No puedo enfatizar suficiente lo mucho que representan los avances en IA como un impulso para los mercados de predicción. Históricamente, los futuros y las opciones siempre han sido significativamente más líquidos que los mercados de predicción, porque valorarlos y proporcionar liquidez delta-neutra es mucho más fácil. Es extremadamente sencillo ejecutar una estrategia de market making que simplemente cubra la exposición a un activo en cualquier plataforma líquida. Después de todo, hay cientos de fuentes de liquidez para ETH o BTC. Pero es muchos órdenes de magnitud más difícil ejecutar una estrategia delta-neutra para el costo de alquiler de los chips de NVDA, por ejemplo. Por eso, la mayor parte de la liquidez en los mercados de predicción proviene de LPs y traders que modelan el resultado de un contrato específico, y luego proporcionan liquidez donde creen que debería estar el precio. Es precisamente la parte de modelado la que antes era demasiado intensiva incluso para las tiendas de trading de alta frecuencia más activas y eficientes. Pero ahora, lo que antes requería recursos significativos de ingeniería para construir un algoritmo de machine learning personalizado desde cero, es tan sencillo como conectar varias APIs de datos a una estrategia que se ejecuta a través de los modelos de vanguardia. Y con nuevas innovaciones como Jev, estas estrategias se vuelven cada vez más factibles a escala. Este es un área de interés prioritario para Trueo. Regularmente me dicen que si podemos resolver el problema de la liquidez en nuestra plataforma, tenemos la oportunidad de competir directamente con Poly y Kalshi. Lo que estoy diciendo es que este objetivo nunca ha sido más alcanzable. Y lo vamos a demostrar muy pronto.