Los exchanges están dando a los "cangrejos de río" (traders) un árbol de habilidades; ¿va a dejar Openclaw a los traders humanos en el polvo?

Autor: Frank, PANews

De la noche a la mañana, parece que todo el mundo está desplegando crayfish (una plataforma popular de criptomonedas). Esta tendencia finalmente ha llegado a la industria cripto. El 3 de marzo, Binance y OKX, dos gigantes cripto, lanzaron simultáneamente y de código abierto bibliotecas de AI Skills para Agentes de IA, permitiendo a los Agentes de IA lograr directamente el descubrimiento de alpha en cadena y operaciones en tiempo real a través de estos protocolos. Poco antes, el líder del mercado de predicción Polymarket también lanzó una herramienta CLI específicamente para agentes.

Detrás de esta situación aparentemente coincidente se encuentra el hecho de que la IA se está convirtiendo en la principal entidad de trading en el futuro de la industria cripto, y este cambio ya ha comenzado.

Pero la pregunta central que enfrentan los usuarios es: ¿son realmente confiables las transacciones basadas en agentes?

Liderando el camino, el cripto da la bienvenida oficialmente a los traders de IA.

Echemos un vistazo a lo que realmente puede hacer Skill, que Binance y OKX han lanzado de código abierto esta vez.

Las siete Skills de Binance están posicionadas como un "núcleo inteligente unificado", transformando señales fragmentadas del mercado cripto en decisiones de trading accionables. Específicamente, permiten a los Agentes de IA automatizar la ejecución de Operaciones de Spot, como acceder a datos de mercado en tiempo real y realizar órdenes. También pueden analizar cualquier dirección de billetera para generar informes de seguimiento de Smart Money, incluyendo tenencias detalladas. Otras características incluyen recuperación de tokens, copy trading y monitoreo de riesgo de contratos.

La actualización de OnchainOS AI de OKX está posicionada como un "sistema operativo en cadena para Agentes de IA". Admite más de 60 funciones en cadena relacionadas con la gestión autónoma de billeteras, transacciones y pagos. Estas incluyen características como búsqueda de tenencias de billetera (saldos de activos cross-chain y carteras), datos de mercado DEX, ejecución de trades y descubrimiento de tokens.

La interfaz Rust CLI de Polymarket, lanzada anteriormente, es un terminal para Agentes de IA, que les permite consultar, operar y gestionar directamente todos los mercados de predicción en Polymarket. Además, Bitget y Coinbase también han lanzado bibliotecas de habilidades similares.

Desde una perspectiva funcional, estas habilidades proporcionan las funciones básicas que los usuarios ordinarios necesitan para transacciones en cadena o participación en otras transacciones cripto, incluyendo investigación de mercado, ejecución de órdenes, seguimiento de Smart Money y más.

Sin embargo, ¿esto significa que todos ahora pueden disfrutar de un café mientras observan a los crayfish trabajar entre bastidores para ganar dinero para ellos?

Un usuario en redes sociales compartió una herramienta de "crayfish" para ganar dinero.

Agente de IA ≠ Robot Cuantitativo

Pero el resultado real puede ser diferente de lo que la mayoría de la gente imagina.

Muchas personas equiparan el "trading de IA" con robots de Operación Cuantitativa, pero la lógica subyacente de los dos es fundamentalmente diferente.

La diferencia es fundamental. Los robots de Operación Cuantitativa tradicionales son esencialmente programas automatizados que ejecutan reglas predefinidas, como "comprar cuando el RSI cae por debajo de 30 y vender cuando sube por encima de 70". Son extremadamente rápidos, pero no tienen comprensión de lo que están haciendo, no pueden leer las noticias y desconocen el sentimiento del mercado. La efectividad de su estrategia depende completamente de la persona que escribió el código.

En el corazón del Agente de IA hay un modelo de lenguaje grande. Puede leer un artículo de noticias sobre el Sistema de la Reserva Federal (FRS) aumentando las tasas de interés, entender lo que esto significa para el mercado cripto y luego decidir si reducir sus tenencias.

En pocas palabras: El bot ejecuta las reglas, y el agente hace los juicios.

