Desde la colaboración de múltiples agentes, pasando por mercados de predicción, hasta la ejecución on-chain, se está llevando a cabo un experimento sobre agentes económicos autónomos de IA.
Julio de 2026
En los últimos dos años, la lógica competitiva de la inteligencia artificial ha estado cambiando de manera evidente.
En la primera etapa, se discutía si los grandes modelos pueden generar textos, imágenes y código mejores. En la segunda etapa, el mercado empezó a fijarse en el asistente de IA (AI Copilot): si la inteligencia artificial puede convertirse en una herramienta de apoyo para las personas.
Y ahora se está formando una nueva tendencia: la IA ya no solo responde preguntas, sino que comienza a comprender objetivos, descomponer tareas, llamar herramientas, tomar decisiones y completar la ejecución.
Esa es también la razón por la que cada vez más emprendedores tecnológicos y e inversionistas prestan atención a los agentes de IA.
Pero desde la perspectiva de VC, el problema que realmente vale la pena estudiar no es solo “¿los agentes de IA se convertirán en la próxima vertical de moda?”. Lo más importante es: después de que los agentes de IA obtengan activos, identidad, capacidad de pago y un entorno verificable de ejecución, ¿en qué se convertirán?
Web3 está aportando una nueva respuesta a este problema.
Y Vanguard intenta explorar una nueva infraestructura financiera autónoma en la intersección entre agentes de IA, mercados de predicción y ejecución on-chain.
De chatbot a agente: la IA está cambiando de papel
La inteligencia artificial del pasado era más bien una herramienta. El usuario plantea una pregunta, la IA da una respuesta; el usuario emite una instrucción, la IA ofrece sugerencias; y, al final, la operación y ejecución reales siguen a cargo de las personas.
Pero la aparición de los agentes de IA está cambiando este modo. Un agente con significado real no es solo “capaz de chatear”. También debe contar con capacidades como percepción del entorno, comprensión de tareas, planificación autónoma, uso de herramientas, ejecución en múltiples pasos, retroalimentación de resultados y optimización continua.
En pocas palabras: la IA tradicional se parece más a “decirte qué hacer”, mientras que un agente de IA se parece más a “entender qué necesitas lograr y ayudar a completar la tarea”.
Desde la lógica de inversión, esto implica que el valor comercial de la IA podría estar migrando de “suscripción de software” a “ejecución de tareas”.
Cuando la IA empieza a participar directamente en procesos de negocio, su valor ya no depende únicamente de las capacidades del modelo. También depende de si tiene datos en tiempo real, si puede llamar a sistemas externos, si puede ejecutar de forma autónoma, si cuenta con gestión de permisos, si puede completar pagos y liquidaciones y si los resultados de la ejecución pueden verificarse.
Ahí es donde los agentes de IA y Web3 empiezan a cruzarse.
¿Por qué los agentes de IA necesitan Web3?
Muchas personas ven la IA y Web3 como dos verticales completamente distintas: una representa la inteligencia y la otra representa cadenas de bloques y activos digitales.
Pero desde la perspectiva de la infraestructura, en realidad hay una complementariedad natural entre ambos.
Los agentes de IA son excelentes para comprender información, analizar el entorno, generar estrategias, tomar decisiones y ejecutar tareas; Web3 puede proporcionar identidad digital, cuentas de cartera, propiedad de activos, pagos programables, registros on-chain, protocolos abiertos y ejecución verificable.
Dicho de otra forma: la IA se encarga de “pensar y actuar”, mientras que Web3 se encarga de “identidad, activos, liquidación y prueba”.
Si en el futuro los agentes de IA solo ayudaran a los usuarios a escribir correos o hacer presentaciones, no necesariamente necesitarían Web3. Pero si los agentes de IA empiezan a gestionar activos digitales, a llamar protocolos on-chain, a participar en mercados de predicción, a ejecutar estrategias de automatización, a completar pagos entre máquinas y máquinas, y a ajustar recursos por sí mismos, entonces la cartera, las cuentas on-chain, los activos digitales y los registros verificables podrían convertirse en una infraestructura importante.
