Cómo saber si un proyecto realmente tiene IA

Nota: Este documento es una traducción automática del original en inglés.

Cómo saber si un proyecto realmente tiene IA

Estás mirando un proyecto cripto que afirma usar IA. El sitio web dice "impulsado por IA". El pitch deck menciona redes neuronales. El nombre del token tiene "AI". Pero ¿cómo sabes si existe un AI component real y funcional detrás de esas afirmaciones, o si "AI" es solo una etiqueta de marketing?

Esta es la pregunta central que DecAIHub fue creado para responder. La diferencia entre la IA genuina y el AI-washing no es visible desde la superficie. Los equipos de marketing saben que "AI" es una de las palabras clave más poderosas en cripto, y muchos proyectos la usan independientemente de lo que realmente haga la tecnología. La innovación real convive con afirmaciones vacías, y sin un método estructurado, distinguirlas requiere horas de investigación independiente por cada proyecto. Esta guía te ofrece un conjunto de herramientas prácticas que funciona tanto si eres un recién llegado que intenta evitar el hype como si eres un participante experimentado que necesita un marco de cribado rápido.

En resumen: comprueba la especificidad del campo AI component, mira el ai_score para un veredicto cuantificado, revisa el nivel de evidencia, compara las afirmaciones con artefactos verificables, aplica la prueba de las cinco preguntas y vigila las banderas rojas que sugieren AI-washing.

La prueba de las cinco preguntas

Antes de sumergirte en una revisión completa de la ficha, ejecuta un diagnóstico rápido. Cada pregunta apunta a una capa específica de la verificación de IA.

#	Pregunta	Respuesta fuerte	Respuesta débil
1	¿Qué hace exactamente la IA?	Nombra el tipo de modelo, la tarea y el mecanismo	"Usamos IA para optimizar todo"
2	¿Dónde puedo verla funcionando?	Demo en vivo, API pública, salidas grabadas	"Próximamente" o beta privada sin artefactos
3	¿Dónde está el código o el modelo?	Repo público con código de entrenamiento/inferencia, model card	Repo vacío, fork de un tutorial, nada público
4	¿Cómo miden la calidad?	Benchmark nombrado, dataset, versión, fecha	"La mejor precisión del sector" o sin métricas
5	¿Qué pasa si quitas la IA?	"El producto no puede funcionar sin ella"	"Sigue funcionando, solo que menos inteligente"

Las preguntas 1-2 prueban la especificidad y existencia: ¿puede el proyecto describir y demostrar su IA? Las preguntas 3-4 prueban la verificabilidad y el rigor: ¿puede alguien externo inspeccionar la evidencia? La pregunta 5 prueba la centralidad: ¿es la IA arquitectónicamente esencial o cosmética?

Un proyecto con respuestas fuertes a las cinco probablemente tenga un ai_score alto. Tres o más respuestas débiles justifican un escrutinio minucioso.

Guía de verificación paso a paso

Paso 1: Comprueba el campo AI component

El campo AI component en el Pasaporte del Proyecto describe la tecnología de IA específica dentro del proyecto. Es el indicador de sustancia más rápido.

Valores concretos como inference engine for LLM routing o AI agent platform (workflows/tools/KB) te dicen qué hace realmente la IA. Los valores especiales señalan vacíos: positioning only significa que la IA aparece en el marketing pero no se ha confirmado ningún componente funcional; none o unknown significa que no se detectó IA a partir de las fuentes disponibles. Estos no son veredictos permanentes; reflejan la evidencia disponible en el momento de la revisión. Consulta Por qué la ausencia de evidencia no es ausencia de tecnología.

Paso 2: Comprueba el ai_score

El ai_score (0-3) cuantifica cuánta evidencia verificable existe para las afirmaciones de IA de un proyecto. Forma parte de la métrica DecAI Fit, calculada como min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) — cinco banderas binarias limitadas a 3.

ai_score	Significado
0	Sin presencia de IA verificada. DecAI Fit se fuerza a cero.
1	Existe una declaración de intención Tier-1, pero no hay IA funcional verificada.
2	Evidencia parcial: la IA está descrita y existen algunos artefactos o demos.
3	Evidencia fuerte: código público, benchmarks, documentación de arquitectura, demos funcionales.

Si ai_score = 0, la afirmación de IA está actualmente sin fundamentar. Esto no es una acusación contra el proyecto, pero ninguna fuente Tier-1 confirma la afirmación.

