Los modelos de IA más potentes del mundo están en manos de unas pocas empresas. Ellas fijan los precios, deciden quién accede y se quedan con cada peso y parámetro que el modelo aprende de los datos de los usuarios.
Sentient (SENT) se lanzó en 2026 como un desafío directo a ese esquema, con una plataforma de IA abierta en la que los contribuidores poseen una participación demostrable en los modelos que ayudan a crear. Su token se disparó 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 es un caso aislado. Una nueva generación de protocolos está usando blockchains para garantizar la propiedad abierta de los modelos, coordinar el entrenamiento distribuido y montar mercados de inferencia donde cualquiera puede aportar cómputo y cobrar por ello. Entender cómo funcionan realmente estas redes —en términos de incentivos, criptografía y liquidación on-chain— es la mejor forma de distinguir la infraestructura genuina del puro ruido.
En resumen
- Las redes de IA descentralizada usan blockchains para hacer cumplir derechos de propiedad sobre los modelos, evitando que se excluya a los contribuidores una vez entrenado el modelo.
- Entrenamiento e inferencia se separan en capas distintas; los participantes cobran por cómputo y datos en cada fase, con registros on-chain.
- Pruebas criptográficas (zero-knowledge o atestaciones criptográficas) permiten verificar inferencias honestas sin reejecutar el modelo completo.
- Los tokens de gobernanza otorgan voto sobre actualizaciones de modelos, estructuras de comisiones y reglas de acceso.
- El gran intercambio es rendimiento frente a verificabilidad: la inferencia totalmente on-chain sigue siendo más lenta y cara que las APIs centralizadas, pero la brecha se estrecha rápido.
Por qué la IA cerrada es un problema estructural para las redes abiertas
Todo gran modelo de IA se entrena con datos que vienen de alguna parte. Usuarios, investigadores y comunidades de código abierto generan el texto, el código y las imágenes de las que aprenden los modelos. En 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 de forma abierta cuando comprenden que se están explotando sin compensación.
Los modelos pasan entonces a depender de los datos que la empresa pueda adquirir legalmente, a menudo raspando la web bajo términos de servicio que terminan en los tribunales. La cadena de entrenamiento se vuelve extractiva, no colaborativa.
Las redes de IA descentralizada proponen otro pacto. Los contribuidores se registran on-chain antes de que empiece el entrenamiento. Sus aportaciones de datos y cómputo se registran como insumos verificables. Los contratos inteligentes redistribuyen los ingresos generados por el uso del modelo a esos participantes, según reglas fijadas antes de que se compute la primera hora de GPU.
La blockchain no ejecuta la IA. Hace cumplir el acuerdo de propiedad que vuelve racional la contribución voluntaria.
También lea: https://yellow.com/agentic-trading
Cómo funciona en la práctica la propiedad de modelos on-chain
La propiedad de un modelo en una red de IA descentralizada no equivale a poseer un simple archivo. Un modelo entrenado son pesos numéricos —a menudo miles de millones de números en coma flotante— distribuidos entre múltiples nodos. Poseer “un modelo” significa tener un derecho ejecutable y demostrable sobre una parte de los ingresos que genera, además de voz en su desarrollo futuro.
El mecanismo se articula mediante un evento de emisión ligado al entrenamiento inicial del modelo. Cuando un modelo se despliega por primera vez, la red emite una oferta fija de tokens de propiedad que representan ese modelo específico. Los participantes que aportaron datos, cómputo o código durante el entrenamiento reciben una asignación proporcional de esos tokens.
La fórmula de reparto se codifica en el contrato inteligente antes de que empiece el entrenamiento y no puede modificarse a posteriori.
Cada vez que alguien paga por ejecutar una inferencia —una predicción, un texto generado o un embedding—, la comisión se reparte entre el proveedor de infraestructura que ejecuta la inferencia y los tenedores de tokens de propiedad. El porcentaje se define vía gobernanza. Si el modelo se vuelve muy utilizado, los contribuidores originales siguen cobrando sin aportar trabajo adicional, de forma análoga a un esquema de regalías.
El enfoque de Sentient va más allá con lo que denomina “Sentient Model Fingerprinting”. Cada modelo entrenado en la plataforma integra una huella criptográfica que vincula las salidas de inferencia con la versión concreta del modelo.
