VibeVO – Advertisers and creators in one ecosystem

Tag: agentes ia

  • CPM rentable: cómo calcular el costo real de una respuesta útil de la IA

    CPM rentable: cómo calcular el costo real de una respuesta útil de la IA

    ¡Hola, colegas de arbitraje! Mi nombre es Timur, soy el responsable del marketplace en Cloud.ru. Ofrecemos una plataforma para servicios de IA que se integran en la infraestructura de la nube de los clientes. Mi tarea es garantizar la transparencia de los precios. Actualmente, muchos evalúan la IA por el costo de los tokens, pero esto es fundamentalmente incorrecto. El cliente no paga por los tokens, sino por un resultado específico. En este artículo, analizaremos cómo calcular correctamente la economía unitaria de un <a href="/ru/blog/massovyy-posting-video-4-strategii-povtoreniya-zadach-ii-agentami/" title="Publicación masiva de videos: 4 estrategias para repetir tareas con agentes de IA">agente de IA, basándonos en los datos de Cloud.ru, y determinaremos el costo real de una respuesta útil para entender qué CPM es rentable.

    «El proveedor en el marketplace debe fijar un precio para su agente, el cliente debe entenderlo y la plataforma debe asegurarse de que los precios en el escaparate puedan compararse entre sí. Mientras las tres partes midan el costo en tokens, nada de esto funcionará».

    Los materiales anteriores se dedicaron a OpenClaw: cómo desplegar un agente sin fugas de datos y por qué la nueva versión es un servicio separado. Hoy hablamos de dinero.

    Evaluación del costo de los servicios de IA: enfoque en la economía unitaria

    Unidad de medida: respuesta útil, no tokens

    El token es una mala métrica. El cliente no compra tokens, sino la solución a su problema. El «diálogo cerrado» también es engañoso. Intercom, por ejemplo, distingue dos tipos de soluciones: confirmadas (el cliente dijo «gracias») y supuestas (el cliente simplemente se fue).

    Ambas se pagan, pero hay un matiz: si el cliente regresa con la misma pregunta, la solución se anula. Ejemplo de Lorikeet (195 casos, 38 proveedores): de 4200 diálogos cerrados por IA, 900 se cerraron con un enlace a un artículo de la base de conocimientos. Sin ellos, la proporción de resueltos cae del 70% al 55%.

    La diferencia entre «cerrado» y «resuelto» es enorme. Por lo tanto, nuestra unidad de medida es la respuesta útil. Es un diálogo cerrado por IA sin intervención humana, en el que el cliente no regresó con la misma pregunta en 72 horas y no dejó una evaluación negativa. Todo lo que no pasó estos filtros va al numerador de los costos, pero no al denominador de las respuestas útiles. Los intentos fallidos se pagan con los exitosos. Este es un punto clave.

    Caso modelo: soporte de tienda online

    Para los cálculos, tomaremos un escenario típico: soporte de una tienda online. Es un caso masivo con un gran volumen de datos públicos. La tienda recibe 40.000 consultas al mes. El 90% de ellas (36.000 diálogos) se dirigen al agente de IA.

    Los diálogos cerrados por el agente sin intervención del operador, los llamaremos autocierres, son la métrica que muestran los proveedores. La estructura del agente: RAG (búsqueda en la base de conocimientos + generación de respuestas) más la herramienta de “estado del pedido”. Un diálogo implica tres llamadas a LLM:

    1. Comprender la consulta y elegir la ruta.
    2. Responder basándose en los fragmentos encontrados.
    3. Contactar la herramienta o recopilar un resumen para el operador.

    En promedio, esto representa 12.000 tokens de entrada (prompt del sistema, fragmentos, historial) y 800 de salida. Hay dos consultas a la base de conocimientos por diálogo. Un modelo de filtro verifica la réplica del cliente y la respuesta del agente (1000 tokens por cada una de las tres llamadas). Se asigna un 15% adicional de tokens para regeneraciones.

