Qué es un AI component
Nota: Este documento es una traducción automática del original en inglés.
Qué es un AI component
Un AI component es la parte específica de un proyecto donde ocurre trabajo de IA real — análisis, generación, predicción, ranking o toma de decisiones. No es una etiqueta de marketing ni una mención de marca. En las fichas de proyecto de DecAIHub, el campo AI component responde a una pregunta: ¿qué hace exactamente la IA aquí?
En resumen: un AI component es el mecanismo concreto donde entran datos y sale un resultado impulsado por IA — no un logotipo, un eslogan ni una promesa de hoja de ruta.
Analogía para principiantes
Piensa en un proyecto como en un restaurante. El caso de uso es la carta — lo que el cliente ve y pide. El AI component es la cocina — el equipamiento y la técnica reales que convierten los ingredientes crudos en un plato. Un restaurante puede tener una carta preciosa (caso de uso) pero no tener una cocina funcional (AI component). Cuando DecAIHub revisa un proyecto, entra en la cocina para comprobar si el fogón es real, si alguien está cocinando y si hay recetas de verdad — no solo fotos de comida impresas en un cartel afuera.
Qué es
Un AI component es un módulo o subsistema funcional que realiza trabajo típicamente asociado con la inteligencia artificial o el aprendizaje automático. Esto incluye:
- Motores de inferencia — ejecutar un modelo entrenado para producir salidas (predicciones, clasificaciones, texto o imágenes generados)
- Pipelines de entrenamiento — actualizar los pesos del modelo con datos nuevos
- Modelos de analítica — extraer patrones, puntuaciones o señales de los datos (analítica de mercado, puntuación de riesgo, análisis de sentimiento)
- Frameworks de agentes — orquestar la toma de decisiones autónoma, el uso de herramientas y el razonamiento de múltiples pasos
- Sistemas de etiquetado de datos — gestionar la anotación humana o automatizada para construir conjuntos de datos
- Orquestación de cómputo — distribuir cargas de trabajo de IA entre nodos o GPU
La distinción clave: un proyecto tiene un AI component si contiene un subsistema que procesa datos usando modelos, algoritmos o representaciones aprendidas. Un proyecto carece de un AI component si "AI" aparece solo en su nombre, en su copy de marketing o en sus planes futuros sin ninguna implementación técnica verificable.
Un AI component no necesita estar construido a medida desde cero. Un proyecto que ajusta un modelo de código abierto, envuelve una API de inferencia con preprocesamiento y posprocesamiento significativos, o entrena su propio clasificador con datos propietarios sigue teniendo un AI component — siempre que la capa de IA añada una función verificable más allá de un simple paso directo.
El espectro: de ausente a totalmente verificable
No todos los AI components son iguales. Existen en un espectro de madurez y verificabilidad:
| Nivel | Descripción | Qué esperar |
|---|---|---|
| Ausente | No se encuentra IA en el proyecto | El campo ai_component indica none o unknown |
| Solo posicionamiento | Se afirma IA en marketing pero no hay evidencia técnica | El campo indica positioning only; el ai_score es 0 |
| Declarado | La IA se menciona en documentos oficiales o en la hoja de ruta, pero no hay artefactos funcionales | AI_0 = 1, los demás flags de IA son 0 |
| Demostrado | Existe una demo funcional, un prototipo o un pipeline documentado | AI_1 y AI_2 son 1; evidencia parcial |
| Verificado | Hay benchmarks, documentación técnica, versiones de modelo y resultados reproducibles disponibles | AI_3 y AI_4 son 1; evidencia Tier-1 sólida |
Este espectro importa porque "tener IA" no es binario en la práctica. Un proyecto puede tener un modelo entrenado pero sin benchmarks, o una demo funcional pero sin arquitectura publicada. El campo AI component captura lo que existe, no lo que podría existir en el futuro.
