La IA parece haberse convertido en la solución para todos los males en los medios de comunicación y en el mercado de valores. ¿Esta narrativa tiene sustento en la realidad? Para comprobarlo, se analizan tres aspectos que podrían generar un cambio trascendental en la sociedad: la creación de nuevos conocimientos en forma más eficiente, el aumento de la rentabilidad de las empresas y el incremento de la productividad general.
El balance empieza a ser difícil de maquillar. La inteligencia artificial fue presentada como una promesa total: produciría conocimiento confiable, abarataría empresas, liberaría productividad, democratizaría oportunidades y haría más eficientes los mercados. Pero, al mirar la evidencia acumulada, aparece otra imagen: una arquitectura técnica que alucina, un modelo económico que todavía no demuestra retornos generalizados, una infraestructura social que amplía la vigilancia y una dinámica bursátil que premia narrativas antes que fundamentos.
La IA no fracasa solo cuando se equivoca. Fracasa también cuando acierta de manera opaca, cuando no puede explicar por qué llegó a una respuesta, cuando desplaza responsabilidad humana hacia una caja negra y cuando convierte la apariencia de certeza en sustituto de la verdad.
Creación de conocimiento: falacias epistémicas
Para que una IA produzca conocimiento verdadero, no basta con que escriba bien. Necesitaría apoyarse en datos exactos, clasificados sin sesgos de selección ni sesgos de programación, libres de distorsiones y referidos a una realidad cuyas reglas fueran completamente conocidas.¹ Esa condición rara vez se cumple. Cuando falta alguno de esos elementos, los sistemas tienden a fallar; y aun cuando parecen funcionar, la ambigüedad del lenguaje humano introduce una zona de inestabilidad que ninguna estadística elimina del todo. Las alucinaciones no son simples errores de redacción: son respuestas plausibles, gramaticalmente sólidas, pero desconectadas de una fuente verificable.²
La arquitectura actual de la IA generativa produce respuestas plausibles, pero no necesariamente verdaderas. Los modelos pueden alucinar hechos, inventar fuentes, degradar conocimiento cuando se entrenan sobre datos sintéticos y amplificar errores en procesos recursivos. Nature ha documentado tanto la persistencia de alucinaciones en grandes modelos de lenguaje como el riesgo de colapso cuando los modelos son entrenados con datos generados por otros modelos.² ⁷
La consecuencia es grave: estos sistemas no son fiables para generar conocimiento certero por sí mismos. Pueden asistir, resumir, sugerir y acelerar procesos; pero sin validación externa, trazabilidad y responsabilidad humana real, no producen verdad. Producen una forma convincente de probabilidad lingüística.²
Desestabilización epistémica: producción de pseudo-conocimiento recursivo
La IA generativa agrega una capa nueva y acelerada a la producción de conocimiento. Antes, la publicación científica, la edición profesional y la revisión por pares funcionaban como frenos imperfectos, lentos, pero necesarios. La IA reduce esa fricción y multiplica afirmaciones a una velocidad mayor que la capacidad social de verificarlas. El resultado es una inflación epistémica: demasiadas afirmaciones, demasiadas citas, demasiados textos aparentemente rigurosos y pocos mecanismos reales para comprobarlos. Estudios sobre citas fabricadas muestran que la verificación exhaustiva puede exigir equipos humanos enteros trabajando durante semanas, lo que traslada la carga al eslabón más saturado del sistema: los revisores.³
De allí surgen tres mecanismos: inflación epistémica, cuando la cantidad de afirmaciones supera la capacidad de control; deriva recursiva, cuando los modelos empiezan a alimentarse de sus propias salidas; y fatiga de validación, cuando los validadores humanos se agotan ante el volumen de material a revisar. En esa dinámica aparece la erosión referencial: lo importante deja de ser si una afirmación puede rastrearse hasta un hecho y pasa a ser si suena coherente. La IA no justifica lo que dice; calcula continuidad lingüística. No posee responsabilidad epistémica, intención comunicativa ni conciencia de verdad o falsedad.⁴
La paradoja escala-fidelidad: más tamaño, menos fidelidad
La investigación sobre la llamada Size-Fidelity Paradox muestra un problema contraintuitivo. En tareas de compresión de contexto, los modelos más grandes no siempre preservan mejor la información original. A partir de cierto tamaño, pueden reemplazar datos de entrada por asociaciones internas más probables. El ejemplo es simple y revelador: “una fresa blanca” puede transformarse en “una fresa roja”, porque “roja” es la asociación estadística dominante.
