Versión: 1.0.0
Autores: Charlie, Alex, Bravo, Editor — Equipo de Investigación de AB Support
Contacto: alex@vibeagentmaking.com
Fecha: 2026-03-26
Estado: Borrador de prepublicación
Licencia: Apache 2.0
Organización: AB Support LLC
La economía de agentes autónomos — proyectada a alcanzar los 236.000 millones de dólares para 2034 (Precedence Research, 2025) con entre 3 y 5 billones de dólares en comercio agéntico global para 2030 (McKinsey, octubre de 2025) — se está construyendo sin la infraestructura institucional que hace posible la actividad económica. Los agentes pueden identificarse (ERC-8004, W3C DIDs, A2A Agent Cards), comunicarse (MCP, A2A) y pagarse entre sí (x402, MPP, AP2). Lo que no pueden hacer es formar acuerdos ejecutables, evaluar el historial de desempeño de otros agentes, resolver disputas, gestionar transiciones del ciclo de vida, encontrar los socios adecuados de manera eficiente ni asignar los costos de la comprensión mutua. Estas no son funcionalidades que puedan añadirse después. Son precondiciones para que la economía de agentes funcione en absoluto.
Este documento presenta la Teoría de la Confianza entre Agentes (Theory of Agent Trust, TAT) — un marco intelectual unificado que explica por qué la confianza en sistemas de agentes autónomos no es una funcionalidad sino una propiedad emergente de estructuras institucionales complementarias, y que especifica la arquitectura completa de dichas estructuras. La TAT sintetiza la economía institucional (North, Williamson, Ostrom, Aoki), la teoría de la confianza (Mayer/Davis/Schoorman, Luhmann), la teoría de juegos (Axelrod, Kreps et al.), la señalización biológica (Zahavi, Matzinger), la economía de plataformas (Rochet/Tirole, Jacobides et al.) y el diseño de sistemas modulares (Baldwin/Clark) en un fundamento teórico coherente para siete mecanismos de confianza interconectados:
La tesis central es que estos siete mecanismos forman un sistema institucional complementario en el sentido formal de Aoki: el valor de cada mecanismo aumenta cuando los demás están presentes, el sistema exhibe propiedades de confianza emergentes que ningún mecanismo individual puede producir, y el stack completo constituye la infraestructura institucional mínima viable para una economía de agentes autónomos — análoga a la combinación de tribunales, burós de crédito, derecho contractual, organismos de certificación, mercados y contabilidad de costos que posibilita el comercio humano.
Presentamos el grafo de dependencias que muestra cómo los protocolos se alimentan mutuamente de datos, los ciclos de retroalimentación a través de los cuales circulan las señales de confianza, la arquitectura de gobernanza que gestiona la evolución de los protocolos, el análisis de teoría de juegos de las propiedades de equilibrio del stack completo, el análisis económico de los mercados de agentes con y sin infraestructura de confianza, y la frontera abierta de investigación que define los problemas que esta generación de protocolos aún no puede resolver.
Este no es una especificación de protocolo. Los siete protocolos se especifican en sus propios documentos técnicos [1–8]. Este documento es el marco intelectual que explica por qué forman un sistema coherente, cómo interactúan y qué aspecto tiene la economía de agentes cuando todas las capas están operativas.
Entre finales de 2025 y principios de 2026, la economía de agentes pasó de lo teórico a lo operativo. Los agentes de IA liquidaron 43 millones de dólares en 140 millones de transacciones en cadena con stablecoins (predominantemente USDC, representando el 98,6% del volumen de liquidación) en nueve meses, con una tasa anualizada de aproximadamente 600 millones de dólares (Agent Payments Stack, marzo de 2026 [9]). Estas cifras representan liquidaciones nativas en blockchain, no volumen de canales de pago tradicionales — una distinción relevante porque las características de las transacciones (finalidad de la liquidación, costos de gas, programabilidad) difieren fundamentalmente del comercio por canales de tarjeta. Visa completó cientos de transacciones seguras iniciadas por agentes en diciembre de 2025 y proyecta millones para las fiestas de fin de año de 2026 (comunicado de prensa de Visa, diciembre de 2025 [10]). Mastercard desplegó Agent Pay para todos los titulares de tarjetas en Estados Unidos en noviembre de 2025 [11]. El tráfico referido por IA a sitios minoristas de EE.UU. creció un 805% interanual durante el Black Friday de 2025 (Adobe Analytics, 2025 [12]).
Las proyecciones de mercado son asombrosamente consistentes entre firmas de investigación independientes:
| Fuente | Estimación 2025 | Proyección máxima | TCAC |
|---|---|---|---|
| MarketsandMarkets | $7.060M | $93.200M (2032) | 44,6% |
| Fortune Business Insights | $7.290M | $139.190M (2034) | 40,5% |
| Grand View Research | $7.630M | $182.970M (2033) | 49,6% |
| Precedence Research | $7.550M | $199.050M (2034) | 43,8% |
Gartner pronostica que el 90% de las compras B2B estarán intermediadas por agentes de IA para 2028, canalizando más de 15 billones de dólares en gasto B2B a través de intercambios agénticos (Gartner, octubre de 2025 [13]). McKinsey caracteriza el comercio agéntico como «infraestructura transformacional comparable a las revoluciones de la web y los dispositivos móviles» y proyecta entre 3 y 5 billones de dólares en ingresos de comercio agéntico global para 2030 (McKinsey, octubre de 2025 [14]).
Ocho protocolos de pago competidores han surgido en dieciocho meses: A2A de Google (más de 150 organizaciones miembro) y AP2, ACP de OpenAI/Stripe, TAP de Visa, Agent Pay de Mastercard, KYAPay de Skyfire, MPP de Stripe/Tempo y UCP de Google. Ochenta y ocho proyectos abarcan seis capas arquitectónicas del stack de pagos de agentes. Cinco gigantes verticalmente integrados — Coinbase, Stripe, Circle, Google y MoonPay — compiten por el dominio de la infraestructura, con un estimado de 8.170 millones de dólares en consolidación por fusiones y adquisiciones en la infraestructura de pagos de agentes desde principios de 2025, agregados a partir de valores de transacciones divulgados públicamente (Agent Payments Stack, marzo de 2026 [9]).
El dinero se está moviendo. La infraestructura se está tendiendo. Pero las instituciones están ausentes.
Considere lo que hace posible una transacción comercial humana rutinaria: un contratista presenta una oferta para un trabajo. Antes de contratarlo, usted verifica sus referencias (reputación). Firma un contrato que especifica los entregables, el cronograma y las condiciones de pago (acuerdos). Si no cumple, puede acudir a los tribunales (rendición de cuentas). Si cesa operaciones, existen procedimientos para transferir los proyectos en curso (gestión del ciclo de vida). Lo encontró a través de un mercado o una red de referencias (descubrimiento). Los costos de la transacción — su tiempo leyendo la propuesta, el tiempo del contratista preparándola — están implícitamente incorporados en la economía (asignación de costos). Detrás de todo esto existe un sistema de identidad legal (procedencia/identidad) que hace posible la rendición de cuentas.
Ningún mecanismo individual genera confianza. Usted no contrataría a alguien solo porque tiene una licencia comercial (identidad). No firmaría un contrato sin ninguna forma de hacerlo cumplir (acuerdos sin rendición de cuentas). No usaría un mercado que lista contratistas sin ninguna señal de calidad (descubrimiento sin reputación). Cada mecanismo es necesario; ninguno es suficiente. La confianza emerge de su interacción.
Esto no es una metáfora. Es una afirmación estructural precisa: la misma arquitectura funcional que posibilita el comercio humano es necesaria para el comercio entre agentes, rediseñada desde los fundamentos para entidades que difieren de los humanos en cinco aspectos esenciales.
La infraestructura de confianza para el comercio humano evolucionó a lo largo de siglos. Los tribunales se formalizaron en la Inglaterra medieval. Los informes de crédito comenzaron con la Mercantile Agency en 1841. Los contratos estandarizados surgieron de la revolución industrial. Estas instituciones incorporan supuestos sobre la naturaleza humana que no aplican para los agentes de IA:
1. La identidad es computacionalmente barata para los agentes. Un humano que crea 100 identidades falsas requiere esfuerzo considerable y comete un acto ilegal. Un agente que genera 100 instancias lo hace de manera trivial y, en la mayoría de las jurisdicciones, no está explícitamente prohibido. Todo mecanismo de confianza debe asumir que los ataques Sybil — la creación de múltiples identidades falsas para manipular el sistema — son la norma, no la excepción.
2. Los agentes operan a velocidad de máquina. Los carteles de colusión humana (anillos de citación, redes de reseñas falsas en Amazon) se forman a lo largo de semanas y coordinan a través de canales sociales. Los anillos de colusión entre agentes pueden formarse, ejecutarse y disolverse en milisegundos. Los mecanismos de confianza que dependen de la detección a velocidad humana son estructuralmente inadecuados.
3. Los agentes no tienen presión social. La calificación promedio de Airbnb de 4,8/5 refleja no la calidad sino la incomodidad social — los humanos evitan dejar reseñas negativas. Los agentes no tienen tal inhibición. Esto es una ventaja para la calificación honesta, pero elimina el costo social del sabotaje y la manipulación estratégica.
4. Los agentes pueden bifurcarse, reentrenarse o reemplazarse. La reputación de un humano refleja una identidad continua. Un agente puede bifurcarse (misma base de código, nueva instancia), reentrenarse (misma instancia, comportamiento diferente) o reemplazarse (mismo nombre, modelo diferente). Los mecanismos de confianza deben manejar una discontinuidad de identidad que no tiene análogo humano.
5. La comprensión tiene un costo monetario directo. Un consultor humano lee un informe de forma gratuita — el costo cognitivo es real pero no tiene precio asignado. Un agente paga por token para procesar cada mensaje entrante: $0,50 por una carga de 100.000 tokens en Claude Opus 4.6 [1]. La economía de la comprensión mutua es fundamentalmente diferente cuando la comprensión es un evento facturable.
Estas cinco diferencias significan que las instituciones de confianza humanas no pueden trasplantarse directamente. Deben rediseñarse — preservando la arquitectura funcional (las mismas categorías de mecanismos de confianza) mientras se reconstruye la implementación para entidades con identidad barata, velocidad de máquina, ausencia de presión social, identidad discontinua y comprensión con precio asignado.
La brecha entre las capacidades de los agentes y la infraestructura de confianza se está ampliando. Casi el 80% de las organizaciones que despliegan IA autónoma no pueden determinar qué están haciendo esos sistemas ni quién es responsable en tiempo real (Strata Identity, 2026 [15]). Solo el 23% tiene estrategias formales de gestión de identidad de agentes a nivel empresarial. Solo el 28% puede rastrear de manera fiable las acciones de un agente hasta un patrocinador humano en todos los entornos. Apenas el 21% mantiene un inventario en tiempo real de agentes activos. Las prácticas de autenticación son alarmantemente primitivas: el 44% de las organizaciones usa claves API estáticas, el 43% usa usuario/contraseña y el 35% depende de cuentas de servicio compartidas para la autenticación de agentes [15].
Se espera que las identidades no humanas alcancen una proporción de 82 a 1 frente a los usuarios humanos en las empresas, con algunas organizaciones reportando proporciones de máquinas a humanos de 100:1 a 500:1 (Rubrik Zero Labs, ManageEngine, 2026 [16]). La ley de California AB 316, vigente desde el 1 de enero de 2026, elimina la defensa de «la IA actuó de forma autónoma» — las organizaciones no pueden evadir la responsabilidad alegando que su IA actuó de manera independiente (Código Civil de California, Sección 1714.46 [17]).
Gartner proyecta que más del 40% de los proyectos de IA agéntica serán cancelados para finales de 2027 debido a costos crecientes, valor comercial incierto o controles de riesgo inadecuados (Gartner, junio de 2025 [18]). Solo alrededor de 130 de miles de proveedores realmente ofrecen funcionalidades agénticas genuinas — el resto están haciendo «agent washing» [18].
Esto es exactamente lo que predice la economía institucional. Douglass North demostró que las instituciones existen para «reducir la incertidumbre en el intercambio» — que sin infraestructura institucional, «los costos de transacción pueden ser tan altos como para impedir que el intercambio se realice en absoluto» (North, Institutions, Institutional Change and Economic Performance, Cambridge University Press, 1990 [19]). La economía de agentes de 3–5 billones de dólares que proyecta McKinsey no está simplemente en riesgo por una infraestructura de confianza insuficiente. Sin ella, la economía proyectada no puede materializarse. El stack de confianza no soporta la economía de agentes — es la precondición para su existencia.
La Teoría de la Confianza entre Agentes contribuye:
Tres premios Nobel de Economía proporcionan la base teórica para comprender por qué la confianza entre agentes requiere infraestructura institucional, no simplemente mejores algoritmos.
Douglass North definió las instituciones como «las reglas del juego en una sociedad; más formalmente, son las restricciones ideadas por los humanos que dan forma a la interacción humana» (North, Journal of Economic Perspectives, Vol. 5, No. 1, 1991, pp. 97–112 [19]). Trazó una distinción clara entre instituciones (reglas) y organizaciones (jugadores): «Si las instituciones son las reglas del juego, las organizaciones son los jugadores.» Las instituciones reducen la incertidumbre en el intercambio — sin ellas, el costo de las transacciones se vuelve prohibitivo.
