Después de haber estado en el ámbito de la tecnología financiera durante ocho años, entiendo muy bien las preocupaciones que tienen las instituciones tradicionales sobre los datos de Web3: dicen que "se centran en la innovación", pero en realidad establecen barreras más altas que el cielo. Anteriormente, llevé varios protocolos de datos de Web3 para conectarlos con fondos públicos; o bien el control de riesgos me decía que "la fuente de datos es poco confiable", o bien me quedaba atascado en "documentos de cumplimiento incompletos", y al final todo quedaba en nada. Hasta que @Pythnetwork presentó el plan de la segunda fase del #PythRoadmap, utilizando una combinación de "datos de primera parte + servicios de cumplimiento + $PYTH ecosistema", que realmente logró abrir la puerta de las instituciones. Esto no es solo hacer negocios con datos, claramente ha reconfigurado la lógica de confianza en la industria.


Primero, apuntemos a los puntos críticos: las instituciones no temen a Web3, sino a lo 'poco confiable'.
Las instituciones tradicionales que utilizan datos priorizan la 'estabilidad', en otras palabras, tienen tres demandas clave: los datos deben ser reales, la conformidad debe ser suficiente y el rastreo debe ser claro. Pero los protocolos de datos de Web3 anteriores a menudo han caído en trampas:

Algunas fuentes de datos son 'mezclas de scraping', recolectando datos de plataformas poco conocidas y añadiendo datos simulados para completar, ni siquiera las instituciones se atreverían a usarlos, y nosotros al hacer pruebas también nos sentiríamos inseguros: anteriormente, un protocolo proporcionó un precio de Bitcoin que difería 200 dólares de los de las principales bolsas, alegando que era 'por retraso', cuando en realidad se debía a que la fuente de datos era de muy baja calidad. También hay documentos de conformidad que son un desastre, ni siquiera alcanzando los estándares de la Regulación ATS de la SEC de EE. UU.; el departamento legal de fondos los rechaza inmediatamente, sin mencionar la conexión con bancos y otros organismos fuertemente regulados.

Pero @Pythnetwork no ha tomado ese camino antiguo desde el principio. Ha identificado que 'la fuente de la confianza son los datos', y ha conectado directamente a más de 120 de las principales instituciones globales como 'contribuyentes de datos': como Jump Trading, Jane Street, estos creadores de mercado de Wall Street, Bybit, KuCoin, estas bolsas principales, e incluso departamentos de negociación extrabancaria de bancos tradicionales, todos son sus 'proveedores de datos'. Estas instituciones no proporcionan datos de segunda mano, sino que ofrecen pedidos reales, precios de transacción y datos de liquidez de sus propios sistemas de negociación, lo que equivale a trasladar el 'libro de cuentas del mercado' directamente a la cadena.

Lo más importante es su lógica de agregación, que utiliza un 'algoritmo de atenuación temporal ponderada' para combinar estos datos en un precio justo, no simplemente promediando, sino otorgando mayor peso a los datos de instituciones con actividad comercial y buena reputación. Esto cierra la puerta a la falsificación desde la raíz: ¿quién ha visto a una institución de la magnitud de Jump arriesgar su reputación por un beneficio tan pequeño? Antes, una institución cuantitativa realizó una prueba y encontró que los datos de derivados de acciones de Pyth tenían una tasa de error de menos del 0.01% en comparación con terminales de Bloomberg; esta precisión es suficiente para cumplir con los estándares de las instituciones.


Segundo, as bajo: 'Los datos de primera mano' han cambiado las reglas del juego.
Al interactuar, me di cuenta de que lo más impresionante de Pyth no es que tenga todos los datos, sino su 'paradigma de datos de primera mano'; comparado con otros oráculos, es un golpe de dimensión.