Esto rompe una intuición muy extendida: más parámetros no significan necesariamente más verdad. Un modelo más grande puede ser más fluido, más convincente y, al mismo tiempo, menos fiel al dato original. La escala mejora ciertas capacidades, pero también amplifica la intrusión de creencias previas del modelo y la deriva semántica.⁵
Inverse Scaling: cuando escalar empeora el rendimiento
El fenómeno de Inverse Scaling documenta que algunos modelos de lenguaje rinden peor al crecer. La ley clásica de escalamiento prometía mejoras relativamente previsibles al aumentar tamaño, datos y cómputo; sin embargo, la evidencia muestra tareas donde ocurre lo contrario. Los investigadores identifican cuatro conductas problemáticas: preferencia por repetir patrones memorizados, imitación de patrones indeseables presentes en los datos, distracción por tareas fáciles que ocultan la tarea real y amplificación de ejemplos contextuales incorrectos.⁶
La conclusión es incómoda: añadir escala no corrige automáticamente los defectos de fondo. En determinados contextos, puede intensificarlos.
Model collapse y entrenamiento recursivo: intoxicación autogenerada
El model collapse describe una forma de intoxicación informacional: modelos entrenados con salidas de modelos anteriores van perdiendo contacto con la distribución original de datos. Primero desaparecen los casos raros, los matices y las colas de la distribución; luego el sistema converge hacia respuestas cada vez menos diversas y menos representativas de la realidad. Nature lo define como un proceso degenerativo en el que los datos generados por modelos contaminan el entrenamiento de la siguiente generación.⁷
La versión más específica, el knowledge collapse, muestra que la fluidez puede sobrevivir mientras los hechos se degradan. El modelo sigue escribiendo bien, pero empieza a estar “seguro” de respuestas falsas. Investigaciones de University College London y Holistic AI describen ese deterioro en tres etapas: preservación inicial, colapso factual con apariencia de competencia y colapso de seguimiento de instrucciones. Incluso pequeñas proporciones de datos sintéticos pueden alterar las leyes de escalamiento y hacer que más datos produzcan más error, no menos.⁸
Double descent: la curva de error en acordeón
El double descent muestra que el error de un modelo no siempre baja de manera lineal cuando aumenta su tamaño. La curva puede comportarse como un acordeón: primero el error baja, luego sube al atravesar una zona crítica de sobreparametrización y finalmente vuelve a descender. En aprendizaje profundo, se ha observado que aumentar el tamaño del modelo, prolongar el entrenamiento o incluso añadir más datos puede empeorar temporalmente el rendimiento.⁹
Esta idea es clave porque desarma otra promesa simplista: la de que todo se soluciona con más datos, más cómputo y más escala. En sistemas complejos, crecer también puede significar entrar en zonas de error máximo.
