Activos digitales
¿Puede la IA evaluar documentos técnicos de criptomonedas? Un estudio lo pone a prueba

Puntos claveLos LLM inflan las calificaciones de los proyectos de criptomonedas porque los…
Ver más
- Los LLM inflan las calificaciones de los proyectos de criptomonedas porque los resúmenes conservan el tono promocional del whitepaper y ocultan las señales de alerta.
- La extracción centrada en aspectos saca a la luz las debilidades de gobernanza y de diseño del token, pero puede penalizar en exceso los proyectos cuando la evidencia es incompleta.
- Los LLM deberían señalar los casos que requieren atención de expertos en lugar de producir puntuaciones de inversión finales.
Desde el documento técnico original de Bitcoin (BTC ) publicado en 2008, han proliferado muchísimas criptomonedas nuevas; algunas, como Ethereum, (ETH ) han alcanzado suficiente popularidad como para convertirse en serias rivales de la original. Pero esto también significa que la diligencia debida para quienes invierten en criptomonedas se ha vuelto cada vez más compleja.
Por supuesto, este problema no es exclusivo de las inversiones en criptomonedas, pero la propia naturaleza de estas hace que resulte más difícil para la mayoría de los inversores. En particular, los inversores minoristas interesados, pero también muchos inversores institucionales, carecen de los conocimientos matemáticos y técnicos necesarios para comprender plenamente las ciencias criptográficas y los algoritmos que sustentan la mayoría de los proyectos de criptomonedas.
Además, a diferencia de los valores tradicionales, cuyos informes siguen formatos estandarizados (por ejemplo, folletos de emisión e informes 10-K), los activos digitales carecen de un formato de presentación de información unificado.
Así, se enfrentan al mismo tiempo a una peligrosa combinación de sobrecarga de información, divulgaciones sin estructurar y salvaguardias regulatorias limitadas.
«Los numerosos colapsos de la primera ola de ofertas iniciales de monedas (ICO) y las consiguientes pérdidas para los inversores que no pudieron evaluar la viabilidad de las inversiones a partir de los documentos técnicos ponen de manifiesto la necesidad de reforzar las herramientas de diligencia debida y protección de los inversores en las finanzas innovadoras».
La sobrecarga de información y la necesidad de analizar los riesgos de forma objetiva parecen un caso de uso ideal para la IA, ya que los nuevos sistemas de IA están diseñados específicamente para abordar este tipo de tareas complejas.
Un grupo de investigadores de la Swiss Financial Market Supervisory Authority FINMA y la Universidad de Liechtenstein ha publicado un nuevo estudio que examina cómo los modelos de lenguaje de gran tamaño (LLM) podrían evaluar nuevos proyectos de criptomonedas, en especial sus documentos técnicos.
Publicaron sus conclusiones en Knowledge and Information Systems1, con el título «Aplicación de los LLM a la evaluación de activos digitales: investigación de métodos mixtos».
Uso de LLM para analizar documentos técnicos de criptomonedas
En esencia, las «criptomonedas» no son solo oportunidades de inversión especulativa, sino «activos digitales basados en protocolos integrados en sistemas descentralizados de almacenamiento de información, mecanismos de consenso distribuido y contratos inteligentes».
Los riesgos reales y los posibles casos de uso de las nuevas criptomonedas dependerán de estas características técnicas. Por eso, las herramientas modernas de IA, como los LLM (modelos de lenguaje de gran tamaño), pueden ayudar a automatizar el análisis de textos, la extracción de conocimientos y la evaluación comparativa de proyectos.
Sin embargo, la fiabilidad de los LLM plantea dudas. Su utilidad se ve limitada por ventanas de contexto reducidas, dificultades para procesar grandes corpus de documentos y riesgos de alucinación.
Por eso, los inversores necesitan una evaluación adecuada de cuán fiables son realmente estas herramientas para evaluar proyectos de criptomonedas.
Para evaluar la capacidad de los LLM en esta tarea, los investigadores crearon un marco de trabajo que comienza con el preprocesamiento de datos —en el que se estructuran y resumen los documentos técnicos para su análisis—, continúa con el diseño de instrucciones específicas para la IA y la comparación de los resultados con evaluaciones humanas, y culmina con la elaboración de un protocolo para utilizar LLM al juzgar el potencial de los proyectos de criptomonedas.
Diseño de las herramientas adecuadas
Recopilación de los datos adecuados
Los investigadores utilizaron la Token Offerings Research Database (TORD) como fuente principal de datos, que proporciona información recopilada manualmente sobre ofertas iniciales de monedas (ICO), ofertas de tokens de valores (STO) y ofertas iniciales de intercambio (IEO).
Estos datos incluyen sitios web oficiales de proyectos, documentos técnicos, recursos web archivados, bases de datos secundarias, divulgaciones de los exchanges y documentos regulatorios.
