Глава Stripe назвал причины интереса бизнеса к стейблкоинам

cryptonews.ruPublicado a 2025-09-25Actualizado a 2025-09-25

«Стабильные монеты» набирают популярность, поскольку предлагают предприятиям более быстрые, дешевые и надежные платежи по сравнению с традиционными системами. Об этом заявил CEO Stripe Патрик Коллисон.

Он опубликовал свои комментарии в ветке форума Hacker News, посвященной запуску блокчейна первого уровня Tempo. Разработанная Stripe совместно с Paradigm платформа специально предназначена для «стейблкоинов и реальных платежей».

Первоначальными партнерами по проекту также выступили Anthropic, Coupang, Deutsche Bank, DoorDash, Lead Bank, Mercury, Nubank, OpenAI, Revolut, Shopify, Standard Chartered, Visa и ряд других компаний.

По словам Коллисона, на протяжении десятилетия полезность криптоплатежей вызывала в Stripe разочарование. Мнение изменилось за последние пару лет, поскольку все больше компаний начали находить выгоду в применении стейблкоинов в финансовой деятельности.

«Например, Bridge (инфраструктурная платформа для “стабильных монет”, приобретенная Stripe) используется SpaceX для управления финансами на труднодоступных рынках. Другой крупный клиент, DolarApp, предоставляет банковские услуги клиентам в Латинской Америке. Сейчас мы добавляем функционал стейблкоинов в панель управления Stripe, и первым пользователем стал аргентинский импортер велосипедов, который столкнулся с трудностями при проведении транзакций с поставщиками», — отметил Коллисон.

Он подчеркнул, что все эти компании используют криптовалюту не для спекулятивной выгоды, а ведут реальную финансовую деятельность. Глава Stripe выделил пять основных причин, по которым бизнес предпочитает стейблкоины:

  • практически мгновенные расчеты;
  • более низкие издержки по сравнению с традиционными платежными каналами;
  • высокая надежность трансграничных переводов;
  • сокращение конвертаций валют;
  • прямой ончейн-доступ к долларам США.

Касательно роли Tempo Коллисон сравнил блокчейн с системами обмена банковскими сообщениями вроде SWIFT или ACH. Платформа не предназначена для взаимодействия с конечными пользователями.

Согласно заявлению, EVM-совместимая сеть способна обрабатывать более 100 000 транзакций в секунду. Она ориентирована на поддержку начисления и выплаты заработной платы, денежных переводов, обработку токенизированных депозитов, микротранзакций и агентских платежей.

Напомним, в июне Stripe приобрела разработчика инфраструктуры Web3-кошельков Privy.

Lecturas Relacionadas

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

**Los usuarios de Claude Code se quejaban de que el modelo se volvió más torpe, pero Anthropic aclara: el problema no era el modelo, sino el ajuste de "Esfuerzo".** En marzo, muchos desarrolladores notaron que Claude Code parecía menos competente: omitía leer archivos o ejecutar pruebas. La comunidad criticó fuertemente a Anthropic. La causa real fue un cambio en la configuración predeterminada del nivel de **Esfuerzo (Effort)**, de "alto" a "medio", realizado para reducir la latencia. Este ajuste afectó cuánto trabajo invertía Claude en una tarea, no su conocimiento fundamental. Anthropic explica la diferencia clave entre **Modelo** y **Esfuerzo**: * **Modelo (Sonnet, Opus, Fable):** Representa la "inteligencia" o conocimiento base del modelo (pesos congelados del entrenamiento). Cambiarlo resuelve problemas de "¿puede hacerlo?". * **Esfuerzo (Effort):** Representa la "actitud" o cuánto trabajo está dispuesto a realizar en una tarea específica (leer archivos, ejecutar pruebas, verificar). Un Esfuerzo bajo hace que Claude responda rápido pero pida más contexto; un Esfuerzo alto lo hace investigar y trabajar de forma más autónoma. **Conclusión importante:** Un modelo más pequeño (como Sonnet) con un Esfuerzo alto puede superar a un modelo más grande (como Opus) con un Esfuerzo bajo en muchas tareas. El cambio de marzo demostró que los usuarios a menudo subestimaban el impacto del control de Esfuerzo, culpando erróneamente al modelo. **Marco para solucionar problemas:** 1. Verifica primero el contexto y las instrucciones (prompt). 2. Si Claude se equivoca, pregúntate: **¿Es que "no sabe" o "no se esfuerza lo suficiente"?** * **No se esfuerza (ej., omite pasos):** Aumenta el nivel de Esfuerzo. * **No sabe (ej., errores persistentes a pesar del contexto):** Cambia a un modelo más capaz. La lección es que el uso efectivo de herramientas de IA como Claude Code ya no se trata solo de elegir el modelo más potente, sino de aprender a **gestionar y asignar recursos** (modelo y esfuerzo) de manera inteligente para cada tarea, optimizando tanto el rendimiento como el coste.

marsbitHace 1 hora(s)

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

marsbitHace 1 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

**Resumen en español europeo:** Más de 90 empresas, incluidas 70 dedicadas a la recopilación, compiten en el emergente campo de los datos de inteligencia encarnada en China. En el último año, 15 proveedores de datos independientes recaudaron aproximadamente 4.470 millones de RMB. El artículo, basado en estadísticas de "Quantum Bit", describe diez aspectos clave del sector: 1. **Métodos de recopilación:** Se dividen en cuatro categorías: teleoperación de robots reales, recopilación sin robot (con captura de movimiento), simulación y destilación de vídeos de internet. La mayoría de las empresas (43%) utilizan múltiples métodos, siendo la teleoperación la ruta única más común (31%). 2. **Perfil de los actores:** Los proveedores de datos independientes son el grupo más numeroso (40%), seguidos por plataformas de datos estatales (26%) y fabricantes de robots (25%). Dos tercios de las empresas son "nativas" del sector. 3. **Capacidad y distribución:** La capacidad anual actual se estima en 1,6-1,8 millones de horas, con el objetivo de multiplicarla por 15-20 en 1-3 años. Las "fábricas de datos" están presentes en 20 provincias, concentrándose en el delta del Yangtsé. 4. **Financiación y etapa:** La financiación del último año para proveedores independientes (44.700 millones RMB) es modesta comparada con la inversión total en inteligencia encarnada. El sector está muy fragmentado, con una sola "unicornio" (Lightwheel AI) que acaparó el 70% de la inversión. 69 fondos han invertido, pero ninguno de forma significativa, mostrando cautela. 5. **Conclusión:** El mercado de datos encarnados es ya una industria independiente y generadora de empleo, pero se encuentra en una fase muy temprana. Aún no está claro si "vender datos" será un negocio rentable, y los próximos 1-2 años serán cruciales para validar el modelo.

marsbitHace 4 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

marsbitHace 4 hora(s)

Trading

Spot
活动图片