El cofundador de Ethereum, Vitalik Buterin, ha presentado una arquitectura de agentes de IA enfocada en la privacidad que combina acceso a APIs mediante pruebas de conocimiento cero, enrutamiento de red basado en Tor y modelos de lenguaje ejecutados localmente. El diseño por capas busca reducir la exposición de datos que suele acompañar a los flujos de trabajo asistidos por IA. La conclusión es la minimización de datos por diseño: cada contraparte en un flujo de trabajo determinado —el servicio consultado, la ruta de red, el proveedor del modelo— queda posicionada para ver solo lo que su rol requiere.

La privacidad como una pila, no como una corrección de una sola capa

La configuración propuesta aborda la privacidad como un problema de pila en lugar de una solución de una sola capa. Cada componente responde a una superficie de ataque distinta: cómo los agentes acceden a los servicios externos, cómo se enruta su tráfico de red y dónde se ejecuta realmente la inferencia del modelo. Buterin, quien ya había señalado los riesgos de la criptografía en la IA como una preocupación a corto plazo, presenta la combinación como una forma de limitar lo que cualquier parte puede observar sobre la actividad de un agente. (Cobertura relacionada: THORChain rechaza la lista negra del hackeo de Bitget mientras Vitalik opina.)

zkAPI: acceso a servicios externos preservando la privacidad

La capa zkAPI está diseñada para permitir que un agente de IA consulte fuentes de datos o servicios externos sin revelar el contexto completo de una solicitud. Las pruebas de conocimiento cero permiten a un demostrador acreditar que una consulta cumple ciertas condiciones sin revelar los datos subyacentes, lo que reduce lo que un proveedor de servicios puede inferir sobre los objetivos del agente. Este enfoque extiende el mismo razonamiento criptográfico que Buterin ha aplicado a los sistemas de identidad hacia la capa de acceso a APIs para agentes autónomos.

Tor: separar los metadatos de red del contenido de las solicitudes

Enrutar el tráfico de los agentes a través de Tor se describe como un medio para separar los metadatos a nivel de red —en concreto, direcciones IP y patrones de tiempos— del contenido de las solicitudes de los agentes. Incluso con cargas cifradas, un observador pasivo en una conexión convencional puede correlacionar los patrones de solicitudes con el comportamiento del agente a lo largo del tiempo. El enrutamiento en capas de Tor introduce múltiples saltos de retransmisión que rompen esa correlación, aunque añade latencia y no elimina todos los riesgos de análisis de tráfico.

LLMs locales: mantener las interacciones con el modelo en el dispositivo

Ejecutar el modelo de lenguaje localmente es la tercera capa, y quizás la más trascendente para la minimización de datos. Cuando la inferencia ocurre en una API remota, cada prompt y cada respuesta son visibles para el proveedor del modelo. La ejecución local, con modelos de pesos abiertos desplegados en hardware de consumo o de servidor, elimina por completo esa exposición. El énfasis de Buterin en este componente coincide con su interés más amplio en la intersección de Ethereum con la IA, donde la soberanía de los datos y la verificabilidad son temas recurrentes.

Lo que la propuesta significa para la infraestructura privada de de IA

Cerrar múltiples canales de observación a la vez

La arquitectura destaca por tratar cada capa de forma independiente. Un sistema que solo usa LLMs locales sigue filtrando metadatos si el tráfico no se oculta; uno que solo usa Tor sigue exponiendo el contenido de los prompts a un proveedor remoto. Al apilar zkAPI, Tor e inferencia local, la configuración busca cerrar múltiples canales de observación simultáneamente en lugar de intercambiar una exposición por otra.

Por qué la privacidad depende de la implementación y de la práctica operativa

Ninguno de los tres componentes garantiza por sí solo el anonimato, y su combinación tampoco. Las pruebas de conocimiento cero requieren un diseño cuidadoso de los circuitos para evitar fugas de información a través de la estructura de la consulta. Tor ofrece una privacidad de red probabilística, no absoluta. Los modelos locales varían en capacidad frente a las API de frontera, lo que crea una disyuntiva práctica entre privacidad y rendimiento. El esquema que describió Buterin es una dirección de diseño, no una especificación de producto terminada.

La propuesta aporta un punto de referencia arquitectónico concreto para los equipos que construyen infraestructura de agentes autónomos donde la minimización de los datos del usuario es una restricción de diseño: un espacio de problemas en la intersección de los entornos descentralizados de entrenamiento de agentes de IA y las herramientas de privacidad on-chain. Que la pila completa sea práctica a escala dependerá de cómo maduren el rendimiento de los modelos locales y las herramientas zkAPI en el corto plazo.

Aviso: este artículo tiene fines informativos únicamente y no constituye asesoramiento financiero ni de inversión. Los mercados de criptomonedas y activos digitales conllevan riesgos significativos. Siempre investiga por tu cuenta antes de tomar decisiones.