Responsable de criptomonedas de Visa: Las ocho principales tendencias de evolución de Crypto y AI en 2026

null

Autor original: Cuy Sheffield, Vicepresidente y responsable de criptomonedas en Visa

Traducción original: Saoirse, Foresight News

A medida que las criptomonedas y la IA avanzan hacia la madurez, los cambios más importantes en estos dos campos ya no son “teóricamente posibles”, sino que pueden implementarse de manera confiable en la práctica. Actualmente, ambas tecnologías han superado umbrales clave, logrando mejoras significativas en rendimiento, pero la adopción práctica aún no es uniforme. La dinámica principal para 2026 surge precisamente de esta brecha entre “rendimiento y adopción”.

A continuación, comparto algunos de los temas centrales en los que he estado enfocado a largo plazo, así como mis reflexiones preliminares sobre la dirección de desarrollo de estas tecnologías, los ámbitos de acumulación de valor, e incluso sobre “por qué el ganador final podría ser completamente diferente a los pioneros del sector”.

Tema 1: Las criptomonedas están en transición de ser activos especulativos a tecnologías de alta calidad

El primer decenio del desarrollo de las criptomonedas se caracterizó por su “ventaja especulativa”: su mercado es global, continuo y altamente abierto, y su alta volatilidad hace que las transacciones en criptomonedas sean más dinámicas y atractivas que en los mercados financieros tradicionales.

Pero, al mismo tiempo, su tecnología subyacente aún no estaba preparada para aplicaciones masivas: en sus primeras etapas, las blockchains eran lentas, costosas y con poca estabilidad. Fuera de los escenarios de especulación, las criptomonedas casi nunca superaron en costo, velocidad o conveniencia a los sistemas tradicionales existentes.

Hoy en día, esta situación de desequilibrio comienza a revertirse. La tecnología blockchain se ha vuelto más rápida, económica y confiable, y los escenarios de aplicación más atractivos para las criptomonedas ya no son la especulación, sino la infraestructura — especialmente en los procesos de liquidación y pagos. A medida que las criptomonedas se consolidan como tecnologías más maduras, su papel central en la especulación se irá debilitando: no desaparecerá por completo, pero dejará de ser la principal fuente de valor.

Tema 2: Las stablecoins son un logro claro de la “utilidad pura” en las criptomonedas

Las stablecoins difieren de las narrativas anteriores sobre las criptomonedas, ya que su éxito se basa en estándares concretos y objetivos: en ciertos escenarios, las stablecoins son más rápidas, de menor costo y con mayor cobertura que los métodos tradicionales de pago, además de integrarse sin problemas en los sistemas de software modernos.

Las stablecoins no requieren que los usuarios consideren las criptomonedas como una “ideología” a la que deben adherirse; su aplicación suele ocurrir de manera “implícita” dentro de productos y flujos de trabajo existentes — esto permite que instituciones y empresas que antes consideraban a las criptomonedas “demasiado volátiles y poco transparentes” puedan entender claramente su valor.

Se puede decir que las stablecoins ayudan a que las criptomonedas vuelvan a centrarse en la “utilidad” en lugar de la “especulación”, estableciendo un estándar claro para el éxito en su implementación práctica.

Tema 3: Cuando las criptomonedas se convierten en infraestructura, la “capacidad de distribución” es más importante que la “innovación tecnológica”

En el pasado, cuando las criptomonedas actuaban principalmente como “herramientas de especulación”, su “distribución” era intrínseca: los nuevos tokens solo necesitaban “existir” para que acumulasen liquidez y atención de forma natural.

Pero cuando las criptomonedas se convierten en infraestructura, sus escenarios de aplicación cambian del “nivel de mercado” al “nivel de producto”: se integran en procesos de pago, plataformas y sistemas empresariales, y los usuarios finales a menudo no perciben su existencia.

Este cambio favorece a dos tipos de actores: por un lado, las empresas con canales de distribución existentes y relaciones confiables con clientes; por otro, las instituciones con licencias regulatorias, sistemas de cumplimiento y estructuras de gestión de riesgos. Solo con “novedad en los protocolos” ya no basta para impulsar una adopción masiva de las criptomonedas.

Tema 4: Los agentes de IA tienen valor práctico, y su impacto va más allá del campo de la codificación

La utilidad de los agentes de IA (Intelligent Agents) se vuelve cada vez más evidente, pero su papel a menudo se malinterpreta: los agentes más exitosos no son “tomadores de decisiones autónomos”, sino “herramientas para reducir costos de coordinación en los flujos de trabajo”.

Desde la historia, esto se refleja claramente en el desarrollo de software: las herramientas de agentes aceleran la codificación, depuración, refactorización y configuración de entornos. Pero en los últimos años, este “valor de herramienta” se está expandiendo a muchos más ámbitos.

Por ejemplo, herramientas como Claude Code, aunque se posicionan como “herramientas para desarrolladores”, reflejan una tendencia más profunda: los sistemas de agentes están convirtiéndose en “interfaces para trabajos de conocimiento”, y no solo en programación. Los usuarios comienzan a aplicar “flujos de trabajo impulsados por agentes” en investigación, análisis, escritura, planificación, procesamiento de datos y operaciones — tareas que son más “trabajos profesionales generales” que programación tradicional.

Lo verdaderamente importante no es la “programación en sí misma”, sino el patrón central que la respalda:

• Los usuarios delegan “objetivos e intenciones”, no “pasos específicos”;

• Los agentes gestionan “contexto” a través de múltiples archivos, herramientas y tareas;

• El modo de trabajo pasa de “progresión lineal” a “iteración y diálogo”.

