PUNTOS CLAVE
A estas alturas, la mayoría de la gente es capaz de detectar un correo electrónico redactado por una IA sin experiencia: el uso excesivo del guion largo o la frase «aquí tienes una versión más humana» que alguien se olvidó de borrar antes de pulsar «enviar». En Wall Street, el problema más grave es más difícil de detectar, porque se encuentra en el razonamiento. Y cuando ese razonamiento decide hacia dónde va el capital, un error es mucho más difícil de detectar.
Puede que todos los edificios de Wall Street se parezcan entre sí, pero no deben pensar así, y no hay nada que Wall Street odie más que un mercado carente de tensión. La tensión es lo que hace que un mercado funcione. Cuando todo el mundo está de acuerdo, el mercado deja de generar precios y se estabiliza en un consenso, y ese consenso se desvanece en una tarde debido al arbitraje.
Eso es lo que hace que el nuevo eje que se está formando bajo la superficie de este mercado resulte tan silenciosamente peligroso. Los comités de riesgos ya vigilan la concentración sectorial, pero esta es de otro tipo. Una parte cada vez mayor de la toma de decisiones en empresas competidoras pasa ahora por el mismo pequeño conjunto de sistemas de inteligencia artificial: misma arquitectura, mismo entrenamiento, mismo razonamiento, diferentes logotipos.
Por qué las entidades financieras están recurriendo a los mismos modelos de IA
Para la mayoría de las empresas, la elección se redujo a una cuestión de responsabilidad civil, más que a la conclusión de que un modelo fuera mejor que otro. La cuestión fundamental es qué razonamiento podrán defender más adelante, tanto ante sus abogados y los jueces en futuros litigios como ante sus propios clientes. Hay que elegir al proveedor con un nombre reconocido y un historial de auditorías, para que el nombre asociado a cualquier fallo no sea el propio. La mentalidad de rebaño implicaría que nadie piensa por sí mismo. Se trata más bien de la seguridad que da el número, en la que cada empresa razona de forma independiente y llega a la misma postura defensiva. Una encuesta de KPMG de 2026 reveló que el 93 % de las empresas estadounidenses tiene previsto implementar o ampliar el uso de la IA en el ámbito financiero en un plazo de dieciocho meses, y que el 94 % ya recurre a un tercero para que avale los resultados.
La objeción obvia es que esto no es nada nuevo. La tecnología siempre converge en unos pocos proveedores, y la computación en la nube ya se ejecuta a través de un puñado de plataformas. Pero la nube era el «terreno» sobre el que se asientaba una empresa, y no tenía opiniones propias. La IA sí las tiene, y cada vez dirige más el negocio; por eso la convergencia ha pasado de las «tuberías» al propio «pensamiento».
Las empresas señalarán sus datos propios como la excepción y, aunque se trata de una ventaja real, modificar lo que lee el modelo no cambia su forma de razonar. Una biblioteca singular no hace que el bibliotecario sea singular.
Cuando el razonamiento compartido se enfrenta a las tensiones del mercado
Las consecuencias de esto ya se aprecian en los datos. Un estudio del NBER de 2025 , elaborado por Dou, Goldstein y Ji, reveló que los agentes de negociación basados en IA que utilizan el aprendizaje por refuerzo pueden llegar de forma independiente a una fijación de precios colusoria y supracompetitiva «sin acuerdo, comunicación ni intención». No se produjo ninguna coordinación. El razonamiento compartido lo hizo por sí solo.
La muestra más clara de cómo se manifiesta esto en la práctica se produjo en julio de 2026, cuando Situational Awareness LP, un fondo de cobertura basado en inversiones concentradas en infraestructuras de IA, perdió un 67 % en un mes y vendió la mayor parte de su cartera de acciones cotizadas —de unos 16 000 millones de dólares— a Citadel; Sandisk cayó un 54 % durante ese mismo mes. Aquello fue el resultado de combinar el apalancamiento con una tendencia común, lo que constituye la forma más superficial de este riesgo. La concentración en el mismo razonamiento tiene raíces más profundas y aún no ha provocado un colapso por sí misma. Teniendo en cuenta la violencia con la que se produjo el colapso de la versión superficial, hay pocos motivos para esperar que la más profunda sea más suave.
Si se aplica el mismo motor de razonamiento a una escala lo suficientemente amplia en un mercado, los participantes tenderán a pasar por alto la misma señal al mismo tiempo, o a corregir en la misma dirección al mismo tiempo. Cualquiera de las dos situaciones puede derivar en una caída del mercado. Investigaciones recientes sobre ataques adversarios contra sistemas de negociación basados en modelos de lenguaje grande (LLM) revelaron que la manipulación de los titulares en un solo día, en una prueba retrospectiva que abarcaba 14 meses, reducía la rentabilidad anual hasta en 17,7 puntos porcentuales: una vulnerabilidad compartida que, una vez activada, se hacía sentir en todos los lugares donde se aplicaba el mismo razonamiento.
Qué pueden hacer las empresas al respecto
Sin embargo, el primer paso es considerar esto como un riesgo de concentración. Los comités de riesgos ya realizan un seguimiento de la exposición a sectores y contrapartes, y la dependencia de los modelos debe figurar en esa misma lista. Eso significa saber qué decisiones se procesan a través de qué sistemas y en qué medida se solapan con las de los competidores y las contrapartes . También implica replantearse la lógica que ha llevado a las empresas a esta situación: el proveedor reconocido da sensación de seguridad porque es una opción justificable, pero cuando todas las empresas toman la misma decisión, esa opción justificable se convierte en un punto de fallo compartido.
Hacer un seguimiento del riesgo es solo la mitad del camino. Lo que ayuda es contar con una plantilla que sepa cuándo confiar en la IA y cuándo en su propio criterio, una distinción que pocas personas están capacitadas para hacer. La IA no siempre tiene la razón. Cuando Elm Wealth comparó a Claude y ChatGPT con operadores macro de élite, los modelos acertaron la dirección del mercado más de la mitad de las veces, casi tan bien como los operadores, pero registraron una volatilidad diaria del 20 al 40 por ciento cuando el perfil de inversor que se les proporcionó requería aproximadamente entre el 7,5 y el 15 por ciento. «Entrenamos a las IA para que sean como las personas», escribieron los investigadores, «y luego nos damos cuenta de que las IA son como las personas: tienen un exceso de confianza». Utilizar bien la IA significa saber con precisión qué hay que conservar, y parte de eso es humano.
En este momento, la mayor parte del mercado se encuentra en el mismo vehículo, siguiendo el mismo GPS, y no se ha dado cuenta. Las empresas que sí se den cuenta se detendrán antes de la colisión y tomarán un camino diferente, aunque no sea necesariamente el correcto. Un mercado en el que todo el mundo llega a la misma conclusión deja de funcionar como un mercado y empieza a parecerse a un monocultivo.
Si todos ganan, no hay ningún ganador.
Información sobre el autor
