El fundador de Aave: ¿Cuál es el secreto del mercado de préstamos DeFi?

marsbitPublicado a 2026-02-10Actualizado a 2026-02-10

Resumen

El fundador de Aave, Stani.eth, analiza el mercado de préstamos DeFi, que ha crecido a más de $100.000 millones impulsado por préstamos de stablecoins con garantía criptonativa. Destaca que los préstamos on-chain son más baratos (alrededor del 5% para stablecoins) que las opciones centralizadas (7-12%) debido a la eliminación de ineficiencias financieras, la agregación de capital en sistemas abiertos y la automatización. La transparencia, composabilidad y competencia en mercados sin permisos reducen costos estructuralmente. El sistema enfrenta desafíos como la volatilidad y la necesidad de gestionar riesgos y liquidez automáticamente. La limitación actual no es la falta de capital, sino la escasez de garantías diversificadas. El futuro implica combinar activos criptonativos con valores del mundo real tokenizados para expandir el alcance y reducir costos. La financiación tradicional es ineficiente por procesos manuales, modelos de crédito obsoletos y incentivos desalineados. La solución es la automatización total, transparencia y operaciones on-chain para romper estructuras de costos. Aave se posiciona como capa base para un nuevo sistema financiero más eficiente y accesible.

Autor: Stani.eth

Compilación: Ken, Chaincatcher

Los préstamos on-chain comenzaron alrededor de 2017, cuando eran solo un experimento marginal relacionado con los activos cripto. Hoy, se han convertido en un mercado de más de 100.000 millones de dólares, impulsado principalmente por los préstamos de stablecoins, garantizados principalmente por garantías criptonativas como Ethereum, Bitcoin y sus derivados. Los prestatarios liberan liquidez a través de posiciones largas, ejecutan ciclos de apalancamiento y realizan arbitraje de rendimiento. Lo importante no es la creatividad, sino la validación. El comportamiento de los últimos años ha demostrado que, mucho antes de que las instituciones comenzaran a prestar atención, los préstamos automatizados basados en contratos inteligentes tenían una demanda real y un verdadero ajuste al mercado de productos.

El mercado cripto sigue siendo volátil. Construir un sistema de préstamos sobre los activos más dinámicos existentes obliga a los préstamos on-chain a abordar inmediatamente los problemas de gestión de riesgos, liquidación y eficiencia de capital, en lugar de ocultarlos detrás de políticas o decisiones humanas. Sin garantías criptonativas, habría sido imposible ver cuán poderosos pueden ser los préstamos on-chain completamente automatizados. La clave no está en las criptomonedas como clase de activo, sino en la transformación de la estructura de costos que trae las finanzas descentralizadas (DeFi).

Por qué los préstamos on-chain son más baratos

Los préstamos on-chain son más baratos no porque sean una tecnología nueva, sino porque eliminan capas de desperdicio financiero. Hoy, los prestatarios pueden obtener stablecoins on-chain a un coste de aproximadamente el 5%, mientras que los prestamistas cripto centralizados cobran entre el 7% y el 12% de interés, más comisiones, tarifas de servicio y varios recargos. Cuando las condiciones favorecen al prestatario, elegir préstamos centralizados no es conservador, es irracional.

Esta ventaja de costos no proviene de subsidios, sino de la agregación de capital en un sistema abierto. Los mercados sin permisos son estructuralmente superiores a los mercados cerrados en la agregación de capital y la fijación de precios del riesgo, porque la transparencia, la composabilidad y la automatización impulsan la competencia. El capital fluye más rápido, la liquidez inactiva es penalizada, las ineficiencias son expuestas en tiempo real. La innovación se propaga instantáneamente.

Cuando surgen nuevos primitivos financieros como USDe de Ethena o Pendle, absorben la liquidez de todo el ecosistema y amplían el uso de primitivos existentes (como Aave), sin necesidad de equipos de ventas, procesos de conciliación o departamentos de back-office. El código reemplaza los costos de gestión. Esto no es solo una mejora incremental, es un modelo operativo fundamentalmente diferente. Todas las ventajas de la estructura de costos se transmiten a los asignadores de capital y, lo que es más importante, a los prestatarios.

