Ir al contenido

Red de Recuerdo

23 sept 202520 min

Introducción

Los últimos dos años han visto una explosión de agentes de AI autónomos y un auge paralelo en redes crypto que buscan redefinir la forma en que las economías digitales interactúan con los humanos. A medida que los modelos de AI impulsan cada vez más la toma de decisiones y las transferencias de valor, ha surgido una brecha de confianza pronunciada. Las salidas de AI siguen siendo susceptibles a la manipulación, los benchmarks de rendimiento se manipulan fácilmente, y los usuarios a menudo deben aceptar las afirmaciones de un agente sin validación independiente.

En respuesta, el ethos central de crypto de verificabilidad está emergiendo como la pieza potencialmente faltante. La capacidad para una infraestructura neutral creíble permite la confianza en sistemas AI al proporcionar mecanismos transparentes y robustos para validar acciones y resultados de agentes.

Esto ha catalizado una nueva narrativa donde primitivas onchain se utilizan para verificar la inteligencia misma. Recall Network se sitúa en la intersección de AI y crypto como el “motor de descubrimiento sin confianza” y capa de reputación para agentes AI, con el objetivo de traer la misma transparencia y rigor al rendimiento AI que las blockchains trajeron a las transacciones financieras.

Lanzado a principios de 2025 como una fusión de dos equipos veteranos de datos Web3 (3Box Labs de Ceramic y Textile de Tableland), Recall hereda una profunda experiencia en infraestructura de datos descentralizada. Recall Network es un protocolo descentralizado diseñado específicamente como la capa de reputación para AI. En términos simples, proporciona una plataforma neutral donde las herramientas y sistemas de AI pueden demostrar sus capacidades y construir una reputación con el tiempo.

Recall proporciona un entorno abierto y basado en méritos para agentes autónomos en dominios que van desde bots de trading hasta generadores de contenido. El rendimiento se mide en base a resultados transparentes y validados de manera independiente. Hasta la fecha, han recaudado $30M de Multicoin, Coinbase Ventures, Coinfund, USV y muchos más.

Infographic showing Recall Network’s fundraising backed by leading crypto investors.
Source: Cryptorank – Recall Network Fundraise

Puntos clave

  • La Brecha de Confianza de la AI Es Estructural: La AI se está extendiendo en finanzas, empresas y aplicaciones de consumo, pero el descubrimiento aún depende del hype y demostraciones en lugar de un rendimiento probado. Sin una capa de reputación, los agentes capaces permanecen ocultos mientras que los sobrevalorados reciben atención.
  • Los Benchmarks Tradicionales Están Rotos: Las leaderboards estáticas y conjuntos de pruebas son estrechos y manipulables, produciendo agentes frágiles que sobreajustan en lugar de generalizar.
  • Competencias como el Estándar de Oro: Las competencias de IA en vivo proporcionan tareas renovables, resistentes a fugas, evaluación dinámica y rigor que los benchmarks estáticos no pueden. Recall aprovecha esta estructura para crear competencias auditables que los agentes deben pasar continuamente para construir reputación.
  • Recall Rank Hace que la Reputación sea Portátil: El rendimiento de IA en las competencias de Recall se compone en una puntuación persistente y rastreable a través de Recall Rank. Esto crea una señal de confianza duradera en la que los agentes, empresas y consumidores pueden confiar en diversos contextos.
  • $RECALL Incentivos: El token $RECALL soporta la entrada a competencias, staking y curación, convirtiendo la reputación de AI en un activo invertible. Los curadores obtienen ganancias solo al respaldar AI que rinden, creando dinámicas de skin-in-the-game que desalientan la manipulación.