Valores comunes de AI component en DecAIHub
Estos son valores reales de fichas de proyecto del registro:
AI agent platform (workflows/tools/KB)— infraestructura de agentes con herramientas y base de conocimientoAI data labeling + model evaluation (human experts)— etiquetado con un pipeline con humano en el bucleAI/ML crypto market analytics (app)— modelos de aprendizaje automático aplicados a datos de mercadocompute orchestration— enrutamiento y planificación de tareas de cómputo de IAAI trading signals— modelos que generan señales relacionadas con el trading a partir de datosagentic framework (memory/actions/plugins)— un runtime de agente con memoria e integraciones de herramientasAI summaries + crypto intelligence terminal— resumen basado en NLP y análisis de datosinference engine— un sistema dedicado a ejecutar la inferencia de modelos
Cada valor describe lo que la IA realmente hace — no lo que el proyecto promete llegar a ser. Estos valores provienen del registro normalizado de campos repetidos para garantizar la coherencia entre las fichas de proyecto. Cuando un revisor rellena el campo AI component, elige entre los valores observados o añade uno nuevo que capte con precisión el mecanismo técnico.
Dónde aparece en las fichas de proyecto de DecAIHub
El campo AI component (ai_component) forma parte de la tabla Project Passport. Está junto al campo Use case. Juntos, separan el mecanismo técnico de la descripción del producto.
Si el campo indica positioning only, none o unknown, significa que la evidencia de un AI component funcional no se ha confirmado en la fecha de verificación. Estos no son tecnologías — son modos de lectura de evidencia.
El campo AI component es una de las primeras cosas que comprueba un lector experimentado. Da una señal inmediata: ¿este proyecto hace algo con IA, o solo dice que lo hace? Combinado con la tabla de evidencias y la fecha de verificación, pinta un cuadro rápido de la sustancia técnica del proyecto.
Cómo se verifican los AI components
La verificación sigue la jerarquía de evidencia Tier-1/2/3. Para que el AI component supere el estado de positioning only, los revisores buscan:
- Artefactos Tier-1 — código fuente en repositorios públicos, pesos del modelo o descripciones de la arquitectura, informes de benchmark con metodología, documentación de API que muestre endpoints de inferencia, artículos técnicos publicados por el equipo.
- Contexto Tier-2 — reseñas de terceros que mencionan el pipeline de IA, integraciones del ecosistema que dependen de la salida de la IA, descripciones de agregadores que hacen referencia a una funcionalidad de IA específica.
- Señales Tier-3 — afirmaciones de marketing, menciones de influencers, comunicados de prensa sin detalle técnico. Se anotan, pero no elevan la puntuación de IA por sí solas.
La revisión también comprueba los antipatrones comunes: un repositorio de GitHub vacío listado como "código de IA", benchmarks copiados de otro proyecto, o un API wrapper presentado como un modelo propietario. Estas señales de alerta mantienen el ai_score en 0 hasta que aparezca evidencia verificable.
Qué significa un AI component para DecAI Fit
El AI component alimenta directamente el eje AI reality de la puntuación DecAI Fit. Sin evidencia Tier-1 de un AI component funcional, el ai_score de un proyecto es 0 — y su DecAI Fit global no puede subir por encima de 0.
Esta es la regla más estricta del sistema de puntuación: sin AI reality, no hay DecAI Fit por encima de 0. Incluso si un proyecto tiene una infraestructura on-chain sólida y un token bien diseñado, no puede puntuar por encima de cero sin un AI component verificable. Esto refleja la tesis central de DecAIHub — el registro evalúa la alineación con la tesis de la "IA Descentralizada", y la IA es el punto de partida innegociable.
Esto no significa que el proyecto sea malo o sin valor. Significa que la evidencia no estaba disponible en el momento de la revisión. Cuando aparecen artefactos verificables (código, benchmarks, demos, documentación técnica), la ficha se actualiza.
Lo que este término por sí solo no demuestra
- Tener un AI component no demuestra que el producto sea útil, que el token sea necesario ni que la integración on-chain sea significativa.
- El campo AI component describe solo el mecanismo. La calidad, la madurez y la escala se evalúan por separado mediante la tabla de evidencias y los flags de AI reality.
- Un proyecto puede tener un AI component real que sea trivial — por ejemplo, un simple clasificador de sentimiento que llama a una API externa. Real no significa significativo.
