Sztuczna inteligencja szybko przejdzie od agentów konwersacyjnych do autonomicznych agentów prowadzących złożone procesy biznesowe. Ponieważ firmy badają ich wdrożenie, główną kwestią, która jeszcze nie została rozwiązana, jest to, jak dokładnie ocenić, czy agent AI jest przygotowany do rzeczywistego użytku operacyjnego. Na styku sztucznej inteligencji (AI) i finansów rynkowych, <a href="https://crypto-economy.com/pantera-and-franklin-templeton-back-sentients-arena-to-stress-test-enterprise-ai-agents" rel="noopener noreferrer" target="_blank">Pantera Capital oraz dział aktywów cyfrowych Franklin Templeton</a> dołączyły do pierwszej kohorty Arena – środowiska testowego AI opracowanego przez firmę <a href="https://www.sentient.xyz/arena" rel="noopener noreferrer" target="_blank">Sentient Labs, zajmującą się otwartym oprogramowaniem AI.</a> Arena to nie tylko publiczny zapis wyników; służy również jako punkt odniesienia do porównywania stylu operacyjnego modeli produkcyjnych z porównywaniem wydajności każdego modelu (na przykład agenta AI, który musi przetwarzać wiele różnych źródeł informacji, z których niektóre mogą być sprzeczne), pod kątem sposobu, w jaki generowały rozgałęziające się uzasadnienia. Wiele firm zmienia sposób definiowania i oceny gotowości swojej AI do produkcji. Klienci bardziej niż kiedykolwiek skupiają się na wydajności AI w rzeczywistych warunkach operacyjnych. Na przykład, klienci oceniają, jak dobrze AI będzie działać w przypadku ograniczeń czasowych lub degradacji danych od ostatniego testu porównawczego.<h2>Problem benchmarkingu w przedsiębiorstwach</h2>Większość obecnych ram oceny AI opiera się na pomiarach bazujących na precyzyjnych zbiorach danych, takich jak oceny rozumowania, wyzwania programistyczne i zadania wyszukiwania informacji. Te zbiory danych pełnią użyteczną funkcję, ale w większości przypadków nie odtwarzają dokładnie środowisk korporacyjnych. Złożoność świata zawodowego tworzy środowisko, które testuje i weryfikuje zdolność modelu do zarządzania następującymi zasobami: ustrukturyzowane oceny przepływu pracy zamiast testów w środowisku laboratoryjnym; tysiące stron dokumentacji; skomplikowane dyrektywy lub instrukcje; przestarzałe i/lub niespójne przepisy lub dyrektywy; częściowe/brakujące dane; obawy prawne/regulacyjne. Testy porównawcze modelu zazwyczaj nie oceniają, czy ocena na poziomie przedsiębiorstwa dostarczy możliwych do obrony wniosków przy niedoskonałej dokumentacji. Arena zapewnia początkowe rozwiązanie poprzez opracowanie i wprowadzenie ustrukturyzowanej oceny przepływu pracy, która będzie wspierać model w oparciu o istniejące procesy biznesowe, a nie poprzez testowanie modelu(i) AI w laboratorium badawczym.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/62d613a2-0910-4444-9d1f-f5ca14bf3eed.jpeg">Źródło: Autor<h2>Co wyróżnia Arenę</h2><a href="https://sentient.xyz/" rel="noopener noreferrer" target="_blank">Sentient Labs</a> tworzy środowisko porównawcze w celu oceny produktywności AI za pomocą podejścia ukierunkowanego na produkcję. Zamiast używać izolowanych promptów jako ocen dla agentów, oceny wykorzystują ustandaryzowane zadania oparte na sposobie działania dużych firm. Oceny naśladują warunki, w jakich dziś działają firmy, takie jak: -Porównywanie wielu dokumentów-Wydobywanie ustrukturyzowanych informacji z obszernych dokumentów-Godzenie wielu sprzecznych źródeł informacji-Działanie w warunkach brakujących/niekompletnych informacji-Zdolność do tworzenia wyników, które mogą być poddane audytowi. W przeciwieństwie do skupiania się wyłącznie na dokładności podczas oceny agentów, ta metodologia zapewnia perspektywę operacyjną. W praktyce, jeśli agent może tworzyć spójne rozumowanie w czasie, wykorzystując analizę długiej formy, będzie w stanie powtórzyć tę samą logikę, działając w rzeczywistych ograniczeniach (z wyłączeniem zmiennych, które wpływają na wydajność niezależnie od izolowanego prompta). Rozwój benchmarków poprzez przepływy pracy biznesowej pozwoli Sentient Labs na stworzenie benchmarków, które zdefiniują, czym faktycznie jest „rozumowanie gotowe do produkcji”.<h2>Dlaczego zaangażowanie Pantera Capital sygnalizuje zainteresowanie instytucjonalne</h2>Pantera Capital ugruntowała swoją pozycję jako inwestor w infrastrukturę blockchain, zdecentralizowane protokoły finansowe i rozwijające się technologie kryptograficzne. Ich udział w Arena reprezentuje poziom zainteresowania firm venture capital monitorowaniem ewolucji agentów AI dojrzewających specjalnie do intensywnych dokumentowo operacji finansowych. Firmy inwestycyjne rutynowo pracują z: <ol><li data-list="bullet">Techniczne whitepapery</li><li data-list="bullet">Modele tokenomiki</li><li data-list="bullet">Ramy zarządzania</li><li data-list="bullet">Oceny ryzyka</li><li data-list="bullet">Zgłoszenia regulacyjne</li><li data-list="bullet">Dokumenty due diligence</li></ol> Agenci AI zdolni do analizowania i syntezowania tych dokumentów byliby ogromną oszczędnością czasu dla firm; jednakże, tolerancja na błędy jest minimalna. Początkowa kohorta uczestników Arena nie wiąże się z zobowiązaniem kapitałowym związanym z programem, ale reprezentuje zaangażowanie w pomoc w definiowaniu ram benchmarkingowych i ekosystemu deweloperów. Dla firm venture, wczesny wpływ na standardy używane do oceny narzędzi AI oferuje możliwość zdobycia strategicznych spostrzeżeń na temat tego, które narzędzia AI mogą uzupełnić operacje ich przyszłych portfeli.<h2>Dział Aktywów Cyfrowych Franklin Templeton i AI Operacyjna</h2>Wraz z napływem produktów inwestycyjnych opartych na blockchain i aktywów tokenizowanych, Franklin Templeton rozwinął rosnącą relację między światem tradycyjnych zarządzających inwestycjami a procesami automatyzacji opartymi na AI, poprzez fuzję ich działu aktywów cyfrowych z Areną. Ponieważ współpracują z wieloma zarządzającymi aktywami, dział aktywów cyfrowych Franklin Templeton musi podchodzić do pracy z rozwiązaniami AI w ściśle regulowanych środowiskach. Zarządzający aktywami mają do czynienia z dużą ilością dokumentów regulacyjnych, takich jak: <ol><li data-list="bullet">Prospekty funduszy</li><li data-list="bullet">Ujawnienia ryzyka</li><li data-list="bullet">Dokumenty zgodności</li><li data-list="bullet">Protokoły audytów</li><li data-list="bullet">Dokumenty badań rynku</li></ol> W środowisku regulowanym zarządzający aktywami oczekują od systemów AI skrajnej niezawodności. Jeśli zarządzający aktywami błędnie zinterpretuje zasadę zgodności lub przeoczy kwestię regulacyjną, może ponieść znaczne kary finansowe.Współpracując wcześniej z Arena, dział aktywów cyfrowych Franklin Templeton jest teraz w stanie formalnie ustanowić odpowiednie wytyczne dotyczące włączania rozumowania AI do ściśle regulowanego środowiska przed pełnym wdrożeniem systemów AI.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/3f3edff9-8f8c-4926-8598-e0317060e05e.jpeg">Źródło: Autor<h2>Definiowanie rozumowania gotowego do produkcji</h2>Według Olega Goleva, dyrektora produktu w Sentient Labs, deweloperzy Arena nadal wspierają Arenę, współpracując nad kształtowaniem tego, czym jest proces rozumowania AI gotowy do produkcji, dla dużych obciążeń dokumentacyjnych, takich jak analiza, zgodność i procesy operacyjne.&nbsp; Gotowość AI do produkcji oznacza posiadanie następujących możliwości:&nbsp; - Spójność przy wielokrotnym wykonywaniu podobnych zadań&nbsp;- Śledzalne ścieżki rozumowania&nbsp;- Odporność na generowanie niedokładnych wyników/założeń&nbsp;- Uznanie, że w każdej decyzji istnieje niepewność&nbsp;- Zachowanie informacji z kontekstu w przypadku długich danych wejściowych&nbsp; Jak widać powyżej, weryfikacja sposobu, w jaki przedsiębiorstwa tworzą rozwiązania oparte na AI, nie może opierać się wyłącznie na płynności. Przedsiębiorstwa muszą również przedstawić dowód na istnienie śledzalnego łańcucha rozumowania za każdym rozwiązaniem opartym na AI.&nbsp; W wielu przypadkach (np. w finansach) przedsiębiorstwo będzie wymagać udokumentowanych dowodów, które mogą uzasadniać decyzje. Ramy Arena mają na celu zapewnienie, że będą mierzyć nie tylko wynik działania agenta i/lub rozwiązania, ale także sposób, w jaki agent doszedł do swojego rozwiązania; tym samym umożliwiając audytowalność w ramach przedsiębiorstwa.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/e9e664ea-7b0d-44c5-b228-6ccadad8a7b1.jpeg">Źródło: Autor<h2>Dlaczego długie dokumenty i sprzeczne źródła są krytycznymi testami</h2>Wiele projektów korporacyjnych wiąże się z łączeniem wielu dokumentów, które nie zawsze są ze sobą zgodne. Na przykład, jeśli przeprowadzasz przegląd zgodności, być może będziesz musiał porównać: <ol><li data-list="bullet">Ramy regulacyjne.</li><li data-list="bullet">Wewnętrzne polityki Twojej firmy.</li><li data-list="bullet">Umowę o ujawnieniu informacji przez klienta.</li><li data-list="bullet">Zewnętrzną interpretację prawną.