lee: Grok-45 supera a Fable-5 y Opus-48 en test de IA agente

Cómo las pruebas criptográficas validan salidas de IA sin reejecutar el modelo

El problema técnico más complejo de la IA descentralizada es la verificación. Ejecutar una gran LLM una vez ya es caro. Ejecutarla dos veces solo para comprobar el primer resultado es económicamente inviable a escala. Pero sin verificación, todo el esquema de incentivos se derrumba: un proveedor podría devolver cualquier salida verosímil y cobrar igual.

En 2026 se desarrollan activamente dos enfoques.

Pruebas de conocimiento cero para inferencia permiten que un proveedor genere una prueba matemática de que ejecutó correctamente un cómputo específico, sin revelar los pesos del modelo ni obligar al verificador a reejecutarlo. El verificador solo comprueba la prueba, un proceso mucho más barato que generarla. Proyectos como Modulus Labs y ZKML ya lo han demostrado en modelos más pequeños, pero el coste de generar pruebas para modelos de frontera (70.000 millones de parámetros o más) sigue siendo muy alto. Producir una prueba para una sola inferencia en un modelo grande puede llevar minutos en hardware especializado, frente a los milisegundos de la inferencia en sí.

Ejecución optimista con pruebas de fraude adopta otro enfoque, inspirado en el diseño de los rollups optimistas de Ethereum (ETH). Los resultados se aceptan por defecto como válidos. Cualquiera puede impugnarlos dentro de una ventana temporal reejecutando el cómputo en un nodo de referencia. Si el impugnador demuestra que el resultado era incorrecto, el proveedor original pierde su stake y el retador cobra una recompensa.

Este esquema es más rápido en el caso habitual —cuando los proveedores son honestos— pero introduce un retraso hasta que los resultados se consideran finales.

La mayoría de sistemas en producción en 2026 utilizan un modelo híbrido: ejecución optimista para consultas rutinarias con verificaciones aleatorias mediante pruebas de conocimiento cero, lo justo para mantener honestos a los proveedores sin soportar el coste de verificar cada petición. El porcentaje de consultas verificadas frente a no verificadas es un parámetro de gobernanza que pueden ajustar los tenedores de tokens a medida que caen los costes de generación de pruebas.

También lee: La salida de veteranos de seguridad reabre el debate sobre OpenAI

El papel de los tokens de gobernanza en el desarrollo de modelos

Los tokens de gobernanza en una red de IA descentralizada hacen mucho más que votar sobre upgrades del protocolo. Controlan decisiones que afectan directamente al valor económico del modelo: qué conjuntos de datos pueden usarse en futuros fine-tunings, qué filtros de seguridad se aplican, cómo se reparte la comisión de inferencia y si los pesos del modelo pueden hacerse totalmente públicos o deben seguir con acceso restringido.

Esto configura una estructura de poder realmente distinta frente a la IA cerrada. En un sistema tradicional, un pequeño comité ejecutivo define la hoja de ruta técnica, los criterios de seguridad y la política de precios sin un mandato formal de quienes aportan datos, cómputo o tiempo de desarrollo.

En una red de IA descentralizada, los contribuidores significativos se convierten en stakeholders con voto. Si los desarrolladores que aportan código open source consideran inaceptable el uso de sus modelos para determinadas aplicaciones —por ejemplo, vigilancia masiva o campañas de desinformación— pueden proponer y aprobar restricciones a nivel de protocolo. Si los proveedores de cómputo creen que las tarifas no compensan sus costes energéticos, pueden coordinarse para forzar una revisión de las comisiones.

También se abren debates complejos. Otorgar el voto a los tenedores de tokens introduce el riesgo de captura por parte de grandes inversores financieros que no participan en el trabajo técnico. Muchos proyectos están experimentando con modelos de gobernanza bicamerales, en los que un “senado” técnico formado por contribuidores verificados comparte el poder con una asamblea de tenedores de tokens.

Aun así, la idea central persiste: la gobernanza deja de ser una caja negra corporativa y pasa a ser un proceso on-chain, auditable y, al menos en parte, controlado por quienes construyen y utilizan realmente los modelos.

