Un ejecutivo de Visa detalla 8 tendencias clave para criptomonedas e IA para el año 2026

Autor original: Cuy Sheffield, vicepresidente de Visa y responsable de negocios de criptomonedas

Traducción del texto original: Saoirse, Noticias de Visión de Futuro

A medida que las criptomonedas y la inteligencia artificial avanzan hacia su madurez, la transición más importante en estos dos campos ya no es si algo es "teóricamente viable", sino si puede "implementarse de manera confiable en la práctica". Actualmente, ambas tecnologías han superado ya umbrales clave, logrando mejoras significativas en su rendimiento, pero su adopción real sigue siendo desigual. Y la dinámica central del año 2026 surgirá precisamente de esta brecha entre "rendimiento y adopción".

A continuación se presentan varios temas centrales que he seguido durante mucho tiempo, así como mis reflexiones iniciales sobre las direcciones de desarrollo tecnológico, los campos de acumulación de valor, e incluso sobre "por qué los ganadores finales podrían ser muy diferentes de los pioneros del sector".

La primera década del desarrollo de las criptomonedas se caracterizó por su "ventaja especulativa". Su mercado es global, continuo y altamente abierto, y su alta volatilidad hace que el comercio de criptomonedas sea más dinámico y atractivo que los mercados financieros tradicionales.

Sin embargo, al mismo tiempo, sus tecnologías subyacentes no estaban preparadas para una aplicación masiva: las primeras cadenas de bloques eran lentas, costosas e inestables. Fuera de los escenarios especulativos, las monedas digitales casi nunca han superado a los sistemas tradicionales existentes en términos de coste, velocidad o comodidad.

Hoy en día, esta situación desequilibrada está comenzando a revertirse. La tecnología blockchain se ha vuelto más rápida, económica y confiable, y la aplicación más atractiva de las monedas digitales ya no es la especulación, sino el ámbito de la infraestructura, especialmente en los procesos de liquidación y pago. A medida que las monedas digitales se conviertan progresivamente en una tecnología más madura, el papel central de la especulación irá disminuyendo: no desaparecerá por completo, pero dejará de ser la principal fuente de valor.

A diferencia de las narrativas de las criptomonedas anteriores, las monedas estables tienen éxito basándose en criterios concretos y objetivos: en escenarios específicos, las monedas estables son más rápidas, económicas y de mayor alcance que los canales de pago tradicionales, además de integrarse sin problemas en los sistemas de software modernos.

Las monedas estables no requieren que los usuarios adopten las criptomonedas como una "ideología" a seguir; su aplicación suele ocurrir "de forma implícita" dentro de los productos y procesos existentes. Esto también permite que las instituciones y empresas que antes consideraban que la ecosfera de las criptomonedas era "demasiado volátil y poco transparente" finalmente comprendan claramente su valor.

Se podría decir que las monedas estables ayudan a reanclar las criptomonedas en la "utilidad" en lugar de la "especulación", y establecen un claro ejemplo de "cómo las criptomonedas pueden tener éxito en su aplicación práctica".

En el pasado, cuando las criptomonedas desempeñaban principalmente el rol de "instrumento especulativo", su "distribución" tenía una naturaleza endógena: un nuevo token solo necesitaba "existir" para acumular naturalmente liquidez y atención.

Y una vez que las criptomonedas se convierten en infraestructura, sus escenarios de aplicación están pasando del "nivel de mercado" al "nivel de producto": se integran en los procesos de pago, plataformas y sistemas empresariales, y los usuarios finales muchas veces ni siquiera se dan cuenta de su existencia.

Este cambio beneficia enormemente a dos tipos de actores: por un lado, las empresas que ya poseen canales de distribución establecidos y relaciones confiables con clientes; y por otro, las instituciones que cuentan con permisos regulatorios, sistemas de cumplimiento normativo e infraestructuras para la prevención de riesgos. Solo con la "novedad del protocolo", ya no es suficiente para impulsar el despliegue a gran escala de las monedas digitales.

