La inteligencia artificial pasará rápidamente de ser agentes conversacionales a agentes autónomos que realizan procesos comerciales sofisticados. A medida que las empresas investigan su implementación, el principal problema que aún no se ha resuelto es cómo evaluar con precisión si un agente de IA está preparado para su uso operativo en el mundo real. En la encrucijada de la inteligencia artificial (IA) y las finanzas del mercado, <a href="https://crypto-economy.com/pantera-and-franklin-templeton-back-sentients-arena-to-stress-test-enterprise-ai-agents" rel="noopener noreferrer" target="_blank">Pantera Capital y la división de activos digitales de Franklin Templeton</a> se han unido a la primera cohorte de Arena de un entorno de prueba de IA desarrollado por la empresa de IA de código abierto <a href="https://www.sentient.xyz/arena" rel="noopener noreferrer" target="_blank">Sentient Labs.</a> Arena no es simplemente un registro público de resultados; también sirve como punto de referencia para comparar el estilo operativo de los modelos de producción con el rendimiento de cada modelo (por ejemplo, un agente de IA que tiene que procesar muchas fuentes de información dispares, algunas de las cuales pueden ser contradictorias), en cuanto a cómo produjeron racionalidades ramificadas. Muchas empresas están cambiando la forma en que definen y evalúan la preparación de su IA para la producción. Los clientes están más centrados que nunca en el rendimiento de la IA en condiciones operativas reales. Por ejemplo, los clientes evalúan qué tan bien se desempeñará la IA si hay limitaciones de tiempo o degradación de datos desde la última prueba de referencia.<h2>El Problema de la Evaluación Comparativa Empresarial</h2>La mayoría de los marcos actuales de evaluación de IA dependen de mediciones basadas en conjuntos de datos de precisión, como evaluaciones de razonamiento, desafíos de programación y tareas de recuperación de información. Estos conjuntos de datos tienen un propósito útil, pero, en la mayoría de los casos, no logran reproducir los entornos empresariales con precisión. Las complejidades del mundo profesional crean un entorno que prueba y pone a prueba la capacidad del modelo para gestionar las siguientes evaluaciones de flujo de trabajo estructurado de recursos en lugar de pruebas en entornos de laboratorio; miles de páginas de documentación; directivas o instrucciones confusas; leyes o directivas desactualizadas o inconsistentes; fechas parciales/faltantes; preocupaciones legales/regulatorias. Las pruebas de referencia en el modelo suelen fallar en evaluar si una evaluación a nivel empresarial proporcionará una conclusión defendible con documentación imperfecta. Arena proporciona la solución inicial desarrollando e introduciendo una evaluación de flujo de trabajo estructurado que apoyará el modelo basándose en el soporte de los procesos de negocio existentes en lugar de mediante pruebas de laboratorio de investigación del(los) modelo(s) de IA.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/62d613a2-0910-4444-9d1f-f5ca14bf3eed.jpeg">Fuente: Autor<h2>Qué Hace Diferente a Arena</h2><a href="https://sentient.xyz/" rel="noopener noreferrer" target="_blank">Sentient Labs</a> está creando un entorno de referencia para evaluar la productividad de la IA con un enfoque de estilo de producción. En lugar de usar indicaciones aisladas como evaluaciones para los agentes, las evaluaciones utilizan tareas estandarizadas basadas en la forma en que operan las grandes empresas. Las evaluaciones imitan las condiciones bajo las cuales operan las empresas hoy en día, tales como: -Comparación de múltiples documentos-Extracción de información estructurada de documentos extensos-Conciliación de múltiples fuentes de información contradictorias-Operar en un estado de información faltante/incompleta-Capacidad para producir resultados que puedan ser auditados. A diferencia de centrarse únicamente en la precisión al evaluar a los agentes, esta metodología proporciona una perspectiva operativa. En términos prácticos, si un agente puede crear un razonamiento de manera consistente a lo largo del tiempo utilizando análisis de formato largo, podrá replicar esa misma lógica mientras opera bajo restricciones del mundo real (excluyendo las variables que impactan el rendimiento de una indicación aislada). El desarrollo de puntos de referencia a través de flujos de trabajo empresariales permitirá a Sentient Labs crear puntos de referencia que definan lo que realmente es el "razonamiento listo para la producción".