    Infraestructura y costos

    Utilizamos los servicios de Cloud.ru:

    • Base de conocimientos: Evolution Managed RAG.
    • Agente: Evolution AI Agents.
    • Registros: Evolution Managed PostgreSQL.

    Costo de un operador de soporte en Moscú: 125.000 rub./mes (85.300 rub. salario según hh.ru para 2025 + contribuciones y gastos generales). Con 40 tickets al día, un ticket cuesta 149 rub. El minuto del operador cuesta 15,5 rub. (125.000 rub. / 80% de 10.080 minutos). Para un chat en retail (60 consultas/día), el costo del ticket es de 99 rub.

    Supuestos para los cálculos

    Supuestos principales:

    • Proporción de autocierres: la mediana de los casos públicos es del 70%. Ozon: 27% (2020) -> 62% (2022). Tomamos el punto medio: 50%.
    • Diálogos que no pasaron el filtro: el cliente regresó dentro de las 72 horas o dio un voto negativo. Supuesto: 6% (en el ejemplo de Lorikeet, el 21% de los diálogos cerrados eran enlaces).
    • Costo de dicho diálogo: 150 rub. de compensación + 3 minutos de operador (200 rub.).
    • Tiempo del operador para la escalada: 1,5 minutos adicionales al ticket normal.
    • Verificación manual: 3% de todos los diálogos durante 3 minutos.
    • Base de conocimientos, prompts: 0,5 de la tarifa de un especialista (optimista).
    • Amortización: 50.000 rub./mes (para un integrador con CRM, hasta 1,5 millones de rub.).

    Precios de modelos e infraestructura (Cloud.ru, octubre de 2026)

    Tarifas de Evolution Foundation Models (con IVA del 22%, por 1 millón de tokens):

    • HiveTraceGuard-Pro (filtro): entrada 25 rub., salida 125 rub.
    • Qwen3-30B-A3B: entrada 10 rub., salida 50 rub.
    • GigaChat-3-Pro: entrada 25 rub., salida 125 rub.
    • Claude Haiku 4.5: entrada 100 rub., salida 500 rub.
    • Claude Sonnet 4.6: entrada 360 rub., salida 2250 rub.

    Diferencia entre el modelo barato y el caro: 36x en la entrada, 45x en la salida. Infraestructura (Evolution, septiembre de 2026, 730 horas/mes):

    • 4 vCPU + 8 GB RAM: 1,5616 rub./vCPU-hora, 0,3904 rub./GB-hora.
    • Evolution Managed RAG (2 GB, 72.000 solicitudes): 1,3664 rub./GB-hora, 0,0976 rub./1000 solicitudes.
    • Evolution Managed PostgreSQL (2 vCPU, 4 GB RAM, 100 GB SSD): 1,49145 rub./vCPU-hora, 0,4026 rub./GB-hora, 0,016836 rub./GB-hora.

    Costo total de la infraestructura: 13.420 rub./mes. Esta es la línea más barata en el cálculo.

    Cálculo del costo de una respuesta útil

    Precio de un diálogo

    Primero, calculamos el costo de un diálogo utilizando diferentes modelos:

    • Qwen3-30B-A3B: 0,43 rub.
    • GigaChat-3-Pro: 1,32 rub.
    • Claude Haiku 4.5: 3,76 rub.
    • Claude Sonnet 4.6: 10,99 rub.

    ¡Una diferencia de 25 veces! Si nos detuviéramos aquí, la elección del modelo sería crítica.

    CPM выгодный: как считать реальную стоимость полезного ответа ИИ — illustration 2

    Precio de una respuesta útil

    De 36.000 diálogos, con un 50% de cierres automáticos, se cerraron 18.000. De ellos, el 6% fueron errores. Quedan 16.920 respuestas útiles. Cada respuesta útil no solo implica tokens, sino también:

    • Tokens de intentos fallidos.
    • Minutos de los operadores en la escalada.
    • Costo de los errores.
    • Verificación.
    • Base de conocimientos.
    • Implementación.

    La diferencia de 25 veces en tokens se convierte en 1,4 veces en una respuesta útil: de 51 rub. a 73 rub. El modelo caro (Claude Sonnet 4.6), que es 25 veces más caro en tokens, resulta ser solo un 40% más caro en el precio del resultado. ¿Por qué? Porque todos los demás costos son iguales para todos los modelos.

    Estructura de precios: GigaChat-3-Pro (53 rub.)

    Para GigaChat-3-Pro (53 rub. por respuesta útil):

    • Escaladas y respuestas erróneas: 71% del costo. Estos costos generalmente no se consideran como “gastos de IA”, sino que se incluyen en los salarios del soporte o las compensaciones.
    • Tokens: 2,8 rub. (5%). Esta es la única línea que todos comparan.
    • Infraestructura en la nube: 0,80 rub.

    En Claude Sonnet 4.6, los tokens ya representan el 32% del precio. Aquí tiene sentido ahorrar en tokens. ¿Cómo?

    1. Reducción del contexto: reducir 12.000 tokens de entrada a 6.000. La respuesta útil en Sonnet se abarata de 73 a 65 rub.
    2. Almacenamiento en caché: la lectura desde la caché es 10 veces más barata. Si la mitad del contexto es un prompt del sistema, el precio cae a 66 rub.

    En Qwen, estas técnicas ahorran centavos.

    Palancas clave de ahorro

    1. Tasa de cierres automáticos

    La transición de un piloto (35-50% de cierres automáticos) a un circuito de trabajo (65%) ahorra 15-19 rub. Diez puntos porcentuales de cierres automáticos dan tanto como la transición a un modelo más barato (en Sonnet, el aumento del 50% al 60% ahorra 14 rub., la sustitución de Sonnet por Haiku – 15 rub.). Pero lo primero funciona en cualquier modelo, lo segundo – una vez.

    2. Tasa de errores

    Pocos miden la proporción de diálogos cerrados que no pasaron el filtro, pero es crítica.

    Proporción de no pasados el filtro Precio de una respuesta útil Gastos en ellos (rub./mes.)
    6% X Y
    3% X – 8 rub. Y – Z

    Reducir los errores del 6% al 3% ahorra 8 rub. en cada respuesta útil. La transición de GigaChat-3-Pro a Qwen3-30B-A3B ahorra solo 2 rub. El 15% de errores puede costar más de la mitad del salario de un operador, si se considera resuelto cada diálogo en el que el cliente se quedó en silencio.

    3. Calidad de la escalada

    He estimado 1,5 minutos de un operador para la escalada (lectura del resumen, continuación). Esto funciona con una transferencia “cálida”: el agente transfiere al operador un historial conciso, el número de pedido y una lista de acciones. Con una transferencia “fría” (el operador lee todo el diálogo, donde el bot respondió incorrectamente tres veces), 1,5 minutos se convierten en 3 o 6.

    Con 3 minutos, una respuesta útil en GigaChat-3-Pro sube de 53 a 77 rublos; con 6 minutos, a 127 rublos. Esto ya es más caro que un operador regional. Si el agente identifica al cliente y pre-rellena el ticket, el operador ahorra uno o dos minutos, y esta línea se vuelve negativa.

    “La calidad de la transmisión resulta ser una partida presupuestaria separada con la mayor dispersión en todo el modelo, y debe medirse: el tiempo promedio de procesamiento de los tickets escalados debe calcularse por separado de los normales”.

    ¿Luchar por la precisión = quemar tokens? Si para reducir los errores del 6% al 3% los tokens por diálogo aumentan 1,6 veces, en GigaChat-3-Pro la respuesta útil sigue abaratándose de 53 a 46 rublos. En Sonnet, los tokens adicionales son más caros que la precisión ganada; allí es mejor mejorar la base de conocimientos.

    Conclusiones: qué considerar un CPM rentable

    Conclusión práctica: en el circuito de trabajo de soporte, lo más caro no son los tokens, sino el denominador. Todo lo que aumenta la proporción de respuestas útiles (calidad de la base de conocimientos, enrutamiento correcto, conjuntos de prueba) se amortiza más rápido que cualquier negociación por el precio de un millón de tokens.