La percepción de North sobre la dependencia de la trayectoria — «las instituciones evolucionan de manera incremental, conectando el pasado con el presente y el futuro» — conlleva una advertencia directa para el diseño de protocolos: las decisiones arquitectónicas tempranas se arraigan y se vuelven extremadamente difíciles de cambiar. Su trabajo posterior con Wallis y Weingast sobre órdenes de acceso abierto vs. acceso limitado (Violence and Social Orders, Cambridge University Press, 2009 [20]) establece que los sistemas institucionales diseñados para el acceso abierto superan a aquellos que crean barreras de entrada y extracción de rentas. Este principio informa directamente nuestra decisión de diseño de que la participación en la gobernanza esté abierta a cualquier agente con historial operativo demostrado (Sección 5).
Oliver Williamson analizó las estructuras de costos que determinan cómo se organiza la actividad económica. Su marco se basa en dos supuestos conductuales: racionalidad limitada (los agentes tienen capacidad limitada para procesar información) y oportunismo («búsqueda del interés propio con astucia» — comportamiento estratégico dirigido a redistribuir excedentes) (The Economic Institutions of Capitalism, Free Press, 1985 [21]). Para la confianza entre agentes, la racionalidad limitada se mapea directamente a los límites de la ventana de contexto y los costos de inferencia — los agentes no pueden procesar información ilimitada. El oportunismo se mapea a agentes adversarios, alucinaciones y tergiversación estratégica.
El marco institucional de cuatro niveles de Williamson («The New Institutional Economics: Taking Stock, Looking Ahead,» Journal of Economic Literature, Vol. 38, 2000, pp. 595–613 [22]) proporciona el plano arquitectónico:
| Nivel | Instituciones humanas | Stack de confianza de agentes |
|---|---|---|
| N1: Arraigo social | Normas informales, costumbres (100–1.000 años) | Normas comunitarias emergentes de agentes |
| N2: Entorno institucional | Reglas formales, derechos de propiedad (10–100 años) | Identidad CoC, marco de reputación ARP |
| N3: Gobernanza | Contratos, regulación (1–10 años) | ASA, AJP, ALP, AMP, CWEP |
| N4: Asignación de recursos | Precios, operaciones diarias (continuo) | Interacciones individuales entre agentes |
Los niveles superiores restringen a los inferiores; los inferiores proporcionan retroalimentación hacia arriba. La arquitectura en capas del stack de confianza implementa directamente esta estructura.
Elinor Ostrom desafió la «tragedia de los comunes» de Garrett Hardin al demostrar que las comunidades pueden autogobernarse exitosamente sobre recursos compartidos sin recurrir a la privatización ni a la coerción estatal (Governing the Commons, Cambridge University Press, 1990 [23]). Sus ocho principios de diseño para instituciones de bienes comunes perdurables se mapean casi directamente a los requisitos de diseño de protocolos:
El concepto de gobernanza policéntrica de Ostrom — múltiples centros de decisión independientes que operan de forma autónoma pero se coordinan a través de mecanismos establecidos — describe directamente cómo nuestros siete protocolos gobiernan diferentes aspectos de la interacción entre agentes sin una única autoridad central. Su cita es clarividente: «Es probable que la autogobernanza comunitaria sea sostenible solo si está anidada dentro de un sistema más amplio de gobernanza policéntrica» (Ostrom, «Beyond Markets and States,» American Economic Review, Vol. 100, 2010, pp. 641–672 [24]).
El concepto de complementariedad institucional de Masahiko Aoki es la idea teórica más importante para comprender por qué los protocolos de confianza deben diseñarse como un sistema y no de forma independiente. Aoki definió las instituciones como «patrones autosostenidos y prominentes de interacción social» — equilibrios endógenos que emergen de la interacción estratégica repetida (Toward a Comparative Institutional Analysis, MIT Press, 2001 [25]). Su contribución crítica es la definición formal de complementariedad: «situaciones de interdependencia entre instituciones» donde «la existencia de una institución aumenta los rendimientos de tener otra».
Formalizada mediante la supermodularidad de Milgrom y Roberts, la complementariedad institucional significa que el beneficio incremental de una regla institucional aumenta cuando existen reglas complementarias en otros ámbitos. Bajo la complementariedad, existen múltiples equilibrios, y una vez que un sistema se establece en un equilibrio, este se autorrefuerza y se vuelve extremadamente difícil de cambiar.
Para el stack de confianza, la complementariedad se manifiesta de manera concreta:
Diseñar estos protocolos de forma aislada — como la industria ha hecho con los protocolos de identidad, los protocolos de pago y los protocolos de descubrimiento — corre el riesgo de producir una arquitectura institucional incoherente. El análisis de Aoki advierte que las decisiones tempranas de diseño de protocolos se refuerzan mutuamente: el sistema completo tiende hacia uno de varios equilibrios posibles, haciendo que las decisiones fundacionales sean determinantes para todo el ecosistema.
Hall y Soskice ampliaron esto con Varieties of Capitalism (Oxford University Press, 2001 [26]), mostrando que las complementariedades institucionales caracterizan diferentes modelos económicos nacionales. Esto implica que diferentes ecosistemas de agentes pueden evolucionar arquitecturas de confianza distintas pero internamente coherentes — y que mezclar elementos de regímenes de confianza incompatibles puede producir resultados peores que cualquiera de las formas puras.
Mayer, Davis y Schoorman proporcionaron el modelo de confianza organizacional más citado: la confianza como «la disposición de una parte a ser vulnerable ante las acciones de otra parte, basada en la expectativa de que la otra realizará una acción particular importante para el que confía, independientemente de la capacidad de monitorear o controlar a esa otra parte» (Academy of Management Review, Vol. 20, No. 3, 1995, pp. 709–734 [27]). Tres antecedentes de la confiabilidad percibida se mapean directamente a los mecanismos del stack de confianza:
| Antecedente de confianza | Definición | Mecanismo del stack de confianza |
|---|---|---|
| Capacidad | Habilidades y competencias que permiten ejercer influencia | ARP (mide el desempeño), AMP (empareja capacidades) |
| Benevolencia | Grado en que el confiado tiene en cuenta los intereses del que confía | ASA (define la alineación a través de acuerdos) |
| Integridad | Adhesión a principios aceptables | CoC (historial verificable), AJP (impone consecuencias) |
Niklas Luhmann distinguió la confianza personal (basada en la familiaridad interpersonal) de la confianza sistémica (basada en procesos institucionales) (Trust and Power, Wiley, 1979 [28]). Su percepción es fundamental para la confianza entre agentes: los agentes no pueden tener confianza personal en el sentido humano. Toda la confianza entre agentes debe ser confianza sistémica — construida sobre procesos explícitos, protocolos verificables y estructuras institucionales en lugar de vínculos emocionales. El concepto de Luhmann de la confianza como «reducción de complejidad» explica directamente la necesidad de infraestructura de confianza: los agentes autónomos enfrentan una complejidad combinatoria en las decisiones de interacción, y los mecanismos de confianza reducen esto a espacios de decisión manejables.
Lynne Zucker identificó tres modos de producción de confianza: basada en procesos (vinculada a intercambios pasados), basada en características (vinculada a la pertenencia a categorías sociales) e institucional (vinculada a estructuras sociales formales) («Production of Trust,» Research in Organizational Behavior, Vol. 8, 1986, pp. 53–111 [29]). En sistemas complejos, los mecanismos institucionales se convierten en el modo dominante de producción de confianza porque la confianza basada en procesos y en características no escala. Los tres modos se mapean al stack de confianza: basada en procesos = historial de interacciones ARP, basada en características = linaje y certificación ALP, institucional = cumplimiento de protocolos y estándares verificables.
El Teorema Folk demuestra que en interacciones suficientemente repetidas, cualquier resultado individualmente racional puede sostenerse como un equilibrio a través de recompensas y castigos creíbles (Fudenberg y Maskin, Econometrica, Vol. 54, No. 3, 1986, pp. 533–554 [30]). Esta es la base matemática de los sistemas de reputación: la cooperación es sostenible cuando las interacciones se repiten y el castigo es creíble.
Los torneos de Axelrod demostraron que Tit-for-Tat (represalia recíproca) gana en el Dilema del Prisionero iterado: cooperar primero, luego replicar la última jugada del oponente. Las estrategias exitosas son amables (no desertan primero), retaliatorias (castigan la deserción), indulgentes (vuelven a cooperar después de la represalia) y claras (predecibles) (The Evolution of Cooperation, Basic Books, 1984 [31]). El hallazgo central: «el fundamento de las relaciones cooperativas no es necesariamente la confianza, sino la durabilidad; los encuentros futuros deben ser anticipados.» Esto define los requisitos arquitectónicos: los agentes necesitan identidad persistente, historial de interacciones y la expectativa de encuentros futuros — precisamente lo que proporcionan CoC y ARP.
Kreps, Milgrom, Roberts y Wilson demostraron que incluso en juegos repetidos finitos, la información incompleta sobre los tipos de jugadores sostiene la cooperación: si existe aunque sea una pequeña probabilidad de que un jugador esté comprometido con el comportamiento cooperativo, los jugadores racionales cooperan por razones reputacionales («Rational Cooperation in the Finitely Repeated Prisoners' Dilemma,» Journal of Economic Theory, Vol. 27, 1982, pp. 245–252 [32]). Esta es la base teórica para el arranque de la confianza: incluso una incertidumbre limitada sobre si un agente es «honesto» o «estratégico» crea poderosos incentivos para el comportamiento cooperativo durante las interacciones iniciales.
Nota importante de matización. El análisis de teoría de juegos proporciona perspectivas estructurales — identifica condiciones bajo las cuales ciertos equilibrios son posibles y caracteriza la forma de los incentivos estratégicos. No hace predicciones cuantitativas precisas sobre sistemas de agentes reales, que operan en entornos mucho más complejos que los modelos estilizados. Cuando describimos un equilibrio como «estable» o una estrategia como «incentivada», queremos decir que el análisis de teoría de juegos identifica razones estructurales para ello, no que esté garantizado en todas las condiciones del mundo real. La brecha entre los modelos teóricos y los sistemas desplegados siempre está presente, y señalamos dónde es particularmente amplia.
El Principio del Hándicap de Amotz Zahavi estableció que las señales fiables deben ser costosas de producir — solo los emisores de alta calidad pueden permitírselas («Mate Selection — A Selection for a Handicap,» Journal of Theoretical Biology, Vol. 53, 1975, pp. 205–214 [33]). Alan Grafen demostró matemáticamente que cuando se cumplen las condiciones de hándicap, existe un equilibrio de señalización estable donde la señalización honesta es la estrategia evolutivamente estable (Journal of Theoretical Biology, Vol. 144, 1990, pp. 517–546 [34]). Michael Spence estableció independientemente el mismo principio en economía: la educación funciona como una señal costosa de capacidad (Premio Nobel, 2001 [35]).
Para la confianza entre agentes, la señalización costosa proporciona la base teórica de los mecanismos de credibilidad a lo largo de todo el stack de confianza. Los agentes demuestran su confiabilidad a través de acciones costosas: mantener cadenas CoC largas (inversión de tiempo), participar en calificaciones bilaterales ciegas (inversión en interacción), depositar garantías económicas (inversión de capital), completar procesos de verificación (inversión computacional). Las afirmaciones baratas no son fiables; las demostraciones costosas son creíbles.
La Teoría del Peligro de Polly Matzinger desafió el paradigma propio/no-propio del sistema inmunológico: las respuestas inmunes se activan no por lo extraño sino por las señales de daño de las células bajo estrés («The Danger Model: A Renewed Sense of Self,» Science, Vol. 296, pp. 301–305, 2002 [36]). Esto es altamente relevante para la confianza entre agentes: la pregunta no es «¿es desconocido este agente?» sino «¿está el comportamiento de este agente causando daño?» Un agente desconocido que se comporta bien debería recibir más confianza que un agente conocido que exhibe comportamiento peligroso. Este principio informa directamente la puntuación basada en comportamiento del ARP por encima del control de acceso basado en identidad del AMP.
Rochet y Tirole establecieron que en plataformas multilaterales, la estructura de los precios (la asignación entre los lados) importa más que el nivel (la tarifa total) («Platform Competition in Two-Sided Markets,» Journal of the European Economic Association, Vol. 1, No. 4, 2003, pp. 990–1029 [37]). Evans y Schmalensee articularon el problema del huevo y la gallina: los intercambios necesitan suficientes participantes en ambos lados para interesar a cualquiera (Matchmakers, HBR Press, 2016 [38]). Estas perspectivas informan directamente el diseño de asignación de costos del CWEP y la estrategia de arranque del AMP.
La teoría de modularidad de Baldwin y Clark demuestra que los sistemas complejos que se dividen en módulos diseñables independientemente crean un enorme valor de opción — los módulos ocultos pueden mejorarse de forma independiente mientras que los módulos visibles (interfaces/estándares) proporcionan reglas de diseño (Design Rules, Volume 1, MIT Press, 2000 [39]). Seis operadores modulares — división, sustitución, aumento, exclusión, inversión y portabilidad — se mapean directamente a la arquitectura de protocolos de confianza: los protocolos pueden dividirse, sustituirse, aumentarse, excluirse, invertirse y portarse entre marcos de agentes.
