Hace un tiempo estuve investigando OpenLedger, y el concepto de Payable AI que proponen es realmente atractivo—hacer que los modelos de IA paguen por el uso de datos y distribuyan automáticamente las ganancias a los contribuyentes. Cuando salió esta narrativa, muchos pensaron que finalmente alguien venía a solucionar el problema de la explotación de datos en la IA. Yo también lo pensé al principio, pero al sentarme a hacer cuentas, me di cuenta de que la cosa no es tan sencilla.
Este proyecto básicamente está haciendo una cosa: liquidar automáticamente a las personas que proporcionan datos según su contribución, por los costos generados en el uso de la IA. La lógica es correcta y, técnicamente, se está avanzando. Pero hay una pregunta que no deja de rondar en mi cabeza: ¿de dónde sale realmente ese dinero? ¿Es una demanda externa real la que está pagando, o es el ecosistema interno girando gracias a actividades de incentivos?
Intenté desglosar el modelo de reparto de tarifas de llamada. El costo generado por una inferencia de IA debe dividirse en varias partes: el desarrollador del modelo toma una parte, el proveedor de potencia computacional toma otra, la aplicación del frontend toma una, el nodo de verificación toma una, y el protocolo toma una tarifa de plataforma. Supongamos que una llamada cuesta 0.01 dólares, suena bien, pero después de cuatro o cinco capas de distribución, la parte que realmente llega a las manos del contribuyente de datos podría ser menos de una décima parte. Si este número no tiene apoyo en volumen, prácticamente se puede ignorar.
Por supuesto, si el precio por llamada es lo suficientemente alto, la situación cambia. He imaginado varios escenarios: instituciones financieras llamando a modelos privados de análisis de inversión, despachos legales utilizando modelos de revisión de contratos, hospitales llamando a modelos de diagnóstico asistido—en esos casos, el valor por llamada podría ser de varios dólares o incluso decenas de dólares, lo que después de la división se convierte en una cantidad que se puede ver. Pero si se trata solo de escenarios generales, como hacer un resumen de un artículo o responder algunas preguntas de sentido común, la tarifa de llamada es tan baja que después de dividir, ni siquiera cubriría el precio de un té con leche.
Esto nos lleva a una observación clave: para que este mecanismo funcione, depende en gran medida de la implementación de escenarios de alto valor. No es que los escenarios generales no sean útiles, sino que en situaciones donde el precio por unidad es extremadamente bajo, los contribuyentes apenas sienten los beneficios, lo que rápidamente disminuirá su motivación para participar. Y la barrera de entrada para escenarios de alto valor es clara—los datos médicos involucran cumplimiento de privacidad, los datos financieros requieren alta precisión y oportunidad, y ni hablar de los requisitos de profesionalismo para los datos legales. No se pueden resolver solo con un evento de incentivos.
Otro punto que me preocupa es la transparencia de los ingresos. Teóricamente, la prueba de atribución debería permitir que cada contribuyente vea claramente: qué modelo llamó a mis datos, cuántas veces, y cuánto obtuve en cada ocasión. Pero si este algoritmo de atribución no es público y no puede ser verificado, ¿en qué se diferencia de la distribución opaca de una plataforma centralizada? En pocas palabras, la distribución automática de beneficios depende de la contabilidad automática, y la contabilidad automática depende de que el algoritmo sea supervisado. Si no se puede lograr esto, toda la narrativa pierde valor.
Comparando con Bittensor, estos dos proyectos siguen rutas completamente diferentes. El mecanismo de Bittensor se asemeja más a un juego de suma cero, todos compiten por clasificaciones y tratan de obtener cuotas de emisión, el ganador se lo lleva todo. OpenLedger enfatiza la cooperación y la ganancia mutua, cada contribuyente toma lo que necesita, y el valor de los datos se evalúa de forma independiente. Desde una perspectiva de concepto, OpenLedger se acerca más a la distribución justa ideal que la gente espera, pero el costo es la complejidad de implementación que es mucho mayor. El juego de suma cero, aunque cruel, tiene reglas claras y se ejecuta de forma sencilla; la cooperación y la ganancia mutua requieren una demanda más madura, un volumen de llamadas más estable y un mecanismo de distribución más transparente; sin una de estas piezas, no puede funcionar.
He estado con este proyecto por un tiempo, desde la fase conceptual hasta el lanzamiento de la mainnet, he sido testigo de muchos avances y he pasado por varias dudas. Para ser honesto, las soluciones tecnológicas como la liquidación de derechos de autor de datos, la trazabilidad en la cadena y la distribución automática de beneficios realmente abordan un punto crítico de la industria. Una de las mayores injusticias en la industria de la IA es que los proveedores de datos son sistemáticamente ignorados. Que alguien esté dispuesto a hacer esto de manera seria, ya tiene su valor.
Pero al mismo tiempo, no quiero dejar de lado los problemas solo porque la narrativa suene bien. Lo que realmente necesita ser probado ahora no es si la tecnología puede funcionar—probablemente sí lo hará—sino si hay usuarios reales dispuestos a pagar de manera continua por la llamada a los datos. Si la mayoría de las llamadas provienen de actividades de incentivos del protocolo en sí, en esencia eso es como mover dinero de un bolsillo a otro, lo cual no es sostenible. Solo cuando la demanda externa realmente ingrese, el volante podrá comenzar a girar.
Para aquellos que están interesados en este proyecto, personalmente creo que se deben observar dos señales: primero, si hay un volumen estable de llamadas externas en la cadena, en lugar de un aumento pulsante durante las actividades; segundo, si hay miembros en la comunidad de contribuyentes que pueden verificar públicamente su ruta de ingresos, desde la llamada hasta la distribución, cada paso puede ser rastreado. Si aparecen estas dos señales, significa que el proyecto ha entrado en una fase de operación sustantiva. Si no aparecen, aún está en la fase de validación conceptual.
Dicho esto, cualquier cosa nueva en el mundo Web3 tiene que pasar por esta fase. Desde la duda hasta la validación, y de la validación a la aceptación, cada paso filtra un grupo de proyectos y deja a los equipos que realmente están trabajando. Si OpenLedger puede convertirse en uno de esos, no se determina por el libro blanco, sino por los datos en la cadena. DYOR, haz tu propia investigación, maneja tu propia billetera.