En otras palabras, el agente actual no monitorea el mercado por sí mismo y luego realiza una orden directamente cuando surge una oportunidad. Los costos de tokens resultantes y el retraso temporal son devastadores para el trading.

El trading de agentes actual tiende a adoptar un modelo de "división del trabajo": los programas tradicionales son responsables del monitoreo y la ejecución, mientras que los modelos grandes solo son responsables del análisis y la toma de decisiones.

Específicamente, un programa tradicional extrae continuamente precios en tiempo real, datos en cadena, noticias y otra información del exchange, luego empaqueta estos datos y los envía a un modelo grande. El modelo grande integra información multidimensional como condiciones del mercado, noticias y anomalías en cadena para proporcionar una decisión de trading, como "Comprar ETH, posición del 10%, precio de orden $2450". Finalmente, la instrucción de trading se devuelve al programa tradicional, que ejecuta la orden a través de la interfaz del exchange y rastrea continuamente los resultados.

El código tradicional actúa como las "manos" y "ojos" del agente, mientras que el modelo general sirve como el "cerebro". Las Skills ofrecidas por las tres principales plataformas esencialmente proporcionan al agente "manos" y "ojos" estandarizados, permitiéndole acceder rápidamente a los datos y capacidades de trading de varias plataformas de trading. Sin embargo, entre bastidores, los humanos aún diseñan la lógica de trading basada en estrategias específicas. No se trata simplemente de conectarse a la Skill y ver cómo el saldo de tu cuenta se dispara automáticamente.

Más allá de la tecnología y la funcionalidad, hay dos problemas del mundo real que deben abordarse.

El primero es la velocidad. Los bots cuantitativos de alta frecuencia tradicionales tienen una latencia de trading en el rango de microsegundos a milisegundos, con sistemas profesionales que incluso logran latencia submilisegundo. El cuello de botella clave para los Agentes de IA, sin embargo, radica en el tiempo requerido para la inferencia de modelos a gran escala. Una salida de análisis y decisión completa generalmente toma entre varios cientos de milisegundos y varios segundos, y en escenarios complejos, incluso puede exceder los 5 segundos. Esto es miles o incluso millones de veces más lento que los bots tradicionales.

Por lo tanto , los agentes simplemente no pueden competir con los bots cuantitativos en términos de velocidad. No pueden realizar Arbitraje de alta frecuencia ni beneficiarse de diferencias de precios a nivel de milisegundos. La competitividad de los agentes radica en la calidad de sus decisiones: un bot cuantitativo puede realizar una orden en milisegundos, pero no conoce el significado de "el presidente del Banco de la Reserva Federal (FRB) acaba de enviar un tweet moderado", mientras que un agente sí lo hace. Los agentes son más adecuados para realizar una o dos operaciones bien pensadas por hora, en lugar de realizar miles de operaciones mecánicas por segundo.

El segundo factor es el costo. Los bots tradicionales, una vez desarrollados, solo requieren costos de servidor para funcionar. Sin embargo, los agentes llaman a interfaces de modelos grandes cada vez que toman una decisión, lo que incurre en gastos. Por ejemplo, con GPT-5.2, si un agente analiza el mercado cada 5 minutos (288 veces al día), el costo de inferencia mensual es de aproximadamente $106. Usando el más poderoso Claude Opus 4.6, es alrededor de $238. Esta no es una cantidad significativa para Traders profesionales que gestionan grandes sumas, pero para inversores minoristas con solo unos pocos miles de dólares en capital, este costo de inferencia, combinado con las Comisiones por transacción, hace que lograr una ganancia neta sea mucho más difícil.

Cuando se trata de ganar dinero como agente, hay más trampas que oportunidades.

Además, la calidad de la toma de decisiones del agente también es un problema importante. Detrás de esos juicios aparentemente lógicos y claros, puede muy bien haber decisiones absurdas.