Esa es también la razón por la que IA × Web3 realmente merece la atención de los VC. No es solo una suma simple de dos conceptos de moda, sino un problema más profundo: cuando el software empieza a tener capacidad de actuar, ¿también necesita su propia cuenta, activos y un sistema de liquidación?
Desde la perspectiva de VC, los tres problemas realmente importantes sobre IA × Web3
Para los inversores, si una nueva vertical merece una observación a largo plazo, a menudo no depende de si el concepto está de moda, sino de si crea nuevas capacidades, genera nuevas relaciones económicas y forma una nueva capa de infraestructura.
Primero, ¿se han creado nuevas capacidades?
Los cambios tecnológicos realmente valiosos normalmente no consisten en renombrar un producto existente, sino en crear capacidades que antes no eran posibles.
La mayor transformación al combinar agentes de IA y Web3 es que: el software ya no solo proporciona información; empieza a tener capacidad de percepción continua del entorno, juicios autónomos, llamar fondos y protocolos, y ejecutar procesos complejos.
Esto significa que el software podría pasar de “herramienta” a “participante”.
Segundo, ¿se crean nuevas relaciones económicas?
En el internet tradicional, el software sirve principalmente a las personas. En la era de los agentes, podría haber cada vez más transacciones entre agentes y personas, transacciones entre agentes y plataformas, y transacciones entre agentes y agentes.
Si la inteligencia artificial puede comprar datos de forma autónoma, pagar tarifas de API, llamar a potencia de cómputo, configurar activos y ejecutar tareas on-chain, entonces la máquina misma podría convertirse en un nuevo agente económico.
Esto también es el llamado “Agent Economy”, el espacio imaginativo central de la economía de agentes.
Tercero, ¿se forma una nueva capa de infraestructura?
Lo que más le importa a los VC a menudo no es una aplicación de corto plazo, sino quién tiene la oportunidad de convertirse en la infraestructura base del ecosistema de la próxima generación.
En la era del internet móvil, la infraestructura incluye sistemas operativos, servicios en la nube, pagos y tiendas de aplicaciones.
En la era de los agentes de IA, la nueva infraestructura básica podría incluir identidades de agentes, carteras de agentes, programación de modelos, acceso a datos, ejecución de tareas, control de riesgos y liquidación on-chain.
La dirección elegida por Vanguard está precisamente en esta zona de intersección.
El punto de entrada de Vanguard: hacer que la IA pase del juicio a la ejecución
Según el material del proyecto, Vanguard no se definió como un simple chatbot ni como una herramienta de señales de trading. Su sistema tecnológico central se centra en el motor inteligente VGQuant.
El sistema intenta conectar datos en tiempo real, análisis de IA, juicios de estrategia, control de riesgos, el proceso de ejecución, retroalimentación de resultados e iteración del modelo.
El material del proyecto muestra una arquitectura en cuatro capas: la capa inferior es el núcleo inteligente de VGQuant; la capa de interacción es la plataforma de agentes de IA; la capa de aplicación es el DApp VGMatrix; y la capa de usuario es una interfaz personalizada.
Esta arquitectura intenta conectar los datos de base, las capacidades del modelo, la colaboración entre agentes y las aplicaciones on-chain en un solo conjunto.
Desde la perspectiva de VC, el enfoque de este diseño no es “cuánta IA utiliza”. Lo que realmente merece la pena observar es si puede formar un ciclo cerrado técnico completo, desde la percepción de datos hasta la ejecución final.
Porque en la era de los agentes, el mayor salto tecnológico quizá ya no sea “quién puede responder más preguntas con su modelo”, sino “quién puede hacer que la IA complete tareas de forma confiable en un entorno real”.
Seis agentes: el experimento multiagente de Vanguard
Otro diseño importante de Vanguard es que no intenta que un único modelo de IA haga todo el trabajo. Según el material del proyecto, el sistema se compone de seis agentes inteligentes profesionales que colaboran entre sí, y cada uno se encarga de tareas distintas.
RECON: agente de inteligencia
RECON se encarga de escanear noticias globales, sentimiento en redes sociales, datos on-chain, eventos macro y cambios en mercados de predicción. Su función se parece más a la de un sistema de inteligencia 24/7.
En el proceso tradicional, una noticia necesita pasar por “la ve una persona—la entiende una persona—la analiza una persona—y una persona decide si actuar”. En un sistema de agentes, el objetivo es comprimir este flujo en: ocurre un evento—percepción automática—análisis estructurado—decisión de estrategia—e incorporación al flujo de ejecución.
RAPTOR: agente de reconocimiento de oportunidades
RAPTOR se encarga de identificar posibles fallas de precios en los mercados de predicción.
La particularidad de los mercados de predicción es que no negocian productos tradicionales, sino la probabilidad de que ocurran eventos futuros. La velocidad de difusión de información en el mundo real es diferente, los juicios de los distintos participantes también difieren y la profundidad del mercado también es distinta; por ello, podrían presentarse desviaciones de precios en el corto plazo.
El papel de RAPTOR es intentar identificar estas relaciones anómalas entre precios.
Desde un punto de vista técnico, esto no es simplemente “predecir subidas o bajadas”, sino buscar inconsistencias lógicas entre diferentes precios.
AEGIS: agente de control de riesgos
Cualquier sistema de IA orientado a la ejecución no puede buscar solo oportunidades. También debe saber cuándo no debería ejecutar.
AEGIS se encarga de monitorear anomalías, realizar juicios de umbrales de riesgo, gestionar límites de posiciones, ejecutar protecciones y, cuando sea necesario, activar un mecanismo de corte por riesgo (freno).
Desde la perspectiva de VC, los sistemas de riesgos suelen ser más importantes que las estrategias de trading por sí solas. Porque lo que realmente determina si un sistema automatizado puede operar a largo plazo no es cuánto gana en los mejores momentos, sino si puede sobrevivir en los peores.
NEXUS: agente de liquidez
La oportunidad teórica no significa que necesariamente se pueda ejecutar en la realidad. El mercado real también depende de factores como profundidad, volumen, deslizamiento, uso de capital y costos de ejecución.
El papel de NEXUS es determinar cómo se asigna el capital entre diferentes mercados y pools de liquidez.
PULSE: agente de momento oportuno
PULSE se encarga de ejecutar en el momento oportuno.
En mercados que cambian rápido, con la misma estrategia, un segundo antes o un segundo después puede significar costos completamente diferentes. Por eso, el sistema no solo necesita saber “qué hacer”, sino también decidir “cuándo hacerlo”.
ANCHOR: agente de rebalanceo
ANCHOR se encarga de ajustar dinámicamente la asignación de activos. Incluso si una estrategia única funciona, si hay una concentración excesiva durante mucho tiempo, podría generar nuevos riesgos.
Por lo tanto, el sistema necesita procesar de manera continua la concentración de fondos, el equilibrio de la cartera, los cambios del mercado y la exposición al riesgo.
El verdadero significado de los seis agentes no está en el nombre en sí, sino en que representa una nueva forma de diseñar software: en el futuro, los sistemas complejos quizá ya no estén a cargo de un único modelo súper avanzado para realizar todas las tareas, sino que se logre mediante la colaboración de múltiples agentes profesionales.
¿Por qué los mercados de predicción podrían convertirse en un campo de pruebas importante para agentes de IA?
Desde la perspectiva de VC, los mercados de predicción son un escenario muy interesante. Porque combinan características como datos en tiempo real, resultados claros, cambios frecuentes de información, probabilidades negociables y liquidación de activos digitales.