</li></ol> Każdy z tych dokumentów może zawierać niespójne informacje, a mimo to wszystkie mogą mieć pewne wspólne cechy w swojej treści. Aby działać w tak niejednoznacznym obszarze, agenci AI będą musieli wykonać następujące czynności: <ol><li data-list="bullet">Zidentyfikować wszelkie sprzeczności.</li><li data-list="bullet">Zidentyfikować wszelkie potencjalne ryzyka.</li><li data-list="bullet">Unikać zbyt pewnych założeń.</li><li data-list="bullet">Eskalować wszelkie niejasne interpretacje.</li></ol> Arena zbudowała swoje ramy benchmarkingowe tak, aby uwzględniały długie dokumenty z konkurencyjnymi źródłami informacji jako standardowe zjawisko w codziennych operacjach przedsiębiorstwa. Testy mogą być również przeprowadzane w odniesieniu do tego typu sytuacji, aby sprawdzić, czy systemy AI potrafią odpowiedzialnie zarządzać niejednoznacznymi sytuacjami; nie tylko tworzyć przekonujący tekst.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/163aab34-b093-4b8b-aa8b-a3fdbcd9ea15.jpeg">Źródło: Autor<h2>Strategiczne uczestnictwo bez zobowiązań kapitałowych</h2>Jednym z kluczowych elementów tej inicjatywy jest to, że firmy w niej uczestniczące nie składają publicznych deklaracji inwestycji finansowych związanych z Areną. Zamiast tego, najważniejsze jest ich zaangażowanie w tworzenie ekosystemu oceny. Wskazuje to na celowe podejście instytucji do wdrażania technologii AI. Zamiast szybkiego ich wprowadzania, instytucje koncentrują się na: - Opracowywaniu standardów- Ocenie ryzyka- Współpracy z deweloperami- Przeprowadzaniu kontrolowanych eksperymentówStrategia minimalizuje ryzyko, jednocześnie umożliwiając terminowy dostęp do informacji o wydajności systemów AI w środowiskach operacyjnych.Strategia ta potwierdza również przekonanie, że same ramy benchmarkingowe są rozwijane jako infrastruktura strategiczna. <h2>Agenci AI a przyszłość przepływów pracy finansowych</h2>Konwergencja aktywów cyfrowych i sztucznej inteligencji nadal przyspiesza w niezwykle szybkim tempie. Rynki finansowe stale zmierzają w kierunku większej orientacji na dane, intensywnego przetwarzania dokumentów i globalnego połączenia. Pojawienie się technologii blockchain dodaje kolejny poziom złożoności tym podmiotom, dostarczając inteligentne kontrakty, tokenizowane papiery wartościowe i zdecentralizowane struktury zarządzania. Agenci sztucznej inteligencji (AI), którzy potrafią dokładnie analizować wspomniane środowiska, byliby w stanie wykonywać wiele zadań, w tym: <ol><li data-list="bullet">Monitorowanie propozycji zarządzania</li><li data-list="bullet">Ocena ujawnień inteligentnych kontraktów</li><li data-list="bullet">Automatyzacja porównywania zgodności między jurysdykcjami</li><li data-list="bullet">Sporządzanie ustrukturyzowanych notatek inwestycyjnych</li><li data-list="bullet">Identyfikowanie niespójności ryzyka w zbiorach danych</li></ol> Aby móc wdrożyć te systemy AI, musimy najpierw czuć się komfortowo z ich zdolnością do rozumowania.Arena jest rozwijana jako miejsce do praktycznej oceny systemów AI w bezpiecznym środowisku, przed ich integracją z rzeczywistym światem.<h2>Punkt zwrotny w ocenie AI w przedsiębiorstwach</h2>W miarę jak agenci AI przechodzą z fazy eksperymentalnej do rzeczywistego zastosowania operacyjnego, konieczna jest zmiana sposobu ich oceny. Benchmarkingowe wskaźniki używane przez Arena do oceny zdolności produkcyjnych zostały zaprojektowane z nowym rozumieniem tego, co oznacza „gotowość do zastosowań korporacyjnych”; to, co stanowi „gotowość do zastosowań korporacyjnych”, nie może już zależeć wyłącznie od metryk akademickich, jak tradycyjnie je definiowaliśmy. Aby prawdziwie zakwalifikować się jako „gotowi do zastosowań korporacyjnych”, agenci AI muszą wykazać się: - Odpornością na niejednoznaczność- Spójnością w rozszerzonych przepływach pracy organizacyjnych- Przejrzystym i jasnym rozumowaniem- Odpornością na dezinformację- Możliwością audytu w branżach regulowanych Fakt, że Pantera Capital i grupa aktywów cyfrowych Franklin Templeton wybrały Arenę jako część swojej pierwszej kohorty, wskazuje, że AI klasy korporacyjnej wymaga oceny na poziomie korporacyjnym. W przeszłości najskuteczniejszą kategorią agentów AI nie byli ci z najbardziej zaawansowanymi atrybutami konwersacyjnymi, ale ci, którzy są w stanie sprostać dodatkowym złożonościom i związanym z nimi obowiązkom wykonywania rzeczywistych operacji finansowych. Arena wykonała ważny pierwszy krok w kierunku osiągnięcia tego celu poprzez te ramy.