El Ascenso de la Economía de la AI y la Brecha de Confianza

Estamos entrando en lo que muchos llaman la era agentic de la IA, representando un cambio de herramientas de IA aisladas hacia agentes autónomos que pueden tomar decisiones, ejecutar transacciones e interactuar entre sí con una supervisión humana mínima. Los casos de uso abarcan finanzas (bots de trading algorítmico), creación de contenido, asistentes personales, flujos de trabajo empresariales y más. Toma Virtuals’ clúster de Autonomous Hedge Fund, por ejemplo, donde el usuario simplemente interactúa con un agente intermediario. El agente luego explora qué mercados se adaptan mejor al perfil de riesgo y apetito del usuario a través de una red de otros rendimientos DeFi, trading y agentes de memecoining.

Diagram of Virtuals’ Autonomous Hedge Fund cluster in the AI agent economy.
Source: Virtuals Protocol Docs – Virtuals’ Autonomous Hedge Fund Cluster

En medio de este rápido crecimiento, un desafío fundamental persiste: confianza y descubrimiento. A medida que aumenta el número de agentes AI (y los modelos subyacentes), identificar cuáles AI son competentes y confiables se vuelve más complejo.

Hoy en día, no existe un equivalente a una puntuación crediticia o a las clasificaciones de búsqueda de Google para productos de IA. En su lugar, el descubrimiento a menudo depende de señales superficiales, como demostraciones llamativas, popularidad en redes sociales o branding corporativo. Todas estas son señales que pueden ser engañosas o fácilmente falsificadas, lo que significa que los agentes verdaderamente capaces podrían permanecer ocultos en el ruido mientras que los sobrevalorados atraen la atención.

Además de eso, en un mercado donde “green candles = project good and red candle = project bad”, la atención simplemente salta al siguiente coin de proyecto de IA que 10x’ed en la semana pasada, incluso si la moneda no sirve para ningún propósito o tiene alguna utilidad. La economía de la IA, por lo tanto, enfrenta una brecha de confianza donde cada agente anuncia sus capacidades en la misma (o ligeramente diferente) cámara de eco.

Perspectiva del Mercado: Flujos Entre Agentes de Crypto, Empresas y Consumidores

La intersección de IA y redes crypto abre flujos económicos completamente nuevos, a menudo descritos en tres segmentos: A2A (Agente a Agente), A2B (Agente a Empresa), y A2C (Agente a Consumidor). Cada uno representa una frontera que podría desbloquearse mediante una capa de confianza:

  • Agente a Agente (A2A): Herramientas y agentes de IA cooperando o transaccionando directamente entre sí onchain. Este es un dominio naciente pero prometedor donde clústeres de agentes especializados intercambian servicios, datos o habilidades 24/7 sin intervención humana. Ejemplos tempranos están emergiendo. Por ejemplo, protocolos como Virtuals han propuesto estandarizar la colaboración de agentes a través de marcos, permitiendo que los agentes negocien y ejecuten tareas entre sí, como se ve en su clúster de Autonomous Hedge Fund.

Para que A2A prospere, los agentes necesitan señales confiables sobre las capacidades de los demás, como un sistema de calificación para agentes. La infraestructura de Recall podría servir exactamente como un oráculo de reputación que los agentes consultan antes de decidir confiar y pagar a otro agente. En efecto, Recall puede habilitar un mercado libre de AIs, donde los agentes confiables encuentran más negocio de sus pares.

  • De agente a empresa (A2B): Agentes de IA que ofrecen servicios a empresas o protocolos. Esto incluye agentes autónomos que gestionan fondos de tesorería para un DAO, bots de IA que manejan el soporte al cliente o las operaciones para empresas, o agentes que proporcionan análisis y predicciones a firmas de trading.

Esto fue muy popular durante el auge de la IA onchain en el Q4 2024, siendo el más notable ai16z, que fue uno de los primeros DAOs en integrar IA para la gestión de tesorería, inversión y capital de riesgo (imitando a la renombrada firma a16z).

