En el artículo anterior, "Emprendimiento Web3 en China: ¿Cuáles son las buenas rutas? (IV)", Portal Labs discutió primero cómo tres tipos de equipos Web3, más orientados a la infraestructura, pueden realizar una transferencia de capacidades hacia la dirección de la IA.
Los equipos de datos pueden mirar la capa de datos de IA, resolviendo problemas de datos autorizados, datos verificables y llamadas compatibles; los equipos de identidad y cuentas pueden enfocarse en los permisos, cuentas y registros de ejecución de los Agentes; los equipos de pagos y billeteras pueden considerar la liquidación automática de Agentes, micropagos API y auditoría contable. Estas tres rutas tienen un punto en común: todas consisten en llevar las capacidades de infraestructura que Web3 ha acumulado en los últimos años a las nuevas necesidades que están surgiendo con los Agentes de IA.
Pero las direcciones a las que pueden migrar los equipos Web3 chinos no se limitan a datos, identidad y pagos. Hay otros dos tipos de equipos que también vale la pena analizar por separado.
Uno es el de los equipos de seguridad y gestión de riesgos. En el pasado, servían a los contratos, billeteras, flujos de capital y riesgos on-chain; en la etapa de los Agentes de IA, los nuevos problemas de seguridad aparecerán en los permisos, llamadas a herramientas, pagos automáticos, acceso a datos y registros de ejecución. Cuanto más pueda hacer un Agente por el usuario, más necesitará que alguien le establezca límites, revise anomalías y deje registros.
El otro es el de los equipos de capa de aplicación y orientados a la comunidad. Puede que no necesiten convertirse en empresas de infraestructura de IA, pero pueden incorporar la IA a sus flujos de producto y operativos originales, mejorando la eficiencia en investigación, contenido, servicio al cliente, comunidad, educación y conversión de usuarios. Para este tipo de equipos, la IA se parece más a un potenciador de capacidades que a un cambio radical de profesión.
Por lo tanto, este artículo continuará la lógica del anterior: cómo deben migrar hacia la IA los equipos de seguridad y gestión de riesgos, y los equipos de capa de aplicación y orientados a la comunidad, respectivamente.
Al mismo tiempo, Portal Labs también necesita aclarar otra cosa. No todas las direcciones de IA son adecuadas para que los equipos Web3 chinos entren. Algunas direcciones parecen muy populares, como los modelos de lenguaje grandes (LLM) generales, las plataformas de Agentes genéricos, los traders de IA, los productos de generación automática de rendimientos, pero en realidad tienen barreras altas, competencia intensa e incluso pueden tocar límites regulatorios muy sensibles.
Para determinar si es posible migrar, no basta con ver si la IA está de moda. Lo más importante es: qué capacidades tenía originalmente el equipo, si esas capacidades pueden aplicarse en escenarios reales y si se puede encontrar un pagador claro.
Equipos de Seguridad y Gestión de Riesgos: De la Seguridad On-Chain a la Auditoría del Comportamiento de los Agentes
Seguridad y gestión de riesgos siempre han sido direcciones relativamente resistentes a los ciclos entre los equipos Web3 chinos.
Independientemente de si el mercado está caliente o no, los proyectos Web3 necesitan auditorías de contratos antes de lanzarse, las billeteras deben protegerse contra robos, los flujos de capital deben monitorearse, los incidentes de ataque deben rastrearse, y las herramientas KYT (Know Your Transaction) y AML (Anti-Money Laundering) siempre tienen demanda. Muchos equipos de seguridad han sobrevivido gracias a estas necesidades reales.
En el pasado, estos equipos se centraban principalmente en vulnerabilidades de contratos inteligentes, riesgos de claves privadas, seguridad de billeteras, ataques on-chain, flujos de fondos y transacciones sospechosas. Con el desarrollo de los Agentes de IA, los problemas de seguridad se expandirán desde los activos on-chain hacia comportamientos automatizados más amplios.