    Los modelos caros (por ejemplo, Sonnet) se amortizan si aportan 10 puntos de autocierre y 2 puntos de precisión en comparación con los más baratos. Si en su conjunto de prueba la diferencia es menor, está pagando de más. Si es mayor, está ahorrando en tokens innecesariamente.

    Comparación con un humano: dos salvedades

    1. Precio del ticket: con 149 rublos por ticket, incluso un piloto con un 35% de autocierres en Sonnet (110 rublos por respuesta útil) parece rentable. La paridad con el operador se logra con un 20-27% de autocierres. Pero si el operador cierra 60 tickets al día (99 rublos/ticket), el mismo piloto en Sonnet (110 rublos) ya es más caro. Un operador regional/subcontratado (64 rublos/ticket) cambia el panorama: GigaChat-3-Pro (42 rublos) es más barato, Sonnet (62 rublos) – paridad. La pregunta “¿se amortizará?” depende de su costo por ticket y la proporción de autocierres.

    2. Volumen: los gastos fijos (base de conocimientos, implementación, infraestructura) son 163.000 rublos/mes. Con 36.000 diálogos. Con 6.000 diálogos, una respuesta útil en GigaChat-3-Pro cuesta 101 rublos; con 3.000, 159 rublos (más caro que un operador). Por debajo de 3.500 diálogos al mes, el agente no se amortiza. Si los gastos fijos son mayores (un puesto a tiempo completo para la base de conocimientos – 200.000 rublos/mes, implementación – 1,5 millones de rublos), el umbral de amortización se desplaza a 7.000 diálogos al mes. La proporción de tokens en este caso cae al 4%: cuanto más realistas se calculan los demás costos, menos significativo parece el precio por millón de tokens.

    Lo que no se ha tenido en cuenta en el modelo (en ambos sentidos)

    • Contra el agente: licencia del sistema de tickets o plataforma de chat.
    • A favor del agente: rotación de personal (hasta 50% al año), costos de reclutamiento y capacitación, trabajo lento de los novatos, escalabilidad para ventas, pago de turnos nocturnos/de fin de semana. Estas cosas son difíciles de calcular sin datos específicos, pero es por ellas que las empresas a menudo están dispuestas a pagar, incluso si la economía unitaria diaria muestra paridad.

Preguntas frecuentes

¿Qué es una “respuesta útil” en el contexto de un agente de IA?

Una respuesta útil es un diálogo cerrado por la IA sin intervención humana, en el que el cliente no vuelve con la misma pregunta en un plazo de 72 horas y no deja una valoración negativa. Esta es una métrica clave para evaluar la eficacia real y el coste del servicio de IA.

  • Publicación masiva de videos: 4 estrategias de repetición de tareas para agentes de IA

    Publicación masiva de videos: 4 estrategias de repetición de tareas para agentes de IA

    En el ámbito de la publicación masiva de videos y la publicación automática de contenido de video corto, un aspecto clave es la eficiencia de la repetición de tareas por parte de los agentes de IA. Cuando es necesario conciliar listas de precios regularmente o publicar contenido en más de 10 cuentas, cada relanzamiento del agente implica costos de tokens y tiempo de planificación. Diferentes enfoques para preservar la lógica de ejecución pueden reducir significativamente estos costos y aumentar la previsibilidad de los resultados.

    Los grandes proveedores utilizan cuatro estrategias principales para la repetición de tareas, cada una con sus propias ventajas y desventajas. La elección del método depende de la flexibilidad requerida y el costo de operación.

    1. Repetición de tareas a través de un prompt: Flexibilidad y costo

    Este método es básico: el sistema guarda una consulta de texto (prompt) y sus condiciones de inicio. Con cada ejecución repetida, se crea una nueva sesión de agente a la que se le pasa el prompt original. Por ejemplo, en OpenAI existen modos para tareas únicas o repetitivas programadas, monitoreo de cambios y tareas basadas en eventos.