Chart displaying AI16z DAO’s assets under management (AUM).
Source: X:@internetphysics – AI16z daos.fun AUM
  • De agente a consumidor (A2C): Estos son agentes que sirven directamente al usuario final, como asistentes personales o asesores de inversión autónomos para individuos. Crypto entra en juego proporcionando rieles de pago, identidad y portabilidad de datos para estos agentes. Por ejemplo, un agente contable de AI podría cobrar micro-tarifas en stablecoins por x minutos de trabajo, y actualizar su conocimiento desde repositorios de datos de estándares contables onchain.

Para que los consumidores adopten tales agentes, los usuarios necesitan la garantía de que el “AI advisor” tiene un historial de rendimiento sólido, como cuando revisas las opiniones de un restaurante antes de ir.

En todos estos flujos, el filtrado de señales verificables es la necesidad común. El Foro Económico Mundial ha delineado que “La confianza es la nueva moneda en la economía de agentes de AI”, y se construirá sobre historiales de rendimiento y comportamiento predecible. Recall quiere abordar precisamente este problema estableciendo un registro público onchain de quién (o qué) puede hacer qué, creando la capa de confianza de AI a través de aplicaciones de consumo, servicios empresariales y redes de agentes.

Survey results on trust and acceptance of AI systems.
Source: KPMG, University of Melbourne – Survey on Trust & Acceptance of AI Systems

Por qué los Benchmarks Tradicionales de AI Quedan Cortos

El stack de benchmarking de IA legacy, que comprende leaderboards, conjuntos de pruebas estáticos y demos seleccionados a mano, falla en retornar resultados confiables. Tres modos de falla recurrentes se delinean en un paper de investigación de Princeton sobre “AI Agents That Matter”:

  • Primero, usualmente son estáticosyestrechos, a menudo evaluando modelos en datasets fijos o tareas que a menudo representan pobremente la complejidad y dinamismo del mundo real. Es una cosa que un modelo de AI lidere un leaderboard en un entorno controlado, pero algo completamente diferente realizar de manera consistente en entornos dinámicos, rápidamente cambiantes, de alto ruido (como mercados financieros o redes abiertas).
  • Muchos benchmarks son manipulables o opacos. Los equipos a menudo optimizan específicamente para superar la prueba, a veces explotando peculiaridades en la métrica de evaluación en lugar de lograr una inteligencia verdaderamente generalizada.
  • Una mentalidad centrada solo en la precisión que ignora el costo, la fiabilidad y la generalizabilidad. El resultado final son agentes que parecen fuertes en el papel pero fallan en tareas que requieren planificación de horizonte largo, uso de herramientas y recuperación de errores.

En el informe de benchmark del Agente de Uso de Computadora (CUA) de OpenAI, se utilizaron las siguientes herramientas de benchmarking:

Screenshot of OpenAI’s Computer-Using-Agent benchmark report.
Source: OpenAI – OpenAI Computer-Using-Agents Benchmark Report
  • OSWorld evalúa agentes que operan entornos de escritorio completos (Ubuntu/Windows/macOS) mediante píxeles, ratón y teclado. OSWorld contiene un total de 369 tareas (y 43 tareas adicionales en Windows para análisis). OSWorld se presenta como un entorno de computadora real escalable, el primero de su tipo (es decir, un benchmark tan dinámico como existe).
Diagram of OSWorld benchmarking methodology.
Source: OSWorld Github – OSWorld Benchmarking Methodology
  • Los humanos fueron capaces de completar más del 72.36% de las tareas en OSWorld, en comparación con el agente de mayor precisión actual que se sitúa en 47.3% con fluctuaciones drásticas en el rendimiento del agente frente al rendimiento humano consistente en diferentes tipos de tareas informáticas.
Graph comparing human and AI agent results in OSWorld benchmarks.
Source: OSWorld Github – OSWorld Baseline Results
  • WebArena y WebVoyager son benchmarks que evalúan el rendimiento de agentes de navegación web en la completación de tareas del mundo real utilizando navegadores. WebArena utiliza sitios web de código abierto autoalojados sin conexión para imitar escenarios del mundo real en comercio electrónico, gestión de contenido de tiendas en línea (CMS), plataformas de foros sociales y más. WebVoyager prueba el rendimiento del modelo en sitios web en vivo en línea como Amazon, GitHub y Google Maps.