Porque los Agentes ya no solo responden preguntas, comenzarán a llamar herramientas, acceder a datos, ejecutar procesos e incluso desencadenar pagos y operaciones on-chain.
Por ejemplo, una empresa integra un Agente de IA en su CRM, correo electrónico, base de datos de contratos, base de conocimientos interna y sistema de tickets, usándolo para organizar información de clientes, generar actas de reuniones, redactar respuestas por correo, consultar cláusulas de contratos e incluso crear tareas automáticamente y hacer seguimiento a clientes. Este escenario parece mejorar la eficiencia, pero detrás implica una gran cantidad de permisos y flujo de datos. ¿Puede el Agente leer toda la información del cliente? ¿Puede enviar el contenido de un contrato a una herramienta externa? ¿Puede acceder al correo de los empleados? ¿Puede enviar correos automáticamente a los clientes? Si es inducido por un ataque de prompt (prompt injection), ¿podría filtrar información interna?
Todos estos se convertirán en nuevos problemas de seguridad.
Si las empresas comienzan a usar flujos de trabajo de IA a gran escala, la necesidad de seguridad se extenderá desde la seguridad del modelo hasta la seguridad del comportamiento. A las empresas no solo les importa si el modelo responde correctamente, sino también qué hizo el Agente, a qué sistema llamó, a qué archivos accedió, a quién envió los datos, y si cumplió con los permisos internos y los requisitos regulatorios.
Esta es precisamente la dirección hacia la cual pueden migrar los equipos de seguridad y gestión de riesgos.
Los equipos que antes realizaban monitoreo on-chain, auditorías, gestión de riesgos y seguimiento de fondos, pueden trasladar sus capacidades hacia la auditoría del comportamiento de los Agentes, identificación de anomalías de permisos, monitoreo de llamadas a datos, gestión de riesgos de pagos automáticos y gobernanza de seguridad de IA empresarial.
Por ejemplo, proporcionar registros de operaciones (logs) de Agentes a las empresas, haciendo que cada llamada a una herramienta sea trazable; establecer límites de permisos para los flujos de trabajo de IA, evitando accesos no autorizados; establecer reglas de control de riesgos para pagos automáticos, identificando llamadas anómalas; proporcionar informes de auditoría para el acceso a datos internos, ayudando a las empresas a cumplir con los requisitos de cumplimiento normativo.
Este tipo de dirección no necesariamente tiene una gran viralidad, pero tiene claros atributos B2B.
Cuanta más IA adopten las empresas, más necesitarán seguridad, permisos y auditoría. Especialmente en industrias como finanzas, salud, sector público, legal y educación, la IA no puede solo buscar eficiencia, también debe ser controlable, verificable y que permita atribuir responsabilidades.
Para los equipos chinos, la dirección de seguridad y gestión de riesgos también facilita evitar narrativas de alto riesgo. No necesita manejar tokens directamente, no necesita gestionar fondos de usuarios, ni prometer rendimientos. Siempre que aborden los riesgos reales en el proceso de uso de IA por parte de las empresas, tendrán la oportunidad de generar ingresos sostenibles por servicios.
Sin embargo, esta dirección también tiene barreras.
La auditoría del comportamiento de los Agentes no puede entenderse simplemente como "monitoreo on-chain con otro nombre". Requiere comprender los sistemas de permisos empresariales, las llamadas a herramientas de IA, la seguridad de datos, el análisis de logs y los procesos de negocio. Si los equipos de seguridad Web3 quieren entrar en esta capa, necesitan complementar sus conocimientos en ingeniería de IA y seguridad empresarial, no pueden simplemente aplicar los métodos de auditoría de contratos anteriores.
Pero a largo plazo, este camino merece atención. Cuanto más se integre la IA en los negocios reales, menos se limitarán los problemas de seguridad al modelo en sí. Quien pueda ayudar a las empresas a ver qué hizo el Agente, qué comportamientos son riesgosos y cómo rastrear problemas cuando ocurren, puede convertirse en un proveedor de servicios importante dentro de la infraestructura de IA.