En 2025, una competencia de trading de IA celebrada por Nof1 proporcionó un ejemplo contundente. Múltiples agentes impulsados por modelos grandes compitieron, con resultados muy divergentes: el agente impulsado por GPT-5 perdió el 62% de su capital inicial, mientras que Qwen3 y DeepSeek lograron ganancias del 22,3% y 4,89%, respectivamente. En esta competencia de trading de IA, si bien algunos modelos finalmente obtuvieron ganancias, exhibieron características extremadamente inestables. DeepSeek, en particular, demostró altos retornos inicialmente seguidos de una caída significativa, lo que enfrió las expectativas del mercado.

En la segunda temporada del experimento, participaron 15 bots de IA, cada uno con un principal de $10,000. Solo GROK-4.2 logró un retorno positivo. En general, solo tres modelos lograron retornos positivos en ambas temporadas, mientras que el resto estaba en un estado de pérdidas.

Además, PANews también realizó estudios de simulación en varios de los modelos más poderosos en ese momento, y los resultados finales mostraron que, a largo plazo, sus ganancias esperadas eran todas negativas. (Lectura relacionada: Evaluación de IA Cuantitativa: Ganancias Esperadas para Todos los Modelos Menos de 1, ¿Qué Tan Lejos Está la Inteligencia Artificial de Reemplazar a los Traders?)

En Polymarket, la estrategia de bot de IA más clásica es el Arbitraje de paridad matemática: cuando el costo total de comprar contratos tanto de "sí" como de "no" en un mercado binario es inferior a $1, comprar ambos simultáneamente asegura ganancias sin riesgo. Muchos bloggers han elogiado mucho esta estrategia. Sin embargo, Polymarket ha respondido introduciendo tarifas dinámicas y otros ajustes de reglas, dejando ineficaces algunas estrategias de Arbitraje.

En general, el trading de agentes no es una "máquina de imprimir dinero". La selección de modelos, el diseño de estrategias y la disciplina de control de riesgos son todos indispensables.

Además de estos, las transacciones de agentes también implican varios otros riesgos que deben considerarse.

En primer lugar, con respecto a la seguridad, el agente posee la clave privada y ejecuta transacciones de forma autónoma. Si el entorno operativo se ve comprometido, podría conducir a la pérdida de activos. Casos anteriores han demostrado que técnicas maliciosas han sido inyectadas en plataformas de código abierto para robar claves de usuarios. Las tres plataformas utilizaron descargos de responsabilidad cautelosos en sus declaraciones, con Polymarket incluso etiquetándolo directamente como "software experimental temprano".

En segundo lugar, el problema de "ilusión" de los modelos grandes no puede ignorarse. Los modelos a veces generan análisis de sentimiento que parecen razonables pero en realidad están equivocados. En conversaciones cotidianas, esto puede ser solo vergonzoso, pero en el trading, podría significar una pérdida de dinero real.

La homogeneización de estrategias también es motivo de preocupación. Cuando una gran cantidad de agentes usan las mismas habilidades y los mismos modelos para analizar el mismo mercado, sus juicios se vuelven muy similares, las señales de compra se activan simultáneamente, los precios se elevan rápidamente y el espacio para los rezagados se reduce.

La IA es simplemente un arma; sigue siendo el humano quien la maneja.

Las reglas del juego en el mercado cripto están experimentando un cambio profundo a medida que los exchanges comienzan a diseñar productos para agentes en lugar de humanos. Los datos de 2023 muestran que los sistemas automatizados ya representaban más del 70% del Volumen de trading en el mercado cripto, y este porcentaje sigue aumentando.

Sin embargo, el trading de agentes todavía está en la etapa "experimental temprana". La lógica subyacente es que esto es simplemente una mejora en la herramienta, no "automatizar la generación de ganancias". No olvides que las instituciones con amplia experiencia en estrategia y cuantitativa también están utilizando las mismas herramientas para realizar mejoras.

Para los inversores ordinarios, en lugar de apresurarse a construir sus propios Agentes de IA, es mejor primero contener las Emociones FOMO (miedo a la especulación) y comprender sus limitaciones y debilidades. Es cierto, la era del trading de agentes ha llegado, pero la rentabilidad todavía depende de las capacidades de toma de decisiones estratégicas de los humanos detrás de ella.