IronClaw 1.0 acaba de darle a $NEAR staking un caso de uso real más allá del rendimiento. Aquí tienes el desglose completo de qué cambió, por qué la arquitectura se mantiene sólida y qué significa si tienes posiciones.
El problema de la mayoría de los #AI agentes
Cada framework de agentes creado hasta ahora comparte la misma debilidad estructural. El modelo que decide qué hacer está cableado directamente en las credenciales que posee, las herramientas que puede llamar y la memoria que conserva, todo integrado en un solo sistema sin separación entre ellos. Eso significa que una mala decisión, una herramienta comprometida o una conexión caída pueden borrar el progreso o exponer un acceso que nunca debió haber tenido, desde el principio.
@NEAR Protocol construyó IronClaw 1.0 específicamente para eliminar ese riesgo. En vez de un sistema enredado, la arquitectura separa lo que un agente decide de lo que en realidad se le permite ejecutar, enroutando cada acción a través de una única capa de coordinación que NEAR llama guard. Nada llega al mundo exterior hasta que supera ese checkpoint, y las acciones sensibles requieren aprobación explícita antes de ejecutarse, no después. Las credenciales tampoco se entregan directamente a las herramientas: se emiten una sola vez, con un alcance limitado, y se borran de los registros en el momento en que cumplen su propósito.
Los números del benchmark y por qué importan
Ejecutándose sobre el mismo modelo base en cada prueba, deepseek-v4-flash, #IronClaw currently encabeza tres benchmarks separados que estresan cada uno un tipo distinto de tarea:
PinchBench: 93.5%, en 147 tareas del mundo real que abarcan planificación, programación e investigación
ClawBench: 88.6%, evaluado en más de 140 sitios web de producción en vivo, en lugar de entornos de sandbox
OfficeQA: 76.4%, construido de forma independiente por Databricks para evaluar el razonamiento en aproximadamente 89,000 páginas de documentos financieros densos
Lo valioso en lo que hay que detenerse es que el modelo base en sí mismo no es nada especial. IronClaw no está ganando porque NEAR haya entrenado un modelo más afilado por debajo, está ganando porque la arquitectura alrededor de un modelo ordinario es la que hace el trabajo pesado. Ese es un resultado mucho más difícil de falsificar y una ventaja muchísimo más duradera para construir que un puntaje de benchmark inflado por una adaptación (fine-tune) personalizada.
Dónde encaja realmente el staking en todo esto
Esta es la parte que la mayor parte de la cobertura pasa por alto por completo: trata el staking como un gesto vago hacia la seguridad de la red sin explicar nunca qué compra esa seguridad. #NEARAI hizo esa conexión tangible. El staking $NEAR no solo se queda ahí acumulando rendimiento: se convierte directamente en créditos mensuales de cómputo, en una proporción en la que, aproximadamente, cada 100 NEAR en staking desbloquea cerca de cinco dólares en créditos utilizables. Esos créditos financian el alojamiento de IronClaw y la inferencia confidencial sin tarjeta de crédito y sin una cuenta de facturación de un tercero en ningún punto del proceso. Si haces unstake en cualquier momento, tu NEAR original vuelve completamente intacto, ya que el mecanismo convierte el rendimiento y la asignación (allowance) en lugar de tocar el principal.
Esto replantea el staking de una postura pasiva a una capa literal de medición para el cómputo de IA descentralizado. Cada agente que suma este ecosistema, IronClaw hoy, OpenClaw a medida que el espacio madura, arrastra una demanda genuina al mismo capital en staking que asegura la cadena por debajo de todo. Cuantos más agentes se construyan sobre esta infraestructura, más ese mecanismo de staking se vuelve estructural y soporte de carga, en lugar de algo opcional.
Lo que esto significa hacia adelante
Un agente que guarda puntos de control a través de interrupciones en lugar de perder el progreso, que requiere aprobación explícita antes de que ocurra cualquier cosa sensible, y que lleva la misma memoria entre CLI, Slack, Telegram y la web, es un producto funcional, no una maqueta. Combínalo con un modelo de staking que conecta el uso real con la seguridad de la red y obtienes un ciclo de crecimiento para este ecosistema que no necesita ciclos de hype para seguir funcionando: la adopción en sí misma genera la demanda.
¿Atar el staking directamente a la demanda de cómputo cambia la forma en que piensas sobre la tesis a largo plazo de $NEAR, o se necesitan más agentes en producción en vivo antes de que ese caso quede completamente demostrado?