Paso 3: Busca evidencia Tier-1

La evidencia Tier-1 consiste en los artefactos más cercanos a la realidad efectiva del proyecto:

Repositorios de código públicos con código relacionado con la IA: definiciones de modelos, scripts de entrenamiento, pipelines de inferencia, no solo un README.
Documentación técnica que describe la arquitectura del modelo, el pipeline de datos o el diseño del sistema con versiones y fechas.
Artefactos de modelo como pesos publicados, model cards o entradas en Hugging Face.
Benchmarks con metodología, líneas base de comparación, especificación del dataset e información de versión.
Demos funcionales donde el AI component produce salidas observables y comprobables.

Tier-2 (descripciones de agregadores, entrevistas) aporta contexto útil pero no debería ser la única base para confirmar la IA. Tier-3 (publicaciones de influencers, artículos de PR, rumores) tiene un peso mínimo.

Paso 4: Coteja las afirmaciones con los artefactos

Compara lo que dice el proyecto con lo que puede verificarse de forma independiente. Un proyecto que afirma "red neuronal propietaria para predicción en tiempo real" debería tener código, documentación o al menos una demo que demuestre esta capacidad. Cuando el lenguaje de marketing es ambicioso pero los artefactos verificables son escasos, la brecha en sí misma es una señal.

Banderas rojas comunes

Ciertos patrones sugieren que las afirmaciones de IA pueden no ser reales. Ninguno de ellos es, por sí solo, una acusación contra el proyecto, pero cada uno justifica una investigación más profunda.

IA solo de marketing. "AI" en el nombre y el pitch deck, pero ninguna arquitectura, nombre de modelo o pipeline de datos descrito en ningún sitio. Esta es la forma más común de AI-washing.
Repositorio vacío o no relacionado. Existe un enlace a GitHub pero no contiene código relacionado con la IA, no tiene releases, o tiene código no relacionado con el componente afirmado.
Métricas sin metodología. Afirmaciones como "99% de precisión" sin especificar benchmark, dataset, método de evaluación o versión.
API wrapper puro. Toda la "AI" es una llamada a una API de terceros sin lógica propietaria, fine-tuning o procesamiento específico del dominio encima.
Branding de IA posterior al lanzamiento. Se añadió "AI" al nombre del proyecto después de lanzar el token, sin cambios técnicos correspondientes.
Sin versionado ni cronología. Las afirmaciones relacionadas con la IA carecen de fechas, números de versión o un historial de desarrollo rastreable.
Evidencia circular. El proyecto cita sus propios materiales de marketing como prueba, o referencia artículos que solo repiten su comunicado de prensa.
Roadmap perpetuo. Las funciones de IA siempre están "próximamente" sin hitos entregados ni artefactos públicos pese a meses de existencia.
Complejidad desajustada. El proyecto afirma capacidades avanzadas (inferencia verificable, aprendizaje federado) pero el equipo y el código no se corresponden con esa complejidad.

Banderas verdes comunes

Los proyectos de IA genuinos comparten características reconocibles. Cuantas más de estas demuestre un proyecto, más probable es que sus afirmaciones de IA sean sustanciales.

Afirmaciones específicas y comprobables. El proyecto nombra la arquitectura del modelo, el enfoque de entrenamiento y las fuentes de datos con suficiente detalle para que un revisor técnico pueda evaluarlas.
Código activo y relevante. Un repositorio público con código de entrenamiento o inferencia de modelos, un historial de commits significativo, tests y actividad reciente.
Métricas reproducibles. Los resultados de rendimiento incluyen el nombre del benchmark, el dataset, la metodología, la versión y la fecha.
Documentación de arquitectura. La documentación técnica incluye el diseño del sistema, el flujo de datos y una autoría versionada que evoluciona con el tiempo.
Demos funcionales y comprobables. Una aplicación en vivo o una API pública que produce salidas de IA que cualquiera puede probar de forma independiente.
Equipo con trayectoria verificable en IA/ML. Artículos publicados, contribuciones open-source o un historial profesional verificable.
Model cards o data sheets. El proyecto sigue prácticas establecidas para documentar modelos: uso previsto, limitaciones, datos de entrenamiento, resultados de evaluación.

Patrones del mundo real

Para construir intuición, considera estos arquetipos contrastantes. No se nombra ningún proyecto específico; el objetivo es reconocer diferencias estructurales.