Esto permite detectar si alguien copia los pesos y ejecuta inferencias sin pagar la comisión de propiedad, una forma de piratería trivial con pesos cerrados pero difícil de probar. La huella crea una trazabilidad on-chain que facilita hacer valer los derechos de ingresos incluso cuando los pesos son técnicamente abiertos.
También lea: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
Las dos capas: entrenamiento distribuido y mercados de inferencia
Las redes de IA descentralizada dividen el ciclo de vida de un modelo en dos capas económicas diferenciadas. Entender cada una por separado es clave porque implican actores, 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 muchos contribuidores, cada uno encargado de una fracción del cómputo.
El 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 en lugar de transacciones financieras. Proyectos como Bittensor y Gensyn han desarrollado protocolos específicos para ello, usando puntuaciones on-chain para clasificar la calidad de cada contribución de gradiente y recompensar en consecuencia.
La capa de inferencia es donde el modelo ya entrenado produce resultados para los usuarios finales. Económicamente, la inferencia difiere del 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 pregunta clave es: ¿cómo sabe el usuario que el proveedor ha usado el modelo real y no una versión más barata?
Aquí entran en juego los mercados de inferencia. Varios proveedores pujan por atender una consulta. El ganador ejecuta el modelo y devuelve el resultado junto con una prueba criptográfica. Otros proveedores pueden auditar resultados puntuales mediante un mecanismo de desafíos. Los proveedores deshonestos pierden la garantía que hayan puesto en stake. Los honestos cobran comisiones. La propia estructura del mercado incentiva la precisión sin necesidad de que toda la red verifique cada salida.
“Los mercados de inferencia se inspiran en el diseño económico de los mercados de predicción: los participantes apuestan valor a la corrección de sus resultados, y los errores se penalizan con slashing, el mismo mecanismo que castiga a validadores maliciosos en redes de prueba de participación.”
También lea: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
Cómo las pruebas criptográficas validan salidas de IA sin reejecutar el modelo
El mayor desafío técnico de la IA descentralizada es la verificación. Ejecutar una vez un gran modelo de lenguaje es costoso. Hacerlo dos veces solo para comprobar el primer resultado es económicamente inviable a escala. 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 a un proveedor generar una prueba matemática de que una computación concreta se ejecutó correctamente, 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 elevado. Crear una prueba para una única inferencia en un modelo grande puede llevar minutos en hardware especializado, frente a los milisegundos que tarda la inferencia en sí.
Ejecución optimista con pruebas de fraude adopta otro enfoque, inspirado en el diseño de rollups optimistas de Ethereum (ETH). Los resultados se aceptan como válidos por defecto. Cualquiera puede impugnarlos durante una ventana de tiempo reejecutando la computación en un nodo de referencia. Si el impugnador demuestra que el resultado era erróneo, el proveedor original pierde su stake y el impugnador cobra una recompensa.
Este modelo es más rápido en el caso habitual, cuando los proveedores actúan honestamente, pero introduce un retraso antes de que los resultados se consideren definitivos.
La mayoría de sistemas productivos en 2026 adoptan un híbrido: ejecución optimista para consultas rutinarias, con comprobaciones aleatorias basadas en zero-knowledge para mantener a los proveedores alineados sin asumir el coste de verificación en cada petición. La proporción de consultas auditadas frente a no auditadas es un parámetro de gobernanza que los tenedores de tokens pueden ajustar a medida que bajan los costes de generar pruebas.
También lea: https://yellow.com/news/openai-safety-veteran-exit-history
El papel de los tokens de gobernanza en el desarrollo de modelos
Los tokens de gobernanza en una red de IA descentralizada van mucho más allá de votar actualizaciones de protocolo. Determinan decisiones que afectan directamente al valor económico de los modelos: qué conjuntos de datos se usarán en futuros fine-tuning, qué filtros de seguridad se aplicarán, cómo se reparte la comisión de inferencia y si los pesos del modelo podrán ser totalmente públicos o deberán mantenerse restringidos.
Esto configura una estructura de poder radicalmente distinta de la IA cerrada. En un modelo centralizado, es un equipo interno de seguridad el que decide. qué límites aplicar. En una red descentralizada, esas decisiones las toman los tenedores de tokens, que a menudo tienen intereses divergentes.
Los participantes centrados en maximizar las capacidades del modelo pueden votar en contra de restricciones de seguridad que recorten rendimiento en ciertas tareas. Quienes priorizan el cumplimiento normativo en su jurisdicción tenderán a apoyar filtros más estrictos.
