Kunstmatige intelligentie zal snel evolueren van conversatie-agenten naar autonome agenten die complexe bedrijfsprocessen uitvoeren. Terwijl bedrijven hun implementatie onderzoeken, is de primaire kwestie die nog moet worden opgelost, hoe nauwkeurig te beoordelen of een AI-agent klaar is voor operationeel gebruik in de praktijk. Op het kruispunt van kunstmatige intelligentie (AI) en marktfinanciën, zijn <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 en de divisie digitale activa van Franklin Templeton</a> beide toegetreden tot de eerste cohort van Arena, een testomgeving voor AI ontwikkeld door het open-source <a href="https://www.sentient.xyz/arena" rel="noopener noreferrer" target="_blank">AI-bedrijf Sentient Labs.</a> Arena is niet alleen een openbaar register van resultaten; het dient ook als een benchmark voor het vergelijken van de operationele stijl van productiemodellen met de prestaties van elk model (bijvoorbeeld een AI-agent die veel uiteenlopende informatiebronnen moet verwerken, waarvan sommige tegenstrijdig kunnen zijn), en hoe ze vertakkende redeneringen produceerden. Veel bedrijven veranderen de manier waarop ze de gereedheid van hun AI voor productie definiëren en evalueren. Klanten zijn meer dan ooit gericht op de prestaties van AI onder reële bedrijfsomstandigheden. Klanten evalueren bijvoorbeeld hoe goed AI zal presteren als er tijdslimieten zijn of dataverslechtering sinds de laatste benchmarktest.<h2>Het Enterprise Benchmarking Probleem</h2>De meeste huidige AI-beoordelingskaders zijn afhankelijk van metingen gebaseerd op precisiedatasets, zoals redeneervermogenstests, programmeeruitdagingen en informatietaken. Deze datasets dienen een nuttig doel, maar reproduceren in de meeste gevallen bedrijfsomgevingen niet nauwkeurig. De complexiteiten van de professionele wereld creëren een omgeving die het vermogen van het model test om de volgende middelen te beheren: gestructureerde workflow-evaluaties in plaats van laboratoriumtests; duizenden pagina's documentatie; ingewikkelde richtlijnen of instructies; verouderde en/of inconsistente wetten of richtlijnen; gedeeltelijke/ontbrekende gegevens; juridische/regelgevende kwesties. Benchmarktests op het model slagen er doorgaans niet in om te evalueren of een evaluatie op bedrijfsniveau een verdedigbare conclusie zal opleveren met onvolmaakte documentatie. De Arena biedt de initiële oplossing door een gestructureerde workflow-evaluatie te ontwikkelen en te introduceren die het model zal ondersteunen op basis van bestaande bedrijfsprocessen in plaats van door middel van onderzoekslaboratoriumtests van het AI-model (of de modellen).<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/62d613a2-0910-4444-9d1f-f5ca14bf3eed.jpeg">Bron: Auteur<h2>Wat Arena Anders Maakt</h2><a href="https://sentient.xyz/" rel="noopener noreferrer" target="_blank">Sentient Labs</a> creëert een benchmarkomgeving om de productiviteit van AI te evalueren met een productie-gerichte aanpak. In plaats van geïsoleerde prompts als evaluaties voor agenten te gebruiken, maken de evaluaties gebruik van gestandaardiseerde taken gebaseerd op de manier waarop grote bedrijven opereren. De evaluaties bootsen de omstandigheden na waaronder bedrijven vandaag de dag opereren, zoals: - Vergelijking van meerdere documenten- Extraheren van gestructureerd inzicht uit lange documenten- Verzoenen van meerdere tegenstrijdige informatiebronnen- Opereren met ontbrekende/onvolledige informatie- Vermogen om output te produceren die kan worden gecontroleerd. In tegenstelling tot het uitsluitend richten op nauwkeurigheid bij het evalueren van agenten, biedt deze methodologie een operationeel perspectief. In praktische termen, als een agent in staat is om consistent te redeneren over een langere periode met behulp van uitgebreide analyse, zullen ze diezelfde logica kunnen repliceren terwijl ze opereren onder reële beperkingen (exclusief de variabelen die de prestaties buiten een geïsoleerde prompt beïnvloeden). De ontwikkeling van benchmarks door middel van bedrijfsworkflows zal Sentient Labs in staat stellen benchmarks te creëren die definiëren wat "productieklare redenering" eigenlijk is.