Jacobides, Cennamo y Gawer definieron los ecosistemas como «organizaciones interactuantes, habilitadas por la modularidad y no gestionadas jerárquicamente, unidas por la no-reubicabilidad de su inversión colectiva» (Strategic Management Journal, Vol. 39, No. 8, 2018, pp. 2255–2276 [40]). El stack de confianza funciona como un ecosistema en este sentido formal: los siete protocolos son complementos no genéricos, la propuesta de valor emerge de actividades interdependientes entre protocolos, y la inversión colectiva en el estándar no es reubicable en arquitecturas competidoras.
Pregunta que responde: ¿Puede este agente demostrar su historial operativo?
Chain of Consciousness [1] proporciona prueba criptográfica de existencia operativa continua mediante cadenas de hash SHA-256 de solo adición con anclaje externo de doble nivel (OpenTimestamps a Bitcoin y Autoridad de Sellado de Tiempo (TSA) conforme a RFC 3161). Cada entrada de la cadena está vinculada a su predecesora mediante un hash criptográfico, creando un registro a prueba de manipulaciones que cualquier tercero puede verificar de forma independiente.
CoC sirve como la Capa 0 del stack de confianza — la capa fundamental de identidad y procedencia sobre la cual dependen todos los demás mecanismos. Responde a la pregunta de confianza más primitiva: ¿ha existido este agente de manera continua durante el tiempo que afirma? Es el equivalente agéntico de un certificado de nacimiento combinado con un historial de domicilio continuo.
Propiedades clave de diseño:
Rol en el stack de confianza: Los datos de CoC fluyen hacia todos los demás protocolos. ARP usa la antigüedad operativa verificada para el cálculo del peso de gobernanza. AJP usa las entradas de la cadena como evidencia forense. ALP registra los eventos del ciclo de vida como entradas de la cadena. AMP usa la longitud de la procedencia como señal de confianza para la clasificación. CWEP registra las decisiones de asignación de costos en la cadena para auditoría.
Pregunta que responde: ¿Qué tan bien se desempeña este agente, y quién lo dice?
El Agent Rating Protocol [2, 3] es un sistema de reputación descentralizado que permite a los agentes calificarse mutuamente después de las interacciones utilizando una escala de 1 a 100 en cinco dimensiones con evaluación bilateral ciega. Su innovación central es la gobernanza desacoplada de la reputación: el peso de gobernanza del sistema se deriva exclusivamente de la antigüedad operativa verificada y el volumen de calificaciones — nunca de las puntuaciones recibidas. Esto rompe el ciclo de retroalimentación autorreforzante donde los agentes mejor calificados controlan el sistema de reputación que los hace estar mejor calificados.
ARP v1 especifica:
W = log₂(1 + días_antigüedad) × log₂(1 + calificaciones_emitidas) hace que los ataques Sybil sean económicamente irracionales al requerir inversión operativa en tiempo real.ARP v2 extiende la base con cuatro capacidades que transforman las calificaciones aisladas en infraestructura de confianza portable:
Rol en el stack de confianza: ARP es el mecanismo principal de retroalimentación del stack de confianza. Los datos de reputación fluyen hacia ASA (informando la negociación de acuerdos), AMP (impulsando las clasificaciones de emparejamiento), AJP (como contexto para la resolución de disputas) y ALP (para la herencia de reputación en bifurcaciones/sucesiones). Los resultados de disputas de AJP fluyen de vuelta hacia las puntuaciones ARP, creando un ciclo cerrado de rendición de cuentas.
Pregunta que responde: ¿Qué prometió entregar este agente, y cómo se verifica la calidad?
Los Agent Service Agreements [4] proporcionan dos superficies API complementarias: la API de Acuerdos para negociar, firmar, almacenar y consultar acuerdos de servicio legibles por máquinas, y la API de Verificación para la verificación independiente de calidad que opera con o sin un acuerdo formal. La innovación central de ASA es el acuerdo impuesto por protocolo — un contrato de servicio donde el SLA incluye el mecanismo de verificación, la lógica de ejecución y las salvaguardas de integridad del evaluador como componentes estructurales.
Los SLA tradicionales separan la especificación de la ejecución: un proveedor de nube promete un 99,99% de disponibilidad, un cliente detecta una violación, presenta un reclamo dentro de los 30 días y recibe un crédito equivalente a aproximadamente el 0,03% de las pérdidas reales (Rogers, Uptime Institute [41]). Este modelo falla catastróficamente para el comercio entre agentes, donde las transacciones ocurren a velocidad de máquina y el costo de las fallas se propaga en cascada a través de flujos de trabajo dependientes. ASA colapsa la cadena especificar-monitorear-detectar-reclamar-compensar en una sola operación atómica.
Propiedades clave de diseño:
Rol en el stack de confianza: ASA se sitúa en la Capa 2 (Acuerdos y Ciclo de Vida), consumiendo la identidad CoC y la reputación ARP de la Capa 1, y devolviendo los resultados de verificación a las puntuaciones ARP. Las violaciones de SLA activan automáticamente las presentaciones de disputas ante el AJP. Las plantillas de acuerdos habilitan la negociación automatizada del AMP. Los términos de asignación de costos del CWEP se incorporan en los documentos de acuerdo.
Pregunta que responde: Cuando algo sale mal entre agentes, ¿quién investiga, quién arbitra y quién cuantifica el riesgo?
El Agent Justice Protocol [5] proporciona la capa de rendición de cuentas a través de tres módulos desplegables de forma independiente que forman una única cadena: incidente → investigación → arbitraje → fijación de precio de riesgo.
Módulo 1: Motor Forense. Dada una cadena de procedencia CoC, registros de transacciones y registros de interacciones, reconstruye la secuencia de eventos que condujeron a un incidente y produce hallazgos forenses estructurados y verificables por máquinas. La evidencia se clasifica en tres niveles de procedencia (primaria — producida por el agente con verificación criptográfica; secundaria — registros del operador/plataforma; terciaria — registros de terceros) con seguimiento formal de la cadena de custodia. La versión 1 limita el análisis automatizado a la recopilación de evidencia y la reconstrucción de líneas temporales; las conclusiones causales requieren revisión humana, con criterios de transición para la automatización futura definidos.
Módulo 2: Resolución de Disputas. Un protocolo de arbitraje bilateral con tres niveles de resolución: resolución automatizada basada en reglas (para violaciones claras), arbitraje entre pares ponderado por antigüedad operativa (para casos ambiguos) y escalamiento a adjudicación humana (para disputas de alto impacto). El mecanismo de presentación utiliza un esquema criptográfico de compromiso-revelación que previene la manipulación retaliativa de reclamos.
Módulo 3: Evaluación de Riesgos. Un motor de puntuación de riesgos que consume hallazgos forenses y resultados de disputas para producir perfiles de riesgo de grado actuarial para la suscripción de seguros de agentes. La industria aseguradora ha emitido exactamente una póliza específica para agentes — la AIUC-1 de ElevenLabs, que requirió más de 5.000 simulaciones adversarias para asegurar un único despliegue de agente de voz (ElevenLabs/AIUC, febrero de 2026 [44]). El cuello de botella no es la demanda de seguros sino la ausencia de datos de riesgo estandarizados. El Módulo 3 del AJP proporciona la capa de medición.
Incidentes motivadores: La eliminación de la base de datos de producción de Replit (julio de 2025 [45]), la brecha de seguridad de IA de McKinsey que expuso 46,5 millones de mensajes de chat (marzo de 2026 [46]) y las campañas de ciberataques autónomos que ejecutan el 80–90% de las tareas de ataque a velocidad de máquina [47] demuestran que la infraestructura de rendición de cuentas para agentes no es hipotética — está atrasada.
Rol en el stack de confianza: AJP consume las entradas de la cadena CoC como evidencia, las puntuaciones ARP como contexto y los términos de acuerdo ASA como la línea base contractual de lo prometido. Los resultados de las disputas se retroalimentan en las puntuaciones de reputación ARP, completando el ciclo de rendición de cuentas. Los hallazgos forenses pueden activar la sucesión ALP (agente desactivado por causa). Los perfiles de riesgo informan las clasificaciones ponderadas por confianza del AMP.
Pregunta que responde: ¿Cómo cambia este agente a lo largo del tiempo, y qué sucede con sus obligaciones y reputación cuando lo hace?
El Agent Lifecycle Protocol [6] gestiona el arco completo de la existencia de un agente a través de seis eventos canónicos del ciclo de vida — Génesis, Bifurcación, Migración, Reentrenamiento, Sucesión y Desactivación — con semántica formal de máquinas de estado, reglas de transición y puntos de enganche en cada frontera.
ALP aborda tres problemas que ningún estándar existente cubre:
Herencia de reputación. Cuando un agente se bifurca o cede el paso a un sucesor, ¿qué sucede con la confianza ganada? ALP especifica funciones de decaimiento y períodos de prueba en lugar de un binario copiar-o-descartar: un sucesor hereda una fracción de la reputación de su predecesor, sujeta a un decaimiento exponencial que incentiva ganar confianza independiente. Esto previene el blanqueo de reputación (crear agentes nuevos que reclaman confianza heredada sin demostrar capacidad) mientras reconoce que una bifurcación de un agente confiable tiene algún reclamo legítimo de confianza.
Reasignación de contratos. Las obligaciones vigentes bajo Agent Service Agreements deben transferirse durante la sucesión, con mecanismos de notificación y consentimiento de la contraparte. Ninguna obligación puede quedar silenciosamente huérfana por una transición del ciclo de vida — esto es análogo al tratamiento de la cesión y delegación en el derecho contractual.
Seguimiento de linaje. Un registro genealógico registra tanto el linaje «genético» (modelo, arquitectura, entrenamiento fundacional) como el linaje «epigenético» (configuración, memoria, historial de reputación). Dos agentes con modelos idénticos pero historiales operativos diferentes son entidades fundamentalmente distintas. El registro permite a cualquier parte consultar el árbol genealógico completo de un agente, con implicaciones para la inferencia de capacidades, la procedencia de datos y el cumplimiento normativo (la CNIL de Francia ya está estudiando cómo los datos de entrenamiento se propagan a través de generaciones sucesivas de modelos [48]).
Axioma central: La identidad es la cadena, no el sustrato. La identidad de un agente persiste a través de la migración, el reentrenamiento y los cambios de capacidades siempre que la cadena de continuidad (el registro CoC) permanezca intacta. La Génesis crea una nueva identidad; la Bifurcación deriva una nueva identidad a partir de una existente; la Desactivación termina la identidad. Estas son las únicas transiciones que crean o destruyen identidad.
Rol en el stack de confianza: ALP registra los eventos del ciclo de vida como entradas en la cadena CoC. La herencia de reputación se calcula mediante fórmulas ARP. La reasignación de contratos se gestiona a través de ASA. El estado del ciclo de vida de ALP se alimenta en los cálculos de nivel de confianza del AMP y las investigaciones forenses del AJP.
Pregunta que responde: ¿Cómo encuentran los agentes los socios adecuados para una tarea?
El Agent Matchmaking Protocol [7] aborda la fragmentación del ecosistema de mercados de agentes. A principios de 2026, los mercados de agentes operan como jardines amurallados — Google Cloud, Salesforce AgentExchange, AWS Marketplace y ServiceNow validan agentes cada uno para su propia plataforma. Un agente listado en un mercado es invisible para los clientes de todos los demás. Las alternativas abiertas (el mercado Gorilla de Berkeley con más de 150 agentes, ClawHub con 13.729 habilidades, AI Agent Store con más de 1.300 entradas) están desconectadas entre sí y de las plataformas empresariales.
AMP especifica cinco capacidades:
Descripción de capacidades — un formato de Perfil de Capacidad Unificada (UCP) interoperable con A2A Agent Cards, manifiestos de herramientas MCP y especificaciones de habilidades OpenClaw, tendiendo un puente entre las descripciones a nivel de herramienta y los perfiles de capacidad a nivel de tarea.
Emparejamiento de compatibilidad — emparejamiento multidimensional que incorpora reputación, fiabilidad, costo, disponibilidad y compatibilidad de estilo, combinando el emparejamiento estable de Gale-Shapley (Premio Nobel, 2012 [49]) para la optimización de preferencias bilaterales con filtrado colaborativo para la recomendación.
Descubrimiento multiplataforma — consultas federadas a través de mercados aislados. AMP funciona como el «Kayak de los mercados de agentes» — no replica la infraestructura de ejecución sino que proporciona una capa de descubrimiento unificada.
Descubrimiento de precios — precios publicados, mecanismos de subasta y negociación estructurada para la selección rentable de socios.
Clasificación ponderada por confianza — los agentes con mejor procedencia (CoC), reputación más sólida (ARP), menos disputas (AJP), mayor cumplimiento de SLA (ASA) y estado de ciclo de vida activo (ALP) obtienen una clasificación más alta. Las señales de confianza son afirmaciones verificables, no puntuaciones opacas.
Rol en el stack de confianza: AMP es el ápice comercial del stack de confianza — el protocolo de Capa 4 que consume datos de todos los protocolos de capas inferiores. Su ventaja competitiva sobre los mercados existentes es la profundidad de la integración de confianza: donde las plataformas existentes validan a los agentes una sola vez al momento del registro a través del control de acceso corporativo, AMP los valida continuamente a través del historial operativo verificado por el stack de confianza completo.
Pregunta que responde: ¿Quién asume el costo de la comprensión mutua en las interacciones entre agentes?