Cada gran transformación en la historia moderna ha seguido el mismo patrón. Los sistemas de activos pesados se convierten en sistemas de activos ligeros. Los costos fijos se vuelven variables. La mano de obra se convierte en software. Los efectos de escala centralizados reemplazan la duplicación local. El exceso de capacidad se transforma en utilización dinámica. La transformación al principio parece mala. Sirven a usuarios no centrales (por ejemplo, préstamos para criptomonedas, no casos de uso principales), compiten en precio antes de que la calidad mejore, y no parecen serios hasta que escalan y las empresas existentes no pueden hacer frente.

Los préstamos on-chain encajan perfectamente en este patrón. Los primeros usuarios eran principalmente poseedores de criptomonedas de nicho. La experiencia de usuario era pobre. Las billeteras eran extrañas. Las stablecoins no tocaban las cuentas bancarias. Pero nada de eso importaba, porque el costo era menor, la ejecución más rápida y el acceso global. A medida que todo lo demás mejora, se vuelve más accesible.

Qué viene después

Durante los mercados bajistas, la demanda cae, los rendimientos se comprimen y se expone una dinámica más importante. El capital en los préstamos on-chain siempre está en competencia. La liquidez no se estanca debido a las decisiones trimestrales de los comités o las suposiciones de los balances. Se revalúa constantemente en un entorno transparente. Pocos sistemas financieros son tan implacables.

A los préstamos on-chain no les falta capital, sino garantías para prestar. Hoy, la mayoría de los préstamos on-chain solo reciclan la misma garantía para las mismas estrategias. Esto no es una limitación estructural, sino temporal.

Las criptomonedas continuarán generando activos nativos, primitivos productivos y actividad económica on-chain, ampliando así la cobertura de los préstamos. Ethereum está madurando como un recurso económico programable. Bitcoin está consolidando su papel como almacén de energía económica. Ninguno de los dos es un estado final.

Si los préstamos on-chain quieren llegar a miles de millones de usuarios, deben absorber valor económico real, no solo conceptos financieros abstractos. El futuro combinará activos criptonativos autónomos con derechos y obligaciones del mundo real tokenizados, no para replicar las finanzas tradicionales, sino para operarlas a un coste extremadamente bajo. Esto será el catalizador para reemplazar el backend financiero antiguo con finanzas descentralizadas.

Qué salió mal con los préstamos

Hoy, los préstamos son caros no porque el capital sea escaso. El capital es abundante. El capital de calidad se liquida entre el 5% y el 7%. El capital de riesgo se liquida entre el 8% y el 12%. Los prestatarios aún pagan tasas de interés altas, porque todo lo que rodea al capital es ineficiente.

El proceso de los préstamos está hinchado por los costos de adquisición de clientes y los modelos de crédito obsoletos. Las aprobaciones binarias hacen que los prestatarios de calidad paguen de más, mientras que los prestatarios de baja calidad reciben subsidios hasta que incumplen. El servicio sigue siendo manual, pesado en cumplimiento y lento. Los incentivos están desalineados en cada capa. Quienes fijan el precio del riesgo rara vez lo asumen realmente. Los corredores no asumen la responsabilidad por el incumplimiento. Los originadores de préstamos venden inmediatamente la exposición al riesgo. Todos cobran, sin importar el resultado. Los defectos en los mecanismos de retroalimentación son el verdadero costo de los préstamos.

Los préstamos no han sido disruptivos porque la confianza prima sobre la experiencia del usuario, la regulación limita la innovación y las pérdidas ocultan las ineficiencias hasta que estallan. Cuando los sistemas de préstamos fallan, las consecuencias suelen ser desastrosas, lo que refuerza la conservación en lugar del progreso. Como resultado, los préstamos aún parecen un producto de la era industrial precariamente conectado a los mercados de capital digital.

Romper la estructura de costos

A menos que la originación de préstamos, la evaluación de riesgos, el servicio y la asignación de capital sean completamente nativos del software y estén on-chain, los prestatarios continuarán pagando de más y los prestamistas continuarán justificando estos costos. La solución no es más regulación o mejoras marginales en la experiencia del usuario. Es romper la estructura de costos. La automatización reemplaza los procesos. La transparencia reemplaza la discreción. La determinación reemplaza la conciliación. Esto es lo que las finanzas descentralizadas pueden aportar a los préstamos.