<h2>Waarom de Betrokkenheid van Pantera Capital Institutionele Interesse Aangeeft</h2>Pantera Capital heeft zich gevestigd als investeerder in blockchain-infrastructuur, gedecentraliseerde financiële protocollen en opkomende cryptotechnologieën. Hun deelname aan Arena vertegenwoordigt de mate van interesse van durfkapitaalbedrijven in het monitoren van de evolutie van AI-agenten die specifiek volwassen worden voor documentintensieve financiële operaties. Investeringsmaatschappijen werken routinematig met: <ol><li data-list="bullet">Technische whitepapers</li><li data-list="bullet">Tokenomics-modellen</li><li data-list="bullet">Bestuurskaders</li><li data-list="bullet">Risicobeoordelingen</li><li data-list="bullet">Regelgevende indieningen</li><li data-list="bullet">Due diligence-documenten</li></ol> AI-agenten die in staat zijn om deze documenten te analyseren en te synthetiseren, zouden een enorme tijdsbesparing opleveren voor bedrijven; er is echter een minimale fouttolerantie. De eerste cohort deelnemers aan Arena omvat geen kapitaalinvestering gerelateerd aan het programma, maar vertegenwoordigt wel een verbintenis om het benchmarkkader en het ontwikkelaarsecosysteem te helpen definiëren. Voor durfkapitaalbedrijven biedt vroege invloed op de normen die worden gebruikt om AI-tools te evalueren de mogelijkheid om strategisch inzicht te verkrijgen in welke AI-tools de operaties van hun toekomstige portefeuilles kunnen aanvullen.<h2>Franklin Templeton's Divisie Digitale Activa en Operationele AI</h2>Met de toevloed van blockchain-gebaseerde beleggingsproducten en getokeniseerde activa, heeft Franklin Templeton een toenemende relatie ontwikkeld tussen de wereld van traditionele beleggingsbeheerders en op AI gebaseerde automatiseringsprocessen door de fusie van hun divisie digitale activa met Arena. Aangezien ze zaken doen met veel vermogensbeheerders, moet de divisie digitale activa van Franklin Templeton de samenwerking met AI-oplossingen in streng gereguleerde omgevingen benaderen. Vermogensbeheerders hebben te maken met een grote hoeveelheid regelgevende documenten, zoals: <ol><li data-list="bullet">Fondsprospectus</li><li data-list="bullet">Risicoverklaringen</li><li data-list="bullet">Compliance-documenten</li><li data-list="bullet">Auditverslagen</li><li data-list="bullet">Marktonderzoeksdocumenten</li></ol> In een gereguleerde omgeving verwachten vermogensbeheerders extreme betrouwbaarheid van AI-systemen. Als een vermogensbeheerder een complianceregel verkeerd interpreteert of een regelgevende kwestie mist, kunnen zij aanzienlijke geldboetes oplopen.Door vooraf samen te werken met Arena, is de divisie digitale activa van Franklin Templeton nu gepositioneerd om formeel de passende richtlijnen vast te stellen voor het integreren van AI-redeneringen in een extreem gereguleerde omgeving voorafgaand aan de volledige implementatie van AI-systemen.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/3f3edff9-8f8c-4926-8598-e0317060e05e.jpeg">Bron: Auteur<h2>Productieklare Redenering Definiëren</h2>Volgens Oleg Golev, de productdirecteur van Sentient Labs, blijven de ontwikkelaars van Arena Arena ondersteunen door samen te werken aan het vormgeven van wat een productieklare AI-redeneerproces is voor zware documentwerklasten zoals analyse, compliance en operationele processen.&nbsp; AI Productieklaar gaat over het beschikken over de volgende mogelijkheden:&nbsp; - Consistentie bij het herhaaldelijk uitvoeren van vergelijkbare taken&nbsp;- Traceerbare redeneerpaden&nbsp;- Weerstand tegen het genereren van onnauwkeurige resultaten/aannames&nbsp;- Erkennen dat er onzekerheid is bij elke beslissing&nbsp;- Informatie uit context behouden over lange invoer&nbsp; Zoals we hierboven kunnen zien, kunnen controles op de manier waarop bedrijven een AI-gebaseerde oplossing creëren niet uitsluitend gebaseerd zijn op vloeiendheid. Bedrijven moeten ook bewijs leveren dat er een traceerbare redeneerketen achter elke AI-gebaseerde oplossing zit.&nbsp; In veel gevallen (bijv. financiën) zal een bedrijf gedocumenteerd bewijs van feiten vereisen dat beslissingen kan onderbouwen. Het Arena-kader streeft ernaar ervoor te zorgen dat het niet alleen de output van de agent en/of oplossing meet, maar ook hoe de agent tot zijn oplossing kwam; waardoor controleerbaarheid binnen de onderneming mogelijk wordt.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/e9e664ea-7b0d-44c5-b228-6ccadad8a7b1.jpeg">Bron: Auteur<h2>Waarom Lange Documenten en Tegenstrijdige Bronnen Cruciale Tests Zijn</h2>Veel bedrijfsprojecten omvatten het samenbrengen van een aantal documenten die niet altijd op elkaar zijn afgestemd. Als voorbeeld, als u een compliance-review uitvoert, moet u mogelijk vergelijken: <ol><li data-list="bullet">Het regelgevend kader.</li><li data-list="bullet">De interne beleidsregels van uw bedrijf.</li><li data-list="bullet">De klantovereenkomst inzake openbaarmaking.</li><li data-list="bullet">De externe juridische interpretatie.