DeXposure-Claw: agentes LLM con freno incorporado para supervisar riesgos DeFi

El problema no era que los LLMs no entendieran DeFi. Era que los entendían demasiado bien para su propio bien: ante señales débiles, tendían a escalar alertas de alto impacto que ningún regulador podría sostener políticamente. Un falso positivo en supervisión financiera no es un inconveniente menor; puede desencadenar intervenciones sobre protocolos solventes. Eso, en síntesis, es el punto de partida de DeXposure-Claw, un paper publicado el 20 de junio de 2026 en arXiv que propone una arquitectura agéntica específicamente diseñada para que un LLM supervisor no pueda actuar sin pasar por varias capas de validación estructurada.

El trabajo llega en un momento en que el uso de agentes LLM en contextos de alto riesgo está ganando tracción en equipos de ingeniería financiera, y la pregunta de cómo contener su propensión a la sobreinterpretación se ha vuelto concreta y urgente.

Cómo funciona la arquitectura

DeXposure-Claw se articula en tres capas que se ejecutan en secuencia antes de que el sistema emita cualquier «ticket supervisorio»:

1. DeXposure-FM: un modelo de fundamentos para series temporales de grafos que proyecta redes de exposición crediticia futuras en el ecosistema DeFi. No es el LLM el que interpreta tendencias directamente desde datos crudos; primero hay una predicción estructurada.

2. Monitores deterministas y escenarios de estrés: las predicciones de DeXposure-FM se transforman en alertas tipificadas, señales de atribución y evidencia de escenario mediante lógica determinista. El LLM recibe inputs ya procesados y categorizados, no flujos de datos en bruto.

3. Puertas de confianza y salud de datos: antes de que el agente pueda escalar una alerta, dos filtros comprueban la calidad estadística de los datos subyacentes y el nivel de confianza de la cadena de inferencia. Solo si ambas condiciones se superan, el sistema emite un ticket con rationale auditable.

Esta separación no es trivial. En la mayoría de los sistemas agénticos actuales —incluyendo implementaciones típicas sobre Claude Code con subagentes especializados— el LLM tiene acceso directo a herramientas y puede encadenar acciones con escasa fricción. DeXposure-Claw introduce fricción deliberada como mecanismo de seguridad, no como limitación técnica.

El problema de evaluación que nadie había resuelto bien

Tan relevante como la arquitectura es la propuesta de evaluación. Los autores desarrollan DeXposure-Bench, un harness de seis ejes que incluye un «eje de decisión» que puntúa los tickets generados contra una verdad de referencia basada en pérdida absoluta alineada con criterios regulatorios, y mide explícitamente la tasa de falsas intervenciones.

Esto es notable porque la mayoría de los benchmarks existentes para agentes LLM miden precisión o utilidad percibida, no el coste regulatorio de los errores. Un sistema que alerta correctamente el 80% de las veces pero falla de forma ruidosa en el 20% restante puede ser inaceptable para un supervisor financiero, aunque sus métricas generales sean razonables.

Los experimentos se realizaron sobre cinco años de datos semanales reales, lo que otorga cierta solidez empírica a las conclusiones. El código está disponible en GitHub.

Para quién es relevante esto

El paper interesa en al menos tres perfiles distintos:

• Equipos de supervisión financiera y reguladores que estén explorando automatización parcial de monitorización de riesgos en protocolos DeFi. La arquitectura ofrece un modelo de responsabilidad clara: cada ticket tiene rationale auditable y la cadena de decisión es trazable.

• Ingenieros de agentes que trabajen en dominios de alto riesgo —no necesariamente financiero— y busquen patrones para contener la autonomía de un LLM sin sacrificar su capacidad analítica. Las puertas de confianza son un patrón exportable.

• Investigadores en evaluación de agentes, porque DeXposure-Bench propone métricas orientadas a consecuencias reales, no a rendimiento abstracto. Esa orientación es escasa en la literatura actual.

Lo que el paper no resuelve —y no pretende resolver— es el problema de latencia: un sistema con tantas capas intermedias tendrá tiempos de respuesta que probablemente lo inhabiliten para supervisión en tiempo real de eventos de mercado de alta frecuencia. Los propios autores enmarcan el sistema en supervisión semanal, coherente con la granularidad de sus datos de entrenamiento.

---

Desde EP, nos parece que el enfoque de DeXposure-Claw señala una dirección sensata: en lugar de debatir si los LLMs son «suficientemente fiables» para entornos críticos, diseñar la arquitectura para que la fiabilidad no dependa únicamente del LLM. Es ingeniería de sistemas aplicada a agentes, y hay más trabajo así que necesita el ecosistema.