NEAR impulsa agentes de IA privados con un modelo de staking que financia créditos de inferencia
NEAR está promoviendo un esquema en el que el staking de tokens nativos puede traducirse en créditos mensuales para usar inferencia privada de IA y alojar agentes, según explicó su blog oficial de NEAR AI. La propuesta vincula el bloqueo de NEAR con acceso a cómputo para modelos y flujos de trabajo de agentes, en lugar de limitar el rendimiento del token a la lógica habitual de validación de red.
En una demostración compartida públicamente, un miembro del equipo de near.intents describió un uso concreto del sistema: al hacer staking de NEAR, el usuario obtendría alrededor de 50 dólares al mes en créditos de API para ejecutar inferencia privada con Hermes y GLM 5.3, mientras Claude actuaría como capa de control para tareas más complejas, como análisis de datos o repositorios de Git. La publicación sugiere un flujo operativo real, no solo una prueba conceptual de producto.
Un caso de uso centrado en agentes, no en narrativa de marca
Lo relevante del planteamiento es la mecánica. Según la explicación difundida por NEAR AI, los créditos derivados del staking se orientan a inferencia confidencial y hosting de agentes, dos funciones que apuntan a automatización con cierta privacidad operativa. En el ejemplo compartido en X, el sistema se usa como una capa de ejecución para agentes privados y tareas de mayor complejidad, con modelos distintos cumpliendo funciones separadas dentro del flujo.
Eso coloca a NEAR dentro de una línea de productos cripto de IA que intentan convertir el staking en acceso utilizable, no solo en una recompensa financiera o una promesa de ecosistema. Aun así, el dato disponible describe un uso concreto y una estructura de pagos en créditos; no demuestra por sí mismo adopción amplia ni un cambio de comportamiento general entre usuarios.
La documentación oficial indica que el mecanismo está pensado para financiar cómputo y hospedaje de agentes mediante el bloqueo de tokens, lo que refuerza la lectura de un producto orientado a ejecución real. La demostración pública añade un ejemplo práctico de cómo podría emplearse en entornos de IA privada, con modelos abiertos y servicios como Claude combinados en un mismo flujo.
Por ahora, el caso más sólido es el de una implementación funcional presentada por NEAR AI y validada por una referencia pública de uso. Lo que todavía no queda claro, con la información disponible, es cuán extendido está ese patrón entre los usuarios ni hasta qué punto el sistema se ha convertido en una práctica habitual más allá de ese caso concreto.