En todos los ámbitos del trabajo del conocimiento, los agentes son buenos para recopilar contexto, ejecutar tareas limitadas, reducir transiciones y acelerar iteraciones, pero aún tienen limitaciones en “juicio abierto”, “responsabilidad” y “corrección de errores”.

Por ello, la mayoría de los agentes utilizados en producción aún necesitan “limitar su alcance, ser supervisados y estar integrados en sistemas”, en lugar de operar completamente de forma autónoma. Su valor real radica en la “reestructuración de los flujos de trabajo del conocimiento”, no en “sustituir mano de obra” o “lograr autonomía total”.

Tema 5: Los cuellos de botella de la IA se han desplazado de la “capacidad inteligente” a la “confianza”

El nivel de inteligencia de los modelos de IA ha avanzado rápidamente, pero los límites actuales ya no son “la fluidez del lenguaje o la capacidad de razonamiento”, sino “su fiabilidad en sistemas reales”.

En entornos productivos, no hay tolerancia para tres problemas: primero, las “alucinaciones” de la IA (generación de información falsa); segundo, resultados inconsistentes; y tercero, modos de fallo opacos. Cuando la IA se involucra en atención al cliente, transacciones financieras o cumplimiento, los resultados “aproximados” ya no son aceptables.

La “confianza” se construye sobre cuatro bases fundamentales: primero, resultados rastreables; segundo, capacidad de memoria; tercero, verificabilidad; y cuarto, la capacidad de exponer “incertidumbre” de forma proactiva. Hasta que estas capacidades maduren, la autonomía de la IA debe limitarse.

Tema 6: La ingeniería de sistemas determina si la IA puede implementarse en entornos productivos

Un producto de IA exitoso considera el “modelo” como un “componente” y no como un “producto terminado”: su confiabilidad proviene del “diseño de la arquitectura”, no de la “optimización de prompts”.

El “diseño de la arquitectura” incluye gestión de estados, control de flujo, sistemas de evaluación y monitoreo, así como mecanismos de manejo y recuperación ante fallos. Por ello, el desarrollo de IA se asemeja cada vez más a la “ingeniería de software tradicional” en lugar de a la “investigación de frontera”.

El valor a largo plazo se inclina hacia dos actores: uno, los constructores de sistemas; y dos, los propietarios de plataformas que controlan flujos de trabajo y canales de distribución.

A medida que las herramientas de agentes se expanden desde la codificación hacia investigación, escritura, análisis y operaciones, la “ingeniería de sistemas” será aún más importante: el trabajo del conocimiento suele ser complejo, dependiente de estados y muy contextual, por lo que los agentes que puedan gestionar de forma confiable la memoria, las herramientas y las iteraciones serán más valiosos que aquellos que solo generan salidas.

Tema 7: La contradicción entre modelos abiertos y control centralizado genera problemas de gobernanza aún sin resolver

A medida que las capacidades de los sistemas de IA aumentan y su integración en la economía se profundiza, la cuestión de “quién posee y controla los modelos de IA más potentes” genera tensiones centrales.

Por un lado, la investigación en IA de vanguardia sigue siendo “intensiva en capital”, y debido a “acceso a computación, políticas regulatorias y geopolítica”, la concentración continúa creciendo; por otro lado, los modelos y herramientas de código abierto, impulsados por “experimentación amplia y despliegue sencillo”, siguen iterando y mejorando.

Este patrón de “concentración y apertura coexistentes” genera una serie de problemas pendientes: riesgos de dependencia, auditabilidad, transparencia, poder de negociación a largo plazo y control sobre infraestructura clave. El resultado más probable es un “modelo híbrido”: los modelos de vanguardia impulsan avances tecnológicos, mientras que los sistemas abiertos o semiabiertos integran esas capacidades en “software ampliamente distribuido”.

Tema 8: Las monedas programables impulsan nuevos flujos de pago con agentes inteligentes

Cuando los sistemas de IA participan en los flujos de trabajo, su demanda de “interacción económica” crece: por ejemplo, pagar por servicios, llamar APIs, pagar recompensas a otros agentes inteligentes o liquidar “tarifas de interacción basadas en uso”.

Esta demanda reaviva el interés en las “stablecoins”: se consideran como “moneda nativa para máquinas”, con capacidades de programación, auditabilidad y sin necesidad de intervención humana para transferencias.

Por ejemplo, protocolos como x402, orientados a desarrolladores, aunque aún en fase experimental, apuntan claramente a un futuro en el que los flujos de pago funcionarán en “forma de API” en lugar de las tradicionales “pantallas de pago”: permitiendo transacciones continuas y precisas entre agentes de software.

Este campo aún está en desarrollo: los volúmenes de transacción son pequeños, la experiencia del usuario es rudimentaria y los sistemas de seguridad y permisos todavía se perfeccionan. Pero la innovación en infraestructura suele comenzar en estas “primeras exploraciones”.

Lo importante no es “por qué hacerlo solo por autonomía”, sino “que cuando el software pueda realizar transacciones mediante programación, nuevas formas de economía serán posibles”.

Epílogo

Tanto en criptomonedas como en inteligencia artificial, en las etapas iniciales se prioriza “conceptos llamativos” y “tecnología innovadora”; en la siguiente fase, “fiabilidad”, “gobernanza” y “capacidad de distribución” serán dimensiones clave de competencia.

Hoy en día, la tecnología en sí misma ya no es la principal limitación; lo crucial es “integrar la tecnología en sistemas reales”.

En mi opinión, la característica distintiva de 2026 no será “un avance tecnológico revolucionario”, sino “el acumulamiento estable de infraestructura”: estas infraestructuras, operando en silencio, están remodelando silenciosamente la “forma en que fluye el valor” y “los modos de trabajo”.