El CUA de OpenAI estableció la barra en 58.1% frente a una tasa de éxito humana del 78.2%. Notablemente, las puntuaciones de tasa de éxito han aumentado casi 4 veces en un lapso de 2 años.

Leaderboard results for AI agents on WebArena tasks.
Source: WebArena – WebArena Leaderboard

Los humanos pueden lograr un promedio de 70-80% de manera consistente en estos benchmarks, sin embargo, la varianza para los agentes difiere greatly entre diferentes benchmarks, lo que resalta la posible falta de capacidad dinámica y el sobreajuste a ciertos benchmarks. Todos estos benchmarks tradicionales generan señales no portátiles con puntuaciones que ni persisten a lo largo del tiempo ni se traducen en una reputación verificable que los agentes puedan llevar a nuevos contextos.

La solución normativa implica la optimización conjunta de costo, precisión y pipelines de evaluación reproducibles, como se describe en el artículo “AI Agents That Matter”. Lo que se necesita es un nuevo tipo de benchmark para AI agents que sea continuo (dinámico a lo largo del tiempo), transparente y difícil de manipular, y que produzca un perfil de reputación duradero. Esto es exactamente lo que Recall busca resolver con sus competiciones onchain y Recall Rank. Al evaluar agents en entornos en vivo y registrar el contexto completo de su rendimiento, Recall crea una puntuación de reputación constantemente actualizada para cada AI agent o herramienta.

Qué Realmente Funciona: Competencias

Un consenso creciente es que el uso de competiciones de AI estructuradas es el estándar de oro para el rigor empírico. Proveen un flujo renovable de tareas novedosas, se ejecutan en paralelo (miles de enfoques evaluados de manera comparable en un punto en el tiempo), e incorporan prácticas anti-filtración. La filtración se refiere a cuando un modelo de AI está expuesto injustamente a información sobre el conjunto de prueba, de modo que su puntuación de benchmark refleja memorización o atajos en lugar de verdadera capacidad. Por lo tanto, las prácticas anti-filtración incluyen mantener los datos de prueba ocultos después de la evaluación, ejecutar modelos en entornos seguros sin acceso a internet, y otras medidas.

Diagram comparing sequential vs. parallel AI evaluation structures.
Source: arXiv – Comparing sequential and parallelized evaluation structures.

Recuerda como Capa de Calificación Neutral de la IA

Recall Network propone ser la capa neutral de calificaciones y descubrimiento para AI. La propuesta de valor es directa pero muy necesaria en el actual paisaje fragmentado de AI, ofreciendo una única fuente de verdad para la calidad de los agentes. Su objetivo es desarrollar un sistema de reputación algorítmico para agentes AI, similar a cómo las agencias de crédito sirven a las finanzas personales o cómo PageRank se usó para clasificar sitios web.

Cualquier AI, independientemente de quién lo haya construido o dónde se ejecute, puede registrar su rendimiento en Recall y ganar un rango que es visible para todos. Esta neutralidad es crítica para medir las capacidades reales de AI.

Recall no compite construyendo sus propios bots, ni favorece a una IA sobre otra; simplemente miden y destacan la inteligencia. Al hacerlo, proporciona calificaciones creíbles e imparciales en las que los desarrolladores, usuarios y otros protocolos pueden confiar. La puntuación de una IA está respaldada por prueba onchain (datos y resultados registrados en el ledger), no por el presupuesto de marketing de la IA o por quién es su creador.

El enfoque de Recall es verificable y transparente de principio a fin. Todos los datos subyacentes, como resultados de competiciones, distribuciones de stake y registros de actividad de agentes, son accesibles públicamente, permitiendo que cualquiera audite por qué un agente dado tiene la puntuación que tiene.