La utilidad de los agentes de inteligencia artificial (IA) está aumentando cada vez más, pero su función suele malinterpretarse: los agentes más exitosos no son "tomadores de decisiones autónomos", sino "herramientas que reducen los costos de coordinación en los procesos de trabajo".

Desde el punto de vista histórico, esto se ha manifestado de manera más evidente en el campo del desarrollo de software: las herramientas de agentes inteligentes han acelerado la eficiencia en la codificación, depuración, reestructuración del código y configuración de entornos. Sin embargo, en los últimos años, este "valor de herramienta" se ha difundido significativamente hacia muchos otros campos.

Tomando como ejemplo herramientas como Claude Code, aunque se le ha posicionado como una "herramienta para desarrolladores", su rápida adopción revela una tendencia más profunda: los sistemas de agentes inteligentes están convirtiéndose en la "interfaz del trabajo intelectual", y no solo en el ámbito de la programación. Los usuarios comienzan a aplicar "flujos de trabajo impulsados por agentes inteligentes" a tareas de investigación, análisis, redacción, planificación, procesamiento de datos y operaciones — tareas que se inclinan más hacia el "trabajo profesional generalizado" que hacia la programación tradicional.

Lo realmente crucial no es la "codificación del ambiente" en sí misma, sino el patrón central que hay detrás:

• El encargo del usuario es la "intención del objetivo", no los "pasos concretos";
• Los agentes inteligentes gestionan la "información contextual" a través de archivos, herramientas y tareas;
• El modo de trabajo se está transformando de "avance lineal" a "iterativo y conversacional".

En diversos tipos de trabajo con conocimiento, los agentes inteligentes son hábiles para recopilar contexto, ejecutar tareas limitadas, reducir el traspaso entre procesos y acelerar la eficiencia de las iteraciones. Sin embargo, aún presentan debilidades en aspectos como "juicios abiertos", "atribución de responsabilidades" y "corrección de errores".

Por lo tanto, la mayoría de los agentes inteligentes utilizados actualmente en escenarios productivos aún requieren estar "limitados en un ámbito determinado, sometidos a supervisión y embebidos en sistemas", en lugar de operar de forma completamente independiente. El valor real de los agentes inteligentes proviene de la "reconstrucción de los procesos de trabajo basados en conocimiento", y no de "sustituir la mano de obra" o "alcanzar una autonomía total".

El nivel de inteligencia de los modelos de IA ha experimentado un rápido crecimiento, y el factor limitante actual ya no es "la fluidez lingüística o la capacidad de razonamiento individual", sino "la fiabilidad dentro de los sistemas reales".

El entorno de producción no tolera tres tipos de problemas: en primer lugar, las "alucinaciones" de la IA (generación de información falsa), en segundo lugar, resultados de salida inconsistentes, y en tercer lugar, modos de fallo no transparentes. En cuanto la IA esté involucrada en servicios al cliente, transacciones financieras o aspectos de cumplimiento normativo, ya no se aceptarán resultados "aproximadamente correctos".

La construcción de la "confianza" requiere cuatro bases fundamentales: primero, que los resultados sean trazables; segundo, que posea capacidad de memoria; tercero, que sean verificables; y cuarto, que pueda revelar activamente su "incertidumbre". Antes de que estas capacidades sean lo suficientemente maduras, la autonomía de la IA debe estar limitada.

Un producto de IA exitoso considera el "modelo" como un "componente" en lugar de un "producto terminado": su fiabilidad proviene del "diseño arquitectónico", no de la "optimización de prompts".

El "diseño arquitectónico" aquí incluye gestión del estado, flujo de control, sistemas de evaluación y monitoreo, así como mecanismos de manejo y recuperación de fallos. Por esta razón, el desarrollo actual de la IA se acerca cada vez más a la "ingeniería de software tradicional", en lugar de a la "investigación teórica de vanguardia".