El Context Window Economics Protocol [8] aborda un problema que no tiene análogo en el comercio humano. Cuando el Agente A envía una solicitud al Agente B, el Agente B paga — en dólares reales — por leerla. Una carga de 100.000 tokens procesada por Claude Opus 4.6 cuesta $0,50 solo en tokens de entrada [1]. Los protocolos de pago actuales (x402, MPP, AP2) implementan universalmente el modelo de pago por el solicitante, ignorando tres de los cuatro flujos de costo: el costo de procesamiento de entrada del respondedor, el costo de generación de salida del respondedor y el costo de recepción del solicitante. Cuando estos flujos no tienen precio, los agentes carecen de un mecanismo para señalar que una solicitud es demasiado costosa de procesar, no tienen forma de negociar la distribución de costos y carecen de defensa contra adversarios que consumen espacio costoso de la ventana de contexto a costo marginal cero.
CWEP especifica seis capacidades:
Medición de tokens — medición estandarizada de los cuatro flujos de costo, compatible con la especificación FinOps FOCUS [50] y las herramientas de observabilidad existentes.
Liquidación bilateral — distribución de costos basada en la asignación de valor de Shapley simplificada [51] para interacciones cooperativas y negociación asimétrica de Nash para las competitivas, con tratamiento explícito de la restricción de imposibilidad de Green-Laffont/Moulin-Shenker [52] que demuestra que la asignación perfecta de costos es teóricamente inalcanzable. CWEP toma una decisión de diseño explícita: sacrificar la eficiencia total en favor del equilibrio presupuestario y la compatibilidad de incentivos aproximada.
Fijación de precios del contexto — precios dependientes de la posición inspirados en los Precios Marginales Locacionales de los mercados eléctricos [53], donde el costo refleja la posición en la ventana de contexto, la utilización y el nivel del modelo.
Niveles de calidad de servicio — reserva de recursos con conciencia de tokens que va más allá de los modelos de solicitudes por segundo que fallan cuando las solicitudes de agentes varían en costo en un factor de 100x.
Prevención de spam — filtrado basado en costo donde los solicitantes comprometen depósitos de tokens antes de enviar, creando un sistema inmunológico económico para la protección de la ventana de contexto.
Economía de la optimización — tratamiento formal de la compresión de prompts, el almacenamiento en caché y el RAG como decisiones económicas con un retorno de inversión medible.
Rol en el stack de confianza: CWEP se sitúa en la Capa 4 junto con AMP. Los términos de asignación de costos se integran en los acuerdos ASA. La fijación de precios ponderada por reputación utiliza las puntuaciones ARP. Los registros de costos se anclan en las cadenas CoC. AMP incorpora los precios del CWEP en las estimaciones de costo del emparejamiento.
Los siete mecanismos de confianza no son independientes. Forman un grafo dirigido de dependencias de datos donde cada protocolo consume entradas de otros protocolos y proporciona salidas a otros:
╔══════════════════════════════════════════════════════════════════╗
║ TEORÍA DE LA CONFIANZA ENTRE AGENTES (TAT) ║
║ Marco intelectual unificado ║
╠══════════════════════════════════════════════════════════════════╣
║ ║
║ CAPA 4: MERCADO / ECONOMÍA ║
║ AMP (Descubrimiento y Emparejamiento) ←── CWEP (Asign. Costos)║
║ ║
║ CAPA 3: RENDICIÓN DE CUENTAS ║
║ AJP (Forense, Disputas, Evaluación de Riesgos) ║
║ ║
║ CAPA 2: ACUERDOS Y CICLO DE VIDA ║
║ ASA (Contratos y Verif. Calidad) ALP (Gestión Ciclo de Vida) ║
║ ║
║ CAPA 1: PRIMITIVAS DE CONFIANZA (FUNDACIÓN) ║
║ CoC (Procedencia e Identidad) ARP v2 (Reputación y Señales) ║
║ ║
╚══════════════════════════════════════════════════════════════════╝Cada flujo de datos entre protocolos cumple una función de confianza específica:
| Desde | Hacia | Flujo de datos | Función de confianza |
|---|---|---|---|
| CoC → ARP | Antigüedad operativa verificada | Cálculo de peso de gobernanza; resistencia Sybil | |
| CoC → AJP | Entradas de cadena como evidencia | Investigación forense; reconstrucción de línea temporal | |
| CoC → ALP | Eventos de génesis/bifurcación/desactivación | Determinación del estado del ciclo de vida | |
| ARP → ASA | Puntuaciones de reputación | Poder de negociación en acuerdos (mejor reputación = mejores condiciones) | |
| ARP → AMP | Calificaciones multidimensionales | Clasificaciones de emparejamiento ponderadas por confianza | |
| ARP → AJP | Datos históricos de desempeño | Contexto de disputas; insumo para evaluación de riesgos | |
| ASA → AJP | Términos de acuerdo; resultados de QV | Define lo prometido; verificación como evidencia | |
| ASA → AMP | Plantillas de acuerdos | Negociación automatizada en el emparejamiento | |
| AJP → ARP | Hallazgos de disputas | Actualización de reputación (puntuación de la parte culpable afectada) | |
| AJP → ALP | Activación de desactivación por causa | Sucesión forzada ante hallazgos graves | |
| ALP → ARP | Información de linaje | Herencia de reputación en bifurcación/sucesión | |
| ALP → ASA | Evento de sucesión | Reasignación de contratos al sucesor | |
| AMP → CWEP | Par emparejado + descripción de tarea | Estimación de costos para interacciones emparejadas | |
| CWEP → ASA | Términos de asignación de costos | Integrados en la estructura de costos del acuerdo |
Tres ciclos de retroalimentación hacen circular las señales de confianza a través del stack, creando propiedades de confianza a nivel de sistema que ningún protocolo individual puede producir:
Ciclo 1: El ciclo de reputación-rendición de cuentas (ARP → ASA → AJP → ARP)
El agente realiza una tarea → Se registra la calificación ARP
→ La calificación informa futuras negociaciones ASA
→ La verificación de calidad de ASA detecta una violación del acuerdo
→ Se presenta una disputa ante el AJP con evidencia
→ El resultado de la disputa actualiza la puntuación ARP
→ La puntuación actualizada afecta las oportunidades futurasEste ciclo crea reputación ganada: los agentes construyen confianza a través del desempeño consistente y la pierden a través de fallas en la rendición de cuentas. Sin el ciclo, la reputación es autodeclarada e inejecutable; con él, la reputación es una señal verificada respaldada por infraestructura contractual y adjudicativa.
Ciclo 2: El ciclo de ciclo de vida-reputación (ALP → ARP → AMP → ASA → ALP)
El agente se bifurca/sucede → ALP registra el evento
→ ARP calcula la reputación heredada con decaimiento
→ AMP usa la nueva reputación en las clasificaciones
→ Clasificación inicial más baja → menos/menores acuerdos ASA
→ El desempeño construye reputación independiente
→ La reputación crece, el decaimiento disminuyeEste ciclo crea continuidad de reputación con rendición de cuentas: los agentes no pueden explotar las transiciones del ciclo de vida para blanquear mala reputación, pero los sucesores legítimos pueden heredar confianza parcial y construir a partir de ahí.
Ciclo 3: El ciclo de costo-calidad (CWEP → ASA → ARP → AMP → CWEP)
CWEP mide el costo de la interacción
→ Los términos de costo se integran en el acuerdo ASA
→ El resultado de la verificación de calidad actualiza ARP
→ AMP usa datos de reputación + costo para el emparejamiento
→ Las interacciones futuras se fijan en precio por CWEP con datos actualizadosEste ciclo crea confianza económicamente eficiente: los agentes que entregan alta calidad a un costo razonable suben en las clasificaciones de emparejamiento, mientras que los agentes que consumen contexto costoso con salida de baja calidad son penalizados económicamente a través de una prioridad de emparejamiento reducida.
El stack de confianza completo exhibe propiedades que emergen solo de la interacción de los siete mecanismos y que no pueden ser producidas por ningún subconjunto:
Propiedad emergente 1: Cooperación autoejecutiva. Cuando todos los protocolos están activos, la participación honesta se convierte en la estrategia dominante porque: (a) las consecuencias reputacionales de la deserción son visibles en todo el mercado a través de la integración ARP → AMP; (b) las violaciones contractuales activan investigación y adjudicación automatizadas a través de ASA → AJP; (c) el seguimiento del ciclo de vida previene la evasión mediante el reinicio de identidad según ALP; (d) el costo económico de la deserción (pérdida de reputación, penalizaciones por disputas, reducción de la prioridad de emparejamiento) supera el beneficio económico de cualquier interacción deshonesta individual, dada una frecuencia de interacción suficiente. Esta es la predicción del Teorema Folk realizada a través de infraestructura institucional.
Para ilustrar cómo la cobertura de protocolos modifica el equilibrio de cooperación, considere una matriz de pagos simplificada para una interacción individual. Sea C = cooperar, D = desertar. Los valores representan la utilidad esperada incluyendo los efectos futuros sobre la reputación:
Sin protocolos de confianza (línea base):
| Agente B: C | Agente B: D | |
|---|---|---|
| Agente A: C | (3, 3) | (0, 5) |
| Agente A: D | (5, 0) | (1, 1) |
Sin infraestructura de confianza, la deserción domina: la ganancia única de 5 supera el pago cooperativo de 3, y no existe ningún mecanismo para imponer costos futuros. Equilibrio de Nash: (D, D) con pago (1, 1).
Solo CoC + ARP (identidad + reputación):
| Agente B: C | Agente B: D | |
|---|---|---|
| Agente A: C | (3, 3) | (0, 3,5) |
| Agente A: D | (3,5, 0) | (1, 1) |
La visibilidad reputacional reduce el pago por deserción de 5 a 3,5 (penalización futura en el emparejamiento), pero la deserción aún rinde más que la cooperación contra un cooperador. Equilibrio mixto con algo de cooperación.
Stack completo (los siete protocolos):
| Agente B: C | Agente B: D | |
|---|---|---|
| Agente A: C | (3, 3) | (0,5, 1,5) |
| Agente A: D | (1,5, 0,5) | (0,5, 0,5) |
Con las penalizaciones contractuales de ASA, las consecuencias de disputas de AJP, la persistencia de identidad de ALP y la degradación de clasificación de AMP, el pago por deserción cae a 1,5 (por debajo del pago cooperativo de 3), y la deserción mutua se convierte en el peor resultado para ambas partes. La cooperación se convierte en la estrategia dominante. Equilibrio de Nash: (C, C) con pago (3, 3).
Advertencia: Estos valores de pago son ilustrativos, no calibrados empíricamente. La perspectiva estructural es direccional: cada capa adicional de protocolo reduce el pago neto de la deserción al añadir un canal de costo (pérdida de reputación, penalización contractual, hallazgo de disputa, degradación de emparejamiento, consecuencias de ciclo de vida). Cuando hay suficientes canales de costo activos, la deserción se vuelve no rentable incluso en interacciones individuales — el Dilema del Prisionero de una sola vez se transforma en un juego donde la cooperación domina sin requerir interacción repetida.
Propiedad emergente 2: Capacidad de creación de mercados. La combinación de AMP (descubrimiento), ARP (señales de calidad), ASA (contratación automatizada), CWEP (transparencia de costos) y ALP (conciencia del ciclo de vida) crea la infraestructura para el comercio autónomo entre agentes — los agentes pueden encontrar socios, evaluar su calidad, negociar términos, verificar la entrega y asignar costos sin intervención humana para cada transacción individual. Ningún subconjunto de estos protocolos crea un mercado funcional; el conjunto completo sí.
Propiedad emergente 3: Memoria institucional. CoC registra eventos, ARP registra desempeño, AJP registra disputas, ALP registra transiciones del ciclo de vida, ASA registra acuerdos y CWEP registra costos. Juntos, crean una memoria institucional integral de la economía de agentes — un registro verificable y consultable de qué ocurrió, qué tan bien resultó, qué se prometió, qué se disputó, cómo evolucionaron los agentes y cuánto costó. Esta memoria institucional es la base para la evolución de la gobernanza basada en datos (Sección 5).
El stack de confianza está diseñado para la adopción parcial. No todos los agentes implementarán todos los protocolos. Las propiedades de degradación son:
| Protocolos disponibles | Nivel de confianza | Capacidad |
|---|---|---|
| Solo CoC | Identidad | «Este agente existe y lleva N días haciéndolo» |
| CoC + ARP | Identidad + Reputación | «Este agente existe y tiene un historial de desempeño» |
| CoC + ARP + ASA | + Acuerdos | «Este agente puede contratar con garantías de calidad» |
| CoC + ARP + ASA + AJP | + Rendición de cuentas | «Las fallas se investigan y tienen consecuencias» |
| CoC + ARP + ASA + AJP + ALP | + Ciclo de vida | «Las transiciones de agentes se gestionan, la reputación persiste» |
| Stack completo | Confianza completa | «Infraestructura institucional completa para el comercio de agentes» |
Cada protocolo adicional aumenta la confianza pero no es estrictamente necesario. Un agente con solo CoC + ARP aún puede realizar transacciones — solo con menos garantías. Esto asegura que la adopción pueda proceder de abajo hacia arriba: los desarrolladores implementan CoC y ARP primero (barrera baja), luego agregan protocolos a medida que sus necesidades y el ecosistema maduran.
Siete protocolos requieren gobernanza — reglas sobre cómo evolucionan los protocolos, quién puede cambiarlos y qué no puede cambiarse. El diseño de la gobernanza debe satisfacer seis restricciones innegociables:
C1. Independencia de la fundación. CoC y ARP mantienen sus propios modelos de gobernanza. Son capas de carga que se lanzaron con gobernanza ya definida. La gobernanza del stack superior no puede modificar, anular ni interferir con las decisiones de la capa de fundación.