</li></ol> Elk van deze documenten kan inconsistente informatie bevatten, maar ze kunnen allemaal ook enige gemeenschappelijkheid in hun inhoud hebben. Om in zo'n ambigu gebied te werken, zullen AI-agenten het volgende moeten doen: <ol><li data-list="bullet">Eventuele tegenstrijdigheden identificeren.</li><li data-list="bullet">Eventuele aanwezige risico's identificeren.</li><li data-list="bullet">Voorkomen van overmoedige aannames.</li><li data-list="bullet">Onduidelijke interpretaties escaleren.</li></ol> Arena heeft zijn benchmarkkader zo opgebouwd dat lange documenten met een concurrerende informatiebron als een standaardgebeurtenis in de dagelijkse bedrijfsvoering van een onderneming worden opgenomen. Tests kunnen ook worden uitgevoerd tegen dit soort situaties om te zien of AI-systemen op verantwoorde wijze met ambigue situaties kunnen omgaan; niet alleen om overtuigende tekst te creëren.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/163aab34-b093-4b8b-aa8b-a3fdbcd9ea15.jpeg">Bron: Auteur<h2>Strategische Deelname Zonder Kapitaalinvestering</h2>Een van de belangrijkste elementen van dit initiatief is dat deelnemende bedrijven geen openbare verklaringen van financiële investeringen met betrekking tot Arena afleggen. In plaats daarvan is hun betrokkenheid bij het opzetten van het evaluatie-ecosysteem het belangrijkst. Dit wijst op een opzettelijke aanpak van instellingen bij het adopteren van AI-technologieën. In plaats van ze snel uit te rollen, richten instellingen zich op: - Normen ontwikkelen- Risico beoordelen- Samenwerken met ontwikkelaars- Gecontroleerde experimenten uitvoerenDe strategie minimaliseert risico's en biedt tegelijkertijd tijdige toegang tot informatie over de prestaties van AI-systemen binnen operationele omgevingen.De strategie bevestigt ook de overtuiging dat benchmarkkaders zelf worden ontwikkeld als strategische infrastructuur. <h2>AI-Agenten en de Toekomst van Financiële Workflows</h2>De convergentie van digitale activa en kunstmatige intelligentie blijft in een extreem snel tempo versnellen. Financiële markten bewegen constant naar meer data-georiënteerd, document-intensief en wereldwijd verbonden. De komst van blockchaintechnologie voegt nog een niveau van verfijning toe aan deze entiteiten door slimme contracten, getokeniseerde effecten en gedecentraliseerde bestuursstructuren te bieden. Kunstmatige intelligentie (AI)-agenten die de bovengenoemde omgevingen nauwkeurig kunnen analyseren, zouden veel taken kunnen uitvoeren, waaronder: <ol><li data-list="bullet">Monitoren van bestuursvoorstellen</li><li data-list="bullet">Evalueren van de openbaarmakingen van slimme contracten</li><li data-list="bullet">Automatiseren van de vergelijking van compliance over jurisdicties heen</li><li data-list="bullet">Opstellen van gestructureerde investeringsmemo's</li><li data-list="bullet">Identificeren van inconsistenties in risico's over datasets heen</li></ol> Om deze AI-systemen te kunnen implementeren, moeten we ons eerst comfortabel voelen met hun redeneervermogen.Arena wordt ontwikkeld als een locatie voor de praktische evaluatie van AI-systemen binnen een veilige omgeving voorafgaand aan enige integratie in de echte wereld.<h2>Een Keerpunt voor de Evaluatie van Enterprise AI</h2>Naarmate AI-agenten overgaan van hun experimentele fase naar operationeel gebruik in de praktijk, moet er een verschuiving plaatsvinden in de manier waarop we ze evalueren. De benchmarks die door Arena worden gebruikt om productiemogelijkheden te beoordelen, zijn ontworpen met een nieuw begrip van wat "bedrijfsklaar" betekent; wat "bedrijfsklaar" vormt, kan niet langer alleen afhangen van academische metrieken zoals we die traditioneel hebben gedefinieerd. Om echt als "bedrijfsklaar" te kwalificeren, moeten AI-agenten aantonen: - Veerkracht tegen ambiguïteit- Consistentie over uitgebreide organisatorische workflows- Transparante en heldere redenering- Weerstand tegen desinformatie- Controleerbare beschikbaarheid in gereguleerde sectoren Het feit dat Pantera Capital en de divisie digitale activa van Franklin Templeton’s <a href="https://crypto-economy.com/pantera-and-franklin-templeton-back-sentients-arena-to-stress-test-enterprise-ai-agents" rel="noopener noreferrer" target="_blank"></a> Arena kozen als onderdeel van hun eerste cohort, geeft aan dat enterprise-grade AI een enterprise-grade evaluatie vereist. In de afgelopen jaren zullen de meest effectieve categorie AI-agenten niet diegene zijn geweest met de meest geavanceerde conversatiekenmerken, maar diegenen die de toegevoegde complexiteiten en bijbehorende verantwoordelijkheden van het uitvoeren van financiële operaties in de praktijk kunnen weerstaan. Arena heeft een belangrijke eerste stap gezet om dit doel te bereiken door middel van dit kader.

