Por Canuto  

Circle Research presentó Anduin, un framework experimental que utiliza grafos de pagos onchain para evaluar proveedores de servicios para agentes de IA. Según la evaluación de sus autores, manipular una reputación mediana habría requerido gastar cerca del 20% del historial de pagos del comprador objetivo, frente al 0,9% de una metodología de referencia.
***

  • Anduin relaciona compradores y proveedores a través de pagos, en lugar de basarse solo en estrellas o recuentos de uso.
  • En la evaluación, el costo estimado de manipular reputaciones fue unas 23 veces mayor que con un modelo de filtrado colaborativo.
  • El framework es experimental, no requiere un token nuevo y se probó con 66.073.201 pagos x402 por unos USD $6,1 millones.

 

Una reputación basada en los pagos

Circle Research presentó Anduin, un framework que busca ayudar a los agentes de inteligencia artificial a evaluar qué proveedores de servicios merecen su confianza. La propuesta, descrita por Reza Ramji, Preston Vander Vos, Ziming Zeng y Duc V. Le, parte de un problema que los investigadores identifican en los marketplaces de agentes: las calificaciones y los recuentos de uso pueden manipularse por menos de un centavo.

En lugar de tomar las estrellas o la cantidad de transacciones como señales suficientes, Anduin analiza el rastro de pagos onchain. Su mecanismo organiza la información en un grafo bipartito que conecta, por un lado, a quienes compran servicios y, por otro, a quienes los ofrecen. Una línea entre ambos representa un intercambio de dinero, y el mapa resultante permite observar relaciones económicas que las puntuaciones agregadas pueden ocultar.

La lógica del framework consiste en propagar señales de reputación por rutas de pago que los autores consideran confiables para un comprador. En términos prácticos, un proveedor podría parecer más creíble si clientes a los que ese comprador ya paga, y otros proveedores que reciben dinero de esos clientes, también le han pagado. Así, el sistema busca aprovechar conexiones económicas existentes en vez de tratar cada calificación como una opinión aislada.

Ese enfoque apunta a dificultar los ataques Sybil, en los que un actor crea múltiples identidades falsas para aparentar respaldo o popularidad. El ejemplo cotidiano sería el dueño de un restaurante que publica decenas de reseñas positivas bajo nombres distintos, aunque el sistema de Anduin no se limita a reseñas: examina quién pagó a quién. El diseño no vuelve imposible la manipulación, pero intenta elevar su costo para quien quiera alterar la percepción de un comprador concreto.

Qué encontró la evaluación

Los investigadores evaluaron el framework con actividad registrada entre el 23 de marzo y el 26 de agosto de 2026. El conjunto de datos incluyó 66.073.201 pagos x402, cuyo valor total rondó los USD $6,1 millones. La mediana de cada pago fue de USD $0,01, una escala que ilustra el tipo de transacciones pequeñas que pueden producirse cuando un agente compra acceso a datos o solicita servicios digitales.

El resultado más destacado fue una comparación del costo que supondría manipular una reputación mediana dentro de un marketplace. Según el análisis de los autores, bajo Anduin un atacante tendría que comprometer aproximadamente el 20% del gasto histórico total de un comprador al que quisiera influir. La cifra describe el esfuerzo económico estimado dentro de las condiciones evaluadas, no una garantía de que el sistema pueda impedir toda falsificación.

Como punto de comparación, los investigadores utilizaron un modelo de filtrado colaborativo, una técnica de recomendación asociada con sugerencias basadas en lo que otras personas compraron. En ese escenario de referencia, el ataque equivalente tendría un costo cercano al 0,9% del gasto histórico del comprador objetivo. La diferencia llevó al equipo a estimar que manipular la reputación sería unas 23 veces más caro con Anduin.

De acuerdo con la evaluación, el aumento del costo no vino acompañado de una pérdida significativa en la precisión de las recomendaciones: el framework mantuvo resultados similares a los de esos modelos de referencia. Esa comparación importa porque un sistema puede encarecer el fraude y, al mismo tiempo, dejar de ser útil si recomienda mal. Sin embargo, los datos describen una ventana y un conjunto de actividad específicos, por lo que no establecen por sí solos cómo rendiría Anduin en todos los marketplaces.

Una pieza experimental dentro de la infraestructura de agentes

Anduin no requiere crear un token nuevo y sus autores lo describen como compatible con los estándares x402 y ERC existentes. La ausencia de un activo propio evita que la propuesta dependa de un token dedicado para representar reputación, aunque no resuelve por sí sola los desafíos de adopción o gobernanza. Por ahora, el framework permanece en una etapa experimental temprana.

La iniciativa se relaciona con el trabajo previo de Circle en infraestructura para agentes. En mayo de 2026, la compañía presentó Circle Agent Stack, una suite de herramientas para que los agentes puedan mantener fondos y realizar transacciones con USDC, entre ellas pagos mediante x402. Ese estándar de pagos web sirve como base para el conjunto de datos evaluado, al permitir que el software pague directamente por servicios en línea mediante transferencias pequeñas.

La propuesta también responde a una limitación que los investigadores atribuyen a los rankings tradicionales: pueden ser vulnerables a la manipulación y no necesariamente explican hacia dónde se dirige el tráfico de un mercado. Al examinar los pagos entre compradores y proveedores, Anduin intenta ofrecer una lectura de las relaciones de actividad y no solo una lista ordenada por popularidad. Para los marketplaces, esa diferencia podría ser relevante cuando los agentes eligen servicios de forma automatizada.

El alcance de la prueba invita a la cautela: los más de 66 millones de pagos sumaron aproximadamente USD $6,1 millones, con una mediana de apenas un centavo por operación, y cubrieron poco más de cinco meses de actividad. Los investigadores presentan el sistema como experimental, no como una defensa ya probada para cualquier mercado ni como una solución que elimine el fraude. Su aporte central es una hipótesis económica: vincular reputación con rutas de pago confiables puede hacer más caro engañar a un comprador, sin exigir un token nuevo.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados