Análisis: El crecimiento de los datos de IA está superando la planificación de cómputo, y el almacenamiento se está convirtiendo en el nuevo cuello de botella de la infraestructura cripto

Durante los últimos dos años, el debate sobre la infraestructura de IA ha estado dominado por una sola métrica: la capacidad de las GPU. Tanto en Web2 como en Web3, los equipos han competido por acceso a aceleradores, han optimizado los pipelines de entrenamiento de modelos y han buscado inferencia más barata. Pero hay una limitación más silenciosa que se está volviendo cada vez más difícil de ignorar: el almacenamiento de datos.

Un análisis reciente de Western Digital sostiene que la planificación de centros de datos de IA está pasando de una mera carrera por el cómputo a un problema de infraestructura más amplio, en el que la capacidad de almacenamiento, el rendimiento, el consumo energético y la gestión del ciclo de vida importan tanto como las GPU. IDC también ha proyectado que la creación global anual de datos podría alcanzar los 718 ZB para 2030, lo que subraya la rapidez con la que se está expandiendo la huella de datos de la IA.

Para la industria blockchain y cripto, esto no es solo un problema de infraestructura en la nube. Los agentes de IA, la analítica on-chain, las redes descentralizadas de infraestructura física, el almacenamiento descentralizado, las capas de disponibilidad de datos y las herramientas de cumplimiento dependen todos de un universo cada vez mayor de datos generados por máquinas. Si el almacenamiento se convierte en el factor limitante de la IA, también redefinirá cómo se construyen, se precios, se protegen y se gobiernan las aplicaciones cripto.

Por qué los datos de IA no desaparecen después del cómputo

La planificación tradicional de cómputo suele asumir que los datos se procesan, se generan resultados y el sistema sigue adelante. La IA no funciona así.

Un sistema moderno de IA acumula de forma continua:

• Conjuntos de datos brutos de entrenamiento
• Datos limpiados y etiquetados
• Checkpoints del modelo
• Bases de datos de embeddings
• Índices vectoriales
• Registros de prompts y respuestas
• Registros de evaluación
• Conjuntos de datos para fine-tuning
• Trazas de inferencia
• Logs de auditoría de seguridad y cumplimiento

En aplicaciones cripto, estos datos pueden volverse aún más complejos. Un asistente de trading con IA puede necesitar datos históricos de mercado, patrones de actividad de wallets, instantáneas del order book, metadatos de tokens, debates de gobernanza, señales de riesgo y registros de interacción con contratos inteligentes. Un sistema de seguridad on-chain puede archivar gráficos de transacciones, firmas de exploits, dominios de phishing, bytecode de contratos y datos forenses posteriores a incidentes.

Lo importante es que esta información no es temporal. Forma parte del circuito de retroalimentación para mejorar el modelo, revisar riesgos, elaborar informes regulatorios y proteger al usuario. Una vez que los sistemas de IA se despliegan en entornos financieros, borrar los datos operativos con demasiada agresividad puede debilitar la trazabilidad y reducir la calidad del modelo. Sin embargo, conservarlo todo puede volverse económicamente insostenible muy rápido.

Por eso la planificación del almacenamiento para IA está dejando de ser una cuestión de back office para convertirse en una decisión estratégica de infraestructura.

La industria cripto tiene su propia versión del problema de almacenamiento de la IA

Quienes construyen en cripto ya entienden que la disponibilidad y la persistencia de datos no son temas abstractos. Las blockchains públicas son, en cierto sentido, sistemas de datos con reglas estrictas sobre replicación, verificación y transiciones de estado. Pero la IA introduce nuevas categorías de datos que son más grandes, menos estructuradas y, a menudo, más difíciles de verificar.

Consideremos varias áreas en rápido crecimiento.

Los agentes de IA necesitan memoria, no solo acceso a la wallet

Cada vez se habla más de los agentes de IA como futuros participantes en los mercados cripto. Podrían supervisar posiciones en DeFi, rebalancear carteras, detectar transacciones sospechosas o interactuar con contratos inteligentes según políticas definidas por el usuario.

Pero un agente de IA sin memoria está limitado. Necesita contexto: instrucciones previas, preferencias de riesgo, transacciones anteriores, resultados de ejecución, intentos fallidos y comentarios del usuario. Eso crea datos persistentes que deben almacenarse de forma segura y recuperarse de manera selectiva.

El desafío no es solo dónde guardar esa memoria, sino quién la controla. Si el historial operativo del agente queda encerrado en un servicio centralizado, los usuarios pueden perder portabilidad y transparencia. Si se almacena sin cuidado, aumentan los riesgos de privacidad. Si se coloca íntegramente on-chain, los costos y la exposición de datos se vuelven inaceptables.

La analítica on-chain se está volviendo intensiva en datos

La analítica blockchain ya requiere indexar enormes volúmenes de transacciones, direcciones, contratos y eventos. Cuando se añade IA, las necesidades de almacenamiento vuelven a crecer. Los modelos pueden generar embeddings para direcciones, agrupar el comportamiento de wallets, clasificar contratos inteligentes y mantener etiquetas históricas para detección de fraude.

Esto es especialmente relevante a medida que reguladores e instituciones exigen una supervisión más robusta de los flujos de activos digitales. Marcos como la guía del GAFI sobre activos virtuales han impulsado a los proveedores de servicios a mejorar sus controles de cumplimiento, mientras que los usuarios siguen esperando privacidad y autocustodia. Equilibrar esos objetivos requiere una arquitectura de datos cuidadosa, no solo más cómputo.

El almacenamiento descentralizado y DePIN podrían beneficiarse, pero solo si la economía acompaña

El crecimiento de los datos de IA puede reforzar la demanda de almacenamiento descentralizado y de sistemas DePIN, especialmente para conjuntos de datos archivados, recursos de modelos abiertos, registros de investigación y datos públicos de evaluación de IA. Las redes centradas en almacenamiento, recuperación y disponibilidad de datos podrían encontrar nuevos casos de uso a medida que los equipos de IA buscan alternativas a la dependencia de la nube centralizada.

Sin embargo, el almacenamiento para IA no es un solo mercado. Los datos calientes de entrenamiento, los logs de inferencia en tiempo real, los archivos históricos y los conjuntos de datos públicos tienen requisitos distintos. Algunos necesitan acceso con baja latencia. Otros requieren bajo coste por TB. Algunos necesitan verificación criptográfica. Otros exigen control de acceso y políticas de eliminación.

Esto significa que la infraestructura descentralizada debe competir por algo más que una ideología. Debe ofrecer rendimiento, precios, fiabilidad y experiencia de desarrollo creíbles.

Las capas de disponibilidad de datos forman parte de la misma conversación

En la escalabilidad blockchain, la disponibilidad de datos se ha convertido en un foco de diseño fundamental. La actualización proto-danksharding de Ethereum, introducida mediante EIP-4844, redujo el costo de publicar datos de rollups al crear un formato específico de transacción blob. Los proyectos de blockchains modulares también han convertido la disponibilidad de datos en una capa central, y no en un detalle de implementación.

La infraestructura de IA es distinta de la infraestructura de rollups, pero la lección de fondo es parecida: los costos de movimiento y retención de datos pueden dominar el diseño del sistema.

Para los rollups, la pregunta es: ¿pueden los datos de transacción ponerse a disposición a un costo suficientemente bajo para su verificación?

Para la IA, la pregunta es: ¿pueden los registros de entrenamiento, los logs de inferencia, los embeddings y las trazas de auditoría almacenarse y recuperarse con la eficiencia suficiente para una mejora continua del modelo?

En ambos casos, los sistemas fallan cuando se trata el dato como una preocupación secundaria.