Rendimiento frente a verificabilidad: el trade-off que marca 2026

El punto débil obvio de la IA descentralizada en 2026 es el rendimiento bruto. Ejecutar inferencias con pruebas criptográficas o bajo esquemas de desafío es, casi siempre, más caro y más lento que llamar a una API centralizada que corre en un supercluster propietario.

La pregunta clave es si ese sobrecoste es aceptable a cambio de las garantías adicionales: propiedad compartida, resistencia a la censura, trazabilidad en el uso de datos y alineación de incentivos entre desarrolladores y usuarios.

En la práctica, están emergiendo tres segmentos de mercado:

Casos ultra sensibles a la latencia —chat en tiempo real a gran escala, aplicaciones de consumo masivo— siguen concentrados en proveedores centralizados, donde milisegundos de diferencia en latencia importan y los usuarios priorizan coste y velocidad por encima de la soberanía del modelo.
Aplicaciones reguladas o de alto riesgo —finanzas, salud, infraestructuras críticas— empiezan a valorar seriamente la verificabilidad criptográfica y los registros auditables, incluso sacrificando parte del rendimiento.
Ecosistemas Web3 nativos —protocolos DeFi, DAOs, juegos on-chain— ven en la IA descentralizada una extensión natural de su filosofía: si el capital y la gobernanza están en la red, los modelos que toman decisiones sobre ese capital también deberían estarlo.

La dirección de viaje es clara. A medida que mejoran las pruebas de conocimiento cero específicas para machine learning, que bajan los costes de hardware especializado y que maduran los diseños de mercados de inferencia, la brecha de rendimiento se irá estrechando.

El desenlace no será un “todo o nada” entre IA centralizada y descentralizada. Es más probable un paisaje híbrido, en el que grandes modelos cerrados coexistan con redes de modelos abiertos, cada uno optimizado para un conjunto diferente de trade-offs entre velocidad, coste, privacidad, gobernanza y propiedad.

Lo que sí está cambiando ya es la intuición de fondo: que los modelos de IA de alto impacto son, en esencia, infraestructuras críticas. Y que, al igual que ocurrió con el dinero en la era de las criptomonedas, existe una demanda creciente de que al menos una parte de esa infraestructura sea programable, verificable y gobernada en abierto. En un modelo centralizado, es el equipo interno de seguridad quien decide qué límites y salvaguardas aplicar. En una red descentralizada, esas decisiones recaen en los tenedores de tokens, que pueden tener intereses claramente divergentes.

Los participantes centrados en maximizar las capacidades del modelo pueden votar en contra de restricciones de seguridad que reduzcan el rendimiento en determinadas tareas. Quienes están más preocupados por el cumplimiento normativo en su jurisdicción tenderán a apoyar filtros más estrictos.

La solución práctica a la que han llegado la mayoría de redes es una estructura de gobernanza en dos niveles. Un consejo central, elegido por los tenedores de tokens, se ocupa de las decisiones de seguridad sensibles al tiempo que no pueden esperar a una votación completa de gobernanza. Los parámetros económicos de mayor calado —como la estructura de comisiones o el reparto de ingresos— se someten a una votación abierta de todos los tenedores, con una ventana de deliberación más amplia. Este esquema replica lo que han acabado implementando numerosos protocolos DeFi como Aave y Compound, después de comprobar que una gobernanza totalmente on-chain y plenamente democrática es vulnerable a ataques de baja participación y a la manipulación del voto de última hora.

La gobernanza de modelos introduce además un reto específico de la IA: decidir en qué se convertirá el modelo tras futuras actualizaciones. Un contribuidor que haya ayudado a entrenar el modelo inicial posee tokens que representan el valor de ese activo. Si una votación de gobernanza aprueba una fase de fine-tuning profundo que cambia de forma sustancial el comportamiento del modelo, ¿sus tokens siguen siendo derechos económicos sobre el mismo activo? La mayoría de protocolos resuelve este dilema acuñando un nuevo token para cada versión principal y asignando a los tenedores existentes una participación proporcional en esa nueva versión, de forma similar a como los accionistas reciben títulos en un spin-off.

