Agentes autónomos de IA interactuando en juegos, pagos y chat llevaron a Sui a más de 6 millones de transacciones por segundo en lo que equivale a un experimento público de rendimiento. La prueba, publicada el 6 de julio, involucró agentes ejecutando transacciones en múltiples tipos de aplicaciones simultáneamente, llevando a la red mucho más allá de lo visto en el uso típico de DeFi o pagos. Si el número representa un escenario de producción realista o un benchmark sintético diseñado para lucir impresionante en un titular es la primera pregunta que vale la pena hacer, pero la señal más amplia es que el volumen de transacciones impulsado por agentes se está convirtiendo en una verdadera prueba de estrés para la arquitectura L1.
Qué midió realmente la prueba
La cifra del titular — 6 millones de TPS — provino de agentes operando en tres categorías: juegos, pagos y chat. Cada categoría genera diferentes perfiles de transacción. Los agentes de juegos producen actualizaciones de estado de alta frecuencia. Los agentes de pagos generan transacciones de transferencia de valor que requieren total finalidad de liquidación. Los agentes de chat producen transacciones ligeras de paso de mensajes. Ejecutar los tres simultáneamente significa que la red manejó cargas de trabajo mixtas en lugar de los lotes de transacciones homogéneas que usan la mayoría de los benchmarks de L1. La distinción es importante porque las economías reales de agentes no producirán tráfico uniforme. Generarán una mezcla de microtransacciones, cambios de estado y eventos de liquidación en intervalos impredecibles, lo cual es mucho más difícil de procesar de manera eficiente que un bucle sintético de operaciones idénticas.
Por qué importa aquí la arquitectura de Sui
Sui utiliza una arquitectura de consenso Narwhal-Bullshark que separa la disponibilidad de datos del ordenamiento de transacciones y paraleliza la ejecución a través de entradas de transacciones independientes. Este diseño es específicamente adecuado para cargas de trabajo donde las transacciones no compiten por el mismo estado, que es exactamente cómo se ven los pagos de agente a agente cuando cada agente controla sus propios objetos y estado de cuenta. En cadenas con contención de bloqueo global, 6 millones de TPS serían físicamente imposibles independientemente del hardware. El modelo de datos centrado en objetos de Sui permite que las transacciones independientes se procesen en paralelo sin adquirir bloqueos globales. El compromiso es que las transacciones que tocan un estado compartido aún se serializan, por lo que un escenario de pagos donde todos los agentes se liquidan a través de un único pool de liquidez o contrato no vería estos números.
Patrones de pago de agentes frente a humanos
El tráfico de pago humano es escaso, en ráfagas y concentrado en horarios comerciales, ciclos de nómina y eventos de mercado. El tráfico de pago de agentes, basado en lo que hemos visto de las integraciones x402, la infraestructura de billetera de agentes de Skyfire y Coinbase Agent Payments, es continuo, granular e indiferente a las zonas horarias. Los agentes pagan por cada llamada a la API, por cada lectura de datos, por cada solicitud de inferencia. Un solo agente orquestando una tarea compleja podría generar cientos de microtransacciones por minuto. A escala — miles o millones de agentes — el volumen agregado se parece más al tráfico de control de red que a los pagos tradicionales. El experimento de Sui insinúa esto: si los patrones de rendimiento de agentes se parecen más al tráfico de un DDoS que al de Visa, entonces la conversación sobre la infraestructura de liquidación pasa de las comisiones y la finalidad a la capacidad bruta y la gestión de la contrapresión.
Preguntas abiertas
Varias preguntas quedan sin respuesta. El informe no especifica si la cifra de 6 millones de TPS representa un rendimiento sostenido durante minutos o un pico breve medido en segundos. No detalla las especificaciones de hardware de los validadores ni si la prueba se ejecutó en la misma infraestructura que operan actualmente los validadores de la mainnet. No desglosa cuántas transacciones fueron eventos de pago frente a actualizaciones de estado de juego o mensajes de chat. Tampoco informa las tasas de fallo de transacciones o las distribuciones de latencia bajo carga. Todo esto importa para evaluar si el resultado nos dice algo sobre la preparación para producción de las economías de agentes. La respuesta honesta es que este es un punto de datos direccional: útil como evidencia de que el tráfico de agentes se está convirtiendo en una categoría de benchmark significativa, pero insuficiente para concluir que cualquier cadena actual puede manejar el comercio de agentes a escala.