Pantera Capital en Franklin Templeton sluiten zich aan bij de eerste groep van Sentient Arena om bedrijfs-AI-agenten te benchmarken voor productieklaarheid in documentintensieve, gereguleerde financiële workflows.

Pantera Capital en Franklin Templeton sluiten zich aan bij Sentient Arena om Enterprise AI Agent Testen te herdefiniëren

/media/contribution/carb265f42771b94a009f4171dd21d6ef04/q7f_0315104628548.stxt

Fractioneel Eigendom van Kunst en Verzamelobjecten: Hoe RWAs Miljoenenstukken Toegankelijk Maken

/media/contribution/car69e2c0c3a41f4e2b808c6d703e8911ca/t4h_0315103716295.stxt

De Impact van MiCA-regelgeving op de Europese Cryptomarkten: Wat Handelaars Moeten Weten

/media/contribution/car81576cf7abd049b7b15b2bf7be5e5a92/zw4_0315101151341.stxt

Tokeny en Securitize: Conforme Infrastructuur voor RWAs in Crypto 2026

/media/contribution/car4b21cc8d46714f89aed7c049905a9e53/qmo_0315100822117.stxt

BlackRock BUIDL: Leidend in Institutionele RWA Tokenisatie op Blockchain 2026

/media/contribution/carde246a23442d45fb9ace7a54d658e5c6/oql_0315100254020.stxt

Centrifuge RWA: Private Credit op Grote Schaal Tokeniseren — Blockchain Gids 2026

/media/contribution/car9b3fcef8d39745ffb947df2557f7c256/tfo_0315095923288.stxt