Screenshot of Recall’s agent portfolio interface.
Source: Recall Agent Portfolio – Agent Portfolio

Primitivas de Diseño Central de Recall

Recall tiene un diseño composable que le permite convertirse en la capa de infraestructura, haciendo posible que cualquier AI coordine y compita de manera trustless. Un AI puede adquirir conocimiento offchain y tener ese conocimiento y rendimiento registrado onchain y calificado a través de Recall Rank con un económicostake. El sistema se puede dividir en tres capas interactuantes: el Competition system, el RankingEngine, y el EconomicCurationLayer.

Competencias Onchain

El módulo de competencia de Recall es donde las AIs demuestran físicamente sus habilidades. Estas competencias están diseñadas para ser torneos o desafíos impulsados por contratos inteligentes desplegados onchain. Cada competencia se define por una tarea (trading, coding, forecasting, etc.), una configuración/entorno de evaluación, una lógica de puntuación y parámetros de recompensa.

Distribution chart of AgentRank scoring.
Source: Recall Competitions Page – AgentRank Scoring Distribution

Cuando una competencia está activa, las AI (enviadas por desarrolladores o incluso otros sistemas de AI) se conectan al protocolo Recall y reciben la entrada de la tarea en tiempo real. Luego ejecutan sus estrategias, como un bot de trading realizando operaciones en un mercado de prueba, o un agente de codificación resolviendo rompecabezas de programación y enviando salidas o acciones de vuelta onchain. Los contratos inteligentes rastrearán cada movimiento: entradas proporcionadas, salidas devueltas, tiempo tomado y cualquier métrica de rendimiento como ganancia y pérdida o precisión.

Debido a que todos los agentes enfrentan condiciones idénticas, la competencia produce una comparación justa y directa del rendimiento de los agentes. Y crucialmente, el hecho de que la competencia sea en vivo significa que las habilidades de un agente se evalúan en entornos dinámicos en tiempo real en lugar de en un entorno de laboratorio estático.

Todas las interacciones se registran en la blockchain (o en una red de datos offchain anclada onchain) como transactions o events. Esto significa que el ciclo de vida completo de la competencia, desde el inicio hasta las puntuaciones finales, es auditable a posteriori. Una vez que la competencia termina, los resultados se finalizan (ganadores, rankings de agents, etc.), y cualquier recompensa se distribuye automáticamente, a menudo en tokens o premios y aumentos en Recall Rank, pero incluso los no ganadores obtienen un registro permanente de experiencia en la blockchain.

Screenshot of Recall AlphaWave competition overview.
Source: Recall Competitions – Recall AlphaWave Competition

Por ejemplo, AlphaWave fue un concurso de agentes de trading con un premio de $25k. Más de 1,000 equipos de agentes compitieron, y cada operación que ejecutaron en el concurso fue registrada. Los ganadores recibieron premios y vieron actualizarse su Recall Rank, mientras que los resultados de todos los participantes se agregaron a sus currículos onchain. La competencia también crea un agradable efecto secundario al generar subproductos valiosos como conjuntos de datos (las estrategias y resultados pueden usarse para mejorar algoritmos), creando externalidades positivas para la comunidad de AI.

Leaderboard results of AlphaWave trading competition.
Source: Recall Competitions – Recall AlphaWave Competition Results

Recall Rank Reputation Engine

Encima de los datos crudos de las competiciones y la memoria se encuentra el motor Recall Rank, que son los algoritmos y contratos inteligentes que calculan la puntuación de reputación de cada AI. En la práctica, Recall Rank sintetiza múltiples señales:

  1. Rendimiento verificable en los desafíos onchain de Recall (qué tan bien el agente realmente se desempeña en tareas competitivas),
  2. Stake comunitario a través de un sistema de curación (más sobre esto en breve), y
  3. Consistencia a lo largo del tiempo (los agentes obtienen puntuaciones más altas por resultados sostenidos y confiables).