La ilusión del “humano en el circuito”
La supervisión humana suele presentarse como salvaguarda suficiente, pero la evidencia sobre interacción humano-máquina obliga a dudar. El sesgo de automatización describe la tendencia humana a confiar en sistemas automatizados incluso cuando hay señales contradictorias. En una simulación de incendio realizada por Georgia Tech, los participantes siguieron a un robot de evacuación aunque el robot ya había demostrado ser poco fiable e incluso cuando algunos sabían que estaba averiado.¹⁰
A esto se suma el decremento de vigilancia: cuando un sistema funciona bien la mayor parte del tiempo, el operador se desconecta cognitivamente. La literatura sobre automatización lleva décadas advirtiendo que la confianza excesiva reduce el monitoreo activo. En aviación, el accidente del vuelo Sriwijaya Air 182 mostró cómo un problema persistente en el sistema automático de potencia, junto con monitoreo insuficiente y una respuesta tardía, contribuyó a una pérdida de control fatal.¹¹
Por eso, exigir “un humano responsable” en el instante exacto del error puede convertirse en una ficción normativa. La ley imagina a una persona alerta, crítica y disponible; la psicología operacional muestra a una persona sobrecargada, habituada y vulnerable a confiar en la máquina justo cuando más debería desconfiar.
Opacidad como estrategia de poder
La confianza irreflexiva en la IA se sostiene sobre dos relatos. El primero es la caja negra, la idea de que el sistema es tan complejo que solo cabe aceptar su resultado. El segundo es el sublime tecnológico: una reverencia casi religiosa ante la máquina, presentada como inevitable, superior y autónoma. Ambos relatos desactivan el escrutinio. Si la IA es incomprensible, no se la cuestiona; si es sublime, se la obedece.¹²
El riesgo, entonces, ya no es solo la desinformación clásica. Es algo más profundo: la erosión referencial. Una sociedad puede terminar rodeada de textos coherentes, imágenes convincentes, diagnósticos plausibles y decisiones automatizadas sin poder distinguir con seguridad qué proviene de un hecho y qué de una alucinación estadísticamente elegante.
Por eso, cuando estos sistemas se insertan en medicina, justicia, educación, seguridad, finanzas o administración pública, el problema deja de ser técnico y se vuelve institucional. El interrogante ya no es si la IA puede responder, sino quién responde por la respuesta. Una sociedad que acepta resultados opacos como si fueran conocimiento empieza a reemplazar la verificación por la autoridad de la máquina.
Conclusión epistemológica
Estas fallas no son accidentes corregibles con más datos, sino propiedades emergentes de la arquitectura actual. La pretensión de reemplazar la cognición humana en tareas sensibles —diagnóstico médico, decisiones judiciales, selección de objetivos militares, asignación de crédito o acceso a servicios públicos— es epistémicamente insostenible.
Rentabilidad empresarial y productividad: el espejismo económico
Durante dos años, la inteligencia artificial generativa fue vendida como una máquina de eficiencia: menos empleados, menos costos, más productividad, más margen. La promesa era simple y seductora. Pero las investigaciones económicas y empresariales más recientes empiezan a mostrar una realidad bastante menos épica: muchas compañías están gastando fortunas para obtener mejoras marginales, pilotos que no escalan y retornos que no llegan al balance.
El problema no es que la IA no sirva para nada. El problema es que su rentabilidad corporativa fue exagerada. En lugar de una revolución productiva inmediata, lo que aparece es un patrón mucho más incómodo: altos costos de implementación, integración difícil, resultados desparejos y una brecha creciente entre el entusiasmo financiero y la economía real.
La promesa empresarial también se está agrietando. El discurso dominante sostuvo que la IA reduciría costos y multiplicaría productividad. Sin embargo, el informe The GenAI Divide del MIT NANDA encontró que el 95% de las organizaciones analizadas no obtiene retorno medible de sus implementaciones de IA generativa.¹⁵
Crisis de rentabilidad de la IA corporativa
Las encuestas empresariales de 2025 y 2026 coinciden en un diagnóstico frío: la IA se adopta rápido, pero convierte poco.