Pantera Capital i Franklin Templeton dołączają do pierwszej grupy Sentient Arena, aby ocenić gotowość do produkcji agentów AI dla przedsiębiorstw w obszarze obiegów dokumentów objętych regulacjami w finansach.

Pantera Capital i Franklin Templeton dołączają do Sentient Arena, aby zrewolucjonizować testowanie agentów AI dla przedsiębiorstw

/media/contribution/carb265f42771b94a009f4171dd21d6ef04/pyw_0315104628585.stxt

Ułamkowa Własność Sztuki i Kolekcjonerskich Przedmiotów: Jak RWA Umożliwiają Dostęp do Dzieł Wartych Miliony

/media/contribution/car69e2c0c3a41f4e2b808c6d703e8911ca/sp6_0315103716338.stxt

Wpływ przepisów MiCA na europejskie rynki kryptowalut: co inwestorzy muszą wiedzieć

/media/contribution/car81576cf7abd049b7b15b2bf7be5e5a92/5gv_0315101151259.stxt

Tokeny i Securitize: Zgodna infrastruktura dla rzeczywistych aktywów (RWA) w kryptowalutach 2026

/media/contribution/car4b21cc8d46714f89aed7c049905a9e53/kw4_0315100822008.stxt

BlackRock BUIDL: Wiodąca instytucjonalna tokenizacja RWA na blockchain w 2026 roku

/media/contribution/carde246a23442d45fb9ace7a54d658e5c6/fky_0315100253901.stxt

Centrifuge RWA: Tokenizacja prywatnego kredytu na dużą skalę — Przewodnik po blockchain 2026

/media/contribution/car9b3fcef8d39745ffb947df2557f7c256/7lz_0315095923328.stxt