<h2>Por Qué la Participación de Pantera Capital Señala Interés Institucional</h2>Pantera Capital se ha consolidado como inversor en infraestructura blockchain, protocolos de finanzas descentralizadas y tecnologías cripto emergentes. Su participación en Arena representa el nivel de interés de las empresas de capital de riesgo en monitorear la evolución de los agentes de IA que maduran específicamente para operaciones financieras intensivas en documentos. Las firmas de inversión trabajan rutinariamente con: <ol><li data-list="bullet">Libros blancos técnicos</li><li data-list="bullet">Modelos tokenomics</li><li data-list="bullet">Marcos de gobernanza</li><li data-list="bullet">Evaluaciones de riesgo</li><li data-list="bullet">Presentaciones regulatorias</li><li data-list="bullet">Documentos de debida diligencia</li></ol> Los agentes de IA capaces de analizar y sintetizar estos documentos serían un enorme ahorro de tiempo para las empresas; sin embargo, hay una tolerancia mínima al error. La cohorte inicial de participantes en Arena no implica un compromiso de capital asociado con el programa, pero sí representa un compromiso para ayudar a definir el marco de referencia y el ecosistema de desarrolladores. Para las empresas de riesgo, tener una influencia temprana en los estándares utilizados para evaluar las herramientas de IA ofrece la oportunidad de obtener una visión estratégica sobre qué herramientas de IA pueden unirse a las operaciones de sus futuras carteras.<h2>División de Activos Digitales de Franklin Templeton e IA Operativa</h2>Con la afluencia de productos de inversión basados en blockchain y activos tokenizados, Franklin Templeton ha desarrollado una relación creciente entre el mundo de los gestores de inversión tradicionales y los procesos de automatización basados en IA a través de la fusión de su división de activos digitales con Arena. Como hacen negocios con muchos gestores de activos, la división de activos digitales de Franklin Templeton debe abordar el trabajo con soluciones de IA en entornos altamente regulados. Los gestores de activos manejan un gran volumen de documentos regulatorios, tales como: <ol><li data-list="bullet">Folletos de fondos</li><li data-list="bullet">Divulgaciones de riesgo</li><li data-list="bullet">Documentos de cumplimiento</li><li data-list="bullet">Registros de auditoría</li><li data-list="bullet">Documentos de investigación de mercado</li></ol> En un entorno regulado, los gestores de activos esperan una fiabilidad extrema de los sistemas de IA. Si un gestor de activos malinterpreta una norma de cumplimiento o pasa por alto un asunto regulatorio, puede incurrir en importantes sanciones monetarias.Al trabajar de antemano con Arena, la división de activos digitales de Franklin Templeton está ahora posicionada para establecer formalmente las directrices apropiadas para incorporar el razonamiento de la IA en un entorno extremadamente regulado antes de la implementación completa de los sistemas de IA.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/3f3edff9-8f8c-4926-8598-e0317060e05e.jpeg">Fuente: Autor<h2>Definiendo el Razonamiento Listo para la Producción</h2>Según Oleg Golev, director de producto de Sentient Labs, los desarrolladores de Arena continúan apoyando a Arena trabajando juntos para dar forma a lo que es un proceso de razonamiento de IA listo para la producción para cargas de trabajo de documentos pesadas como el análisis, el cumplimiento y los procesos operativos.&nbsp; La IA lista para la producción se trata de tener las siguientes capacidades:&nbsp; - Consistencia al realizar tareas similares repetidamente&nbsp;- Rutas de razonamiento rastreables&nbsp;- Resistencia a generar resultados/suposiciones inexactos&nbsp;- Reconocimiento de que existe incertidumbre en cada decisión&nbsp;- Retención de información del contexto a través de entradas extensas&nbsp; Como podemos ver arriba, las verificaciones sobre cómo las empresas crean una solución basada en IA no pueden basarse únicamente en la fluidez. Las empresas también deben proporcionar pruebas de que existe una cadena de razonamiento rastreable detrás de cada solución basada en IA.&nbsp; En muchos casos (por ejemplo, finanzas), una empresa requerirá pruebas documentadas que puedan sustentar las decisiones. El marco de Arena busca asegurar que no solo medirá la salida del agente y/o la solución, sino que también medirá cómo el agente llegó a su solución; permitiendo así la auditabilidad dentro de la empresa.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/e9e664ea-7b0d-44c5-b228-6ccadad8a7b1.jpeg">Fuente: Autor<h2>Por Qué los Documentos Largos y las Fuentes Conflictivas Son Pruebas Críticas</h2>Muchos proyectos empresariales implican la recopilación de varios documentos que no siempre están alineados. Como ejemplo, si está realizando una revisión de cumplimiento, es posible que deba comparar: <ol><li data-list="bullet">El marco regulatorio.</li><li data-list="bullet">Las políticas internas de su empresa.</li><li data-list="bullet">El acuerdo de divulgación del cliente.</li><li data-list="bullet">La interpretación legal externa.