PwC encuestó a 4.454 CEOs de 95 países y encontró que solo una minoría logró traducir la IA en beneficios financieros claros. Apenas el 12% declaró haber obtenido simultáneamente reducción de costos y aumento de ingresos; el 56% no vio beneficios financieros significativos hasta el momento. La cifra más reveladora no es cuántas empresas prueban IA, sino cuántas consiguen que impacte en el negocio. Ahí aparece el límite de la narrativa dominante: mucho piloto, poca caja.¹³
Gartner llegó a una conclusión parecida desde otro ángulo: solo una de cada cinco iniciativas de IA logra retorno sobre la inversión, y apenas una de cada cincuenta produce una transformación real. La promesa de productividad existe, pero la captura de valor es excepcional, no generalizada.¹⁴
El MIT, a través del proyecto NANDA, fue todavía más directo: el informe The GenAI Divide: State of AI in Business 2025 sostiene que el 95% de las organizaciones analizadas no obtiene retorno medible de sus implementaciones de IA generativa, mientras solo el 5% de los pilotos integrados logra generar valor significativo.¹⁵
S&P Global también detectó una señal de agotamiento: la proporción de empresas que abandonan la mayoría de sus iniciativas de IA antes de llegar a producción saltó del 17% al 42% en un año. Es decir, la IA avanza como discurso, pero tropieza como sistema empresarial.¹⁶
La falacia del reemplazo laboral: cuando la IA cuesta más que los humanos
Una de las ideas más repetidas es que la IA reemplazará trabajadores porque será más barata. Pero esa ecuación no siempre cierra. Bryan Catanzaro, vicepresidente de applied deep learning en Nvidia, lo dijo con una frase incómoda para la industria: “Para mi equipo, el costo del cómputo está muy por encima del costo de los empleados”. La afirmación es importante porque no viene de un crítico externo, sino de una de las empresas que más se beneficia del boom de infraestructura para IA.¹⁷
La evidencia académica apunta en la misma dirección. Un estudio de MIT FutureTech sobre automatización con visión computacional concluyó que, con los costos actuales, solo el 23% de los salarios pagados por tareas visuales sería económicamente atractivo de automatizar. En el 77% restante, sigue siendo más barato mantener trabajadores humanos.
Esto no significa que la IA no pueda sustituir tareas. Significa algo más concreto: la sustitución rentable es mucho más estrecha que la sustitución técnicamente posible. Una empresa puede hacer una demostración brillante en un laboratorio, pero destruir valor cuando intenta llevarla a escala. El salto entre “funciona” y “conviene” es donde se está rompiendo gran parte del negocio.¹⁸
La trampa macroeconómica: despedir trabajadores también es despedir clientes
La investigación The AI Layoff Trap, de Brett Hemenway Falk y Gerry Tsoukalas, formaliza una paradoja central: cuando las empresas reemplazan trabajadores con IA, no solo reducen costos laborales; también erosionan la demanda de los consumidores que compran sus productos. El beneficio de automatizar es privado e inmediato, pero el costo de la caída de ingresos se distribuye por todo el mercado.¹⁹
La lógica es la de una trampa del prisionero. Cada empresa automatiza porque teme que su competidor lo haga primero. Pero si todas desplazan trabajadores al mismo tiempo, todas contribuyen a achicar la base de consumidores. El resultado es una carrera por reducir costos que puede terminar reduciendo también los ingresos.
Este punto es decisivo: una economía no vive solo de producir más barato. Vive de que alguien pueda comprar lo producido. Si la automatización destruye demanda más rápido de lo que crea nuevos empleos, la productividad contable puede convivir con una contracción de la economía real.¹⁹
Ahí aparece el riesgo macroeconómico: una carrera por reducir costos que, llevada al extremo, termina debilitando el mercado que debía alimentar las ganancias futuras.
La promesa incumplida: los trabajos complejos no son reemplazables tan fácilmente
La IA generativa es competente en tareas acotadas: resumir, clasificar, redactar borradores, traducir, ordenar información, generar código inicial o responder consultas repetitivas. Pero los problemas empiezan cuando se le exige juicio contextual, adaptación a imprevistos, responsabilidad institucional o empatía real.