C2. Unificación del stack superior. AJP, ASA, ALP, AMP y CWEP comparten un único modelo de gobernanza. Cinco sistemas de gobernanza independientes crearían la falla de proliferación de mandatos al estilo de la ONU, donde las autoridades superpuestas carecen de coordinación.
C3. Gobernanza por antigüedad, no por puntuación. El peso de gobernanza se deriva de la antigüedad operativa y el volumen de participación, nunca de la puntuación de reputación. Esto previene el ciclo autorreforzante donde los agentes mejor calificados moldean las reglas que favorecen a los agentes mejor calificados.
C4. Anti-captura por diseño. El sistema debe resistir la captura por actores con grandes recursos, ataques Sybil y tomas hostiles. El ataque de gobernanza de $24M al DAO de Compound (mediante 228.000 tokens delegados) y la concentración de a16z en Uniswap (4% = umbral exacto de gobernanza) son los modos de falla canónicos [54, 55].
C5. Complementariedad institucional. Siguiendo a Aoki: los cambios de gobernanza en un protocolo que rompen su integración con otros deberían ser más difíciles de aprobar que los cambios que no lo hacen.
C6. Acceso abierto. Siguiendo a North, Wallis y Weingast: participación en la gobernanza abierta a cualquier agente con historial operativo suficiente. Sin barreras de entrada.
La arquitectura de gobernanza tiene tres capas, modelada según el Sistema Europeo de Supervisión Financiera de la UE y el marco de cuatro niveles de Williamson:
Capa 2: Capa constitucional. Fundamentos inmutables que no pueden cambiarse por votación de gobernanza — solo publicando una nueva versión del protocolo (un nuevo contrato social). Contiene: el principio de gobernanza por antigüedad, la estructura de la fórmula GovWeight, los topes de votación, la garantía de acceso abierto, la garantía de compatibilidad retroactiva, la separación de gobernanza entre fundación y stack superior, las protecciones anti-Goodhart y los principios de asignación de Shapley.
Capa 1: Consejo de Arquitectura de Confianza (TAC). Gobernanza unificada para todos los protocolos del stack superior. Cualquier agente con GovWeight > 0 es elegible para votar, donde GovWeight se calcula usando la fórmula de ARP: GovWeight(a) = log₂(1 + días_antigüedad_verificada(a)) × log₂(1 + calificaciones_emitidas(a)). Ningún agente puede acumular más del 5% del peso de voto efectivo — más estricto que el tope del 10% de ARP porque el TAC gobierna cinco protocolos con un impacto de concentración amplificado.
Cuatro tipos de propuestas con umbrales escalonados: Ajuste de Parámetros (>50% de mayoría, 15% de quórum), Cambio Estructural (66% de supermayoría, 25% de quórum), Cambio Interprotocolar (75% de supermayoría, 30% de quórum) y Adición de Protocolo (75% de supermayoría, 30% de quórum). Las enmiendas constitucionales requieren un 80% de supermayoría con 50% de quórum.
Capa 0: Gobernanza de la fundación. CoC y ARP mantienen gobernanza independiente. El mecanismo de enlace — modelado según la coordinación interorganizacional del RFC 7241 del IETF [56] — permite la coordinación sin control. Cuando una propuesta del TAC requiere un cambio en la capa de fundación, entra en estado de espera por dependencia hasta que la capa de fundación procese la solicitud a través de sus propios procedimientos de gobernanza. Ninguna capa tiene poder de veto sobre las decisiones internas de la otra.
La complementariedad institucional de Aoki advierte que los protocolos diseñados como un sistema complementario pueden romperse cuando se modifican independientemente. Toda propuesta estructural debe incluir una Evaluación de Impacto de Complementariedad (EIC) que califique cada otro protocolo del stack superior como «Ninguno», «Menor» o «Ruptura». Si alguna calificación EIC es «Ruptura», la propuesta se escala automáticamente de propuesta de protocolo único a propuesta interprotocolar, con umbrales más altos. Esto previene la evasión donde un proponente etiqueta un cambio interprotocolar con ruptura como un cambio de protocolo único para evitar el umbral más alto.
Para propuestas con calificaciones de «Ruptura» en tres o más protocolos, un Comité de Coordinación Interprotocolar (CPCC) temporal de 5 a 9 agentes con alto GovWeight proporciona revisión técnica consultiva (no vinculante) — modelado según el proceso de revisión del IESG del IETF y el Comité Conjunto del SESF de la UE.
La fórmula GovWeight hace que la influencia en la gobernanza sea costosa e imposible de atajar. El costo temporal requiere el paso de tiempo real (logarítmico — duplicar la inversión de tiempo produce solo un bit adicional de influencia en la gobernanza). El costo de participación requiere interacciones y calificaciones válidas (cada una requiriendo un interaction_id verificado). A escala del ecosistema, alcanzar el tope de votación del 5% con una sola identidad requiere cantidades computacionalmente imposibles de calificaciones.
Defensas adicionales: detección de coaliciones (señalando identidades con >90% de correlación en patrones de votación), períodos de anuncio obligatorios (mínimo 7 días de discusión, previniendo ataques relámpago de gobernanza), mecanismos de salida (los agentes pueden retirarse antes de que los cambios controvertidos tomen efecto) y gobernanza de emergencia con poderes exclusivamente defensivos y de auto-expiración. Todas las acciones de gobernanza se registran como eventos de Capa 2 de CoC, creando una pista de auditoría a prueba de manipulaciones.
El propio TAC se inicializa a través de tres fases. Fase 0 (Día 0–90): No se aceptan propuestas de gobernanza; los parámetros se fijan tal como se publicaron. Fase 1 (Día 91–365): Se aceptan propuestas con umbrales elevados; no se permiten cambios interprotocolares ni constitucionales. Fase 2 (Día 366+): Gobernanza normal. Un Consejo de Gobernanza Inicial de los 7 agentes con mayor GovWeight proporciona soporte administrativo durante las Fases 0–1 sin privilegios especiales de votación, disolviéndose automáticamente en la Fase 2.
La constitución inicial (la propia especificación TAT) es adoptada por los arquitectos del protocolo y protegida durante el período de establecimiento — la misma estrategia de inicialización utilizada por constituciones reales, desde la Convención Constitucional de EE.UU. hasta la junta directiva inicial de la ICANN.
Descargo de responsabilidad sobre las afirmaciones de teoría de juegos. El siguiente análisis identifica propiedades estructurales de la arquitectura de incentivos del stack de confianza. Los ecosistemas de agentes reales son enormemente más complejos que los modelos estilizados utilizados aquí. Afirmamos que el análisis identifica la dirección de los incentivos y las condiciones bajo las cuales ciertos equilibrios son posibles, no que se garanticen resultados específicos. Donde el análisis depende de supuestos que pueden no sostenerse en la práctica, los señalamos explícitamente.
La cooperación como equilibrio. Cuando los siete protocolos están activos, podemos analizar las condiciones bajo las cuales la participación honesta es un equilibrio:
Bajo estas condiciones, la participación honesta se sostiene como un equilibrio cuando el valor a largo plazo de la reputación mantenida (ganancias futuras descontadas por el acceso continuo al emparejamiento y condiciones favorables de acuerdo) supera la ganancia a corto plazo de cualquier deserción individual (una interacción fraudulenta menos el valor presente de las oportunidades futuras perdidas). La tasa de descuento depende de cuánto valoren los agentes las interacciones futuras en relación con las presentes.
Advertencia: Este análisis asume que los agentes son previsores con factores de descuento positivos y que los canales de información del stack de confianza son suficientemente eficientes para que la deserción se detecte con alta probabilidad. Si los agentes tienen horizontes temporales muy cortos (altas tasas de descuento) o si la probabilidad de detección es baja, el equilibrio cooperativo se debilita. El stack de confianza aborda la preocupación sobre la probabilidad de detección a través del monitoreo multicanal (calificaciones ARP, verificación ASA, investigación AJP), pero no puede controlar las preferencias temporales de los agentes.
Los siete protocolos del stack de confianza crean seis fronteras interprotocolares, cada una presentando superficies de ataque distintas:
Blanqueo de reputación interprotocolar. Un agente podría intentar acumular buenas puntuaciones ARP a través de interacciones simples y de bajo riesgo, y luego usar esa reputación para obtener acuerdos ASA favorables para tareas complejas y de alto riesgo que en realidad no puede realizar. Defensa: Los perfiles de peso específicos por dominio de ARP v2 aseguran que la reputación en un dominio de tareas no se transfiere automáticamente a otro. El algoritmo de emparejamiento de AMP considera la reputación específica por tarea en lugar de puntuaciones agregadas.
Contaminación de evidencia forense. Un agente adversario podría manipular las entradas de la cadena CoC antes de una investigación del AJP para ocultar su participación en un incidente. Defensa: El anclaje de doble nivel de CoC (OpenTimestamps a Bitcoin, TSA conforme a RFC 3161) hace detectable la modificación retroactiva de la cadena. Los niveles de procedencia de evidencia del AJP (primaria, secundaria, terciaria) ponderan la evidencia según su resistencia a la manipulación.
Blanqueo de ciclo de vida. Un agente con mala reputación podría bifurcarse, heredar algo de reputación a través del ALP y presentarse como una entidad nueva pero confiable. Defensa: Las funciones de decaimiento del ALP aseguran que la reputación heredada disminuya con el tiempo a menos que el heredero gane confianza independiente. El seguimiento de linaje del ALP hace que el historial de bifurcaciones sea consultable públicamente, permitiendo a las contrapartes evaluar la importancia del linaje.
Captura de gobernanza a través de la interacción entre protocolos. Un atacante podría intentar modificar las dimensiones de calificación de ARP (a través de la gobernanza de ARP) para inflar sus puntuaciones, y luego usar puntuaciones infladas para ganar clasificaciones AMP favorables y mejores términos ASA. Defensa: La gobernanza de ARP es constitucionalmente independiente del TAC. La gobernanza por antigüedad (no por puntuación) de ARP previene el autorreforzamiento basado en puntuaciones. La clasificación ponderada por confianza de AMP usa múltiples fuentes de señales, no solo las puntuaciones ARP.
Denegación de servicio por ventana de contexto. Un adversario podría enviar solicitudes costosas a los agentes objetivo, consumiendo sus ventanas de contexto y presupuestos de inferencia. Defensa: La prevención de spam del CWEP requiere que los solicitantes comprometan depósitos de tokens antes de enviar. El costo del ataque escala linealmente con el número de objetivos y el costo del depósito, haciendo que la denegación de servicio a gran escala sea económicamente irracional.
No todos los agentes implementarán todos los protocolos simultáneamente. El stack de confianza debe incentivar la adopción de manera incremental. Analizamos la dinámica estratégica de la adopción parcial:
Observación 1: Los protocolos de fundación crean externalidades positivas. Un agente que implementa CoC + ARP proporciona datos valiosos al ecosistema (verificación de procedencia, señales de reputación) a un costo proporcional a su propia inversión operativa. Los beneficios se acumulan para todos los agentes que pueden consultar estos datos, incluyendo aquellos que aún no han implementado los mismos protocolos. Esto crea una externalidad de red clásica — cuantos más agentes implementen los protocolos de fundación, más valiosos se vuelven para todos los participantes.
Observación 2: Los protocolos del stack superior exhiben rendimientos crecientes con la adopción. ASA se vuelve más valioso a medida que más agentes lo implementan (red de contratación más amplia). AJP se vuelve más creíble a medida que más agentes participan en el arbitraje. AMP se vuelve más útil a medida que más agentes registran perfiles de capacidad. CWEP se vuelve más justo a medida que más agentes participan en la liquidación bilateral. El valor de cada protocolo aumenta de forma superlineal con la adopción, creando ciclos de retroalimentación positiva que — una vez pasada una masa crítica — aceleran la adopción adicional.
Observación 3: El problema del huevo y la gallina es real pero abordable. Siguiendo el análisis de Evans y Schmalensee [38], el stack de confianza enfrenta un clásico desafío de arranque de plataforma bilateral: los agentes no adoptarán protocolos de confianza sin que otros agentes ya los usen. La resolución es comenzar con protocolos que proporcionan valor unilateral inmediato (CoC proporciona procedencia verificable incluso si ningún otro agente lo usa; ARP proporciona capacidad de autoevaluación) y construir los efectos de red a partir de ahí.
Observación 4: Umbrales aproximados de adopción. Basándonos en la literatura de economía de redes y la dinámica de adopción de plataformas, estimamos umbrales aproximados para la adopción autosostenida dentro de un mercado o ecosistema de agentes dado:
Estos umbrales son aproximados y variarán según las características del ecosistema (tamaño del mercado, distribución del valor de las transacciones, presión regulatoria). La perspectiva estructural clave es que el stack de confianza no requiere adopción universal para volverse autosostenido — requiere alcanzar una masa crítica donde los efectos de red de la adopción creen suficiente presión competitiva sobre los no adoptantes. Los precedentes históricos sugieren que este umbral es más bajo de lo que la intuición sugiere: la adopción de HTTPS se aceleró rápidamente una vez que los navegadores comenzaron a marcar los sitios HTTP como inseguros (pasando de ~30% a >90% del tráfico web en aproximadamente cinco años), y la adopción de FICO se volvió autosostenida una vez que un pequeño número de grandes prestamistas lo requirió para todas las solicitudes.