Cuando los préstamos on-chain se vuelvan significativamente más baratos de operar de extremo a extremo que los préstamos tradicionales, la adopción no será un problema, será inevitable. Aave surge en este contexto, capaz de servir como capa de capital base para un nuevo backend financiero, sirviendo a todo el espectro de préstamos, desde empresas de fintech hasta prestamistas institucionales y consumidores.

Los préstamos se convertirán en el producto financiero más capacitador, simplemente porque la estructura de costos de las finanzas descentralizadas permitirá que el capital de rápida circulación fluya hacia las aplicaciones que más lo necesitan. El capital abundante creará una gran cantidad de oportunidades.

Preguntas relacionadas

Q¿Por qué es más barato el préstamo en cadena (on-chain) según el fundador de Aave?

AEl préstamo en cadena es más barato porque elimina capas de desperdicio financiero, gracias a la agregación de capital en sistemas abiertos. La transparencia, composabilidad y automatización impulsan la competencia, permitiendo que el capital fluya más rápido y castigando la liquidez inactiva, lo que reduce costos estructurales.

Q¿Cuál es la principal limitación actual del mercado de préstamos DeFi según el artículo?

ALa principal limitación no es la falta de capital, sino la escasez de garantías adecuadas disponibles para préstamos. La mayoría de los préstamos en cadena reciclan las mismas garantías para las mismas estrategias, lo cual es una restricción temporal.

Q¿Cómo afecta la automatización y la transparencia a los préstamos tradicionales según la perspectiva de Stani.eth?

ALa automatización y la transparencia pueden romper la estructura de costos de los préstamos tradicionales al reemplazar procesos manuales, eliminar la discrecionalidad y reducir la necesidad de conciliación, lo que conduce a menores costos y mayor eficiencia.

Q¿Qué debe hacer el préstamo en cadena para llegar a miles de millones de usuarios según el autor?

ADebe absorber valor económico real, no solo conceptos financieros abstractos, combinando activos criptonativos autónomos con derechos y obligaciones del mundo real tokenizados, para operar con costos extremadamente bajos y reemplazar el backend financiero tradicional.

Q¿Por qué los préstamos tradicionales siguen siendo caros a pesar de la abundancia de capital?

ALos préstamos tradicionales son caros debido a ineficiencias en cada capa: costos de adquisición de clientes, modelos de crédito obsoletos, servicios manuales, procesos de cumplimiento pesados y desalineación de incentivos, donde los intermediarios no asumen riesgos adecuadamente.

Lecturas Relacionadas

¿Rubin Ultra recorta especificaciones? ¿Ni siquiera NVIDIA puede soportar el aumento del precio de la memoria?

El informe de SemiAnalysis ha desencadenado un intenso debate en la industria de la IA al revelar posibles ajustes importantes en las especificaciones de Rubin Ultra, la próxima GPU flagship de NVIDIA para IA. Según el informe, Rubin Ultra mantendría el mismo pico teórico de potencia computacional (35 PFLOPs) que Rubin, pero sufriría una reducción significativa en la memoria: se especificaría con 192GB HBM apilado en 8 capas (8-Hi), incluso menos que los 288GB (12-Hi) de Rubin. El ancho de banda de memoria solo aumentaría ligeramente (1 TB/s), y el consumo energético sería similar o ligeramente superior. La mejora principal se centraría en la capacidad de interconexión a escala, soportando clusters de hasta 576 GPUs unidas mediante NVLink (frente a 72 en Rubin), creando un "super-GPU lógico". La causa principal de esta revisión sería el rápido aumento del precio de la memoria HBM, cuyo costo se habría triplicado desde 2025, impactando fuertemente el costo total de los sistemas. Al reducir la cantidad de HBM (bajando su participación en el costo del ~40% al ~28%) e invertir más en la interconexión (subiendo del 4% al 12%), NVIDIA optimizaría la relación costo-rendimiento del sistema completo. Esta noticia provocó una caída de aproximadamente el 8% en las acciones de los principales fabricantes de HBM, SK Hynix y Samsung, reflejando la preocupación del mercado sobre un posible punto de inflexión en la demanda de memoria de alta gama por parte del mayor comprador, NVIDIA, y el fin de una era de expansión sin restricciones en la infraestructura de IA.