La solución práctica hacia la que han convergido la mayoría de redes es una estructura de gobernanza en dos niveles. Un consejo central (core council), elegido por los tenedores de tokens, se encarga de las decisiones urgentes de seguridad que no pueden esperar a una votación completa on-chain. Los parámetros económicos de mayor calado, como esquemas de comisiones y reparto de ingresos, sí se someten a votación general de todos los tenedores de tokens, con un periodo de deliberación más amplio. Es, en esencia, el mismo modelo que han adoptado muchos protocolos DeFi como Aave y Compound tras comprobar que una gobernanza totalmente on-chain y totalmente democrática es vulnerable a ataques de baja participación y a la manipulación de votos de última hora.
La gobernanza de modelos introduce además un problema específico de la IA: qué ocurre con el modelo tras sucesivas actualizaciones. Un contribuyente que ayudó a entrenar el modelo original posee tokens que representan el valor de ese activo. Si una votación aprueba un ajuste fino (fine-tuning) de gran calado que cambia de forma significativa el comportamiento del modelo, ¿sus tokens siguen siendo una reclamación sobre el mismo activo? La mayoría de protocolos resuelve este dilema acuñando un nuevo token para cada versión mayor y asignando a los tenedores existentes una participación proporcional en la nueva versión, de forma similar a cómo los accionistas reciben títulos en un spin-off.
También le puede interesar: https://yellow.com/news/bitcoin-63k-war-chatter
Contribución de Datos, Privacidad y el Problema del Entrenamiento Federado
Una de las grandes cuestiones de diseño en 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 están entre los insumos de entrenamiento más valiosos para modelos de IA especializados. Pero los contribuyentes no pueden simplemente subir esos datos a una red compartida sin asumir riesgos graves en materia de privacidad y regulación.
El aprendizaje federado ofrece una solución parcial. En lugar de enviar datos brutos a un nodo central de entrenamiento, cada contribuyente entrena localmente una actualización del modelo sobre sus propios datos y solo envía el gradiente —la dirección matemática en la que deben ajustarse los pesos del modelo— a la red. Esta agrega gradientes de múltiples participantes sin ver nunca los datos subyacentes. El modelo mejora gracias a esa información privada sin que los datos salgan del control de su propietario.
La función de la blockchain en el aprendizaje federado es de coordinación y liquidación de pagos. Los contratos inteligentes registran qué contribuyentes han enviado gradientes en cada ronda de entrenamiento, evalúan la calidad y utilidad de cada gradiente mediante funciones on-chain y distribuyen las recompensas en consecuencia. El problema de evaluación no es trivial: un participante podría enviar gradientes aleatorios y cobrar sin aportar trabajo honesto. Protocolos como FedML y el propio framework de entrenamiento de Sentient utilizan compromisos criptográficos y mecanismos de revelación diferida para combatir estas conductas, obligando a los contribuyentes a comprometerse con su gradiente antes de ver las aportaciones del resto.
Sobre ese esquema 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 publicados del modelo. El “presupuesto de privacidad”, es decir, cuánta información se le permite filtrar al modelo sobre cualquier dato concreto, se convierte en otro parámetro de gobernanza: los tenedores de tokens deciden el equilibrio entre utilidad del modelo y protección de la privacidad de los contribuyentes.
«El aprendizaje federado combinado con privacidad diferencial proporciona a las redes de IA descentralizadas una respuesta creíble al problema de la privacidad de los datos. El contribuyente nunca entrega sus datos. La red nunca los ve. Y, aun así, el modelo mejora gracias a ellos».
También le puede interesar: https://yellow.com/news/gpt-56-beats-human-interns-openai
Quién se Está Beneficiando Realmente de las Redes de IA Descentralizada Hoy
Entender la mecánica es una cosa. Saber a quién debería importarle esto en 2026 es otra muy distinta. La tecnología es ya hoy genuinamente útil en ciertos nichos y claramente poco práctica en otros.
Los investigadores independientes de IA y contribuidores open source son los primeros beneficiados. Pueden aportar cómputo de entrenamiento o conjuntos de datos curados a modelos en los que confían, obtener una participación de propiedad demostrable y recibir ingresos recurrentes por el uso del modelo. La alternativa —contribuir a un modelo abierto como las derivadas de LLaMA— genera reputación, pero no retorno económico directo cuando ese modelo se comercializa.