- A la inversa, un proyecto con un AI component sofisticado puede aun así puntuar bajo en DecAI Fit si su integración on-chain es superficial o su token no cumple ninguna función.
No confundir con
- El caso de uso describe lo que el usuario obtiene del producto. El AI component describe lo que la IA hace por dentro. Consulta AI component vs use case.
- La categoría (p. ej.,
AI/Agents) clasifica el proyecto a un nivel más alto. El AI component es más específico: la tecnología concreta. - La automatización no siempre es IA. Los scripts simples basados en reglas o los flujos de trabajo if/then no son AI components. Consulta Automatización vs AI component real.
- El modelo de IA se refiere al artefacto entrenado (pesos, arquitectura). El AI component es más amplio: incluye el modelo más el pipeline a su alrededor (ingesta de datos, preprocesamiento, servicio de inferencia, posprocesamiento).
- El API wrapper — un proyecto que solo reenvía solicitudes a una API de IA de terceros (como un LLM alojado) sin añadir procesamiento significativo. Esto puede o no calificar como AI component según el nivel de integración y el valor añadido.
Preguntas frecuentes
¿Cuál es la diferencia entre un AI component y un caso de uso?
El AI component es el mecanismo técnico — lo que hace la IA (p. ej., ejecuta inferencia, entrena modelos, puntúa datos). El caso de uso es el resultado de producto — lo que obtiene el usuario (p. ej., copilot de DeFi, rastreador de cartera, alertas de riesgo). Un proyecto puede tener el mismo AI component pero distintos casos de uso, o el mismo caso de uso impulsado por AI components completamente diferentes. En las fichas de proyecto de DecAIHub, estos son campos deliberadamente separados para que los lectores puedan evaluar la tecnología y el producto de forma independiente. Consulta AI component vs use case para una comparación detallada.
¿Puede un proyecto tener IA sin un AI component?
No — en la terminología de DecAIHub, si un proyecto tiene IA, tiene un AI component. La cuestión es si ese componente es verificable. Un proyecto podría usar IA internamente de manera genuina pero no aportar ninguna evidencia pública: ni código, ni documentación, ni benchmarks, ni demos. En ese caso, el campo AI component indicará unknown y el ai_score permanece en 0. Esto no significa que la IA esté ausente — significa que la evidencia está ausente. La ficha se actualiza cuando aparece evidencia.
¿Qué significa "positioning only"?
Significa que el proyecto usa lenguaje de IA en su marketing, su marca o su posicionamiento — pero no se ha encontrado evidencia Tier-1 ni Tier-2 de un AI component funcional. La palabra "AI" puede aparecer en el nombre del proyecto, el eslogan de la web o el pitch deck, y aun así no haber repositorio de código, ni documentación de modelo, ni demo, ni descripción técnica de lo que la IA realmente hace. "Positioning only" es una observación factual, no un juicio. Algunos proyectos en este estado pueden estar pre-lanzamiento con AI components en desarrollo; otros quizá nunca construyan uno.
¿Un ai_score más alto significa un mejor proyecto?
No. El ai_score mide la verificabilidad del AI component, no la calidad del producto ni la utilidad de la tecnología. Un proyecto con ai_score = 3 tiene evidencia sólida de que su IA es real y está documentada. Un proyecto con ai_score = 1 tiene evidencia limitada. Ninguna de las dos puntuaciones dice nada sobre si el producto resuelve un problema real, si los usuarios lo necesitan o si el modelo de token tiene sentido. DecAI Fit combina cuatro dimensiones — AI reality, Onchain necessity, Token necessity y Evidence — para ofrecer un cuadro más completo.
Referencias externas
- Machine Learning Glossary — Google Developers — definiciones de referencia de la terminología de ML y IA usada en toda la industria.
- The promises and challenges of crypto + AI applications — Vitalik Buterin — un marco para pensar dónde la IA y la blockchain se complementan genuinamente.
- Stanford HAI — AI Index Report — datos anuales sobre el estado de la inteligencia artificial, incluyendo adopción, investigación y progreso técnico.
No comments to display
No comments to display