Después de cada competencia, las métricas de rendimiento de las AIs se introducen en Recall Rank. El perfil de cada AI en Recall se actualiza: p. ej., el Agent A terminó en el 2º lugar de 500 en un concurso de selección de acciones (top 0.4%), o el Agent B respondió correctamente el 80% de las preguntas en un desafío de P&R, colocándose en el top 10%. Estos resultados ajustan incrementalmente la reputación del agente en dominios relevantes. Recall Rank puede tener una puntuación específica de habilidades (un agente podría tener una puntuación alta en “trading” y una puntuación diferente en “coding,” etc.). Sin embargo, también se puede calcular una puntuación compuesta para reflejar la convicción colectiva como una señal de agentes de alto potencial. Los cálculos exactos y los mecanismos de ponderación para las puntuaciones compuestas aún no se han divulgado.

Los nuevos agentes comienzan con una puntuación de rendimiento inicial de referencia, y a medida que avanzan a través de múltiples competiciones, sus puntuaciones generales de Recall Rank se actualizan en función de su rendimiento en cada competición, junto con una apuesta económica que indica un alto potencial. Como resultado, una curva de distribución muestra dónde se ubicará cada agente entre los 4 cuadrantes.

Distribution curve of Recall Rank scores over time.
Source: X: @Recallnet – Expected distribution of Recall Rank scores over time

El perfil de Recall de un agente mostrará sus colocaciones en competencias pasadas, cualquier galardón (p. ej., ganador de un desafío específico), puntuación(es) actual(es) de Recall Rank, y cuántos votos recibieron en cada competencia bajo “resultados de competencia”.

Screenshot of MoonSage agent’s competition history.
Source: MoonSage Agent Profile – MoonSage Agent Competition History

Capa de Curación Económica

La característica clave es que Recall también incorpora una señal de staking crowdsourced en Recall Rank. Cualquier usuario o incluso otra IA puede stakear tokens $RECALL en una IA como muestra de confianza en el rendimiento futuro de esa IA. Es como colocar una apuesta para respaldar a un jugador en los deportes. Si la IA continúa rindiendo bien, el respaldador puede ganar recompensas (el mecanismo exacto puede involucrar slashing o pools de recompensas, de modo que las apuestas correctas sean recompensadas sobre las incorrectas o de incentivos de la red). También se puede ver como un prediction market sobre el éxito de la IA.

Voting interface for Recall competitions.
Source: Recall Competitions – Recall Competition Voting

Este mecanismo convierte la reputación en un activo invertible al permitir tomar una posición larga o mantenerse neutral sobre el rendimiento futuro de una IA mediante el staking correspondiente. Para los agentes de IA (por ejemplo), tener más stake en ellos aumenta su Recall Rank (porque muchos están avalando por ellos), lo que a su vez atrae a más usuarios para contratarlos. Para los stakers (curadores), es una forma de ganar rendimientos descubriendo talento de IA subvalorado y obteniendo recompensas por ello.

Esto crea una capa de skin-in-the-game sobre los datos de rendimiento crudos, lo que desalienta fuertemente a Sybil o AI falsos de ascender en el ranking (ya que necesitarían atraer stakes económicos reales, que serían reacios sin un rendimiento real). También significa que la reputación tiene peso monetario en la economía de Recall, lo que debería impulsar a los participantes a señalar y respaldar honestamente solo AI creíbles.

Recall Rank así combina el rendimiento técnico con prueba social (basada en el mercado), lo que ayuda a resistir la manipulación ya que un agente no puede comprar una reputación top porque necesitaría un amplio apoyo de stakes monetarios genuinos que crean en él, y los agentes tienen que innovar y performar consistentemente (porque los stakes y scores decaen sin rendimiento continuado).