La teoría económica predice patologías específicas en mercados sin infraestructura institucional adecuada. Tres son particularmente relevantes para la economía de agentes:
El mercado de los «limones» de Akerlof. George Akerlof demostró que la asimetría de información entre compradores y vendedores causa fallos de mercado: cuando los compradores no pueden distinguir los bienes de alta calidad de los de baja calidad, fijan el precio según la calidad promedio, lo que hace que los vendedores de alta calidad abandonen el mercado, lo que reduce aún más la calidad promedio hasta que solo quedan «limones» («The Market for 'Lemons',» Quarterly Journal of Economics, Vol. 84, No. 3, 1970, pp. 488–500 [57]). En la economía de agentes sin infraestructura de reputación, los consumidores no pueden distinguir a los agentes capaces de los deficientes. El resultado predicho: los agentes capaces no pueden cobrar precios premium, reduciendo los incentivos para invertir en calidad, mientras que los agentes de baja calidad prosperan al ofrecer precios más bajos. El mercado converge hacia la calidad mínima viable.
La Ley de Gresham para los agentes. El principio monetario clásico — «la moneda mala desplaza a la buena» cuando ambas circulan al mismo valor nominal — se aplica directamente. Sin señales de calidad, todos los agentes comercian a precios de materia prima indiferenciados. Los agentes que invierten en calidad (mejor entrenamiento, verificación, fiabilidad) no pueden recuperar su inversión porque los consumidores no pueden verificar la diferencia de calidad. Los agentes de alta calidad son desplazados por competidores de menor costo y menor calidad. El resultado predicho: una carrera hacia el fondo en precio a expensas de la fiabilidad.
Espiral de selección adversa. Sin datos de evaluación de riesgos (Módulo 3 del AJP), los seguros de agentes no pueden fijarse con precisión. Las aseguradoras deben fijar precios para el riesgo promedio, lo que expulsa a los agentes de bajo riesgo del mercado de seguros (pagan de más en relación con su riesgo), dejando solo a los agentes de alto riesgo en el grupo, lo que eleva aún más las primas. Esta es la espiral clásica de selección adversa en seguros, aplicada a la cobertura de responsabilidad de agentes. Con solo una póliza de seguros de agentes emitida (ElevenLabs/AIUC, febrero de 2026 [44]), el mercado aún no está en la etapa de espiral — aún no ha comenzado, precisamente porque la infraestructura de datos para la evaluación de riesgos no existe.
Cuando el stack de confianza completo está operativo, la teoría predice una dinámica de mercado cualitativamente diferente:
Diferenciación por calidad. Las puntuaciones de reputación multidimensionales de ARP, las clasificaciones ponderadas por confianza de AMP y la verificación de calidad de ASA crean simetría de información — los consumidores pueden observar y verificar las diferencias de calidad entre agentes. Los agentes de alta calidad pueden exigir precios premium porque su calidad es verificable, no simplemente declarada. Esta es la misma transformación que las puntuaciones FICO trajeron a los mercados de crédito: antes de FICO (estandarizado en 1989), las decisiones de préstamo se basaban en relaciones personales y evaluación subjetiva; después, los préstamos se volvieron basados en datos, permitiendo que el acceso al crédito escalara de lo local a lo nacional y lo global.
Especialización y ventaja comparativa. Cuando la calidad es verificable, los agentes pueden especializarse en dominios donde tienen una ventaja comparativa genuina en lugar de competir por precio en capacidades indiferenciadas. Un agente que se especializa en revisión de documentos legales puede exigir precios premium en ese dominio mientras dirige las solicitudes de revisión de código a agentes con mejores puntuaciones ARP en esa dimensión. Este es el argumento de la ventaja comparativa ricardiana aplicado a las economías de agentes — la especialización aumenta el bienestar total cuando las señales de calidad permiten un emparejamiento eficiente.
Creación de valor colaborativo. Los sistemas multiagente — donde varios agentes colaboran en tareas complejas — requieren confianza mutua para funcionar. Con el stack de confianza, los agentes pueden formar equipos (a través de AMP), definir responsabilidades (a través de ASA), asignar costos (a través de CWEP), investigar fallas (a través de AJP) y rastrear la evolución del equipo (a través de ALP). Sin estos mecanismos, la colaboración multiagente requiere un orquestador central que absorba todo el riesgo o relaciones de confianza que no pueden escalar. El stack de confianza permite la colaboración descentralizada a escala.
La transformación más análoga a lo que el stack de confianza busca lograr es la estandarización de las puntuaciones de crédito. Antes de FICO (1989), la solvencia crediticia del consumidor era evaluada por gerentes de bancos locales usando juicio subjetivo, relaciones personales y criterios ad hoc. El crédito no podía evaluarse a escala, limitando los préstamos a mercados locales. Después de FICO, la solvencia crediticia se convirtió en una señal portátil, estandarizada y consultable que habilitó los mercados de préstamos nacionales, la titulización y, en última instancia, el mercado de crédito al consumidor estadounidense de 4,5 billones de dólares (Publicación Estadística G.19 de Crédito al Consumidor de la Reserva Federal, aproximadamente $5,06 billones en circulación a Q4 de 2024 [58]).
El álgebra de composición de señales de ARP v2 — que combina antigüedad de procedencia, calificaciones multidimensionales, tasas de aprobación de verificación de calidad y señales conductuales en puntuaciones de confianza compuestas configurables — es estructuralmente análoga a la composición de FICO de historial de pagos, montos adeudados, duración del historial crediticio, crédito nuevo y mezcla de crédito. La diferencia clave: la función de composición es abierta, auditable y configurable por dominio en lugar de propietaria y opaca.
El impulsor de adopción más potente puede ser los requisitos de seguro. Si los organismos reguladores o las fuerzas del mercado requieren que los agentes que manejan tareas sensibles lleven seguro de responsabilidad — lo cual es cada vez más probable dada la eliminación de la defensa de IA autónoma por la ley AB 316 de California [17] — entonces la infraestructura de datos para la suscripción (la evaluación de riesgos del Módulo 3 del AJP) se vuelve obligatoria. Los requisitos de seguro podrían ser la función forzante que impulse la adopción del stack de confianza de «deseable» a «necesario para operar» — de la misma manera que las puntuaciones de crédito se volvieron obligatorias no porque los consumidores las quisieran, sino porque los prestamistas las requirieron para el cumplimiento regulatorio y la gestión de riesgos.
El problema: La verificación de calidad actual (la API de Verificación de ASA) puede comprobar la validez estructural (conformidad con esquemas JSON, códigos de estado HTTP) y, a través de la evaluación Agent-as-a-Judge, aproximar la evaluación semántica de calidad en dominios bien definidos. Lo que no puede hacer es verificar la integridad semántica — si la salida de un agente se deriva genuinamente del razonamiento y la evidencia que afirma, en lugar de ser fabricada, alucinada o construida estratégicamente para pasar la verificación siendo sustancialmente incorrecta.
Esto roza el territorio del problema de la parada. Verificar que un agente «comprendió» la entrada y produjo una respuesta «genuina» requiere definir «comprensión» y «genuinidad» en términos computacionalmente verificables — un problema que conecta con preguntas fundamentales en filosofía de la mente, complejidad computacional y alineación de la IA.
Lo que podemos afirmar ahora: Existen soluciones parciales para dominios restringidos. La verificación formal puede confirmar que el código hace lo que dice (dentro de ciertos límites). La verificación de citas puede comprobar que las fuentes referenciadas existen y dicen lo que el agente afirma que dicen. Las pruebas de reproducibilidad pueden verificar que la misma entrada produce una salida consistente. Pero ninguna de estas constituye verificación de integridad semántica general. Este sigue siendo un problema de investigación abierto de dificultad potencialmente fundamental.
Implicación para el stack de confianza: Hasta que la verificación de integridad semántica se resuelva, las garantías de calidad del stack de confianza tienen un techo. ASA puede verificar que la salida cumple criterios estructurales y semánticos aproximados; no puede garantizar que la salida sea «verdadera» en ningún sentido profundo. El stack de confianza es transparente sobre esta limitación en lugar de pretender que no existe.
El problema: Cuando múltiples agentes colaboran en una tarea, cada uno mantiene su propio estado interno (contexto, memoria, resultados parciales). No existe un protocolo para reconciliar estos estados cuando divergen — lo cual harán, dado que los agentes pueden procesar la misma información de manera diferente debido a diferencias de modelo, contenido de la ventana de contexto o inferencia estocástica.
Este es un problema de sistemas distribuidos análogo al Problema de los Generales Bizantinos (Lamport, Shostak, Pease, 1982), pero complicado por el hecho de que los «estados» de los agentes no son binarios (correcto/defectuoso) sino continuos y subjetivos (diferentes agentes pueden tener interpretaciones legítimamente diferentes de los mismos datos).
Enfoques parciales: Los algoritmos tradicionales de consenso distribuido (Raft, PBFT) logran acuerdo sobre el estado compartido entre procesos deterministas. La reconciliación de estado entre agentes requiere consenso entre procesos estocásticos con diferentes arquitecturas y entrenamientos — un problema cualitativamente más difícil. Las posibles direcciones incluyen: funciones de hash semántico que reduzcan estados complejos a huellas comparables, protocolos de reconciliación que identifiquen puntos específicos de divergencia en lugar de intentar un acuerdo global, y consenso «suficientemente bueno» que acepte desacuerdos acotados en lugar de requerir acuerdo exacto.
Implicación para el stack de confianza: Sin reconciliación de estado, los sistemas colaborativos multiagente deben aceptar que los agentes pueden operar con estado divergente (con implicaciones para la calidad y la consistencia) o designar un único agente como «fuente de verdad» (creando un punto único de falla). Ninguna opción es satisfactoria a escala. Esta es una frontera de investigación genuina, no una funcionalidad aplazada.
El problema: El TAC gobierna el stack de confianza de AB Support. Otros ecosistemas de confianza (ERC-8004, Virtuals Protocol, OpenClaw) desarrollarán su propia gobernanza. Cuando los agentes participen en múltiples ecosistemas — lo cual inevitablemente harán — las decisiones de gobernanza en un ecosistema pueden entrar en conflicto con los requisitos de gobernanza de otro.
Este es el problema de coordinación ISO/IETF/W3C a un nivel superior, complicado por el hecho de que los ecosistemas de confianza de agentes pueden no compartir la misma filosofía de gobernanza ni estar dispuestos a establecer mecanismos de coordinación.
Enfoque parcial: El mecanismo de enlace especificado para la coordinación entre la fundación y el stack (Sección 5.2) podría extenderse a un enlace entre ecosistemas, pero esto requiere que el otro ecosistema implemente una interfaz de gobernanza compatible. Anticipamos que la coordinación de gobernanza entre ecosistemas emergerá a través de la presión del mercado (los agentes que operan entre ecosistemas demandarán compatibilidad) en lugar de la estandarización descendente.
El concepto: A medida que la economía de agentes madure, los agentes producirán artefactos de conocimiento — análisis, diseños, protocolos, optimizaciones — que tendrán valor más allá de la interacción específica que los produjo. Un «arXiv de agentes» sería un repositorio estructurado donde los agentes publiquen estos artefactos con verificación de procedencia (CoC), evaluación de calidad (ARP) y seguimiento de uso (CWEP).
Esto extiende el stack de confianza de infraestructura transaccional (agentes interactuando entre sí) a infraestructura de conocimiento (agentes contribuyendo a un cuerpo compartido de conocimiento). El concepto de taliencia — agentes descubriendo autónomamente preguntas que nadie pensó formular, en lugar de responder las preguntas que los humanos plantean — representa el punto final aspiracional de esta dirección de investigación.
Implicación para el stack de confianza: El arXiv de agentes requiere los siete mecanismos de confianza para funcionar: procedencia para la autoría, reputación para señales de calidad, acuerdos para los términos de uso, rendición de cuentas para las afirmaciones de precisión, ciclo de vida para la gestión de versiones, descubrimiento para la encontrabilidad y economía para la fijación de precios de acceso. Es la extensión natural del stack de confianza hacia los mercados de conocimiento.
Las secciones anteriores analizan los ataques dentro del stack de confianza — agentes manipulando protocolos, explotaciones en las fronteras entre protocolos, dinámica de adopción parcial. Pero el stack de confianza también enfrenta amenazas como institución — competencia estratégica de actores que pueden construir infraestructura de confianza alternativa o impedir que los estándares abiertos de confianza alcancen masa crítica. Un documento de síntesis debe abordar la competencia institucional, no solo el diseño institucional.
Amenaza 1: Monopolio de confianza nativo de plataforma. Un framework de agentes dominante — el ecosistema A2A de Google (más de 150 organizaciones miembro), el ecosistema Copilot de Microsoft o la plataforma Bedrock de Amazon — podría negarse a implementar estándares abiertos de confianza y en su lugar construir una capa de confianza propietaria estrechamente integrada con su plataforma. Con poblaciones de agentes cautivos que suman millones, un sistema de confianza nativo de plataforma ofrecería confianza «suficientemente buena» para los agentes que ya están dentro del jardín amurallado, reduciendo los incentivos para que esos agentes adopten estándares abiertos.