    • Ejemplo de uso: Un nuevo correo electrónico en Gmail, un mensaje en Slack o una actividad en GitHub pueden servir como disparador para iniciar una tarea.
    • Limitaciones: Estas tareas no se activan más de 30 veces por hora y 720 veces por día para un solo usuario.
    • Desventajas: El agente planifica los pasos desde cero cada vez, lo que lleva a una imprevisibilidad en el formato de salida y un mayor consumo de tokens. Si la estructura de los datos de origen (por ejemplo, una lista de precios) cambia, el agente puede adaptarse, pero el resultado puede variar.

    «Cada lanzamiento es una sesión de Cowork separada con las mismas capacidades que una tarea normal: herramientas conectadas, habilidades, complementos», señala la ayuda de Anthropic.

    Para las tareas de monitoreo, se proporciona la conservación del estado entre ejecuciones, lo que les permite usar información de ejecuciones anteriores y detenerse cuando se cumplen las condiciones especificadas.

    2. Uso de habilidades: Un enfoque estructurado

    Una habilidad es una carpeta con un archivo SKILL.md que contiene un encabezado YAML con el nombre y la descripción, instrucciones en Markdown y, si es necesario, scripts y archivos de referencia. Este formato es compatible con muchos agentes, incluidos Codex, ChatGPT, Gemini CLI y GitHub Copilot.

    • Principio de funcionamiento: El agente carga los nombres y descripciones de todas las habilidades instaladas al inicio (aproximadamente 100 tokens por habilidad). El cuerpo de SKILL.md (hasta 5000 tokens y 500 líneas) se lee solo cuando el agente determina que la tarea coincide con la descripción de la habilidad.
    • Ventajas: Los scripts incluidos en la habilidad se ejecutan en un entorno aislado, y solo su salida entra en el contexto. Esto permite externalizar operaciones deterministas (análisis, cálculos, generación de informes) a los scripts, ahorrando tokens.
    • Desventajas: El orden de los pasos y la interpretación de las instrucciones siguen siendo elegidos por el modelo en cada ejecución, lo que puede llevar a la variabilidad de los resultados.

    En Claude Cowork, el prompt y las habilidades trabajan en conjunto: el prompt determina cuándo y qué ejecutar, y la habilidad, cómo realizar la tarea. Esto permite transferir habilidades entre agentes, almacenarlas en Git y editarlas como archivos de texto normales.

    3. Gráficos de tareas (DAG): Ejecución determinista

    En este enfoque, la tarea se describe mediante un grafo acíclico dirigido (DAG), donde cada nodo tiene un tipo fijo, entradas y salidas, y los bordes describen las dependencias de datos. El modelo se invoca solo en los nodos que requieren interpretación de datos, lo que reduce significativamente el consumo de tokens.

    3.1. Arquitectura y ventajas

    • Ejecución paralela: Los nodos independientes pueden ejecutarse en paralelo, optimizando el tiempo de procesamiento.
    • Reproducibilidad: La estructura y los resultados numéricos se reproducen con exactitud; la variabilidad se mantiene solo en las interpretaciones textuales del modelo.
    • Ahorro de tokens: En lugar de 10 llamadas secuenciales al modelo en el enfoque de “prompt”, un grafo puede reducirlas a una, disminuyendo el contexto de entrada 25 veces.

    Para mejorar la reproducibilidad en los nodos del modelo, se utilizan los siguientes métodos:

    1. Restricción de la respuesta mediante un esquema JSON.
    2. Cálculo de números en nodos separados.
    3. Fijación de la versión del modelo.
    4. Establecimiento de la temperatura de generación en 0 (aunque esto no garantiza una reproducibilidad completa).

    3.2. Implementación práctica

    Los grafos pueden crearse en editores visuales, describirse en lenguaje natural o generarse a partir de la traza de una ejecución ya realizada por un agente. Sistemas como n8n con AI Workflow Builder y Microsoft Copilot Studio con “agent flows” utilizan activamente este enfoque.

