IA y análisis on-chain: cómo se rastrean las transacciones en la blockchain

Cada transacción en una blockchain pública queda registrada de forma permanente y es accesible para todos. Sin embargo, la mera disponibilidad de los datos no significa que sean fáciles de entender: los bloques contienen millones de direcciones, importes y marcas de tiempo, sin nombres ni contexto.

Es precisamente aquí donde entra en juego el análisis on-chain, una disciplina que convierte estos datos en bruto en información útil. En los últimos años, la inteligencia artificial (IA) desempeña un papel cada vez más importante en este ámbito, ya que puede procesar volúmenes de datos que estarían fuera del alcance de los analistas humanos.

En este artículo explicamos qué es el análisis on-chain, cómo lo está transformando la IA, dónde se utiliza ya esta combinación y qué limitaciones conviene tener en cuenta.

¿Qué es el análisis on-chain?

El análisis on-chain es el estudio de los datos registrados directamente en la blockchain con el fin de comprender el comportamiento de la red, del mercado y de sus participantes. A diferencia de las finanzas tradicionales, donde los datos de las transacciones permanecen cerrados dentro de los bancos, aquí todo el historial es público.

Para la seguridad y el cumplimiento normativo, son especialmente importantes los siguientes datos:

• Flujos de fondos: el recorrido que siguen los fondos de una dirección a otra, incluidas las transferencias a plataformas de intercambio y otros proveedores de servicios.
• Vínculos con entidades conocidas: si las direcciones están relacionadas, directa o indirectamente, con plataformas de intercambio, mezcladores, mercados de la darknet o direcciones señaladas en casos de fraude.
• Patrones de fraccionamiento y agrupación: la división de importes en numerosas transacciones más pequeñas o la agrupación de fondos procedentes de varias direcciones, prácticas que pueden utilizarse para ocultar el origen del dinero.
• Interacciones con contratos inteligentes: qué protocolos utiliza una dirección y si entre ellos hay contratos comprometidos o de riesgo.
• Indicadores generales de actividad: el número de direcciones activas y el volumen de transacciones, que aportan contexto para valorar qué es habitual en la red.

Todas estas métricas están al alcance de cualquiera que sepa leer la blockchain. El reto reside en el volumen de datos y en el hecho de que las direcciones, por sí solas, no revelan quién está detrás de ellas.

Cómo está transformando la IA el análisis on-chain

La IA no crea datos nuevos, pero permite una lectura más rápida y profunda de los existentes. Los cambios más importantes se producen en tres ámbitos.

Clustering de direcciones

Una misma persona u organización suele utilizar muchas direcciones distintas. Los modelos de aprendizaje automático analizan los patrones de las transacciones, por ejemplo, direcciones que aparecen juntas como entradas de una misma transacción o patrones temporales similares, y las agrupan en entidades probables. Así, en lugar de miles de direcciones aparentemente inconexas, se obtiene una visión de conjunto de entidades como plataformas de intercambio, fondos o servicios.

Detección de patrones y anomalías

Los algoritmos pueden aprender cómo es el comportamiento «habitual» en la red y señalar las desviaciones: transferencias inusualmente elevadas, cambios repentinos en los flujos de fondos o cadenas de transacciones típicas de la ocultación del origen del dinero. Lo que a un analista le llevaría días, un modelo puede señalarlo en cuestión de segundos.

Los modelos de lenguaje como interfaz

Los grandes modelos de lenguaje facilitan el acceso al análisis a quienes no son expertos técnicos. En lugar de escribir consultas a una base de datos, el usuario puede plantear una pregunta en lenguaje natural, y el modelo la traduce en un análisis y resume el resultado. Estas herramientas también pueden explicar qué ha ocurrido en una transacción o un contrato inteligente concretos.