</li></ol> Cada uno de estos documentos puede contener información inconsistente, pero todos también pueden tener algo en común en su contenido. Para trabajar en un área tan ambigua, los agentes de IA deberán hacer lo siguiente: <ol><li data-list="bullet">Identificar cualquier contradicción.</li><li data-list="bullet">Identificar cualquier riesgo que pueda estar presente.</li><li data-list="bullet">Evitar hacer suposiciones demasiado confiadas.</li><li data-list="bullet">Escalar cualquier interpretación poco clara.</li></ol> Arena ha construido su marco de evaluación comparativa para incluir documentos largos con una fuente de información en conflicto como una ocurrencia estándar en las operaciones diarias de una empresa. También se pueden realizar pruebas contra este tipo de situaciones para ver si los sistemas de IA pueden gestionar de manera responsable situaciones ambiguas; no simplemente crear texto convincente.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/163aab34-b093-4b8b-aa8b-a3fdbcd9ea15.jpeg">Fuente: Autor<h2>Participación Estratégica Sin Compromiso de Capital</h2>Uno de los elementos clave de esta iniciativa es que las empresas que participan en ella no están haciendo declaraciones públicas de inversión financiera relacionadas con Arena. En cambio, lo que más importa es su participación en el establecimiento del ecosistema de evaluación. Esto apunta a un enfoque intencional por parte de las instituciones al adoptar tecnologías de IA. En lugar de implementarlas rápidamente, las instituciones se están centrando en: - Desarrollar estándares- Evaluar riesgos- Asociarse con desarrolladores- Realizar experimentos controladosLa estrategia minimiza el riesgo al tiempo que permite el acceso oportuno a la información sobre el rendimiento de los sistemas de IA dentro de los entornos operativos.La estrategia también confirma la creencia de que los propios marcos de referencia se están desarrollando como infraestructura estratégica. <h2>Agentes de IA y el Futuro de los Flujos de Trabajo Financieros</h2>La convergencia de activos digitales y la inteligencia artificial continúan acelerándose a un ritmo extremadamente rápido. Los mercados financieros se mueven constantemente hacia una mayor orientación a los datos, una gran carga documental y una conexión global. El advenimiento de la tecnología blockchain añade otro nivel de sofisticación a estas entidades al proporcionar contratos inteligentes, valores tokenizados y estructuras de gobernanza descentralizadas. Los agentes de inteligencia artificial (IA) que pueden analizar con precisión los entornos mencionados anteriormente serían capaces de llevar a cabo muchas tareas, incluyendo: <ol><li data-list="bullet">Monitoreo de propuestas de gobernanza</li><li data-list="bullet">Evaluación de las divulgaciones de contratos inteligentes</li><li data-list="bullet">Automatización de la comparación de cumplimiento entre jurisdicciones</li><li data-list="bullet">Redacción de memorandos de inversión estructurados</li><li data-list="bullet">Identificación de inconsistencias en el riesgo a través de conjuntos de datos</li></ol> Para poder implementar estos sistemas de IA, primero debemos sentirnos cómodos con su capacidad de razonamiento.Arena se está desarrollando como un lugar para la evaluación práctica de sistemas de IA dentro de un entorno seguro antes de cualquier integración en el mundo real.<h2>Un Punto de Inflexión para la Evaluación de la IA Empresarial</h2>A medida que los agentes de IA transitan de su fase experimental al uso operativo en el mundo real, es necesario un cambio en la forma en que los evaluamos. Los puntos de referencia utilizados por Arena para evaluar las capacidades de producción están diseñados con una nueva comprensión de lo que significa "listo para la empresa"; lo que constituye "listo para la empresa" ya no puede depender solo de métricas académicas como las hemos definido tradicionalmente. Para calificar verdaderamente como "listo para la empresa", los agentes de IA deben demostrar: - Resistencia a la ambigüedad- Consistencia en flujos de trabajo organizacionales extendidos- Razonamiento transparente y claro- Resistencia a la desinformación- Disponibilidad auditable en industrias reguladas El hecho de que Pantera Capital y el grupo de activos digitales de Franklin Templeton <a href="https://crypto-economy.com/pantera-and-franklin-templeton-back-sentients-arena-to-stress-test-enterprise-ai-agents" rel="noopener noreferrer" target="_blank">eligieran a Arena</a> como parte de su primera cohorte indica que la IA de grado empresarial requiere una evaluación de grado empresarial. En años pasados, la categoría más efectiva de agentes de IA no habrá sido la de aquellos con los atributos conversacionales más avanzados, sino aquellos que son capaces de soportar las complejidades añadidas y las responsabilidades asociadas de realizar operaciones financieras en el mundo real. Arena ha dado un primer paso importante hacia el logro de este objetivo a través de este marco.