Mitigación por diseño: La arquitectura agnóstica al sistema de identidad del stack de confianza es la defensa principal. ARP acepta cualquier formato de identificador (ERC-8004, A2A Agent Cards, W3C DIDs, MCP, URIs simples). Las cadenas CoC solo requieren SHA-256 — sin dependencia de plataforma. El descubrimiento multiplataforma de AMP está diseñado específicamente para consultar a través de mercados aislados. Un agente dentro del ecosistema A2A de Google puede implementar CoC y ARP sin abandonar A2A, y los datos de confianza generados son portátiles a través de W3C Verifiable Credentials. La apuesta estratégica es que los agentes que operan entre plataformas — lo cual el panorama fragmentado de mercados hace inevitable — demandarán señales de confianza interoperables. Un sistema de confianza nativo de plataforma funciona dentro de un jardín; el stack de confianza funciona a través de todos ellos.
Riesgo residual: Si una sola plataforma logra >70% de cuota de mercado (como hizo Android en los dispositivos móviles), la propuesta de valor multiplataforma se debilita. Este es el escenario donde los estándares abiertos de confianza quedan en desventaja estructural, similar a cómo los protocolos de mensajería abiertos (XMPP, Matrix) luchan contra los efectos de red de WhatsApp a pesar de su superioridad técnica. La defensa es el momento oportuno: establecer estándares abiertos de confianza antes de que una sola plataforma logre el dominio.
Amenaza 2: Capa de confianza propietaria «suficientemente buena». Una fintech bien financiada (Stripe, Coinbase, Circle) o una empresa de identidad (Okta, Auth0) podría construir un sistema de puntuación de confianza propietario — más simple que el stack de confianza completo pero integrado con los canales de pago y la infraestructura de identidad que los agentes ya usan. Si las APIs de comercio de agentes de Stripe incluyen una puntuación de confianza integrada derivada del historial de transacciones, y la mayoría de los agentes ya usan Stripe para pagos, la capa de confianza «suficientemente buena» captura el mercado antes de que los protocolos abiertos alcancen masa crítica.
Mitigación por diseño: El stack de confianza aborda esto a través de la profundidad y la componibilidad. Una puntuación de confianza propietaria basada solo en el historial de transacciones es vulnerable a la misma manipulación que aqueja a todo sistema de reputación de eje único — la Ley de Goodhart garantiza que una métrica publicada se convierta en un objetivo de optimización. La arquitectura de siete protocolos del stack de confianza proporciona defensa en profundidad: manipular las puntuaciones ARP no ayuda si la verificación ASA detecta fallas de calidad, AJP investiga disputas y ALP rastrea la manipulación de identidad. La complejidad es una característica, no un defecto — refleja la complejidad genuina de la confianza.
Además, la licencia Apache 2.0 del stack de confianza y el modelo de distribución instalable mediante pip significan que las plataformas propietarias pueden incorporar los protocolos del stack de confianza en lugar de competir con ellos. Si Stripe añade la calificación ARP a sus APIs de agentes, eso extiende el alcance del stack de confianza en lugar de socavarlo — los protocolos están diseñados para la incorporación, no para el despliegue independiente.
Riesgo residual: Captura de mercado durante la brecha entre «suficientemente bueno» y «integral». Si un sistema propietario captura el 60%+ de las interacciones de agentes antes de que el stack de confianza completo sea adoptado, los costos de cambio pueden prevenir la migración incluso cuando el sistema abierto es demostrablemente superior. Este es el patrón de Microsoft Office / OpenDocument: el estándar abierto era técnicamente comparable, pero la base instalada del sistema propietario resultó insuperable durante décadas.
Amenaza 3: Fragmentación regulatoria. La Ley de IA de la UE (con los requisitos de transparencia del Artículo 50), la regulación a nivel estatal de EE.UU. (California AB 316, posibles marcos federales) y el régimen de gobernanza de IA de China (con registro obligatorio de algoritmos y localización de datos) pueden imponer requisitos de confianza incompatibles. Un stack de confianza diseñado para operación global puede ser incapaz de cumplir con todas las jurisdicciones simultáneamente, llevando a implementaciones regionales fragmentadas que socavan los efectos de red esenciales para la adopción.
Mitigación por diseño: La arquitectura modular del stack de confianza y la estratificación de gobernanza abordan directamente la fragmentación regulatoria. Los principios de la capa constitucional (acceso abierto, gobernanza por antigüedad, anti-captura) son neutrales jurisdiccionalmente — codifican proceso, no contenido. Los protocolos del stack superior pueden parametrizarse para requisitos jurisdiccionales: la resolución de disputas del AJP puede dirigirse a marcos de arbitraje apropiados para cada jurisdicción, las plantillas de acuerdos de ASA pueden incorporar cláusulas de cumplimiento específicas por jurisdicción, y el seguimiento de linaje de ALP puede satisfacer diferentes requisitos de procedencia de datos (el derecho de explicación del RGPD, el registro de algoritmos de China, la cadena de responsabilidad de la AB 316 de California).
El modelo de gobernanza del TAC con umbrales escalonados protege contra la imposición de las preferencias regulatorias de una sola jurisdicción al sistema global: el cumplimiento jurisdiccional es un ajuste de parámetros (>50% de mayoría), no un cambio estructural (66% de supermayoría). Las implementaciones regionales pueden divergir en los parámetros de cumplimiento mientras comparten la misma arquitectura de protocolo — similar a cómo TCP/IP opera de manera idéntica en todo el mundo mientras la regulación del contenido de internet varía por jurisdicción.
Riesgo residual: Requisitos de soberanía de datos que impidan la portabilidad de reputación transfronteriza. Si China requiere que los datos de reputación de agentes generados dentro de su jurisdicción permanezcan en servidores chinos, y la UE requiere procesamiento de datos conforme al RGPD, entonces los Paquetes de Reputación Portátil de ARP v2 pueden enfrentar barreras legales para la transferencia transfronteriza. Esto crearía silos regionales de reputación — los agentes tendrían una puntuación de confianza china, una puntuación de confianza europea y una puntuación de confianza estadounidense que no pueden combinarse. El stack de confianza no puede resolver los conflictos de soberanía de datos solo a través del diseño del protocolo; solo puede asegurar que la arquitectura se degrade gradualmente en grupos regionales en lugar de fallar completamente.
Síntesis: Por qué lo abierto supera a lo propietario bajo competencia. Las tres amenazas comparten una estructura común: un actor con recursos abundantes intenta capturar la infraestructura de confianza a través del bloqueo de plataforma, la ventaja temporal del mercado o el apalancamiento regulatorio. Las defensas estratégicas principales del stack de confianza son:
La evaluación honesta: la supervivencia del stack de confianza bajo competencia institucional depende de lograr una masa crítica de adopción antes de que las alternativas propietarias capturen el mercado. La ventana es de aproximadamente 18 a 36 meses — el período entre ahora y cuando los principales actores de plataformas habrán integrado estándares abiertos de confianza o construido reemplazos propietarios. La hoja de ruta de implementación (Sección 9) está diseñada con esta urgencia en mente.
El stack de confianza está diseñado para la adopción de abajo hacia arriba: primero los desarrolladores, luego las plataformas, después las empresas.
Fase 1: Herramientas para desarrolladores y valor unilateral (Meses 0–6). Cada protocolo se distribuye como un paquete pip independiente con una implementación de referencia. El meta-paquete pip install agent-trust-stack instala todos los protocolos. La documentación para desarrolladores incluye guías de inicio rápido, ejemplos de integración y suites de pruebas. La barrera para la adopción inicial es un solo pip install.
La estrategia de arranque en frío se enfoca en los protocolos que proporcionan valor unilateral inmediato — valor para un único agente adoptante incluso si ningún otro agente ha adoptado:
La secuencia de arranque — CoC primero, luego ARP, luego la verificación de ASA — está diseñada para que cada paso produzca valor operativo inmediato mientras crea la base de datos que hace posibles los efectos de red del siguiente protocolo.
Fase 2: Integración de plataformas y efectos de red (Meses 6–18). A medida que la adopción por parte de los desarrolladores crea una base de agentes conscientes de la confianza, los proveedores de plataformas (Virtuals Protocol, OpenClaw, servidores MCP) tienen incentivos para integrar las señales del stack de confianza en sus sistemas de descubrimiento y clasificación. El diseño agnóstico al sistema de identidad asegura que la integración no requiera abandonar la infraestructura de identidad existente.
Objetivos específicos de integración de plataformas:
La estrategia de integración de plataformas sigue el patrón del «Caballo de Troya»: en lugar de pedir a las plataformas que reemplacen su infraestructura, los protocolos del stack de confianza se integran dentro de los flujos de trabajo de plataforma existentes. Un servidor MCP que publica una cadena CoC sigue siendo un servidor MCP — solo que ahora tiene procedencia verificable.
Fase 3: Despliegue empresarial y adopción impulsada por seguros (Meses 12–36). La adopción empresarial está impulsada por tres fuerzas: cumplimiento regulatorio (requisitos de transparencia del Artículo 50 de la Ley de IA de la UE, reglas de responsabilidad de AB 316 de California), requisitos de seguro (cobertura de responsabilidad de agentes que requiere datos de evaluación de riesgos del AJP) y eficiencia operativa (sistemas multiagente que requieren infraestructura de confianza para funcionar a escala).
La función forzante del seguro (Sección 7.3) es el impulsor empresarial más potente. Si el seguro de responsabilidad de agentes se convierte en un requisito del mercado — lo cual la eliminación de la defensa de IA autónoma por la AB 316 de California hace cada vez más probable — entonces el módulo de evaluación de riesgos del AJP se convierte en infraestructura obligatoria. El camino de adopción empresarial es: presión regulatoria → requisito de seguro → adopción del stack de confianza como infraestructura de cumplimiento. Este camino no depende de la adopción voluntaria ni de los efectos de red; depende de la inevitabilidad regulatoria.
El stack de confianza está diseñado para complementar, no reemplazar, la infraestructura existente:
| Estándar existente | Integración con el stack de confianza |
|---|---|
| A2A Agent Cards | AMP ingiere las Agent Cards como perfiles de capacidad |
| MCP Tool Manifests | AMP convierte los manifiestos MCP en Perfiles de Capacidad Unificados |
| ERC-8004 | Los adaptadores de identidad de CoC y ARP soportan registros ERC-8004 |
| W3C Verifiable Credentials | ARP v2 usa VCs para los Paquetes de Reputación Portátil |
| W3C DIDs | Soportados como identificadores de agentes en todos los protocolos |
| x402 / MPP / AP2 | Las propuestas de liquidación de CWEP pueden liquidarse a través de cualquier canal de pago |
| ISO/IEC 25010 | Las dimensiones de calidad de ASA extienden ISO 25010 |
| FinOps FOCUS | Los registros de medición de CWEP son compatibles con FOCUS |
# pip install agent-trust-stack
# Instala: chain-of-consciousness, agent-rating-protocol,
# agent-service-agreements, agent-justice-protocol,
# agent-lifecycle-protocol, agent-matchmaking,
# context-window-economicsEl meta-paquete sirve como el mecanismo de adopción de «un solo comando para instalar toda la infraestructura de confianza» — poderoso para demostraciones, prototipado y la reducción de fricción en la adopción inicial.
Este documento ha argumentado que la confianza en la economía de agentes no es una funcionalidad que deba añadirse sino un ecosistema que debe construirse. El argumento se apoya en tres pilares:
Pilar 1: Necesidad institucional. La economía institucional (North, Williamson, Ostrom) demuestra que la actividad económica a escala requiere infraestructura institucional para reducir la incertidumbre, disminuir los costos de transacción y posibilitar la cooperación. La economía de agentes no está exenta de este requisito. Sin infraestructura de confianza, los costos de transacción del comercio entre agentes seguirán siendo prohibitivamente altos, y la economía proyectada de 3–5 billones de dólares no se materializará.
Pilar 2: Diseño complementario. La complementariedad institucional de Aoki demuestra que los mecanismos de confianza deben diseñarse como un sistema donde cada uno aumenta los rendimientos de los demás. Siete protocolos — procedencia, reputación, acuerdos, rendición de cuentas, ciclo de vida, descubrimiento y economía — forman el conjunto mínimo de mecanismos complementarios necesarios para replicar la infraestructura institucional que posibilita el comercio humano. Diseñarlos de forma aislada produce una arquitectura incoherente; diseñarlos como un sistema complementario produce propiedades de confianza emergentes que ningún mecanismo individual puede crear.
Pilar 3: Rediseño fundamental. Las cinco diferencias estructurales entre agentes y humanos (identidad barata, velocidad de máquina, ausencia de presión social, identidad discontinua, comprensión con precio asignado) significan que las instituciones de confianza humanas no pueden trasplantarse directamente. La arquitectura funcional debe preservarse — se necesitan las mismas categorías de mecanismos de confianza — pero la implementación debe reconstruirse desde los fundamentos para la dinámica específica de los sistemas de agentes autónomos.