Aplicaciones prácticas

Seguridad y protección de los usuarios

Los modelos de IA ayudan a detectar de forma temprana fraudes, campañas de phishing y contratos inteligentes comprometidos. Cuando los fondos procedentes de un hackeo conocido empiezan a moverse por la red, los sistemas de análisis pueden rastrear su recorrido y alertar a las plataformas antes de que se conviertan en otros activos.

Cumplimiento normativo (AML y Travel Rule)

Los proveedores de servicios de criptoactivos de la UE deben aplicar medidas de prevención del blanqueo de capitales y de la financiación del terrorismo, así como la Travel Rule, que exige que las transacciones vayan acompañadas de información sobre el ordenante y el beneficiario. El análisis on-chain asistido por IA permite evaluar el riesgo de las direcciones, detectar vínculos con entidades sancionadas o de alto riesgo y supervisar las transacciones de forma más eficiente a gran escala.

Información sobre el mercado

Los datos on-chain también se utilizan para el análisis de mercado, aunque en este ámbito presentan limitaciones claras. Hemos hablado más sobre ello en nuestro blog: La analítica de IA en la predicción de movimientos de mercado: Ventajas e inconvenientes

Investigación y transparencia

Periodistas, investigadores y reguladores utilizan las mismas herramientas para analizar los acontecimientos del mercado, rastrear fondos en casos de fraude y comprender mejor el funcionamiento de los protocolos descentralizados.

Limitaciones y riesgos

La IA amplía considerablemente las posibilidades del análisis on-chain, pero no es infalible.

• Suposiciones erróneas: el clustering de direcciones se basa en probabilidades. Una dirección puede vincularse por error a una entidad concreta, lo que puede dar lugar a conclusiones inexactas.
• Sesgos en los datos de entrenamiento: un modelo es tan bueno como los datos con los que se ha entrenado. Los nuevos patrones de fraude pueden pasar desapercibidos.
• Errores de los modelos de lenguaje: los modelos de lenguaje a veces ofrecen respuestas convincentes pero incorrectas. Las conclusiones deben verificarse siempre en los datos de origen.
• Privacidad: cuanto más sofisticado es el análisis, más fácil resulta vincular direcciones con personas reales. Esto plantea importantes cuestiones sobre la protección de la privacidad de usuarios que no han cometido ningún acto ilícito.
• Dependencia excesiva: los sistemas automatizados funcionan mejor como apoyo al criterio humano, no como sustituto de este.

¿Cómo afecta esto al uso cotidiano de las criptomonedas?

Para la mayoría de los usuarios de criptomonedas, la IA y el análisis on-chain funcionan en segundo plano. Cuando una plataforma regulada verifica una transacción o solicita información adicional sobre el destinatario, parte de ese proceso suele basarse precisamente en este tipo de herramientas. Su finalidad es proteger a los usuarios y al sistema financiero frente a los abusos.

Quienes deseen investigar el mercado por su cuenta también tienen a su disposición exploradores de blockchain públicos y plataformas de análisis. Al utilizar este tipo de herramientas, es útil:

• comprender qué mide realmente cada métrica,
• contrastar las conclusiones con varias fuentes,
• tener presente que ningún indicador garantiza la evolución futura de los precios.

Además, es importante recordar que las transacciones en las blockchains públicas son visibles de forma permanente, por lo que conocer los fundamentos del análisis on-chain resulta útil también para la propia seguridad y privacidad.

Conclusión

El análisis on-chain aprovecha una de las características fundamentales de la blockchain, la transparencia, para convertir datos en bruto en información comprensible. La inteligencia artificial aporta a este proceso rapidez, escala y accesibilidad: desde el clustering de direcciones y la detección de anomalías hasta las interfaces de lenguaje natural que acercan el análisis a un público más amplio.

Al mismo tiempo, la IA sigue siendo una herramienta que requiere verificación y un uso responsable. Aporta el mayor valor cuando se combina con el criterio de profesionales expertos, un marco regulatorio claro y el respeto a la privacidad de los usuarios.