\n
La econom\u00eda de\u00a0agentes de inteligencia artificial<\/b><\/a>\u00a0enfrenta un problema que, hasta ahora, nadie hab\u00eda resuelto con velocidad suficiente para ser \u00fatil en producci\u00f3n:\u00a0verificar<\/a> que el modelo de IA que un proveedor dice estar ejecutando es efectivamente el que corre<\/b>. <\/p>\n Un paper publicado en marzo de 2026 por\u00a0Offchain Labs<\/strong>, titulado *Towards Verifiable AI with Lightweight Cryptographic Proofs of Inference*, propone una soluci\u00f3n que reduce el tiempo de generaci\u00f3n de pruebas\u00a0de aproximadamente 15 minutos a milisegundos<\/b>, y la l\u00f3gica detr\u00e1s del sistema no es ajena al ecosistema de\u00a0Arbitrum<\/strong>.<\/p>\n El\u00a0modelo de precios por token<\/b>\u00a0crea un incentivo econ\u00f3mico concreto para el fraude. Servir un modelo de 7.000 millones de par\u00e1metros es m\u00e1s barato que servir uno de 70.000 millones, y\u00a0ejecutar inferencia cuantizada cuesta menos que la precisi\u00f3n completa<\/b>. Si un proveedor puede redirigir una fracci\u00f3n de las consultas a un modelo m\u00e1s peque\u00f1o y cobrar la tarifa del modelo mayor, el beneficio escala con el volumen. Investigadores de Stanford documentaron que\u00a0el comportamiento de GPT-3.5 y GPT-4 cambi\u00f3 de forma medible entre marzo y junio de 2023 sobre las mismas tareas de evaluaci\u00f3n<\/b>. El contrato de API vigente no ofrece ning\u00fan mecanismo para detectar esa diferencia.<\/p>\n Las pruebas criptogr\u00e1ficas existentes, del mismo tipo que usan los zk-rollups, pueden\u00a0demostrar que un servidor ejecut\u00f3 un c\u00f3mputo<\/a> correctamente sin que el cliente lo repita<\/b>. El problema es la velocidad. Esquemas como zkLLM generan una prueba de inferencia para un modelo de 13.000 millones de par\u00e1metros en alrededor de\u00a015 minutos<\/b>, un n\u00famero\u00a0incompatible con APIs que deben responder en menos de un segundo.<\/b><\/p>\n La propuesta de Offchain Labs abandona la prueba exhaustiva y\u00a0adopta el muestreo<\/b>. El servidor se compromete de antemano con una huella digital de los pesos del modelo y con los valores internos generados durante una consulta espec\u00edfica. Luego, el cliente selecciona una ruta aleatoria hacia la salida de la red y\u00a0pide al servidor que revele solo los valores a lo largo de ese camino<\/b>. Si el servidor ejecut\u00f3 un modelo distinto,\u00a0los valores no ser\u00e1n consistentes y la verificaci\u00f3n falla<\/b>. La probabilidad de detecci\u00f3n se acumula con cada consulta repetida, lo que convierte el sistema en\u00a0un disuasor eficaz para adversarios racionales<\/b>.<\/p>\nUna Brecha de Confianza que el Mercado Normaliz\u00f3<\/h2>\n
![\"Agentes](\"https:\/\/crypto-economy.com\/es\/\/wp-content\/uploads\/sites\/4\/2025\/11\/AppOmni-recomienda-revisar-configuraciones-de-agentes-de-IA-inmediatamente.jpg\")
<\/p>\nEl Mismo Mecanismo que Protege Arbitrum One<\/h2>\n
![\"Arbitrum\"](\"https:\/\/crypto-economy.com\/es\/\/wp-content\/uploads\/sites\/4\/2025\/05\/Arbitrum.png\")
<\/p>\n