Inteligencia artificial

Seguimiento de Bitcoin mediante blockchain e IA: qué significa para la privacidad

mm
Publicado el
Añade Securities.io a tus fuentes preferidas en Google

En el núcleo de la red Bitcoin y de otras criptomonedas existe una fuerte tensión.

Por un lado, estas criptomonedas se diseñaron para ofrecer la máxima libertad y anonimato individuales.

Por otro lado, el cumplimiento normativo, las auditorías forenses y la investigación de la ciberdelincuencia requieren atribuir los criptoactivos a personas concretas, identificadas por su nombre, dirección, etc.

Esta tensión ha ido en aumento en los últimos años, a medida que Bitcoin se convirtió en un activo «generalizado», en manos de fondos de inversión, bancos, fondos cotizados regulados, etc.

«Una cuestión clave para los gobiernos es el uso no autorizado de criptomonedas como Bitcoin para cometer ciberdelitos, blanquear dinero y financiar el terrorismo. Contrariamente a las suposiciones aceptadas sobre la solidez del anonimato que ofrece la blockchain de Bitcoin, revelar la identidad real de las personas en esas circunstancias sería moral y legalmente permisible, aunque plantearía un desafío lógico».

En definitiva, en comparación con sus primeros tiempos, de carácter más libertario, el precio actual de Bitcoin podría beneficiarse de un menor nivel de anonimato.

Los avances en aprendizaje automático y otras tecnologías de IA podrían ayudar a «desanonimizar» la titularidad de Bitcoin. Sin embargo, el método debe ser lo bastante fiable para que se pueda confiar en él en casos de uso que impliquen detectar actividades delictivas y satisfacer las exigencias de los reguladores financieros.

Un nuevo estudio de investigadores indios del Pranveer Singh Institute of Technology y Manipal University Jaipur analiza cómo las nuevas mejoras en IA (arquitecturas neuronales integradoras) podrían contribuir a esta tarea y alcanzar una precisión de aproximadamente el 97 %.

«Esta investigación pretende fomentar la expansión del crecimiento económico sin recurrir a medios poco éticos. Los legisladores que busquen fuentes de datos para proyectar la evolución de las criptomonedas basadas en blockchain, las empresas que necesiten garantizar el cumplimiento normativo y evaluar eficazmente los riesgos de las transacciones de Bitcoin en la blockchain, y las fuerzas del orden que deseen examinar e investigar direcciones vinculadas a actividades ilícitas encontrarán valor en estos hallazgos».

Publicaron sus hallazgos en Scientific Reports1, con el título «Desanonimización adaptativa de transacciones en blockchain mediante arquitecturas neuronales integradoras en redes descentralizadas».

De las direcciones a las identidades

Detección de patrones

La mayoría de los intentos por identificar a quienes están detrás de las direcciones de Bitcoin se centran en direcciones individuales. En cambio, este estudio aprovecha la resolución de entidades basada en DSU para descomponer el seudonimato de la blockchain en grupos duraderos de actores o entidades.

También conocida como Union-Find o merge-find, la unión de conjuntos disjuntos (DSU) compara atributos (como el nombre, el correo electrónico o el teléfono) para determinar si dos registros distintos corresponden a la misma persona u objeto del mundo real.

En el contexto de Bitcoin, esto significa agrupar varias direcciones seudónimas de Bitcoin en un único «grupo de entidades» que pertenezca a un mismo actor del mundo real.

Esto es importante porque los usuarios pueden generar un número ilimitado de direcciones públicas, por lo que identificar direcciones individuales no resulta especialmente útil, al menos en el caso de actores delictivos sofisticados, precisamente aquellos para quienes la desanonimización es más importante.

Cómo crear la herramienta adecuada

Para crear una herramienta de IA capaz de identificar a usuarios de Bitcoin, los investigadores desarrollaron una arquitectura neuronal integradora que combina distintos paradigmas de redes neuronales:

  • Las redes neuronales convolucionales (CNN) extraen metadatos locales y patrones detallados e invariantes de los metadatos sin procesar de las transacciones, que permiten identificar tipos de entidades específicos a partir del vector de características.
    • Esto se utiliza para identificar el «cómo»: patrones específicos de scripts y comisiones.
  • Los modelos de memoria a corto y largo plazo (LSTM) modelan la velocidad del flujo.
    • Esto se utiliza para identificar el «cuándo»: la firma y los intervalos temporales de los flujos de transacciones.
  • La firma y los intervalos temporales de los flujos de transacciones se capturan mediante mapas estructurales.
  • Las redes neuronales de grafos (GNN) agregan incrustaciones a través de una matriz de adyacencia dinámica de k vecinos más cercanos (k-NN) dentro de lotes, para incorporar el comportamiento del vecindario.
    • Esto se utiliza para identificar el «quién»: el vecindario topológico y la afiliación a nodos centrales.