Patrón A: IA genuina con evidencia fuerte. Repositorio activo con código de entrenamiento de modelos, scripts de evaluación y un pipeline de inferencia documentado. Benchmarks publicados con metodología. Demo en vivo que produce salidas de IA observables. El ai_score es 3.

Patrón B: IA en etapa temprana con evidencia parcial. La documentación oficial describe lo que hará la IA con un roadmap que incluye hitos de IA. Existe un prototipo pero no es accesible públicamente. Aún sin benchmarks. El ai_score es 1-2. Esto no es AI-washing; es un proyecto en etapa temprana donde la evidencia aún no se ha materializado.

Patrón C: AI-washing sin sustancia. "AI" prominente en el branding. El pitch deck menciona "redes neuronales propietarias". Sin documentación técnica más allá del marketing. Sin repo, demos, benchmarks ni artefactos de modelo. El ai_score es 0.

Patrón D: API wrapper presentado como IA propietaria. El AI component consiste enteramente en llamadas a un proveedor externo. Sin fine-tuning, sin pipeline personalizado, sin procesamiento específico del dominio. Esto no es una acusación contra el proyecto, pero llamarlo "IA propietaria" tergiversa la realidad técnica. Consulta Automatización vs AI component real.

Cómo lo resuelve DecAIHub

DecAIHub existe porque responder "¿es real esta IA?" no debería requerir horas de investigación independiente por cada proyecto. La plataforma usa un marco estructurado para separar la IA real del AI-washing.

DecAI Fit

DecAI Fit es un índice compuesto (0-6) que mide qué tan bien se alinea un proyecto con los principios de la IA Descentralizada. Combina cuatro dimensiones: AI reality, Onchain necessity, Token necessity y Evidence.

La regla crítica: si ai_score = 0, entonces DecAI Fit = 0 independientemente de las demás dimensiones. La ausencia de IA verificada significa que el proyecto no alcanza el umbral para la clasificación de IA Descentralizada. Esta única regla elimina del sistema de puntuación la forma más común de AI-washing.

Banderas de AI reality (AI_0 a AI_4)

La AI reality se construye a partir de cinco banderas binarias, cada una capturando una capa progresivamente más profunda de verificación:

Bandera	Qué comprueba	Ejemplo de evidencia
AI_0	Declaración Tier-1 de intención de IA	Roadmap o documentación oficial que menciona planes de IA
AI_1	Descripción de lo que hace la IA	Documentación técnica que explica la función del modelo
AI_2	Demos o ejemplos funcionales	Demo pública, API en vivo, salidas grabadas
AI_3	Métricas y benchmarks	F1 score publicado en un dataset nombrado con versión
AI_4	Arquitectura y versiones de modelo	Diagramas de arquitectura, model cards, historial de versiones

Las cinco banderas en 1 significa una evidencia fuerte y multicapa de IA real. Solo AI_0 = 1 significa intención declarada sin nada verificable todavía.

Sistema de evidencia Tier-1, Tier-2, Tier-3

Cada afirmación en la ficha de un proyecto se fundamenta en fuentes clasificadas:

Tier-1 (evidencia): código, contratos, documentación oficial, auditorías, hechos on-chain. El mayor peso.
Tier-2 (contexto): descripciones de agregadores, catálogos de ecosistemas, paneles de analítica, entrevistas. Útil para cotejar, insuficiente como única prueba.
Tier-3 (ruido): publicaciones de influencers, artículos de PR, rumores, afirmaciones sin fuente. Si solo existen fuentes Tier-3, DecAI Fit se limita a 2.

Esta jerarquía garantiza que los materiales de marketing por sí solos no puedan elevar la evaluación de un proyecto.

Detección de AI-washing

DecAIHub no asigna etiquetas acusatorias ni absolutorias a los proyectos. En su lugar, mide la brecha entre las afirmaciones y la evidencia. Cuando las afirmaciones de marketing superan significativamente a los artefactos verificables, esa brecha se hace visible en la ficha: un use case de IA audaz emparejado con positioning only o ai_score = 0 es una señal medible y objetiva. El lector saca sus propias conclusiones.