Con estos datos se creó una muestra de 29 proyectos de tokens distintos cuyos documentos técnicos seguían estando disponibles; 27 de ellos cuentan con una calificación agregada de expertos en TORD.
Se seleccionó la configuración principal GPT−3.5-turbo de OpenAI, así como dos modelos compactos de código abierto, Qwen2.5-0.5B y Qwen2.5-1.5B. En total, generaron 1.008 evaluaciones completas de expertos y LLM.
Prueba de distintos enfoques
Los investigadores utilizaron distintos métodos para determinar cómo aprovechar de manera óptima los LLM en el análisis de proyectos de criptomonedas.
- Enfoque 1: calificaciónparcialdel documento, que consiste en introducir en el LLM la mayor cantidad posible de contenido del documento técnico, con un límite de 4.000 tokens (aproximadamente 3.000 palabras) para adaptarse a las limitaciones del modelo.
- Enfoque 2: calificación basada en un resumen, que aborda las limitaciones de tokens mediante un proceso de dos etapas: primero se resumía el documento técnico y luego se le asignaba una calificación.
- Enfoque 3: evaluación de resúmenes centrada en aspectos, que perfecciona aún más la síntesis al extraer información específica pertinente para la toma de decisiones de inversión, en particular sobre la personalidad y la experiencia del equipo directivo, las características del producto y las condiciones del mercado.
- También detectó posibles señales de alerta, como la falta de experiencia, la ausencia de participación financiera o estructuras de proyecto mal concebidas.
Se determinó que un límite de 120 palabras para la conclusión de la evaluación final generada por los LLM era óptimo para evitar errores y ofrecer una conclusión fácil de entender a los posibles usuarios.
Se emplearon cuatro estrategias distintas de instrucciones para orientar el razonamiento del LLM y obtener los mejores resultados posibles:
- Sin ejemplos (ZS): proporcionar instrucciones estructuradas sin ejemplos de proyectos concretos.
- Con pocos ejemplos (FS): mejorar el enfoque ZS mediante dimensiones de evaluación explícitas y criterios de valoración específicos.
- Cadena de pensamiento (CoT): emplear un razonamiento paso a paso, basado en factores.
- Cadena de pensamiento con contexto y rúbrica (CoT-CR): incorporar consideraciones específicas del sector, como los mecanismos de bloqueo de tokens y la originalidad del proyecto.
Resultados de los LLM
Salvo en la evaluación de resúmenes centrada en aspectos, los modelos de IA, en general, otorgaron al proyecto de criptomonedas una calificación más alta que las evaluaciones humanas.
«Los enfoques 1 y 2 suelen condensar el contenido narrativo sin identificar de forma fiable las señales de alerta ni los indicios sobre la gobernanza, lo que genera un sesgo de optimismo y una sobrevaloración sistemática en comparación con las calificaciones humanas».
Las instrucciones CoT generaron la calificación general más baja. En particular, CoT + evaluación de resúmenes centrada en aspectos fue el único enfoque cuya evaluación quedó por debajo de las basadas en valoraciones humanas.
A pesar de esta tendencia a sobrevalorar, también se observó una ligera tendencia opuesta a infravalorar los proyectos más sólidos.
También cabe señalar que, al utilizar los modelos de IA Qwen2.5-0.5B y Qwen2.5-1.5B, se obtuvieron resultados similares a los de GPT−3.5-turbo.
Explicación del sesgo de los LLM
La razón por la que los LLM tienden a sobrevalorar los proyectos de criptomonedas con la mayoría de las estrategias de instrucciones es que los resúmenes genéricos y poco estructurados suelen conservar el tono promocional de los documentos técnicos.
En cambio, la extracción centrada en aspectos evita en gran medida este problema, aunque presenta otras limitaciones. Puede acercar las calificaciones a la cautela humana cuando identifica deficiencias en la gobernanza, la dirección o el diseño de los tokens, pero también puede penalizar en exceso los proyectos cuando las pruebas son incompletas o cuando indicios negativos aislados predominan en los argumentos que sustentan la calificación.
Esto llevó a los investigadores a concluir que los LLM pueden respaldar la investigación humana, pero no sustituirla por completo.
«Estos mecanismos indican que el principal reto de diseño no consiste únicamente en elegir las instrucciones, sino también en construir pruebas intermedias fiables antes de asignar una calificación. Por consiguiente, esta herramienta debería utilizarse para señalar los casos que requieren la atención de expertos, en lugar de generar puntuaciones finales de inversión».
En general, según este estudio, no existe un único «mejor enfoque» que pueda adoptarse.
En la matriz de diseño actual, el menor error se obtiene al combinar el resumen estructurado con instrucciones de cadena de pensamiento (enfoque 2 + CoT).