Also Read: https://yellow.com/news/bitcoin-63k-war-chatter

Contribución de Datos, Privacidad y el Problema del Entrenamiento Federado

Una de las cuestiones de diseño más críticas para cualquier red de IA descentralizada es cómo permitir que los proveedores de datos participen sin exponer información sensible. Historias clínicas, datos financieros y comunicaciones personales se encuentran entre los insumos de entrenamiento más valiosos para modelos de IA especializados. Pero los contribuidores no pueden simplemente subir estos datos a una red compartida sin incurrir en graves riesgos de privacidad y de cumplimiento regulatorio.

El aprendizaje federado ofrece una solución parcial. En lugar de enviar los datos brutos a un nodo central de entrenamiento, cada contribuidor entrena en local una actualización del modelo con sus propios datos y solo remite el gradiente, es decir, la dirección matemática en la que deberían moverse los pesos del modelo. La red agrega gradientes procedentes de múltiples participantes sin llegar nunca a ver los datos subyacentes. El modelo mejora gracias a esa información privada sin que los datos abandonen el control del contribuidor.

La función de la blockchain en el aprendizaje federado es la coordinación y el pago. Los smart contracts registran qué participantes han enviado gradientes en cada ronda de entrenamiento, puntúan la calidad y utilidad de cada gradiente mediante funciones de evaluación on-chain y distribuyen las recompensas en consecuencia. El problema de evaluación es complejo: un actor podría enviar gradientes aleatorios y cobrar sin haber hecho un trabajo honesto. Protocolos como FedML y el propio framework de entrenamiento de Sentient utilizan compromisos criptográficos y mecanismos de revelación diferida para detectar este comportamiento, exigiendo a los contribuidores que se comprometan con su gradiente antes de conocer las aportaciones del resto.

Sobre el aprendizaje federado suele superponerse la privacidad diferencial, que aporta garantías matemáticas formales de que no es posible reconstruir ejemplos individuales de entrenamiento a partir de los pesos del modelo publicados. El presupuesto de privacidad, es decir, cuánta información se permite filtrar al modelo sobre cualquier dato individual, se convierte en otro parámetro de gobernanza, que permite a los tenedores de tokens modular el equilibrio entre utilidad del modelo y protección de la privacidad de los contribuidores.

«El aprendizaje federado combinado con privacidad diferencial da a las redes de IA descentralizada una respuesta creíble al problema de la privacidad de datos. El contribuidor nunca entrega sus datos. La red nunca los ve. Y aun así, el modelo mejora gracias a ellos».

Also Read: https://yellow.com/news/gpt-56-beats-human-interns-openai

Quién se Beneficia Realmente de las Redes de IA Descentralizada Hoy

Entender la mecánica es una cosa. Saber quién debería preocuparse por esto en 2026 es otra muy distinta. La tecnología aporta valor real ya hoy en determinados nichos y sigue siendo poco práctica en otros.

Los investigadores independientes en IA y contribuidores open source son los beneficiarios más claros. Pueden aportar capacidad de cómputo para entrenamiento o datasets curados a modelos en los que confían, obtener una participación de propiedad demostrable y recibir ingresos recurrentes en función del uso del modelo. La alternativa, contribuir a un modelo open source como los derivados de LLaMA, genera reputación, pero no retorno económico directo cuando el modelo se comercializa.

Las empresas con datos propios y fuertes exigencias de cumplimiento muestran un interés creciente por los esquemas de entrenamiento federado. Un grupo hospitalario que quiera desarrollar un modelo de IA médica especializado no puede compartir historiales de pacientes con un proveedor centralizado. Una red federada descentralizada le permite participar en el entrenamiento manteniendo los datos on-premises. El registro de propiedad on-chain crea una trazabilidad auditable que ayuda a cumplir los requisitos regulatorios.

Los protocolos DeFi y aplicaciones Web3 necesitan inferencia de IA que no pueda ser censurada ni interrumpida por un proveedor de API centralizado. Un mercado de predicción que utilice IA para procesar datos de eventos del mundo real no puede permitirse que su proveedor de IA le corte el acceso a la API a mitad de operación. Los mercados descentralizados de inferencia aportan redundancia y resistencia a la censura que las APIs centralizadas, por diseño, no pueden ofrecer.