Brookings advierte que la IA generativa puede afectar muchas tareas cognitivas, incluso en profesiones de ingresos medios y altos, pero también subraya que exposición no equivale automáticamente a sustitución. Que una tarea pueda ser asistida por IA no significa que un puesto entero pueda ser reemplazado de manera segura, rentable o socialmente aceptable.²⁰
La evidencia sobre mercados freelance muestra además un patrón desigual: los trabajos más expuestos a automatización textual o visual sufren presión en contratos e ingresos, pero eso no implica que desaparezca toda demanda por trabajo humano. Más bien se devalúan las tareas más estandarizadas y se vuelve más importante la parte del trabajo que exige criterio, reputación, adaptación y control de calidad.
Ahí está el límite de la fantasía del reemplazo total. La IA puede comprimir tareas, abaratar piezas del proceso y desplazar trabajos rutinarios. Pero convertirla en sustituto general de ocupaciones complejas es otra cosa: exige confiabilidad, responsabilidad, integración organizacional y costos que muchas empresas no logran absorber.²¹
Costos sociales: vigilancia, derechos y desigualdad estructural
El tercer costo es social. La IA no se despliega en el vacío: se monta sobre datos personales, sistemas de vigilancia, infraestructura privada y decisiones automatizadas que pueden afectar empleo, crédito, salud, educación, migración, seguridad y acceso a servicios públicos.
La Oficina del Alto Comisionado de las Naciones Unidas para los Derechos Humanos advirtió que los sistemas de IA de alto riesgo pueden amenazar la privacidad y otros derechos fundamentales, y pidió moratorias cuando no existan salvaguardas adecuadas.³⁷ En 2026, expertos de la ONU volvieron a reclamar límites legales estrictos contra la vigilancia digital arbitraria o indiscriminada, con autorización judicial independiente y supervisión efectiva.³⁸
La desigualdad también se vuelve estructural. El PNUD advirtió que la IA puede abrir una nueva “gran divergencia” entre países ricos y países pobres, ampliando brechas de ingreso, capacidades productivas y gobernanza tecnológica.³⁹ En otras palabras: la IA no distribuye automáticamente poder. Tiende a concentrarlo donde ya existen datos, cómputo, capital, infraestructura y capacidad regulatoria.
Por eso la discusión no es solo tecnológica. Es constitucional, económica y democrática. Una sociedad que delega decisiones sensibles en sistemas opacos empieza a perder algo más que privacidad: pierde control sobre las reglas que organizan la vida común.
Conclusión económica
La IA generativa no produce el incremento de productividad prometido, destruye valor empresarial y amenaza con generar una crisis de demanda sistémica. Las tecnofeudales construyen un “PIB fantasma” que concentra la riqueza en los propietarios del cómputo mientras la economía real se contrae.
La paradoja del mercado de valores: desconexión entre valor real y precio bursátil
Si la IA no es plenamente confiable y su rentabilidad empresarial sigue siendo discutible, la pregunta inevitable es otra: ¿por qué las acciones vinculadas a inteligencia artificial, nube y semiconductores siguen subiendo como si el futuro ya estuviera garantizado?
La respuesta no está solo en la productividad real. Está en la expectativa. Los mercados no siempre compran beneficios presentes: muchas veces compran relatos de beneficios futuros. Y, en el caso de la IA, el relato bursátil se volvió tan poderoso que empezó a funcionar como una economía paralela, separada de los balances, de los costos de implementación y de la demanda efectiva.