El estudio puso a prueba su método con un conjunto de datos de 427,625 transacciones y 140,235 entidades únicas. El historial de transacciones se obtuvo de los archivos de WalletExplorer y Blockchair; cada transacción incluía 22 características, como block_id, hash de transacción, fee_used, tamaño, marca de tiempo, peso, etc.

El modelo se entrenó en una CPU Intel(R) Core (TM) I9-10,900 de 2.81 GHz, con 32 GB de RAM y una GPU NVIDIA GeForce RTX 3070 de 8 GB.

Uso de la IA para desanonimizar las transacciones de Bitcoin

¿Cómo funciona?

Para explicar cómo funcionan estos sistemas complejos, resulta útil describir el proceso paso a paso.

La primera etapa consiste en crear un conjunto de datos con todas las transacciones y etiquetarlas para poder analizarlas más adelante.

A continuación, se realiza la «agrupación de direcciones», partiendo de la premisa de que, cuando se utilizan varias direcciones como entradas en una transacción específica, todas pertenecen a una misma entidad privada. Así, este paso vincula direcciones de Bitcoin que antes estaban separadas mediante el algoritmo Disjoint Set Union (DSU). Este paso redujo el ruido en casi un 67,2 %.

A continuación, los datos del libro mayor se transforman en un «grafo dirigido» que permite encontrar a los usuarios más activos y distinguir entre las direcciones de acumulación (sumideros) y las de distribución (centros), además de determinar la importancia relativa de cada grupo dentro del ecosistema.

Los datos generados también se clasifican según las cuatro funciones posibles en la red Bitcoin: exchanges, grupos de minería, servicios de mezcla y juegos de azar. Por defecto, los exchanges y los grupos de minería se consideran actividades legítimas.

Por último, se utiliza una arquitectura neuronal integradora (CNN-LSTM-GNN) para identificar grupos individuales.

«Los mapas estructurales de la CNN se tratan como una secuencia. La LSTM capta los patrones secuenciales de la actividad de las transacciones a lo largo del tiempo o la velocidad del flujo. La GNN modela la estructura relacional y la conectividad de las direcciones y las transacciones, aspectos fundamentales para la cadena de bloques de Bitcoin, ya que cada transacción y dirección puede representarse de forma natural como un nodo o una arista de un grafo.»

Resultados de alta calidad

El modelo CNN→LSTM→GNN ofreció resultados muy consistentes en las distintas métricas de evaluación, con desviaciones de entre el 1 y el 2 % en las métricas de clasificación y ordenamiento, y del 1,5 % en la tasa de error.

«El modelo logra una predicción de enlaces casi perfecta (AUC ≈ 0.995), una precisión de ordenamiento excepcionalmente alta (MRR ≈ 0.985) y un éxito de recuperación casi completo (Hits@10 ≈ 0.999), a la vez que mantiene una tasa de falsos positivos muy baja (<3 %).»

El modelo también demostró una gran capacidad para clasificar el tipo de actividad asociado a una dirección de Bitcoin.

«Uno de los logros más importantes del modelo es su capacidad para distinguir con precisión entre los servicios de mezcla y las organizaciones de juegos de azar. El modelo también detecta clases minoritarias, como los grupos de minería, que representan aproximadamente el 0,53 % del conjunto de datos. Sin esta capacidad, probablemente las ignoraría en favor de la clase mayoritaria, la de los “exchanges”.»

Más importante aún, logró mantener una tasa de falsos positivos extremadamente baja (<3 %), algo fundamental para evitar vincular identidades erróneamente en tareas de desanonimización. Esto es crucial para prevenir que personas inocentes sean etiquetadas de forma incorrecta en auditorías analíticas.

Al retirar algunas capas y realizar el análisis para determinar cuál era la más importante para los resultados finales, los investigadores descubrieron que, en general, la memoria a largo y corto plazo (LSTM) era la capa cuya eliminación tenía el menor impacto. Aun así, contribuía significativamente al rendimiento final, mientras que las redes neuronales convolucionales (CNN) eran el componente más importante del modelo de IA.

Conclusiones para los inversores

Aunque el anonimato formaba parte de la propuesta de valor inicial de Bitcoin, este estudio y otros dejan claro que los avances en el análisis forense de cadenas de bloques y la IA pueden identificar rápidamente qué direcciones de Bitcoin pertenecen a una misma persona u organización.