La mayoría de los oráculos tradicionales son 'agregaciones de terceros', que primero recolectan datos de fuentes dispersas y luego los procesan a través de nodos, lo que implica múltiples transferencias y, además de la latencia, los datos ya están distorsionados. Pero Pyth se conecta directamente a la 'fuente de datos'; por ejemplo, si quieres conocer el precio real de Ethereum, simplemente toma los datos de transacciones en tiempo real de Coinbase y Kraken, sin intermediarios que ganen en la diferencia de precios ni problemas de distorsión de datos. Las ventajas que esto trae son demasiado evidentes:

Primero, es ridículamente preciso. Los datos se suben directamente a la cadena desde el sistema de negociación de la institución, eliminando cualquier error en la retransmisión; para productos sensibles al precio como divisas, usar los datos de Pyth para liquidaciones transfronterizas reduce significativamente las pérdidas por cambios de divisas en comparación con proveedores tradicionales. **En segundo lugar, es rápido a nivel de milisegundos**. Sin etapas intermedias que ralentizan, se actualiza el precio cada 400 milisegundos, lo que permite más de 200,000 actualizaciones al día, perfectas para escenarios de 'cada segundo cuenta' como el comercio de alta frecuencia y la liquidación DeFi. Antes, el protocolo de derivados Drift en Solana redujo su tasa de errores en un 90% al cambiar a los datos de Pyth, simplemente porque se resolvió el problema de la latencia. **En tercer lugar, es transparente y verificable**. Todas las fuentes de datos, tiempos de carga y procesos de agregación quedan registrados en la cadena, las instituciones pueden rastrear en cualquier momento a través de un explorador de blockchain, e incluso pueden ver el 'intervalo de confianza' de los datos, como el precio de BTC a 50,000 dólares ± 10 dólares; la calidad de los datos es clara.

Este modelo golpea directamente el talón de Aquiles de los gigantes de datos tradicionales: aquellas plataformas que cobran precios altos basándose en diferencias de información son, en pocas palabras, 'intermediarios', mientras que Pyth salta por encima de estas etapas intermedias, ofreciendo datos de mayor calidad a un costo más bajo; esto es lo que realmente lo convierte en un 'cambiador de reglas del juego'.


Tercero, #PythRoadmap Fase dos: hacer de la 'conformidad' una cuestión de corazón para las instituciones.
Si los datos de primera mano son la 'fuerza dura', el 'producto de suscripción de datos a nivel institucional' lanzado en la fase dos de #PythRoadmap es la 'fuerza blanda' que conecta el último kilómetro.

Para las instituciones que utilizan datos, la documentación de conformidad es incluso más importante que los datos mismos. En el manual de servicios de Pyth, desde la Regulación ATS de la SEC de EE. UU. hasta la MiFID II de la UE, se presentan todas las certificaciones de conformidad de los principales marcos regulatorios globales, e incluso se pueden personalizar 'informes de rastreo de datos' para las instituciones: quién proporcionó los datos originales, cuándo se subieron y cómo se agregaron, todo claramente listado, lo que hace que durante la revisión legal no haya espacio para errores.

Conozco al director de riesgos de un fondo de cobertura que anteriormente evitaba los datos de Web3, pero después de probar Pyth el año pasado tuvo una transformación total: 'Comparé su dato de oro con el de la Bolsa de Londres durante un mes y no hubo una sola discrepancia; el informe de conformidad es más detallado que Bloomberg, y cuando conectamos nuestro sistema de investigación, el departamento legal dio luz verde de inmediato.' Ahora, este fondo ha adoptado a Pyth como su fuente de datos clave para divisas y productos básicos, gastando decenas de miles en tarifas de suscripción cada mes.