Esto lo convierte en un entorno natural para probar agentes de IA. Un sistema de agentes debe completar tareas como obtener noticias, comprender eventos, juzgar el impacto, identificar cambios de precios, evaluar riesgos, elegir el momento de ejecución y registrar el resultado final.
El material del proyecto describe este proceso como un ciclo cerrado de ocho pasos: recolección de datos, toma de decisiones, ejecución de operaciones, registro de resultados, análisis de atribución, actualización de la estrategia, iteración del modelo y optimización para la próxima ocasión.
Esto es diferente de la IA tradicional en el punto clave: en la IA tradicional, la tarea termina después de generar la respuesta; en un agente, la tarea realmente comienza después de ejecutarse.
Porque el sistema también necesita saber si el resultado es correcto, por qué tuvo éxito, por qué falló y cómo ajustarlo en la próxima ocasión.
El valor de Web3: hacer que el resultado de ejecución pueda rastrearse
Uno de los mayores problemas de los agentes de IA es la confianza.
Cuando una IA te dice “ya ejecuté la tarea”, ¿cómo lo demuestras?
En el internet tradicional, muchos registros de ejecución se guardan en la base de datos propia de la plataforma. La plataforma controla los datos, los permisos, los registros y los resultados.
Y los sistemas on-chain ofrecen otra posibilidad: los registros de ejecución pueden volverse rastreables, llevar marcas de tiempo, ser difíciles de alterar y poder verificarse de forma pública.
Esto no significa que todos los sistemas de IA deban estar on-chain. Pero en escenarios que involucren activos, pagos, operaciones y liquidaciones, la verificabilidad se vuelve cada vez más importante.
Esa también es una de las lógicas fundamentales por las que Vanguard combina agentes de IA con aplicaciones on-chain. Según el material del proyecto, el sistema de datos de VGQuant conecta múltiples fuentes, como datos on-chain, datos de bolsas, información de mercados de predicción, oráculos y sentimiento de noticias.
Desde la perspectiva del capital, el valor potencial de este diseño no es solo “trading automático”. Lo más importante es que intenta construir un sistema que la IA pueda percibir, decidir y ejecutar, y que además pueda verificarse.
El verdadero foso competitivo no será solo “usamos IA”
En los próximos años, cada vez más proyectos afirmarían que cuentan con IA, agentes, Web3 y automatización. Por lo tanto, el concepto en sí no será un muro de contención a largo plazo.
La competencia real se concentrará en cinco aspectos: datos, ejecución, control de riesgos, verificabilidad y aprendizaje continuo.
Primero, datos
¿El sistema cuenta con fuentes de datos estables, en tiempo real, de alta calidad y sostenibles?
Segundo, ejecución
¿El juicio que emite el modelo puede convertirse realmente en una ejecución confiable? Muchos problemas de productos de IA no es que no analicen, sino que no pueden completar el “último kilómetro”.
Tercero, control de riesgos
¿El sistema puede identificar anomalías, limitar pérdidas, detener ejecuciones erróneas y hacer frente a situaciones extremas?
Cuarto, verificabilidad
Lo que el sistema afirma que hizo, ¿puede ser verificado desde el exterior?
Quinto, aprendizaje continuo
¿El resultado de la ejecución puede entrar en nuevos modelos y estrategias? Si no se logra formar un ciclo cerrado de retroalimentación, el agente de IA puede degenerar fácilmente en un simple script de automatización.
La competitividad a largo plazo de Vanguard también dependerá finalmente de estas capacidades, y no solo de la cantidad de agentes, de cuántos parámetros tenga el modelo ni de lo novedoso que sea el concepto.
De la narrativa de capital hacia la validación real
La historia de IA × Web3 es grande, pero cuanto más grande es la historia, más necesita validación real.
Para Vanguard, los problemas que el mercado mirará de verdad en el futuro incluyen: si el sistema funciona realmente, si los seis agentes pueden colaborar de manera estable, si las fuentes de datos son confiables, si los mecanismos de riesgo son efectivos, si los resultados de ejecución se pueden rastrear, si la estrategia puede adaptarse a largo plazo a diferentes mercados, y si los indicadores técnicos pueden verificarse de manera independiente.