Además, para demostrar que el marco puede generalizarse, se realizó una evaluación exhaustiva entre distintos conjuntos de datos en entornos heterogéneos de cadenas de bloques, incluidos Elliptic, Bitcoin Elliptic+, Bitcoin Heist Ransomware y Ethereum (ETH ) Fraud Detection; aun así, el modelo mantuvo una alta precisión, de entre el 90 y el 99 %.

Esto significa que el valor de Bitcoin ya casi no depende del anonimato, sino del valor de su red como sistema de pago, de su estructura de «oro digital» (escasez absoluta, inmutabilidad, naturaleza descentralizada, portabilidad, etc.) y, en general, del entusiasmo del público y de las instituciones financieras por la moneda digital.

Es probable que la mejora de las herramientas analíticas gracias a estudios como este aumente el respaldo a la participación institucional. Sin embargo, también podría generar nuevas preocupaciones sobre la privacidad y los falsos positivos, por lo que se debe actuar con mucha cautela antes de considerar que un análisis con «solo» un 97 % de precisión constituye una prueba definitiva de vinculación con actividades ilegales.

Invertir en Bitcoin

Coinbase

COIN Gráfico de precios

A medida que las criptomonedas se generalizan, cada vez más inversionistas se exponen a ellas o aumentan su presencia en los mercados de criptomonedas. Lo mismo ocurre a medida que se multiplican los proyectos cripto.

Esto beneficia a empresas como Coinbase, estrechamente vinculadas al comercio de criptomonedas, los precios de los activos, la custodia y la participación institucional.

Por lo tanto, invertir en plataformas tecnológicas y de intercambio de criptomonedas como Coinbase puede ser una forma de obtener exposición al entorno del mercado cripto, sin tener que elegir arbitrariamente tokens específicos.

Sin embargo, esto no significa que Coinbase vaya a ofrecer a quienes invierten en sus acciones cotizadas el mismo tipo de rendimientos potenciales (y riesgos) que puede ofrecer la inversión directa en criptomonedas. Se trata, en cambio, de una inversión en infraestructura para el mercado cripto; Coinbase informó que, al 30 de junio de 2026, tenía 246 mil millones de dólares en activos en su plataforma.

Hoy, además de su aplicación principal y su plataforma de intercambio de criptomonedas, Coinbase ofrece una serie de servicios complementarios:

  • Coinbase One, un servicio prémium de membresía que ofrece comisiones de negociación nulas, mayores recompensas por participación y ofertas de socios, como una calculadora de impuestos sobre criptomonedas y análisis del sector, entre otros.
  • Coinbase Advanced, para operadores profesionales de criptomonedas.
  • Coinbase Wallet, para la autocustodia de criptomonedas fuera de las plataformas de intercambio, así como de NFT.
  • Coinbase Earn, un servicio de participación en el que los propietarios de criptomonedas pueden bloquear sus activos para obtener intereses de la red. En 2023, los clientes de Coinbase obtuvieron 230 millones de dólares.
  • Coinbase Card, una tarjeta de débito Visa para realizar compras con criptomonedas, que ofrece un reembolso del 1 % en Bitcoin al pagar con USD y del 1,5 % en USDC al pagar con ETH. La tarjeta se acepta en todos los establecimientos que aceptan tarjetas de débito Visa.
  • USD Coin (USDC), una moneda estable digital cuyo valor equivale al del dólar estadounidense, busca crear un «dólar digital».

A medida que se desarrollan más herramientas avanzadas, incluida la inteligencia artificial, estas complementarán la infraestructura cripto existente. Como plataforma ahora más madura y dominante, Coinbase está bien posicionada para aprovechar la creciente popularidad de las criptomonedas, impulsada por tendencias como los ETF de Bitcoin, las monedas estables y la tokenización de acciones.

(Puedes leer más sobre la historia, la oferta y el potencial de inversión de Coinbase en nuestro informe específico sobre la empresa)

Bitcoin

Otra forma de obtener exposición a la red Bitcoin es, por supuesto, poseer Bitcoin directamente.

Para empezar, puedes consultar nuestras guías sobre el tema:

Últimas noticias y novedades sobre las acciones de Coinbase (COIN)

Estudio citado

1. Rohit Saxena y otros. Desanonimización adaptativa de transacciones de cadena de bloques mediante arquitecturas neuronales integradoras en redes descentralizadas. Scientific Reports. 15 de octubre de 2026. https://doi.org/10.1038/s41598-026-69816-5 

mm

Jonathan es un ex investigador bioquímico que trabajó en análisis genético y ensayos clínicos. Ahora es analista de valores y escritor financiero con un enfoque en innovación, ciclos de mercado y geopolítica en su publicación 'The Eurasian Century'.