Sin embargo, el enfoque centrado en aspectos permite detectar posibles señales de alerta y su calificación media se acerca más a la media humana.
Cómo crear una herramienta de análisis de criptomonedas con IA
Esto llevó a la persona investigadora a proponer el método óptimo para utilizar la IA en el análisis de proyectos de criptomonedas:
- La estructuración de las pruebas debería preceder a la generación de argumentos del modelo para limitar los errores tanto como sea posible.
- La calibración y la posibilidad de inspeccionar los resultados deberían diseñarse y evaluarse por separado. La extracción centrada en aspectos debería utilizarse para mejorar la auditabilidad estructural y la visibilidad de las señales de alerta.
- Triangulación de modelos: los patrones de error observados no deberían atribuirse a una sola familia de modelos sin realizar pruebas comparativas, ya que podrían deberse al funcionamiento fundamental de los LLM en general.
«En conjunto, estos principios amplían la aportación: pasa de ser una aplicación de los LLM a un conjunto de recomendaciones de diseño para configurar herramientas de apoyo a la toma de decisiones que puedan auditarse en contextos de divulgación financiera con escasa estandarización».
Qué deben tener en cuenta los inversores
Este estudio ofrece información interesante para los inversores tanto en IA como en criptomonedas.
En el ámbito de las criptomonedas, está claro que los modelos de lenguaje grandes (LLM) no son (¿todavía?) una solución que pueda sustituir el análisis de diligencia debida realizado por personas. Por ejemplo, los modelos de IA pueden dejarse engañar por el exceso de entusiasmo o el tono promocional de los documentos técnicos sobre criptomonedas, lo que conlleva un grave riesgo de sobreestimar el potencial de estos proyectos.
Sin embargo, usar IA para detectar señales de alerta puede ser muy útil si se emplea la metodología adecuada para formular las instrucciones.
Para quienes invierten en IA, este estudio demuestra que, por ahora, los LLM todavía no pueden sustituir por completo el trabajo humano. Sin embargo, son una herramienta valiosa, sobre todo para clasificar grandes volúmenes de datos técnicos.
También demuestra que aprender a formular las instrucciones adecuadas y diseñar la metodología de análisis correcta es fundamental para aprovechar la IA al máximo. Desde la perspectiva de la inversión en tecnología de IA, esto probablemente indica que la mayoría de las mejoras de productividad que esta aporte se producirán de forma gradual, y no solo a medida que mejoren los modelos. En cambio, será esencial que los usuarios se familiaricen más con las herramientas de IA y aprendan a optimizar la calidad de los resultados mediante un mejor diseño de los análisis y de las instrucciones.
Invertir en los mercados de criptomonedas
Coinbase
COIN Gráfico de precios
A medida que las criptomonedas se generalizan, cada vez más inversores se exponen a ellas o aumentan su presencia en los mercados de criptomonedas. Lo mismo ocurre a medida que se multiplican los proyectos de criptomonedas.
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 permitir a los inversores exponerse a la dinámica del mercado de las criptomonedas sin tener que elegir arbitrariamente tokens específicos.
Sin embargo, esto no significa que las acciones de Coinbase que cotizan en bolsa vayan a ofrecer a sus inversores 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 de las criptomonedas. Al 30 de junio de 2026, Coinbase declaró tener 246.000 millones de dólares en activos en su plataforma.
Además de su aplicación principal y su plataforma de intercambio de criptomonedas, Coinbase ofrece actualmente una serie de servicios complementarios:
- Coinbase One, un servicio de suscripción prémium que ofrece comisiones de negociación de cero, mayores recompensas por participación y ofertas de socios, como una calculadora de impuestos sobre criptomonedas y análisis de criptomonedas, entre otros.
- Coinbase Advanced, para operadores profesionales de criptomonedas.
- Coinbase Wallet, para custodiar criptomonedas por cuenta propia fuera de las plataformas de intercambio, así como 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 ganaron 230 millones de dólares.
- Coinbase Card, una tarjeta de débito Visa para realizar compras con criptomonedas, que ofrece un 1 % de reembolso en Bitcoin al pagar con USD y un 1,5 % en USDC al pagar con ETH. 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 desarrollen más herramientas avanzadas, incluida la IA, estas complementarán la infraestructura existente de criptomonedas. Como plataforma más consolidada y dominante, Coinbase está bien posicionada para aprovechar la creciente adopción generalizada 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 dedicado a la empresa.)
Últimas noticias y novedades sobre las acciones de Coinbase (COIN)
Estudio citado
1. Yann Thorens y otros. Investigación con métodos mixtos sobre la aplicación de los LLM a la evaluación de activos digitales. Knowledge and Information Systems. 17 de octubre de 2026. https://doi.org/10.1007/s10115-026-02910-2