    Publicación masiva de videos: 4 estrategias para la repetición de tareas por agentes de IA — ilustración 2

    En el agente de IA corporativo “Ayva”, el escenario es un grafo que un empleado construye en el chat de trabajo. Esto asegura:

    • Consistencia en el orden de los pasos y la estructura del informe.
    • Ahorro de tokens mediante la planificación única.
    • Respuesta clara a los datos de entrada modificados: si no coinciden, el script se detiene con un error, lo que es más seguro que obtener un informe compilado con una lógica diferente.

    4. Código y almacenamiento en caché de acciones: Máxima determinismo

    Este enfoque asume que el agente resuelve la tarea una vez y registra la solución como un programa. Las ejecuciones posteriores se realizan sin la participación del modelo, lo que garantiza una reproducibilidad completa y un consumo mínimo de recursos. Una alternativa es el almacenamiento en caché de acciones, donde el sistema guarda el resultado de cada paso y, al repetirlo, lo reproduce sin recurrir al modelo.

    • Ejemplo: La biblioteca Stagehand para la automatización del navegador almacena en caché las acciones (clic, entrada, desplazamiento) basándose en la instrucción, la URL y el estado de la página. Mientras la clave de caché coincida, las acciones se reproducen sin llamar al modelo.
    • Ventajas: Reproducibilidad completa, consumo cero de tokens en ejecuciones repetidas (si la caché es válida).
    • Desventajas: Un cambio en el formato de los datos de entrada puede “romper” el script o la caché. La edición del código requiere habilidades de desarrollador.

    Para estos sistemas, es importante un mecanismo de reversión al agente: si un paso guardado no funciona, el agente analiza la causa y reescribe el paso. Esto permite combinar el determinismo con la flexibilidad.

    Comparación de enfoques y elección de la estrategia óptima

    La elección del método depende de los requisitos de flexibilidad, costo y reproducibilidad:

    • Prompt y habilidad: Alta adaptabilidad a los cambios en los datos de entrada, pero mayor consumo de tokens y variabilidad de los resultados. Adecuado para tareas donde la adaptación es importante y se permiten pequeñas desviaciones en la salida.
    • Grafo y código: Alta reproducibilidad y bajo consumo de tokens, pero menor resistencia a los cambios en los datos de entrada. Ideal para tareas rutinarias y estructuradas donde la precisión y la consistencia son importantes. Si los datos de entrada cambian, estos sistemas suelen detenerse con un error, lo que es más seguro en procesos críticos.

    Para la carga masiva de contenido en todas las plataformas a la vez, especialmente cuando se requiere la publicación de 100 videos al día o la publicación en 10 cuentas según un horario de publicación automática, el uso de grafos o un enfoque basado en código a través de un panel unificado es lo más eficiente. Esto garantiza una distribución fluida de videos cortos con un resultado predecible y un costo controlado.

    Preguntas frecuentes

    ¿Cómo elegir un servicio de publicación masiva de videos?

    Al elegir un servicio, preste atención a la compatibilidad con varias plataformas (TikTok, YouTube, Instagram), la disponibilidad de funciones de publicación automática de videos cortos, la capacidad de programar y administrar varias cuentas desde un panel unificado. También son importantes el costo mensual y las capacidades de carga masiva con proxies y antidetección.

    ¿Cuál es el coste de 500 publicaciones al mes utilizando agentes de IA?

    El coste depende del enfoque elegido para la repetición de tareas. Los métodos basados en gráficos o código reducen significativamente el consumo de tokens mediante una planificación única, lo que hace que el paquete de publicación masiva mensual sea más económico. Las soluciones orientadas a prompts serán más caras debido a la replanificación.

    ¿Es posible publicar 100 vídeos al día sin trabajo manual?

    Sí, con la ayuda de servicios de publicación masiva que utilizan agentes de IA con estrategias optimizadas de repetición de tareas (gráficos o código), es posible automatizar la carga a todas las plataformas a la vez y lograr una alta productividad, asegurando la cobertura programada mientras duermes.

