Крупнейший банк Гватемалы интегрирует блокчейн для трансграничных платежей

cryptonews.ruPublicado a 2025-03-22Actualizado a 2025-05-22

Крупнейший банк Гватемалы Banco Industrial интегрировал поставщика криптоинфраструктуры SukuPay в свое мобильное банковское приложение, что позволяет местным жителям с легкостью получать денежные переводы с использованием технологии блокчейн.

Инфраструктура SukuPay полностью встроена в платежное приложение Zigi, что позволяет гватемальцам мгновенно получать средства из Соединенных Штатов за фиксированную плату в размере 0,99 доллара, сообщила компания 21 мая.

Пользователям приложения Zigi не нужен криптокошелек или международный номер банковского счета (IBAN) для получения средств, заявила компания.

Генеральный директор SukuPay Йонатан Лапчик сказал, что «ключ к массовому внедрению технологии блокчейна — сделать ее невидимой для конечного пользователя», чтобы не было технических барьеров.

«Это единственный способ масштабировать блокчейн на миллиарды людей — прокладывая пути, а не заставляя людей изучать, как он работает», — сказал Лапчик.

Основанный в 1968 году, Banco Industrial имеет более 1600 пунктов обслуживания по всей Гватемале. По состоянию на 2023 год его активы составляли более 150 миллионов гватемальских кетсалей, что эквивалентно примерно 20 миллионам долларов США. SukuPay заявила, что его интеграция с Zigi знаменует собой один из первых криптонативных протоколов, используемых в крупном латиноамериканском розничном банке.


Banco Industrial имеет долгосрочный рейтинг дефолта эмитента BB. Источник: Fitch Ratings.

Банк также ведет операции в Гондурасе, Панаме и Сальвадоре и является ключевым игроком на местных рынках денежных переводов.

Денежные переводы — это спасательный круг для Латинской Америки

Денежные переводы или деньги, отправляемые мигрантами на родину, играют жизненно важную роль в Гватемале и в регионе в целом.

Межамериканский банк развития прогнозирует, что денежные переводы в Латинскую Америку и страны Карибского бассейна составят около 161 миллиарда долларов в 2024 году. Ежемесячные денежные переводы обычно составляют от 131 до 648 долларов, что составляет от 6% до 23% от среднего дохода отправителя.

«Денежные переводы — это спасательный круг в этом регионе, но они сломаны», — сказал Лапчик.

«Только Гватемала получает 21 миллиард долларов денежных переводов каждый год, и семьи теряют от 6% до 10% этой суммы из-за комиссий и задержек. Это люди, которые отправляют 300, 400 долларов в месяц, и они не могут позволить себе ждать несколько дней или платить столько, чтобы отправить деньги домой», — сказал он.

«Криптовалюта решает эту проблему, когда ее используют правильно. Она позволяет нам переводить деньги мгновенно и за малую часть стоимости, интегрированную в банковские приложения, которые люди уже используют», — заключил глава SukuPay.

Латинская Америка является вторым по темпам роста регионом с точки зрения принятия криптовалют, хотя Гватемала отстает от региональных лидеров Аргентины, Бразилии, Мексики, Венесуэлы и Колумбии, согласно исследованию Chainalysis 2024 года.

В исследовании стейблкоины названы основным драйвером принятия в регионе.


Принятие криптовалют в Латинской Америке по общей полученной стоимости. Источник: Chainalysis

Лапчик сказал, что стейблкоины облегчают трансграничные транзакции, но что «люди не просыпаются со словами: «Мне нужен стейблкоин».

«Стейблкоины — это просто лучший способ сделать это», — сказал он.

Lecturas Relacionadas

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

"Tras tres años sin actualizar su blog, la ex vicepresidenta de OpenAI y cofundadora de Thinking Machines, Lilian Weng, publica un extenso análisis que cuestiona la fiabilidad de las 'Scaling Laws', las leyes de escalamiento que han guiado inversiones billonarias en IA. El artículo desmonta que la mejora del rendimiento de los modelos de lenguaje (LLM) al aumentar parámetros, datos y computación sea tan predecible como se creía. Expone divergencias clave: en 2020, OpenAI concluyó que el tamaño del modelo debía crecer más rápido que los datos, mientras que DeepMind (2022) defendió un crecimiento proporcional, un desacuerdo atribuido a diferencias metodológicas y al tamaño limitado de los experimentos iniciales. Más críticamente, Weng revela que la metodología del influyente estudio 'Chinchilla' de DeepMind contenía errores, como una función de pérdida que no convergía correctamente, lo que significa que la 'fórmula óptima' utilizada durante años por la industria podría no serlo. El análisis subraya un problema fundamental: las leyes clásicas asumen datos únicos e infinitos, pero los textos de alta calidad se agotan. La repetición de datos en el entrenamiento degrada el rendimiento, especialmente en modelos grandes. Esto explica el cambio de la industria hacia el aprendizaje por refuerzo, el cómputo en tiempo de prueba y los datos sintéticos. En resumen, el artículo argumenta que la era de la escalabilidad simple ('scale is all you need') toca a su fin, y que el progreso futuro de la IA dependerá de refinamientos metodológicos precisos y de nuevas vías para superar la limitación de datos."

marsbitHace 54 min(s)

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

marsbitHace 54 min(s)

Trading

Spot
Futuros
活动图片