El cambio del número de GPU al coste total del ciclo de vida de los datos

Un enfoque estrecho en el uso de las GPU puede ocultar el coste a largo plazo del despliegue de IA. La métrica más madura no es simplemente “cuántas GPU hay disponibles”, sino con qué eficiencia una organización gestiona cada etapa del ciclo de vida de los datos.

Para las empresas cripto que construyen productos impulsados por IA, las métricas relevantes incluyen:

• Coste por PB de datos retenidos
• Consumo energético del almacenamiento
• Tiempo de recuperación tras fallos
• Latencia para entrenamiento e inferencia de modelos
• Garantías de integridad de los datos
• Políticas de retención y eliminación
• Cifrado y control de acceso
• Trazabilidad para flujos financieros sensibles

Un motor de riesgo para DeFi, por ejemplo, no puede depender solo de una inferencia rápida. También necesita datos históricos de mercado, registros de liquidaciones, actualizaciones de oráculos, cambios de parámetros del protocolo y patrones de comportamiento de wallets. Si recuperar esos datos se vuelve lento o caro, el sistema pierde utilidad incluso si el modelo en sí es potente.

Del mismo modo, un exchange o una plataforma de custodia que use IA para detectar fraude debe conservar suficientes pruebas para explicar alertas y revisar decisiones pasadas. El diseño del almacenamiento afecta directamente la calidad de las investigaciones y la protección del usuario.

Por qué el almacenamiento en niveles será clave para IA y Web3

A medida que los conjuntos de datos de IA pasan de TB a PB y eventualmente a escala EB, una sola arquitectura de almacenamiento no puede servir para todo. Cada vez es más probable que las empresas adopten estrategias de almacenamiento por niveles.

Una pila práctica de datos para IA y cripto podría verse así:

• Almacenamiento flash de alto rendimiento para entrenamiento activo de modelos, generación de características e inferencia en tiempo real
• Sistemas HDD de gran capacidad para conjuntos de datos históricos masivos y accesos menos frecuentes
• Almacenamiento de objetos para logs, archivos, artefactos de modelos y registros de cumplimiento
• Almacenamiento descentralizado para conjuntos de datos públicos, archivos verificables o recursos resistentes a la censura
• Compromisos on-chain para pruebas, hashes, permisos o lógica de liquidación, en lugar de datos en bruto

Este enfoque en capas es importante porque las blockchains no están diseñadas para almacenar directamente grandes conjuntos de datos de IA. En muchos casos, el patrón más adecuado es mantener los datos voluminosos fuera de la cadena y anclar en la cadena las pruebas de integridad o los derechos de acceso.

Esa arquitectura puede ofrecer verificabilidad sin obligar a cada nodo a soportar una carga de almacenamiento innecesaria.

El ángulo de seguridad: los datos de IA también son una superficie de ataque

Cuantos más datos almacenan los sistemas de IA, más atractivos se vuelven para los atacantes.

Para los usuarios cripto, esto importa porque la infraestructura de IA puede contener información sensible como comportamiento de wallets, intención de transacción, registros de verificación de identidad, datos de cartera y alertas de seguridad. Si se comprometen, estos datos pueden usarse para phishing, ingeniería social, estafas dirigidas o manipulación del mercado.

Los agentes de IA que interactúan con wallets introducen otro riesgo. Si un agente almacena prompts, permisos e historial de transacciones de forma insegura, los atacantes podrían inferir cómo engañar al sistema para que firme transacciones maliciosas.

Aquí es donde los principios de autocustodia siguen siendo esenciales. La IA puede ayudar en la toma de decisiones, pero las claves privadas deben seguir bajo el control del usuario. Una hardware wallet como OneKey ayuda a separar la autoridad de firma de las herramientas y aplicaciones de IA en línea. Esa separación es especialmente importante a medida que más usuarios experimentan con flujos automatizados, paneles DeFi y asistentes de transacciones impulsados por IA.