Odaily星球日报Hace 9 min(s)

¿Rubin Ultra recorta especificaciones? ¿Ni siquiera NVIDIA puede soportar el aumento del precio de la memoria?

Odaily星球日报Hace 9 min(s)

¿Los modelos generativos también pueden entrenarse de extremo a extremo? El núcleo es un bucle for

El entrenamiento de modelos generativos siempre ha sido un reto debido a la "desviación por exposición" (exposure bias): durante el entrenamiento solo se aprenden pequeños pasos, mientras que la generación requiere cientos de iteraciones, lo que causa acumulación de errores. Esto ha impedido que los modelos generativos sean entrenados de extremo a extremo (end-to-end), a diferencia de otras tareas de aprendizaje profundo. Un reciente artículo de la Universidad de Illinois y Harvard introduce "Explorative Modeling (XM)", un nuevo paradigma que resuelve este problema mediante un bucle simple (for). La idea clave es que, en cada paso de entrenamiento, el modelo genera K candidatos y solo retropropaga el gradiente a partir del candidato más cercano a los datos reales. Este enfoque evita que el modelo converja a un promedio borroso entre múltiples modos (mode blurring), un problema inherente a las funciones de pérdida de reconstrucción típicas. XM identifica una tercera dimensión escalable, además de los parámetros y los datos: la "expresividad generativa". Los experimentos en imágenes, video y lenguaje muestran que aumentar la exploración (K) mejora monótonamente el rendimiento, con ganancias de eficiencia en FLOPs, muestras y parámetros. En tareas de control robótico, una política exploratoria XM iguala o supera a políticas de difusión que requieren 100 veces más cómputo en inferencia. El trabajo sugiere que, a gran escala, la expresividad generativa se convierte en el cuello de botella principal, y XM ofrece un camino para modelos generativos verdaderamente end-to-end, generando muestras de alta calidad en una sola pasada hacia adelante.

marsbitHace 1 hora(s)

¿Los modelos generativos también pueden entrenarse de extremo a extremo? El núcleo es un bucle for

marsbitHace 1 hora(s)

¿Máximo de 20 artículos por persona? La nueva norma de ICLR recibe una «petición» sarcástica de un investigador de DeepMind

Un investigador de DeepMind satiriza la nueva norma de ICLR que limita a 20 artículos por autor. La conferencia de IA ICLR 2027 ha establecido una nueva regla: cada autor solo puede figurar en un máximo de 20 trabajos enviados. Los que excedan este límite serán advertidos y, de no corregirse, algunos serán rechazados aleatoriamente. La justificación es la enorme presión sobre el sistema de revisión, tras un aumento del 68% en los envíos para ICLR 2026 (19,525 trabajos). Dan Roy, investigador de Google DeepMind, respondió con una "petición" irónica en X, pidiendo que se elimine el límite. Su mensaje, cargado de sarcasmo, sugiere que los agentes de IA ahora pueden producir investigaciones incrementales y que, "dado que todo el trabajo de revisión ya lo hacen los grandes modelos de lenguaje", debería animarse a enviar más trabajos, no menos. Su sátira apunta a un problema real: el uso de IA tanto en la autoría como en la revisión. Un análisis de 2025 detectó que aproximadamente el 21% de las revisiones de ICLR 2026 eran probablemente generadas completamente por IA. La broma de Roy plantea una pregunta seria: en un entorno donde agentes generan artículos, autores los envían en masa y revisores potencialmente usan IA, ¿limitar el número de envíos es la solución adecuada? El debate sobre la calidad versus la cantidad, y el papel de la IA en la academia, continúa.

marsbitHace 1 hora(s)

¿Máximo de 20 artículos por persona? La nueva norma de ICLR recibe una «petición» sarcástica de un investigador de DeepMind

marsbitHace 1 hora(s)

Trading

Spot
活动图片