El material del proyecto muestra el sistema de datos multisource de VGQuant, los seis agentes y un ciclo cerrado completo de ejecución.
Pero para cualquier nueva infraestructura financiera de IA emergente, la confianza real no proviene de PPT, sino de una entrega continua, transparente y verificable.
Ese es también el reto común que todos los proyectos de agentes de IA deben enfrentar en el futuro.
Sobre la empresa y la base de cumplimiento
Según el material del proyecto de Vanguard, Vanguard Crypto Intelligence ya completó el registro de la empresa en el estado de California, Estados Unidos.
El material también muestra FinCEN Money Services Business, es decir, la información del registro MSB.
Cabe aclarar que el registro MSB de FinCEN forma parte del sistema de registro y notificación regulatoria, y no equivale a que el gobierno de EE. UU. o FinCEN aprueben y respalden cualquier modelo de negocio, producto de inversión, estrategia de transacción, token o desempeño de rendimientos.
Desde la perspectiva de VC y del desarrollo empresarial a largo plazo, lo realmente importante sigue siendo la conformidad continua, la capacidad real de negocio, la entrega técnica, el control de riesgos y la transparencia.
La próxima generación de Internet podría no ser solo “las personas usan software”
La lógica central de los últimos 30 años de Internet ha sido: las personas usan software, hacen clic en botones y las personas completan las transacciones.
Y la aparición de agentes de IA podría traer cambios nuevos. En el futuro, podría tratarse de software que comprende objetivos de forma proactiva, descompone tareas, llama herramientas, completa pagos, ejecuta operaciones y aprende continuamente.
En este contexto, los participantes en el internet ya no serían solo humanos; también podrían incluir numerosos agentes de IA con cuentas, con activos, capaces de llamar servicios y capaces de completar transacciones.
Web3 aporta activos y liquidación; la IA aporta inteligencia y toma de decisiones.
Cuando ambos comienzan a combinarse, surge un nuevo problema: en la economía digital del futuro, ¿se convertirán los agentes de IA en nuevos participantes económicos?
Ahí es donde IA × Web3 es más digno de ser observado a largo plazo por el mercado de capitales.
La posición de Vanguard
Lo que Vanguard eligió no es un relato simple de “IA + monedas”. Al menos desde la dirección de su arquitectura técnica, busca explorar la combinación de: agentes de IA, colaboración de múltiples agentes, mercados de predicción, ejecución on-chain, retroalimentación de datos e iteración continua.
Desde la perspectiva de inversión, el verdadero valor de esta dirección radica en que intenta responder una pregunta de largo plazo: ¿cómo pasa la IA de ser software que “piensa”, a software que puede actuar en la economía digital?
La respuesta aún no está completamente formada y este sector sigue en una fase temprana.
Pero precisamente por eso, el área de intersección entre agentes de IA y Web3 podría convertirse en uno de los experimentos tecnológicos más valiosos para observar de forma continua en los próximos años.
Y Vanguard espera convertirse en un participante de infraestructura en este experimento.
Sobre Vanguard
Vanguard es una plataforma tecnológica construida alrededor de agentes de IA, el motor inteligente VGQuant, mercados de predicción y ejecución on-chain.
Según el material del proyecto, el sistema de múltiples agentes incluye el agente de inteligencia RECON, el agente de reconocimiento de oportunidades RAPTOR, el agente de control de riesgos AEGIS, el agente de liquidez NEXUS, el agente de momento oportuno PULSE y el agente de rebalanceo ANCHOR.
La dirección tecnológica central del proyecto consiste en impulsar que la IA pase gradualmente de ser una herramienta tradicional de análisis de información a convertirse en un sistema autónomo capaz de percibir, juzgar, colaborar, ejecutar, retroalimentar e iterar.