Los inversores minoristas en tokens son quienes afrontan la posición más ambigua. Tener un token de gobernanza otorga derechos de voto y exposición a comisiones, pero exige una participación activa para capturar valor. Los holders pasivos que no votan sufren dilución frente a quienes sí participan. La dinámica recuerda a la de los tokens de gobernanza en DeFi: el potencial de revalorización existe, pero no es automático; requiere implicación.

Also Read: https://yellow.com/news/solana-etf-bitwise-filing

El Verdadero Trade-Off Entre Rendimiento y Verificabilidad

Cualquier análisis honesto sobre IA descentralizada debe reconocer dónde sigue fallando la tecnología. La tensión de fondo es estructural: cuanto más verificable haces un cómputo de IA, más lento y costoso se vuelve.

Una API centralizada como la de GPT‑5 de OpenAI devuelve resultados de inferencia en unos 500 milisegundos para una consulta típica. Una inferencia totalmente verificada mediante pruebas de conocimiento cero, sobre un modelo de escala equivalente, tarda en 2026 entre 30 segundos y varios minutos, según el hardware y el sistema de pruebas utilizado. Para aplicaciones donde la latencia es crítica —señales de trading en tiempo real, moderación de contenidos en vivo, chatbots interactivos—, esta brecha sigue siendo inasumible.

El enfoque de ejecución optimista reduce sustancialmente esa distancia. Con inferencia optimista, la latencia del resultado inicial se acerca prácticamente a la de un servicio centralizado. El coste es el retraso en la finalidad: las aplicaciones deben esperar a que venza la ventana de impugnación antes de considerar el resultado como definitivamente asentado. Para la mayoría de casos de uso en Web3, una ventana de unos minutos es aceptable. Para aplicaciones estrictamente en tiempo real, no lo es.

En costes, la comparación es más favorable. Los proveedores centralizados de API aplican un fuerte mark‑up al acceso a modelos punteros porque disfrutan de poder de fijación de precios casi monopólico. Un mercado competitivo de inferencia, en el que varios operadores pujan por ejecutar cada consulta, tiende a llevar los precios hacia el coste marginal. Los primeros datos de mercados de inferencia como la oferta de cómputo de IA de Akash Network apuntan a que el uso de GPU comoditizadas a través de mercados descentralizados puede abaratar la ejecución entre un 30% y un 60% frente a APIs centralizadas equivalentes, siempre que no se requiera el máximo nivel de frontera tecnológica.

El balance honesto es que las redes de IA descentralizada están listas para producción hoy en aplicaciones tolerantes a la latencia, sensibles a la privacidad o que necesitan resistencia a la censura. Siguen rezagadas en casos de uso en tiempo real y en escenarios de capacidad máxima, donde los mejores proveedores centralizados mantienen una ventaja duradera. La evolución del hardware para generación de pruebas y la investigación en zkML apuntan a que esta brecha se irá estrechando, pero es poco probable que desaparezca por completo a corto plazo.

Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin

Conclusión

Las redes de IA descentralizada no aspiran a sustituir los clústeres de GPU que entrenan los modelos de frontera.

Su objetivo es construir una capa económica y jurídica sobre el desarrollo de IA que haga racional la contribución voluntaria, que haga exigible la propiedad abierta y que vuelva auditables los flujos de ingresos por inferencia. La blockchain actúa como registro de la propiedad y capa de liquidación, no como superordenador.

El rally de Sentient en julio de 2026 refleja un mercado que empieza a descontar la idea de que el desarrollo abierto de IA necesita un modelo económico creíble para poder coexistir con competidores cerrados, fuertemente financiados. Los engranajes de ese modelo —huellas digitales de modelos on-chain, mercados de inferencia con verificación criptográfica, entrenamiento federado con privacidad diferencial— no son meras hipótesis. Están ya en producción en redes que están pagando hoy a sus contribuidores.