Pantera Capital y Franklin Templeton se unen a la primera cohorte de Sentient Arena para evaluar agentes de IA empresarial en la preparación para la producción en flujos de trabajo financieros regulados y con gran volumen de documentos.

Pantera Capital y Franklin Templeton se unen a Sentient Arena para redefinir la prueba de agentes de IA empresarial

/media/contribution/carb265f42771b94a009f4171dd21d6ef04/u78_0315104628273.stxt

Propiedad Fraccionada de Arte y Coleccionables: Cómo las RWA Hacen Accesibles Piezas de Millones de Dólares

/media/contribution/car69e2c0c3a41f4e2b808c6d703e8911ca/qny_0315103716160.stxt

El Impacto de las Regulaciones MiCA en los Mercados Cripto Europeos: Lo Que los Traders Deben Saber

/media/contribution/car81576cf7abd049b7b15b2bf7be5e5a92/oqm_0315101151221.stxt

Tokeny y Securitize: Infraestructura Cumplimiento para RWAs en Cripto 2026

/media/contribution/car4b21cc8d46714f89aed7c049905a9e53/rpp_0315100821480.stxt

BlackRock BUIDL: Liderando la Tokenización Institucional de Activos Reales (RWA) en Blockchain 2026

/media/contribution/carde246a23442d45fb9ace7a54d658e5c6/u2p_0315100253810.stxt

Centrifuge RWA: Tokenización de Crédito Privado a Gran Escala — Guía Blockchain 2026

/media/contribution/car9b3fcef8d39745ffb947df2557f7c256/snn_0315095922987.stxt