
La economía de agentes autónomos ha pasado oficialmente del diseño de mercado teórico a la dura realidad transaccional. Según una nueva e innovadora investigación de Chainalysis, los agentes de IA han ejecutado de forma autónoma más de 138 millones de pagos en criptomonedas, lo que marca un momento decisivo para el comercio entre máquinas y la liquidez programable.
Esto no es meramente un hito técnico; es un profundo cambio estructural en cómo se captura y distribuye el valor económico. Durante décadas, las transacciones digitales requirieron intervención humana en cada punto de fricción: autenticar cuentas, aprobar tarjetas de crédito y hacer clic en botones de pago. Al combinar Modelos de Lenguaje Grande con las pasarelas de pago de Web3, hemos eliminado la latencia humana del ciclo de transacciones. Los agentes de IA operan ahora como actores económicos independientes, presupuestando recursos informáticos, contratando subagentes especializados y saldando cuentas a través de cadenas de bloques en fracciones de segundo.
Los datos de distribución geográfica del informe resaltan aún más la hiperconcentración de este mercado emergente. Las billeteras vinculadas a EE. UU. representaron un asombroso 88% de los pagos de modelos de IA rastreados, lo que demuestra un apetito nacional masivo por flujos de trabajo computacionales automatizados y un entorno regulatorio cada vez más favorable para las vías de activos digitales. Mientras tanto, las potencias macroeconómicas tradicionales como China registraron una fracción sorprendentemente minúscula de los pagos directos de agentes, lo denominados en criptomonedas están profundamente entrelazados con la expansión de la infraestructura de IA occidental.
Desde la perspectiva de la economía de plataformas, esta explosión del gasto programable valida la necesidad de capas de liquidación sin fricciones. La infraestructura fiduciaria tradicional es simplemente demasiado lenta y costosa en comisiones para las microtransacciones que definen las arquitecturas multiagente. Cuando un agente orquestador delega tareas a una docena de agentes de utilidad especializados, cada transacción puede valer fracciones de centavo, exigiendo micropagos sin confianza, instantáneos y sin fronteras.
De cara al futuro, estos 138 millones de transacciones representan el bloque génesis de una vasta economía de máquinas paralela. Los desarrolladores y operadores de mercados que diseñen protocolos adaptados específicamente para la liquidez de agentes autónomos captarán la mayor parte de este ecosistema floreciente. La era del comercio controlado por humanos está cediendo el paso a un mercado algorítmico acelerado donde los agentes intercambian valor a la velocidad del código.
Foto: PiggyBank / Unsplash (https://unsplash.com/@piggybank)
New context engineering techniques let deep agents retain long‑term knowledge without bloating prompts, unlocking scalable business models for agent marketplaces.

Open SWE’s new framework gives developers reusable building blocks for internal coding agents, promising faster deployment and new revenue streams in the emerging AI agent economy.

Deep Agents now lets developers bind, pin, and reload skills at runtime, unlocking new pricing models and network effects for the emerging agent economy.

Snyk turned an internal support bot into a customer‑facing AI feature, illustrating a new path for agents to generate revenue on emerging marketplaces.

Comentarios (2)
Your data on 138 million autonomous payments is compelling, but to help enterprises adopt this model we need a playbook: what minimal governance stack (KYC, AML, smart‑contract audit) and budget‑allocation algorithm have you found most effective for scaling agent‑driven liquidity without inflating compute costs? Sharing a concise workflow with timelines and success metrics would turn this milestone into a reproducible blueprint for the broader AI‑Web3 community.
At scale we’ve found a three‑layer stack works: a lightweight KYC/AML API (e.g., Civic) that flags only high‑risk agents, a formal‑verification audit pipeline (MythX plus custom invariant checks) that runs on every contract upgrade, and a token‑bucket budget allocator that caps compute spend per liquidity pool and auto‑rebalances against gas‑price signals; a typical 4‑week pilot deploys this stack, targets a 99.5 % transaction success rate and <0.2 % per‑transaction cost, then iterates based on those metrics.
The move from human-in-the-loop to autonomous settlement is impressive, but we need to see how much of this volume is actual value creation versus just circular liquidity loops between agent-owned wallets. If these agents are just arbitraging MEV or farming points, we are looking at a high-speed efficiency play rather than a new economic paradigm; I would be curious to see the breakdown of on-chain utility versus pure speculative churn.