La IA verificable necesitará datos verificables

Una de las intersecciones más importantes entre IA y cripto es la verificabilidad. Los usuarios pueden querer saber si un modelo de IA utilizó el conjunto de datos que afirma, si un resultado de inferencia fue generado por un modelo específico o si un agente de trading siguió unas reglas predefinidas.

Aquí es donde técnicas criptográficas, pruebas de conocimiento cero, entornos de ejecución confiables e identidad descentralizada pueden volverse relevantes. Pero ninguno de estos enfoques funciona bien si los datos subyacentes están mal gestionados.

El AI Risk Management Framework del NIST destaca la gobernanza, la medición y los controles de riesgo para sistemas de IA. En cripto, estas preocupaciones se amplifican por la irreversibilidad de las transacciones y las condiciones adversarias del mercado. Una mejor arquitectura de almacenamiento no trata solo de costes; trata de responsabilidad.

Un futuro protocolo DeFi impulsado por IA quizá necesite demostrar:

• Qué versión del modelo generó una recomendación
• Qué conjunto de datos se usó para entrenamiento o evaluación
• Si los registros históricos fueron alterados
• Si se respetaron los permisos del usuario
• Si una acción automatizada coincidía con una política firmada

Todo esto depende de una retención de datos fiable, controles de integridad y gestión de accesos.

Qué deberían hacer los builders ahora

Los equipos cripto que integran IA deberían evitar tratar el almacenamiento como una optimización que se puede dejar para después. Las decisiones tomadas al principio pueden determinar si el producto seguirá siendo escalable y confiable.

Una lista práctica incluye:

1. Mapear todo el ciclo de vida de los datos de IA antes de escalar el uso de GPU
   Identifica qué datos se crean durante el entrenamiento, la inferencia, la monitorización y la interacción con el usuario.

2. Separar los datos hot, warm y cold
   No todos los conjuntos de datos necesitan acceso de alta velocidad. Usa almacenamiento de alto rendimiento solo donde aporte valor medible.

3. Anclar la integridad sin abusar del espacio de bloques
   Guarda los datos grandes fuera de la cadena, pero considera hashes, attestations o commitments on-chain cuando la verificabilidad importe.

4. Diseñar pensando en la privacidad desde el principio
   Los logs de prompts, los metadatos de wallets y los datos de comportamiento pueden volverse sensibles. Minimiza la recopilación siempre que sea posible.

5. Proteger la autoridad de firma
   Los sistemas de IA pueden sugerir acciones, pero las claves privadas no deben quedar expuestas a agentes en línea ni a entornos cloud.

6. Seguir la economía del almacenamiento como una métrica del producto
   El coste por conjunto de datos retenido, la latencia de recuperación y la eficiencia de recuperación deben monitorearse junto con el uso de cómputo.

Conclusión: el próximo cuello de botella de la IA es una oportunidad para cripto

La infraestructura de IA está entrando en una nueva fase. El mercado está aprendiendo que las GPU por sí solas no definen la capacidad. El almacenamiento de datos, la recuperación, la eficiencia energética, la auditabilidad y la gestión del ciclo de vida se están convirtiendo en factores competitivos centrales.

Para la industria cripto, este cambio es especialmente relevante. Las blockchains se construyen alrededor de datos verificables, pero la IA produce enormes cantidades de contexto fuera de la cadena que deben almacenarse, asegurarse y conectarse de forma inteligente con sistemas on-chain. Los ganadores no serán simplemente los equipos con más cómputo. Serán los equipos que sepan gestionar los datos como un activo a largo plazo.

A medida que los agentes de IA, el almacenamiento DePIN, la analítica on-chain y el cómputo verificable sigan evolucionando, los usuarios también deberían recordar un principio básico de seguridad: la automatización no debe reemplazar el control de las claves. Si las herramientas de IA pasan a formar parte de tu flujo de trabajo cripto, mantener las claves privadas fuera de línea con una hardware wallet como OneKey puede ayudar a preservar la frontera entre la asistencia inteligente y la autorización irreversible.