El valor a largo plazo se inclinará hacia dos tipos de actores: por un lado, los constructores de sistemas, y por otro, los propietarios de plataformas que controlen los procesos de trabajo y los canales de distribución.

A medida que las herramientas de agentes inteligentes se extienden desde el ámbito de la programación hasta el de la investigación, la redacción, el análisis y los procesos operativos, la importancia de la "ingeniería de sistemas" se hará aún más evidente: el trabajo con conocimientos suele ser complejo, dependiente de información de estado y denso en contexto, lo que hace que los agentes que puedan gestionar de forma fiable la memoria, las herramientas y los procesos iterativos (y no solo agentes que puedan generar salidas) sean aún más valiosos.

A medida que se incrementa la capacidad de los sistemas de IA y profundiza su integración con los campos económicos, la cuestión de "quién posee y controla los modelos de IA más poderosos" está generando una contradicción fundamental.

Por un lado, la investigación y el desarrollo en las vanguardias de la inteligencia artificial siguen siendo "intensivos en capital", y su concentración está en aumento debido a factores como el "acceso a la capacidad de cálculo, las políticas regulatorias y la geopolítica". Por otro lado, los modelos y herramientas de código abierto continúan evolucionando y mejorando impulsados por la "amplia experimentación y el despliegue sencillo".

Esta situación de "concentración y apertura coexistiendo" ha generado una serie de preguntas sin resolver: riesgos de dependencia, auditoría, transparencia, capacidad de negociación a largo plazo y el control sobre infraestructuras críticas. El resultado más probable será un "modelo híbrido": modelos punteros impulsarán los avances en capacidad tecnológica, mientras que sistemas abiertos o semiampliados integrarán estas capacidades en "software ampliamente distribuido".

Cuando los sistemas de IA desempeñan un papel en los flujos de trabajo, su necesidad de "interacciones económicas" aumenta progresivamente, por ejemplo, pagar por servicios, llamar a API, pagar recompensas a otros agentes o liquidar "tarifas de interacción basadas en el uso".

Esta demanda ha devuelto la atención a las "monedas estables": se las considera "monedas nativas para máquinas", que son programables, auditables y permiten transferencias sin intervención humana.

Tomando como ejemplo protocolos orientados a desarrolladores como x402, aunque actualmente aún se encuentran en una fase experimental temprana, la dirección a la que apuntan es muy clara: el flujo de pagos operará en forma de "API", en lugar de la tradicional "página de pago". Esto permitirá que los agentes de software realicen "transacciones continuas y detalladas" entre sí.

Actualmente, este campo aún es muy joven: las transacciones son de pequeño volumen, la experiencia del usuario es tosca y los sistemas de seguridad y permisos aún están en proceso de perfeccionamiento. Sin embargo, la innovación en infraestructura suele comenzar precisamente con este tipo de "exploración temprana".

Lo notable no es "autonomía por la autonomía", sino más bien "cuando el software puede programarse para realizar transacciones, se harán posibles nuevas formas de conducta económica".

Ya sea que se trate de monedas digitales o inteligencia artificial, en las etapas iniciales se favorecen más los "conceptos llamativos" y la "novedad tecnológica". Sin embargo, en la siguiente fase, la "fiabilidad", la "capacidad de gobernanza" y la "capacidad de distribución" se convertirán en dimensiones más importantes de competencia.

Hoy en día, la tecnología en sí ya no es el factor limitante principal; lo crucial es «incorporar la tecnología a sistemas prácticos».

En mi opinión, la característica distintiva del año 2026 no será "una tecnología disruptiva específica", sino más bien "la acumulación gradual de infraestructuras" — instalaciones que, al funcionar silenciosamente, transforman sutilmente la "forma en que se transfiere el valor" y la "manera en que se realizan los trabajos".