Las empresas con datos propietarios y fuertes exigencias de cumplimiento se muestran cada vez más interesadas en configuraciones de entrenamiento federado. Un grupo hospitalario que busque un modelo médico especializado no puede compartir historiales clínicos con un proveedor centralizado. Una red descentralizada con entrenamiento federado le permite contribuir al entrenamiento manteniendo los datos on-premise. El registro de propiedad on-chain aporta además una trazabilidad auditable que ayuda a cumplir con los requisitos regulatorios.
Los protocolos DeFi y aplicaciones Web3 necesitan capacidades de inferencia de IA que no puedan ser censuradas ni desconectadas por un proveedor central de APIs. Un mercado de predicción que utilice IA para procesar información de eventos del mundo real no puede permitirse que su proveedor de IA corte el acceso a la API en medio de la operativa. Los mercados descentralizados de inferencia ofrecen redundancia y resistencia a la censura que las APIs centralizadas, por diseño, no pueden igualar.
Los inversores minoristas en tokens se encuentran en una posición mucho más ambigua. Tener un token de gobernanza otorga derechos de voto y una exposición a comisiones, pero exige participación activa para capturar valor. Los holders pasivos que no votan se ven diluidos frente a los participantes activos que sí lo hacen. La dinámica recuerda a la de los tokens de gobernanza en DeFi: el potencial de revalorización es real, pero requiere implicación para materializarse.
También le puede interesar: https://yellow.com/news/solana-etf-bitwise-filing
El Verdadero Intercambio Entre Rendimiento y Verificabilidad
Cualquier análisis honesto sobre IA descentralizada debe reconocer dónde sigue habiendo fricciones tecnológicas. La tensión de fondo es estructural: cuanto más verificable haces un cómputo de IA, más lento y costoso resulta.
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 por cero conocimiento, en un modelo de escala comparable, tarda en 2026 entre 30 segundos y varios minutos, según el hardware y el sistema de pruebas empleado. Para casos de uso sensibles a la latencia —señales de trading en tiempo real, moderación instantánea de contenido, chatbots interactivos— esta brecha sigue siendo prohibitiva.
El enfoque de ejecución optimista reduce considerablemente esa distancia. Con inferencia optimista, la latencia del resultado inicial es prácticamente idéntica a la de un servicio centralizado. El coste es un retardo en la finalidad: las aplicaciones deben esperar a que se cierre la ventana de disputas antes de considerar un resultado como definitivamente asentado. Para muchos casos de uso Web3, una ventana de unos pocos minutos es aceptable. Para aplicaciones estrictamente en tiempo real, no lo es.
En costes, las comparaciones son algo más favorables. Los proveedores centralizados de APIs aplican un fuerte sobreprecio al acceso a modelos punteros porque disfrutan de poder de fijación de precios casi monopólico. Un mercado de inferencia competitivo, en el que varios proveedores compiten por ejecutar las consultas, 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 acceso a GPU comoditizadas a través de mercados descentralizados puede resultar entre un 30% y un 60% más barato que el uso de APIs centralizadas equivalentes, siempre que no se exija la frontera absoluta de capacidades.
La síntesis honesta es que las redes de IA descentralizada están listas hoy para aplicaciones que toleran latencia, que son especialmente sensibles a la privacidad o que requieren alta resistencia a la censura. Siguen a la zaga en aplicaciones en tiempo real y en modelos de frontera, donde los mejores proveedores centralizados conservan una ventaja duradera. La trayectoria de mejora en hardware para generación de pruebas y la investigación en zkML apuntan a que esa brecha se irá acortando, pero es improbable que desaparezca por completo en el corto plazo.
También le puede interesar: 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 más avanzados.
Su objetivo es construir una capa económica y jurídica sobre el desarrollo de IA que haga racional la contribución voluntaria, haga exigible la propiedad abierta y permita auditar los ingresos por inferencia. La blockchain actúa como registro de 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 coexistir con rivales cerrados muy bien financiados. Las piezas clave —huellas criptográficas de modelos on-chain, mercados de inferencia con verificación criptográfica, entrenamiento federado con privacidad diferencial— ya no son teoría. Están operativas en redes que hoy están pagando a sus contribuyentes.
Lea a continuación: Grok 4.5 Desafía a OpenAI y Anthropic con una IA Agentic Más Barata