Equipos de Capa de Aplicación y Orientados a la Comunidad: De Productos Web3 a Productos Potenciados por IA
Este tipo de equipos incluye plataformas de contenido, herramientas de investigación e inversión, herramientas de trading, productos educativos, productos comunitarios, herramientas de crecimiento y productos de operaciones de usuarios. Puede que no sean adecuados para crear directamente infraestructura de IA, pero son muy adecuados para integrar la IA en su negocio original.
El error más común que cometen los equipos de capa de aplicación es, al ver la popularidad de la IA, apresurarse a transformarse en una empresa de IA. Antes hacían comunidad, ahora dicen que harán redes sociales con IA; antes hacían contenido, ahora dicen que harán una plataforma de contenido con IA; antes hacían investigación, ahora dicen que serán asesores de inversión con IA. Suena a un gran cambio, pero sin escenarios reales y demanda de pago, es fácil que se convierta en un simple relanzamiento.
Un enfoque más realista es integrar la IA en el producto original para resolver problemas que los usuarios ya tienen.
De hecho, ya hay algunos referentes para este tipo de dirección. Por ejemplo, productos como Kaito, cuya esencia no es simplemente crear una "herramienta de chat con IA", sino organizar alrededor del problema de la sobrecarga de información en Crypto los movimientos de proyectos, redes sociales, narrativas populares, propagación de contenido y la atención de los usuarios, permitiendo que investigadores y equipos de proyectos vean más rápido de qué se está hablando en el mercado. Lo que inspira a los equipos de capa de aplicación es que la IA no tiene por qué ser un producto separado, sino que puede convertirse en una capa de capacidad para filtrar información, organizar semántica y descubrir señales.
Otro ejemplo son algunos Crypto Copilot y asistentes de investigación. No pretenden juzgar por el usuario si un proyecto es bueno o malo, sino organizar anuncios, whitepapers, propuestas de gobernanza, datos on-chain, información de financiación y dinámicas del mercado en contenido más fácil de entender. Para las herramientas de investigación, esto tiene más valor que simplemente crear un "chatbot". Porque el verdadero dolor del usuario no es no poder hacer preguntas, sino tener que procesar demasiada información cada día, proveniente de fuentes demasiado dispersas y con un costo de evaluación demasiado alto.
La lógica es la misma para las herramientas de comunidad y operaciones. Los equipos de proyectos deben procesar a diario preguntas de usuarios, comentarios sobre actividades, contenido comunitario, datos de KOLs y pistas de crecimiento. Si la IA solo se coloca en Telegram o Discord para responder algunas preguntas frecuentes, su valor es limitado. Pero si puede ayudar a los equipos de proyectos a organizar las preguntas frecuentes de la comunidad, etiquetar usuarios, identificar colaboradores activos, clasificar comentarios de actividades y generar informes de operaciones, entonces se convierte en una herramienta realmente integrada en el flujo operativo.
Los productos educativos también pueden verse así. La mayor dificultad para los nuevos usuarios en Web3 no es necesariamente la falta de contenido, sino que hay demasiado, el umbral es muy alto y es difícil distinguir la información verdadera de la falsa. La IA puede generar rutas de aprendizaje según el nivel del usuario, explicar terminología, organizar casos, hacer prácticas de preguntas y respuestas, y también desglosar contenido complejo en versiones más adecuadas para principiantes.
Por lo tanto, para los equipos de capa de aplicación, la IA es más adecuada como un amplificador de capacidades de producto y operaciones.
Las plataformas de contenido pueden usar IA para filtrar información, resumir, recomendar y distribuir en múltiples idiomas; las herramientas de investigación pueden usar IA para explicar datos on-chain, monitorear proyectos, organizar información del mercado y alertar sobre riesgos; los productos comunitarios pueden usar IA para responder preguntas automáticamente, segmentar usuarios, operar actividades y moderar contenido; las plataformas educativas pueden usar IA para crear rutas de aprendizaje personalizadas, generar cursos y responder dudas; las herramientas de trading pueden usar IA para analizar datos, alertar sobre riesgos y asistir en estrategias.