Checklist rápido de verificación

Comprobación	Dónde mirar	Qué esperar
Especificidad del AI component	Campo AI component	Mecanismo concreto, no palabras de moda
AI score	ai_score en DecAI Fit	Por encima de 0 para cualquier IA verificada
Nivel de evidencia	Tabla de evidencia	Artefactos Tier-1 para afirmaciones fuertes
Existencia de código	Repositorios enlazados	Código relacionado con IA con historial de commits
Calidad de las métricas	Documentación, benchmarks	Metodología, dataset, versión, fecha
Disponibilidad de demo	Enlaces de producto, APIs públicas	Salidas de IA observables
Experiencia en IA del equipo	Sección de equipo, artículos publicados	Trayectoria verificable en ML/IA
Versionado	Documentación, changelog	Fechas, números de versión, historial

Qué no demuestra la verificación por sí sola

Incluso una verificación exhaustiva tiene límites:

Un ai_score alto no significa que la IA sea buena. Significa que existen artefactos verificables. La calidad es una cuestión aparte.
Un ai_score alto no significa que el proyecto vaya a tener éxito. El mérito tecnológico y la viabilidad son dimensiones distintas.
Un ai_score bajo no es una acusación contra el proyecto. Algunos proyectos tienen tecnología real pero documentación deficiente o un modelo de desarrollo cerrado.
La verificación refleja un momento en el tiempo. Las evaluaciones están fechadas (Last verified) y se actualizan cuando aparece nueva evidencia.
La verificación de IA no evalúa el modelo de negocio, la calidad del equipo ni el ajuste al mercado. Estos son relevantes pero quedan fuera del alcance de la evaluación de AI reality.

Preguntas frecuentes

¿Con qué rapidez puedo verificar si un proyecto cripto tiene IA real?

Una comprobación básica lleva menos de cinco minutos usando la ficha del proyecto en DecAIHub. Mira el campo AI component, el ai_score y el nivel de evidencia. Si el AI component dice positioning only y ai_score = 0, ya tienes una señal fuerte. Una comprobación más profunda con la prueba de las cinco preguntas y la revisión del repositorio lleva entre 15 y 30 minutos.

¿Y si un proyecto tiene código de IA en GitHub pero ningún producto funcional?

El código es una señal positiva, pero necesita contexto. ¿Se mantiene activamente? ¿Está relacionado con el producto afirmado? Un repositorio con scripts de entrenamiento que no se ha actualizado en dos años, o que parece no relacionado con la funcionalidad declarada del proyecto, es una evidencia más débil que una base de código activa y bien documentada con CI/CD y commits recientes.

¿Tener una demo demuestra que la IA es real?

Una demo es evidencia fuerte (activa la bandera AI_2), pero no es definitiva. Podría usar una API de terceros entre bastidores o mostrar un prototipo acotado. La verificación más fuerte combina una demo con código, documentación y métricas: múltiples capas independientes que cuentan una historia coherente.

¿Puede un proyecto puntuar bien en DecAI Fit sin código open-source?

Sí. El código open-source es la evidencia Tier-1 más fuerte, pero no la única. Un proyecto puede lograr un ai_score significativo mediante documentación técnica detallada, benchmarks publicados, demos funcionales y artefactos de modelo. Sin embargo, sin ninguna evidencia Tier-1, los límites de gobernanza restringen la puntuación máxima.

¿Cuál es la forma más común de AI-washing en cripto?

El patrón más común es IA solo de marketing: "AI" en el nombre y los materiales, pero ninguna descripción técnica, código, demos o métricas. El segundo más común es el API wrapper: llamar a un proveedor de IA de terceros y presentarlo como tecnología propietaria sin fine-tuning ni lógica específica del dominio.

¿Es posible que un proyecto tenga IA real pero un DecAI Fit bajo?

Sí. DecAI Fit mide la evidencia verificable, no el estado real de la tecnología tras puertas cerradas. Un proyecto con IA sofisticada que no publica nada recibirá una puntuación baja porque no hay nada que verificar. DecAI Fit recompensa la transparencia por diseño. Cuando ese proyecto publica artefactos más adelante, la puntuación se actualiza.

Véase también

Referencias externas

Stanford HAI — Artificial Intelligence Index Report — datos anuales sobre el estado de la investigación en IA y su adopción en la industria.
OECD AI Policy Observatory — marcos y definiciones internacionales de gobernanza de IA.
MIT Technology Review — AI topic — reportajes accesibles sobre avances y tendencias en IA.
Hugging Face — Model Cards — estándar de documentación para publicar información de modelos y resultados de evaluación.
Papers With Code — benchmarks, datasets y resultados del estado del arte en tareas de IA.