Esta capacidad de 'hacer que las instituciones se sientan seguras al usar' es la verdadera ventaja competitiva de Pyth. Hasta ahora, más de 30 instituciones han firmado acuerdos de suscripción, abarcando áreas como comercio cuantitativo, gestión de activos y pagos transfronterizos; los ingresos del tesoro de DAO crecen un 40% cada mes, lo que es prácticamente único en el campo de datos de Web3. Cuarto, $PYTH: no es solo un token, es el 'pegamento de confianza' del ecosistema.
Un proyecto que dure en el tiempo debe tener un diseño de token sólido, y la forma en que $PYTH lo maneja, entendiendo a fondo 'incentivos y gobernanza', también hace que las instituciones se sientan más dispuestas a colaborar a largo plazo.

Primero, hablemos del mecanismo de incentivos: Pyth distribuye $PYTH a los contribuyentes de datos, no es solo 'dar y ya está', sino que se distribuye según los 'puntos de calidad': cuanto más precisos sean los datos, más rápido se actualicen y más activos cubran, más recompensas obtienen. Por ejemplo, un creador de mercado que proporciona simultáneamente datos de criptomonedas y divisas, con una tasa de precisión superior al 99.9%, recibe un premio mensual 50% mayor que si solo proporciona un único tipo de dato. Este modelo de 'mejor trabajo, mejor recompensa' está ampliando cada vez más el reservorio de datos, desde los criptomonedas iniciales, hasta divisas y productos básicos, y el siguiente paso es incluir datos de acciones y bonos.

Lo más crucial es la gobernanza DAO. Parte del dinero que las instituciones suscriben para datos se convierte en $PYTH y entra al tesoro, mientras que otra parte se utiliza para la operación, y los titulares de $PYTH son los 'decisores': cómo gastar el dinero del tesoro, qué nuevos datos añadir, e incluso los estándares de admisión de clientes institucionales, todo debe ser decidido por votación. El mes pasado, la comunidad votó para incluir bancos tradicionales en el rango de clientes y asignó el 15% de los fondos del tesoro para desarrollar interfaces exclusivas para bancos.

Yo mismo he apostado un poco de $PYTH para participar en la gobernanza; aunque mi peso de voto no es grande, cuando se aprobó la propuesta de 'añadir datos en tiempo real sobre petróleo crudo', realmente sentí que 'soy parte del ecosistema'. Este modelo de 'desarrollo liderado por los usuarios' vincula profundamente el valor de $PYTH con el ecosistema, no se sostiene por especulación, sino por la base de clientes institucionales y los ingresos de suscripción.


Quinto, conclusión: detrás de $PYTH está la oportunidad de un mercado de 50 mil millones.
Ahora, mirando hacia atrás, la razón por la cual las instituciones se atreven a usar datos de Web3 es que Pyth ha resuelto el problema central de 'confianza': los datos de primera mano garantizan que 'los datos son reales', el servicio de conformidad asegura que 'son seguros de usar', y el ecosistema de $PYTH garantiza que 'pueden durar'.

El mercado de datos tradicional tiene un valor de 50 mil millones, y los gigantes obtienen precios altos a través del monopolio; el modelo ya está obsoleto. Pero Pyth, de manera descentralizada, ha reducido costos, aumentado precisión y cumplido con la conformidad, lo que representa una tendencia irreversible. Muchos de mis amigos en el círculo financiero han comenzado a acumular $PYTH, no por buscar ganancias a corto plazo, sino por ver su potencial de sustitución en este campo: si en el futuro los clientes institucionales se multiplican, se puede imaginar el valor de $PYTH.

Si también estás buscando proyectos de Web3 que 'tengan aplicación real, respaldo institucional y utilidad clara del token', definitivamente debes estar atento a los avances de @Pythnetwork en #PythRoadmap. Puede que no sea el más popular, pero definitivamente es una de las pocas plataformas que puede conectar Web3 con instituciones tradicionales. Cuando la cobertura de clientes institucionales de Pyth se expanda a más industrias, podríamos ser testigos de una revolución de datos; poseer $PYTH es la mejor manera de participar en esta revolución.

@Pyth Network #PythRoadmapand $PYTH