Estas direcciones no suenan tan grandiosas como la "economía de los Agentes", pero son más fáciles de implementar. Porque los equipos de capa de aplicación ya tienen usuarios, contenido, escenarios y experiencia operativa. Al añadir la IA, resuelven problemas que ya existían en su producto original. Por ejemplo, demasiada información, usuarios que no entienden, altos costos de servicio al cliente, producción lenta de contenido, baja eficiencia en investigación y operaciones comunitarias pesadas.
La clave de esta migración es no alejarse del escenario de usuario original.
Si una herramienta de investigación Web3 originalmente sirve a traders e investigadores, entonces la IA puede ayudar a los usuarios a comprender más rápido anuncios, whitepapers, datos on-chain y cambios del mercado. Si una plataforma educativa Web3 originalmente sirve a usuarios nuevos, entonces la IA puede hacer preguntas y respuestas personalizadas y rutas de aprendizaje. Si un producto comunitario originalmente sirve a equipos de proyectos, entonces la IA puede ayudar a estos equipos a segmentar usuarios, mantener comunidades y llegar con actividades.
Todas estas son demandas reales.
Muchas veces, los equipos de capa de aplicación no necesitan buscar una "transformación". Integrar la IA como una nueva capacidad en su producto original les permite aprovechar más fácilmente su base de usuarios, contenido y negocio previa, y también evita adentrarse en un mercado de IA completamente nuevo y altamente competitivo.
Por supuesto, este camino tampoco puede limitarse a añadir un simple chatbot.
La llamada "IA-ización" de muchos productos actuales en realidad solo agrega una ventana de preguntas y respuestas. La experiencia del usuario no mejora notablemente, ni la eficiencia del negocio cambia significativamente. Este tipo de IA-ización difícilmente genera valor a largo plazo.
Una potenciación real y efectiva con IA debería integrarse en el flujo de trabajo original del usuario. Debería ayudar al usuario a ahorrar tiempo, mejorar la calidad de sus decisiones, reducir costos operativos, o aumentar la conversión y retención. Si no logra esto, la funcionalidad de IA pronto se convertirá en un adorno.
Por lo tanto, para los equipos de capa de aplicación y orientados a la comunidad, la forma de migración más realista es usar primero la IA para hacer su producto y operaciones originales más efectivos. Si a los usuarios les resulta más fácil entender la información, a los equipos de proyectos les resulta más fácil operar comunidades, los investigadores completan sus evaluaciones más rápido, y el servicio al cliente y el crecimiento requieren menos mano de obra, todo esto es más importante que "si se transforman o no en IA".
¿Qué direcciones es mejor evitar?
Después de hablar de los equipos adecuados para migrar, también hay que aclarar qué direcciones es mejor abordar con precaución.
Primera, crear modelos de lenguaje grandes (LLM) generales desde cero.
Esta dirección requiere capacidades de modelo, recursos de computación, datos de entrenamiento, equipos de investigación e inversión de capital a largo plazo. Ya es un mercado altamente competitivo. Empresas de grandes modelos, grandes tecnológicas y equipos de emprendimiento nativos de IA ya están compitiendo. Si los equipos Web3 chinos no tienen una acumulación de tecnología y recursos particularmente fuerte, será difícil generar ventajas si se adentran por la fuerza.
Un problema más realista es que la ventaja acumulada por los equipos Web3 en el pasado generalmente no está en el entrenamiento de modelos. Muchos equipos son realmente buenos en protocolos, datos, billeteras, pagos, seguridad, comunidad y mercados internacionales. Si cambian directamente a crear LLM generales, equivaldría a desechar su acumulación previa y entrar en un campo más pesado, más competitivo y también más costoso.
Segunda, crear desde el principio plataformas genéricas de Agentes de IA.
Muchas plataformas de Agentes suenan muy grandiosas, parece que pueden hacer cualquier tarea. Pero al implementarse, lo que realmente les importa a los usuarios a menudo no es cuán grande es la plataforma, sino si una tarea concreta se puede completar de manera estable. Si se puede integrar en flujos de trabajo reales, si reduce costos laborales, si garantiza la calidad de los resultados, si hay alguien dispuesto a pagar, estas preguntas son más importantes que la "narrativa de la plataforma".
Sin una tarea clara, estándares de entrega y un pagador definido, las plataformas de Agentes fácilmente se estancan en la etapa de demostración (demo). Parecen avanzadas, pero en realidad es difícil que entren en el uso diario de los usuarios.
Tercera, direcciones como traders de IA, generación automática de rendimientos y asesores de inversión inteligentes.
Este tipo de productos en el ámbito Web3 pueden tener fácilmente viralidad porque se acercan naturalmente a las expectativas de rendimiento de los usuarios. Trading automático con IA, IA que te hace ganar dinero, IA que toma decisiones de inversión por ti, todo suena muy atractivo.
Pero los problemas de este tipo de dirección también son los más complejos. Fácilmente tocan fondos de usuarios, promesas de rendimiento, gestión de activos, cumplimiento normativo de asesoría y gestión de riesgos en trading. Con solo una expresión ligeramente agresiva del producto, puede pasar de "asistencia de herramienta" a "promesa de rendimiento". Para los equipos chinos, este tipo de dirección es especialmente sensible y difícil de convertir en una ruta de emprendimiento estable a largo plazo.
Cuarta, simplemente cubrir el proyecto original con una cáscara de IA.
Antes hacían NFT, ahora añaden generación de imágenes con IA; antes hacían GameFi, ahora añaden NPCs con IA; antes hacían billetera, ahora añaden un asistente de chat con IA; antes hacían comunidad, ahora añaden un Bot con IA. Esta transformación puede generar temas de conversación a corto plazo, pero si no mejora el valor del producto, es difícil retener usuarios y convencer a pagadores reales.
La IA puede ser una puerta de entrada para la migración de capacidades, pero no puede resolver los problemas fundamentales de un proyecto que no tiene una demanda real.
Si el negocio original no tenía usuarios, ingresos ni escenarios, y solo cambia a una narrativa de IA, lo más probable es que finalmente vuelva al mismo problema. ¿Por qué lo necesitan los usuarios? ¿Quién pagará de manera continua? ¿Qué está resolviendo realmente el equipo?
Por lo tanto, para los equipos Web3 chinos, al evaluar si una dirección de IA vale la pena, no basta con ver si está de moda. Lo más importante es si tiene un escenario real, un pagador claro, capacidades reutilizables y límites regulatorios relativamente claros.
Para terminar
Llegó el ciclo de la IA, y los equipos Web3 chinos por supuesto deben mirarlo, y deberían hacerlo.
Pero lo que realmente vale la pena observar no es qué concepto está de moda nuevamente, sino si las capacidades acumuladas en los últimos años todavía tienen nuevos puntos de aplicación.
Desde datos, identidad, pagos, hasta seguridad, gestión de riesgos y productos de capa de aplicación, lo que los equipos Web3 pueden migrar son, en realidad, cosas que ya se han sedimentado en su negocio original. La IA proporciona nuevos escenarios para estas capacidades, pero no suplirá los cimientos de un proyecto que carece de demanda real.
Así que, para los emprendedores Web3 chinos, la clave no es "cambiar a IA", sino si sus capacidades pueden migrar.
Si lo acumulado en el pasado son datos, cuentas, pagos, seguridad, operaciones y escenarios de usuario, entonces la IA puede ser un nuevo camino.
Si en el pasado solo había narrativa y empaque, cambiarlo por IA solo será cambiar a una palabra más de moda.