    Conclusión: Automatización y eficiencia

    Comprender los diferentes mecanismos de repetición de tareas de los agentes de IA es fundamental para la publicación automática de vídeos cortos y el crossposting de vídeos. Elegir la estrategia correcta permite minimizar los costes de tokens, garantizar la previsibilidad de los resultados y escalar las operaciones de carga masiva de contenido. Para optimizar la publicación masiva de vídeos y lograr la máxima eficiencia, se recomienda utilizar plataformas que ofrezcan enfoques estructurados, como gráficos de tareas, para garantizar una ejecución determinista y económica de las operaciones rutinarias. Comienza a optimizar tu estrategia de distribución de contenido hoy mismo eligiendo un servicio de publicación masiva adecuado que te permita publicar en 5 plataformas o más con un mínimo esfuerzo.

  • Binance: Cómo controlar a los agentes de IA en el comercio de criptomonedas y evitar ser baneado

    Binance: Cómo controlar a los agentes de IA en el comercio de criptomonedas y evitar ser baneado

    El mayor exchange de criptomonedas, Binance, lanza la plataforma Agent OS, que permite a los agentes de IA analizar los mercados y realizar transacciones en nombre de los usuarios. Este es un nuevo giro en la integración de la IA autónoma en la gestión de dinero real. Sin embargo, la principal responsabilidad de controlar a estos “hackers digitales” recae en los propios usuarios. ¿Cómo evitar acciones no deseadas y proteger sus activos?

    Agent OS: Infraestructura para bots inteligentes

    La plataforma Agent OS es una especie de “matriz” para desarrolladores, que permite conectar aplicaciones de IA a la infraestructura financiera de Binance. Combina herramientas existentes como Binance API, Agentic Hub para billeteras, el sistema de verificación de transacciones Binance x402, la API para pagos y Binance Skill Hub.

    Integración con los principales modelos de IA

    • Compatible con el nuevo Model Context Protocol (MCP).
    • Integración con OpenAI (ChatGPT, Codex), Anthropic (Claude Code) y Cursor.
    • Los agentes pueden acceder a datos de mercado, información de la cuenta y realizar transacciones.

    Control y seguridad: Una “caja de arena” para la IA

    A medida que la carrera de la IA se desplaza de los simples chatbots a los agentes capaces de tomar decisiones, Binance traslada gran parte de la responsabilidad de su control a los usuarios. Son ellos quienes determinan a qué tienen acceso los agentes y qué límites se establecen.

    “En lugar de una libertad total, les damos a los usuarios la capacidad de controlar detalladamente las acciones del agente”, dijo Jeff Li, vicepresidente de productos de Binance. “Establecemos controles a nivel de cuenta para proteger los fondos de los usuarios”.

    Subcuentas: El escudo principal contra acciones no autorizadas

    • Los usuarios pueden asignar a los agentes subcuentas especiales.
    • Estas subcuentas se configuran para tipos específicos de actividad (por ejemplo, trading al contado o de futuros).
    • La retirada de fondos de las subcuentas está bloqueada por defecto, creando una especie de “caja de arena” para la IA.

    Autonomía o aprobación: Elección del usuario

    Los usuarios pueden elegir si el agente de IA requiere aprobación para cada transacción o si puede actuar de forma autónoma dentro de los permisos establecidos. Binance no establece límites separados para el volumen de trading o las pérdidas potenciales del agente de IA; de hecho, la cantidad transferida a la subcuenta se convierte en el límite.

    Transparencia de las acciones de la IA: ¿Qué ve Binance?

    A la pregunta de si Binance puede ver la lógica de toma de decisiones del agente, Li respondió que el razonamiento ocurre fuera de sus sistemas, en la computadora del usuario o en la aplicación de IA seleccionada. Esto significa que Binance puede monitorear la actividad de trading, pero tiene una comprensión limitada de si la decisión fue causada por información errónea o manipulación.

    En caso de un ataque de inyección de prompt o compromiso del agente, Li volvió a señalar la subcuenta como la principal línea de defensa.