Recall Predict: Crowdsourcing del Benchmark de los Benchmarks

Predict es una plataforma de pronósticos impulsada por la comunidad que convierte el benchmarking en sí mismo en un mercado para la inteligencia. Predict es un ejemplo temprano de otro tipo de competencia diseñada para impulsar el Recall Rank. Es descrita por el equipo como “el primer benchmark de AI no manipulable del mundo impulsado por predicciones comunitarias”. En lugar de depender de conjuntos de pruebas estáticos que pueden ser sobreajustados o filtrados, Predict aprovecha miles de participantes humanos y de agentes crowdsourced para pronosticar cómo los modelos próximos (p. ej., GPT-5 vs pares) se desempeñarán en diversas categorías de habilidades, reforzando aún más el rol de Recall como el motor de descubrimiento sin confianza de la AI.

Screenshot of Recall Predict benchmarking platform.
Source: Recall Predict

El aspecto principal de Recall Predict es realizar predicciones comparativas sobre las habilidades de los modelos de AI. Para cada categoría de habilidades, se mostrarán pares de modelos, y los participantes predecirán si modelos como GPT-5 serán más fuertes o más débiles que el modelo de comparación. Los participantes pueden enviar prompts para categorías de habilidades específicas, como generación de código, navegación de lagunas éticas, persuasión, mensajería oculta, respeto a solicitudes sin em-dash, y muchas más. Estas son pruebas reales enviadas que se utilizan para comparar modelos.

Example skill evaluation from Recall Predict.
Source: Recall Predict – Skill Evaluation

Incentivos Económicos & Rueda de Crecimiento

Sentado en la capa superior de la capa económica de Recall está el Skill Pool, donde las habilidades se identifican primero como teniendo ciertas demandas para que los agentes las desarrollen. Esto se hace mediante staking de valor económico real detrás de habilidades específicas que ya tienen pools, o iniciando nuevos pools para nuevas habilidades. Los pools con mayor TVL generalmente atraen más atención, con más agentes desarrollándose en ese nicho y más actividad competitiva.

Visualization of Recall skill pools.
Source: X: @Recallnet – Recall Skill Pools

El tamaño de cada Pool de Habilidades determina el porcentaje relativo de las recompensas generales del protocolo $RECALL que fluyen hacia los agentes y curadores de cada habilidad en un período de recompensas dado. Este diseño asegura que las habilidades de alto valor, según lo definido por la comunidad, reciban recompensas proporcionalmente mayores, alineando las recompensas con la demanda y creando efectos de red donde el talento de los agentes, el capital de los stakers y la demanda de los usuarios se agrupan naturalmente alrededor de las habilidades más valiosas, impulsando la participación, aumentando el valor del protocolo y acelerando el descubrimiento de mercado e innovación.

Diagram of $RECALL token flow between skill pools.
Source: X: @Recallnet – $RECALL Flow Between Skill Pools

$RECALL es el token de utilidad fundamental de la red, ya que todas las acciones significativas en Recall están vinculadas a él. Por ejemplo, cuando los agentes transaccionan entre sí en los mercados de Recall (por ejemplo, pagando por datos o servicios), esos pagos podrían ser en $RECALL o incurrir en una tarifa de protocolo en $RECALL. Los usuarios también pagan en créditos $RECALL para acceder y consultar agentes dentro del ecosistema. Además, el staking de liquidez con cada agente también incurrirá en tarifas que se pagan en $RECALL. Por lo tanto, a medida que la economía de IA en Recall se expande en uso, el token captura una parte de ese flujo de valor.

El flywheel está estructurado de tal manera que el éxito de cualquier participante beneficia a la red. Cuando un AI gana una competencia, gana un premio en $RECALL y obtiene un Recall Rank más alto. Un rango más alto lleva a una mayor visibilidad y, en consecuencia, probablemente a una mayor demanda de usuarios y volúmenes de transacciones. Esto atrae stakes de curación más altos, que bloquean más suministro y además impulsan su Recall Rank. Los curadores también continúan ganando recompensas si el agente sigue rindiendo, lo que los incentiva a reinvertir o hacer stake en otros agentes emergentes.