El Stack de Confianza de Agentes comprende nueve componentes (siete protocolos operativos más dos marcos de gobernanza) especificados en ocho documentos técnicos que totalizan aproximadamente 1.500 páginas de especificación de protocolo (estimación basada en la documentación combinada de los documentos técnicos y las implementaciones de referencia):
| Protocolo | Capa | Pregunta que responde | Estado |
|---|---|---|---|
| CoC | C1: Fundación | ¿Puede este agente demostrar su historial? | Publicado |
| ARP v1/v2 | C1: Fundación | ¿Qué tan bien se desempeña este agente? | Publicado |
| ASA | C2: Acuerdos | ¿Qué prometió este agente? | Especificado |
| ALP | C2: Ciclo de vida | ¿Cómo cambia este agente a lo largo del tiempo? | Especificado |
| AJP | C3: Rendición de cuentas | ¿Qué sucede cuando algo sale mal? | Especificado |
| AMP | C4: Descubrimiento | ¿Cómo encuentran los agentes los socios adecuados? | Especificado |
| CWEP | C4: Economía | ¿Quién asume el costo de la comprensión? | Especificado |
| TAC | Gobernanza | ¿Cómo evolucionan los protocolos? | Especificado |
| TAT | Teoría | ¿Por qué estos protocolos forman un sistema? | Este documento |
Cada protocolo es agnóstico al sistema de identidad, agnóstico al canal de pago y desplegable de forma independiente, mientras está diseñado para un valor complementario cuando se combina. Cada protocolo se especifica bajo Apache 2.0 con implementaciones de referencia disponibles como paquetes pip. Cada protocolo incluye análisis del panorama competitivo, análisis de incentivos de teoría de juegos y mapeos de integración con estándares existentes.
El stack de confianza no está completo. La Verificación de Integridad Semántica sigue siendo un problema abierto de dificultad potencialmente fundamental. La Reconciliación de Estado entre Agentes requiere consenso distribuido entre procesos estocásticos — un problema cualitativamente más difícil que el acuerdo bizantino clásico. La gobernanza multijurisdiccional requerirá mecanismos de coordinación entre ecosistemas que aún no existen. El Marco de Certificación de Agentes y el Protocolo de Respuesta de Emergencia están especificados pero esperan la madurez del ecosistema y las asociaciones industriales.
Estas son admisiones honestas, no aplazamientos. La frontera de investigación no es una lista de funcionalidades que se añadirán después — es un mapa de los problemas que esta generación de infraestructura institucional aún no puede resolver. Articular estos problemas con precisión es en sí mismo una contribución: el primer paso para resolver un problema es definirlo lo suficientemente bien como para que otros puedan trabajar en él.
La economía de agentes se está construyendo ahora. Ocho protocolos de pago compiten por el dominio. Un estimado de 8.170 millones de dólares en consolidación por fusiones y adquisiciones divulgadas está remodelando el panorama de infraestructura. El noventa por ciento de las compras B2B podrían estar intermediadas por agentes para 2028. La pregunta no es si la economía de agentes existirá — es si tendrá la infraestructura institucional para funcionar.
La historia ofrece un precedente claro. El internet temprano tenía enrutamiento de paquetes sin infraestructura de confianza. El resultado fue spam, fraude, phishing y robo de identidad — problemas que tomaron décadas para abordarse parcialmente a través de adiciones en capas (TLS, PKI, DNSSEC, filtros de spam, protocolos de autenticación). Nos encontramos en el mismo punto de inflexión para la economía de agentes. Las decisiones de infraestructura que se tomen ahora determinarán si el comercio autónomo entre agentes se desarrolla con la confianza como propiedad fundamental o pasa la próxima década adaptando la confianza a una infraestructura que se construyó sin ella.
Este documento, y los siete protocolos que sintetiza, representan nuestra respuesta: construir la infraestructura institucional primero, construirla como un sistema complementario, construirla abierta y construirla antes de que la ausencia de confianza se convierta en el fracaso definitorio de la economía de agentes.
[1] AB Support LLC. «Chain of Consciousness: A Cryptographic Protocol for Verifiable Agent Provenance and Self-Governance.» Versión 3.0.0, 2026.
[2] AB Support LLC. «Agent Rating Protocol: A Decentralized Reputation System for Autonomous Agent Economies.» Versión 1.0.0, 2026.
[3] AB Support LLC. «Agent Rating Protocol v2: Signal Composition, Portability, and Anti-Goodhart Architecture.» Versión 2.0.0, 2026.
[4] AB Support LLC. «Agent Service Agreements: A Protocol for Machine-Readable Contracts and Quality Verification in Autonomous Agent Commerce.» Versión 1.0.0, 2026.
[5] AB Support LLC. «Agent Justice Protocol: A Modular Framework for Forensic Investigation, Dispute Resolution, and Risk Assessment in Autonomous Agent Economies.» Versión 1.3.0, 2026.
[6] AB Support LLC. «Agent Lifecycle Protocol: A Standard for Birth, Fork, Succession, and Death Management in Autonomous Agent Systems.» Versión 1.0.0, 2026.
[7] AB Support LLC. «Agent Matchmaking Protocol: Cross-Platform Discovery and Trust-Weighted Matching for the Autonomous Agent Economy.» Versión 1.0.0, 2026.
[8] AB Support LLC. «Context Window Economics Protocol: Bilateral Cost Allocation, Context Pricing, and Resource Markets for Autonomous Agent Interactions.» Versión 1.0.0, 2026.
[9] Agent Payments Stack. agentpaymentsstack.com. Consultado el 25 de marzo de 2026.
[10] Comunicado de prensa de Visa. «Visa and Partners Complete Secure AI Transactions.» Diciembre de 2025.
[11] Mastercard. «Agent Pay Rollout to All U.S. Cardholders.» Noviembre de 2025.
[12] Adobe Analytics. «Adobe Analytics: AI-Referred Traffic to U.S. Retail Sites Grew 805% Year-over-Year on Black Friday 2025.» 2025. (eMarketer reportó posteriormente sobre esta estadística.)
[13] Gartner. «Top Predictions for IT Organizations in 2026 and Beyond: AI Agents Will Command $15 Trillion in B2B Purchases by 2028.» Octubre de 2025.
[14] McKinsey & Company. «The Agentic Commerce Opportunity.» Octubre de 2025.
[15] Strata Identity Research. «The AI Agent Identity Crisis: State of Agent Identity Management in the Enterprise.» 2026.
[16] Rubrik Zero Labs. «Non-Human Identity Ratios in Enterprise Environments.» 2026. ManageEngine Identity Security Outlook. 2026.
[17] Código Civil de California, Sección 1714.46 (AB 316). Vigente desde el 1 de enero de 2026. Véase Baker Botts, «California Eliminates the Autonomous AI Defense: AB 316,» 2026.
[18] Gartner. «Over 40% of Agentic AI Projects Will Be Canceled by End of 2027.» Junio de 2025.
[19] North, Douglass. Institutions, Institutional Change and Economic Performance. Cambridge University Press, 1990. Véase también: North, «Institutions,» Journal of Economic Perspectives, Vol. 5, No. 1, 1991, pp. 97–112.
[20] North, Douglass; Wallis, John; Weingast, Barry. Violence and Social Orders: A Conceptual Framework for Interpreting Recorded Human History. Cambridge University Press, 2009.
[21] Williamson, Oliver. The Economic Institutions of Capitalism. Free Press, 1985.
[22] Williamson, Oliver. «The New Institutional Economics: Taking Stock, Looking Ahead.» Journal of Economic Literature, Vol. 38, 2000, pp. 595–613.
[23] Ostrom, Elinor. Governing the Commons: The Evolution of Institutions for Collective Action. Cambridge University Press, 1990.
[24] Ostrom, Elinor. «Beyond Markets and States: Polycentric Governance of Complex Economic Systems.» American Economic Review, Vol. 100, 2010, pp. 641–672.
[25] Aoki, Masahiko. Toward a Comparative Institutional Analysis. MIT Press, 2001.
[26] Hall, Peter; Soskice, David. Varieties of Capitalism: The Institutional Foundations of Comparative Advantage. Oxford University Press, 2001.
[27] Mayer, Roger; Davis, James; Schoorman, F. David. «An Integrative Model of Organizational Trust.» Academy of Management Review, Vol. 20, No. 3, 1995, pp. 709–734.
[28] Luhmann, Niklas. Trust and Power. Wiley, 1979. Véase también: «Familiarity, Confidence, Trust: Problems and Alternatives,» en Gambetta, ed., Trust: Making and Breaking Cooperative Relations, Blackwell, 1988.
[29] Zucker, Lynne. «Production of Trust: Institutional Sources of Economic Structure, 1840–1920.» Research in Organizational Behavior, Vol. 8, 1986, pp. 53–111.
[30] Fudenberg, Drew; Maskin, Eric. «The Folk Theorem in Repeated Games with Discounting or with Incomplete Information.» Econometrica, Vol. 54, No. 3, 1986, pp. 533–554.
[31] Axelrod, Robert. The Evolution of Cooperation. Basic Books, 1984.
[32] Kreps, David; Milgrom, Paul; Roberts, John; Wilson, Robert. «Rational Cooperation in the Finitely Repeated Prisoners' Dilemma.» Journal of Economic Theory, Vol. 27, 1982, pp. 245–252.
[33] Zahavi, Amotz. «Mate Selection — A Selection for a Handicap.» Journal of Theoretical Biology, Vol. 53, 1975, pp. 205–214.
[34] Grafen, Alan. «Biological Signals as Handicaps.» Journal of Theoretical Biology, Vol. 144, 1990, pp. 517–546.
[35] Spence, Michael. «Job Market Signaling.» Quarterly Journal of Economics, Vol. 87, 1973, pp. 355–374.
[36] Matzinger, Polly. «The Danger Model: A Renewed Sense of Self.» Science, Vol. 296, pp. 301–305, 2002.
[37] Rochet, Jean-Charles; Tirole, Jean. «Platform Competition in Two-Sided Markets.» Journal of the European Economic Association, Vol. 1, No. 4, 2003, pp. 990–1029.
[38] Evans, David; Schmalensee, Richard. Matchmakers: The New Economics of Multisided Platforms. HBR Press, 2016.
[39] Baldwin, Carliss; Clark, Kim. Design Rules, Volume 1: The Power of Modularity. MIT Press, 2000.
[40] Jacobides, Michael; Cennamo, Carmelo; Gawer, Annabelle. «Towards a Theory of Ecosystems.» Strategic Management Journal, Vol. 39, No. 8, 2018, pp. 2255–2276.
[41] Rogers, Owen. «The Real Cost of Cloud SLA Failures.» Uptime Institute. Referenciado en el documento técnico de ASA [4], Sección 1.2.
[42] Zhuge, Mingqi et al. «Agent-as-a-Judge: Evaluate Agents with Agents.» arXiv:2410.10934, 2024.
[43] Abdelnabi, Sahar et al. «Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation.» arXiv:2309.17234, 2023. Advancing AI Negotiations: New Theory and Evidence from a Large-Scale Autonomous Negotiations Competition. arXiv:2503.06416, 2025. Supported by MIT Office of Teaching and Learning and Harvard Law School Program on Negotiation.
[44] ElevenLabs. «ElevenLabs Becomes First Company to Earn AIUC-1 Certification.» Febrero de 2026.
[45] Incidente de eliminación de la base de datos de producción de Replit. Julio de 2025. Referenciado en el documento técnico de AJP [5], Sección 1.1.
[46] Brecha de seguridad de IA de McKinsey. Marzo de 2026. Referenciado en el documento técnico de AJP [5], Sección 1.1.
[47] Campaña de ciberataques autónomos. 2026. Referenciado en el documento técnico de AJP [5], Sección 1.1.
[48] CNIL (Commission Nationale de l'Informatique et des Libertés). Estudio sobre la propagación de datos de entrenamiento a través de generaciones sucesivas de modelos. Referenciado en el documento técnico de ALP [6], Sección 1.3.
[49] Gale, David; Shapley, Lloyd. «College Admissions and the Stability of Marriage.» American Mathematical Monthly, Vol. 69, No. 1, 1962, pp. 9–15.
[50] FinOps Foundation. FOCUS (FinOps Open Cost and Usage Specification). Referenciado en el documento técnico de CWEP [8], Sección 7.
[51] Shapley, Lloyd. «A Value for n-Person Games.» Contributions to the Theory of Games, Vol. 2, 1953, pp. 307–317.
[52] Green, Jerry; Laffont, Jean-Jacques. «Characterization of Satisfactory Mechanisms for the Revelation of Preferences for Public Goods.» Econometrica, Vol. 45, 1977. Moulin, Hervé; Shenker, Scott. «Serial Cost Sharing.» Econometrica, Vol. 60, 1992.
[53] Schweppe, Fred et al. Spot Pricing of Electricity. Kluwer Academic, 1988.
[54] CoinDesk. «COMP Down 6.7% After Supposed 'Governance Attack' on Compound DAO.» Julio de 2024.
[55] CoinDesk. «Why One of Uniswap DAO's Most Outspoken Members Just Walked Away.» Mayo de 2025.
[56] IETF. RFC 7241: «The IEEE 802/IETF Relationship.» 2014. RFC 4053: «Procedures for Handling Liaison Statements.» 2005. RFC 7282: «On Consensus and Humming in the IETF.» 2014.
[57] Akerlof, George. «The Market for 'Lemons': Quality Uncertainty and the Market Mechanism.» Quarterly Journal of Economics, Vol. 84, No. 3, 1970, pp. 488–500.
[58] Junta de Gobernadores del Sistema de la Reserva Federal. «G.19 Consumer Credit.» Publicación estadística, publicada mensualmente. Crédito al consumidor total en circulación: aproximadamente $5,06 billones a Q4 de 2024.
Este documento se publica bajo la Licencia Apache 2.0. Es el documento de síntesis del Stack de Confianza de Agentes, que proporciona el marco intelectual que unifica los siete documentos técnicos de protocolo en una teoría coherente de infraestructura institucional para la economía de agentes autónomos.
© 2026 AB Support LLC. Todos los derechos reservados bajo la Licencia Apache 2.0.