    Ampliación de la funcionalidad: Del comercio a DeFi

    Aunque el comercio es una de las principales aplicaciones, Agent OS tiene un potencial mucho más amplio:

    • Monitoreo de mercados y realización de investigaciones.
    • Análisis de riesgos y respuesta a señales.
    • Colocación autónoma de órdenes y ejecución de estrategias de arbitraje.
    • Conexión a pagos y actividad on-chain a través de la integración con Binance x402.
    • Interacción con tokens y protocolos de finanzas descentralizadas (DeFi) a través de Agentic Wallet.

    Límites para Agentic Wallet

    A diferencia del comercio en bolsa, donde los límites son determinados por la subcuenta, las transacciones a través de Agentic Wallet tienen límites diarios establecidos por Binance:

    • Swaps regulares: hasta 50.000 dólares al día.
    • Transacciones DeFi: por defecto hasta 100.000 dólares al día.
    • Pagos x402: hasta 20 dólares al día.

    Competencia en el mercado de agentes de IA

    Binance no es la única bolsa que abre su infraestructura a los agentes de IA. Los competidores también se están moviendo en esta dirección:

    Binance: Cómo controlar a los agentes de IA en el comercio de criptomonedas y evitar la prohibición — ilustración 2
    • Kraken: En marzo lanzó una herramienta de línea de comandos con un servidor MCP integrado para el comercio al contado y de futuros.
    • Coinbase: En junio presentó Coinbase for Agents para el comercio, pagos y otras operaciones financieras.
    • OKX: A principios de este año presentó un conjunto de herramientas MCP para el comercio de agentes.

    Jeff Li enfatizó que Agent OS es el “primer paso” de Binance para proporcionar a los desarrolladores una plataforma para crear aplicaciones de IA capaces de operar tanto en mercados cripto como tradicionales. Esto abre nuevos horizontes para la reutilización de contenido y la creación de estrategias comerciales únicas, permitiendo “reempaquetar” enfoques antiguos en algoritmos nuevos y más eficientes.

    Preguntas frecuentes

    ¿Qué es un agente de IA?

    Un agente de IA es un programa basado en inteligencia artificial capaz de analizar datos, tomar decisiones y realizar acciones en nombre del usuario, por ejemplo, realizar operaciones comerciales en una bolsa.

    ¿Cómo protege Binance los fondos del usuario al usar un agente de IA?

    Binance utiliza un sistema de subcuentas que el usuario puede asignar al agente de IA. La retirada de fondos de estas subcuentas está bloqueada por defecto, lo que crea una “zona de pruebas” y limita el daño potencial.

    ¿Puede un agente de IA realizar transacciones sin mi aprobación?

    Sí, el usuario puede configurar el agente de IA para que actúe de forma autónoma dentro de los permisos y límites establecidos. Sin embargo, también se puede configurar para que requiera aprobación para cada transacción.

    ¿Qué es el Protocolo de Contexto del Modelo (MCP)?

    El Protocolo de Contexto del Modelo (MCP) es un protocolo que permite a los modelos de IA acceder al contexto y los datos necesarios para tomar decisiones informadas, lo cual es fundamental para el funcionamiento de los agentes de IA en los mercados financieros.

    ¿Qué riesgos están asociados con el uso de agentes de IA para el comercio?

    Los principales riesgos incluyen la posibilidad de ataques de inyección de prompt, errores en los algoritmos de IA y configuraciones incorrectas por parte del usuario. Es importante controlar cuidadosamente el acceso y los límites proporcionados al agente.

    Conclusión

    El lanzamiento de Agent OS por parte de Binance abre una nueva era en el comercio automatizado, donde los agentes de IA se convierten en una poderosa herramienta para los traders. Sin embargo, como en cualquier sistema de alta tecnología, el éxito y la seguridad dependen de una configuración y un control adecuados por parte del usuario. Al utilizar subcuentas y considerar cuidadosamente los permisos, podrá escalar eficazmente el contenido de su estrategia comercial y generar variantes para pruebas A/B, minimizando los riesgos. Explore las capacidades de Agent OS y comience a construir su “matriz” para el comercio de criptomonedas hoy mismo.