Diagram of $RECALL economic flywheel.
Source: X: @Recallnet – $RECALL Economic Flywheel

Por el contrario, si una AI tiene un bajo rendimiento, los stakers salen perdiendo y pueden retirar su apoyo, lo que reduce el rango de la AI y deja espacio para otros. Esta dinámica asigna capital al mejor uso (la AI más prometedora) en un ciclo continuo, creando esencialmente una gobernanza de libre mercado del talento. Cuanto más se usa la red, más datos se generan, mejorando la calidad de la señal de Recall Rank, lo que a su vez atrae más usuarios y AI (porque las calificaciones son confiables y valiosas), llevando a un mayor uso de tokens y valor.

Conclusión

Recall aborda un desafío fundamental para la era de la AI: proporcionar reputación a escala para la AI. Similar a cómo el Internet temprano requirió motores de búsqueda y sistemas de reputación de puntuaciones de confianza de un sitio web, la AI también necesita esa capa de confianza. Recall está haciendo un caso convincente para ser esa capa al inventar una forma para que la AI demuestre su valor onchain en una competencia con una señal clara de norte (PnL para trading por ahora, pero podría expandirse a cosas como precisión de resultados para apuestas, precisión de diagnóstico para medicina, etc.).

Para inversores, constructores y socios que evalúan la intersección entre AI y crypto, Recall ofrece una pieza original y potencialmente crítica del rompecabezas que podría definir cómo descubrimos y confiamos en AI en los años venideros. En un mundo donde la inteligencia se está convirtiendo en una mercancía, Recall se está posicionando como el mercado y el árbitro de esa mercancía, asegurando que la nueva economía de AI opere sobre pruebas, transparencia y reputación ganada.

Glosario

Term Definition
Static Benchmark Fixed evaluation suite with unchanging datasets and tasks; prone to leakage, overfitting, and obsolescence as models train against or memorize test distributions.
Curation Market Prediction-style staking system where participants back agents with $RECALL as a signal of expected future performance.
Recall Rank Reputation algorithm that assigns persistent scores to AI agents by weighting verifiable competition outcomes, curator staking signals, and recency of performance, producing a portable trust metric.
Proof-of-Intelligence Consensus-by-competition mechanism in which agents demonstrate capability on standardized tasks, with all inputs, outputs, and results logged to generate un-gameable evidence of competence.
Anti-Leakage Practices Design mechanisms that prevent evaluation data from contaminating model training or test exposure.
Reputation Portability Property whereby an agent’s historical performance data persists across contexts, allowing its track record to serve as a reusable credential rather than being siloed to one benchmark or platform.
Generalized Intelligence The ability of an AI system to perform robustly across novel and varied tasks outside its training distribution, contrasting with narrow benchmark-optimized competence.

Referencias

Un entorno web realista para Construir Agentes Autónomos.

Evaluación de referencia de Agentes Multimodales para Tareas de Final Abierto en Entornos Informáticos Reales.

Agentes AI que Importan.

Por qué la Precisión de los Agentes AI No Está Donde Debería Estar.

Las Competencias de AI Proporcionan el Estándar de Oro para el Rigor Empírico en la Evaluación de GenAI.

Divulgaciones

Alea Research mantiene una relación comercial con Recall Network y recibe compensación por servicios de investigación. Este informe ha sido encargado como parte de este compromiso.

Los miembros del equipo de Alea Research, incluidos los analistas directamente involucrados en este análisis, pueden tener posiciones en los tokens discutidos.

Este contenido se proporciona únicamente con fines informativos y educativos. No constituye asesoramiento financiero, de inversión o legal.

Alea Research · 23 sept 2025 · 20 min · 13 secciones

Volver arriba