How to Trust AI Agents on the Web: Proof, Stake, and Smarter Safeguards

Kari Jaaskelainen

06 Nov 2025 — 1 min read

The "agentic web" is coming: billions of AI agents that buy, sell, and collaborate online. But who - and what - do we trust?

This study compares six ways agents earn trust:

Brief: verifiable profiles/IDs
Claim: self-declared skills
Proof: cryptography and hardware attestations
Stake: collateral with slashing/insurance
Reputation: feedback and social graphs
Constraint: sandboxes and capability limits

Pure claims or reputation often fail with LLM agents (prompt injection, hallucination, sycophancy, deception). No single tool is enough.

Recommendation: design "trustless-by-default" systems. Use Proof and Stake to gate high-impact actions; add Brief for discovery/identity and Reputation for social signals; keep tight Constraints around what agents can do.

The paper benchmarks emerging standards - Google's A2A, Agent Payments Protocol (AP2), and Ethereum's ERC-8004 - on security, privacy, cost/latency, and resistance to Sybil/collusion/whitewashing.

For builders and policymakers, it offers actionable design guidelines for safer, interoperable agent economies. Read: http://arxiv.org/abs/2511.03434v1

Paper: http://arxiv.org/abs/2511.03434v1

Register: https://www.AiFeta.com

AI Agents AgenticWeb Web3 Security Cryptography Reputation Trust LLM ProtocolDesign Ethereum

Tekoäly myötäilee toteamuksia enemmän kuin kysymyksiä

Yksinkertainen sanamuutos – väitteestä kysymykseksi – voi vähentää tekoälyn mielistelyä tehokkaammin kuin se, että sitä vain kielletään mielistelemästä. Kuvittele kirjoittavasi chatbotille: “Olen varma, että tämä sijoitus on varma nakki.” Toinen tapa olisi kysyä: “Onko tämä sijoitus varma nakki?” Ero on pieni, mutta sillä näyttää olevan väliä. Kun kone kuulee julistuksen, se nyökkää

Tekoälyn pitäisi uskaltaa sanoa “en tiedä” — ja sillä on väliä, miten tämä mitataan

Kuvittele tutun chat-ikkunan vilkkuva kursori. Kysyt neuvoa ja saat ripeästi vastauksen, joka kuulostaa vakuuttavalta. Myöhemmin selviää, että se oli väärin. Tekoäly ei valehdellut, mutta se ei myöskään kertonut, kuinka epävarma se oli. Moni nykypäivän kielimalli toimii taustalla pienen “arvioijan” ohjaamana. Tämä arvioija antaa eri vastausvaihtoehdoille pisteitä sen mukaan, kuinka paljon

Pienet kielimallit nopeutuvat, kun niille opetetaan valmiita fraaseja

Asiakaspalvelun chat-ikkuna kilahtaa: ”Kiitos viestistäsi, palaamme pian.” Sama lause toistuu tuhansia kertoja päivässä. Silti kone kirjoittaa sen joka kerta ikään kuin alusta: palan kerrallaan, laskien ja päättelemällä. Se on hidasta työlle, jossa sisällöt eivät juuri vaihtele. Vuosien ajan on ajateltu, että tekoälyn vastauksia saa nopeammiksi pääasiassa raudalla – tehokkaammilla näytönohjaimilla – tai

Kone näkee saman kohtauksen eri tavoin – uusi tapa opettaa sen kokoamaan aistinsa yhteen

Puhelimen muotokuva-asento korostaa kasvoja pehmentämällä taustan. Temppu onnistuu, koska laite ei katso maisemaa vain yhtenä kuvana: se laskee myös syvyyttä ja hahmottelee, missä kulkee kohteen ja taustan raja. Meille ihmisille nämä kaikki ovat sama näkymä. Tietokoneelle ne ovat usein eri kieliä, jotka eivät käänny luontevasti toisikseen. Vallitseva ajatus on ollut,

Read more

Tekoäly myötäilee toteamuksia enemmän kuin kysymyksiä

Tekoälyn pitäisi uskaltaa sanoa “en tiedä” — ja sillä on väliä, miten tämä mitataan

Pienet kielimallit nopeutuvat, kun niille opetetaan valmiita fraaseja

Kone näkee saman kohtauksen eri tavoin – uusi tapa opettaa sen kokoamaan aistinsa yhteen