Datos del rally: abril de 2026
Abril de 2026 fue un mes de euforia. El mercado estadounidense agregó más de 6 billones de dólares en valor; el S&P 500 subió 10,4%, el Nasdaq avanzó 15,3% y el Dow Jones ganó 7,1%. La explicación dominante fue la misma en casi todas las mesas de inversión: IA, nube, chips y la promesa de una nueva infraestructura económica.²²
Alphabet fue uno de los símbolos del rally. La acción trepó cerca de 33% en el mes, impulsada por ingresos trimestrales de 109.900 millones de dólares y por un crecimiento de 63% en Google Cloud. La empresa no vendió solo buenos resultados: vendió la imagen de que su ecosistema de búsqueda, publicidad, nube, chips propios y Gemini podía transformarse en una máquina integral de monetización de IA.²³
Microsoft también alimentó la narrativa. Reportó ingresos por 82.890 millones de dólares en su tercer trimestre fiscal de 2026, con Azure y otros servicios en la nube creciendo 40%. Sin embargo, junto con el crecimiento apareció el otro lado de la historia: gastos de capital cada vez más altos para sostener la carrera por infraestructura de IA.²⁴
Nvidia, por su parte, recuperó una capitalización cercana a los 5 billones de dólares y llegó a marcar nuevos máximos históricos de valor de mercado. Su precio bursátil ya no refleja solo ventas de chips: expresa la expectativa de que toda la economía digital dependerá de su capacidad de cómputo.²⁵
Intel vivió un mes todavía más explosivo: subió 114,1% en abril, su mejor desempeño mensual desde que cotiza en Nasdaq hace más de cinco décadas. Ese salto mostró hasta qué punto el mercado está dispuesto a revalorizar empresas rezagadas si consigue ubicarlas dentro del relato de la infraestructura de IA.²⁶
OpenAI completó el cuadro desde el mercado privado. En marzo de 2026 anunció una nueva inversión de 110.000 millones de dólares a una valuación pre-money de 730.000 millones. Esa cifra la coloca en una categoría casi soberana: una empresa privada, todavía intensiva en pérdidas y cómputo, valorada como si ya hubiera capturado una parte decisiva del futuro económico.²⁷
Señales de burbuja y advertencias
La euforia, sin embargo, viene acompañada de advertencias cada vez más explícitas. Goldman Sachs señaló que la concentración del mercado alcanzó niveles extremos: las diez mayores acciones representan alrededor del 41% del S&P 500. Cuando un índice entero depende de un puñado de compañías, la diversificación se vuelve más aparente que real.²⁸
La misma discusión aparece en el gasto de capital. Los hiperescaladores —Amazon, Microsoft, Alphabet, Meta y otros gigantes de nube— invierten sumas enormes en centros de datos, chips, energía, refrigeración y redes. Informes de mercado estiman que el gasto tecnológico ligado a IA ya se mide en cientos de miles de millones de dólares anuales, con una parte creciente financiada por deuda o por flujos de caja que podrían no repetirse si la demanda no acompaña.²⁹
Goldman también advirtió que una desaceleración en la inversión de IA podría recortar de forma abrupta las valuaciones del S&P 500. La lógica es sencilla: si el mercado capitalizó beneficios futuros de IA que todavía no existen, cualquier señal de que esos beneficios tardan, se reducen o no aparecen obliga a recalcular precios.³⁰
BCA Research fue todavía más directo al comparar el ciclo actual con la burbuja puntocom. Señaló que la inversión en tecnología y software alcanzó el 4,4% del PIB estadounidense, un nivel similar al de fines de los años noventa. El punto más inquietante es la depreciación: si los activos de IA tienen una vida útil cercana a cinco años, el gasto anual de depreciación podría llegar a 400.000 millones de dólares, incluso por encima de las ganancias actuales combinadas de varios hiperescaladores.³¹
Capital Economics y otros analistas también vienen señalando que parte de la burbuja ya empezó a pincharse en el software empresarial. La caída de acciones SaaS —el llamado “SaaSpocalypse”— mostró que el mercado puede castigar rápido a las empresas cuyo producto parece vulnerable a herramientas generativas más baratas o integradas dentro de plataformas mayores.³²
El mensaje de fondo es claro: la IA puede ser una tecnología transformadora y, al mismo tiempo, una burbuja financiera. No hay contradicción. Internet también transformó el mundo, y aun así la burbuja puntocom destruyó fortunas cuando los precios dejaron de tener relación con los flujos de caja.
El papel de los algoritmos de trading
A esta desconexión se suma un problema menos visible: los mercados ya no reaccionan solo a inversores humanos leyendo balances. Una parte creciente de la negociación está mediada por algoritmos que detectan palabras clave, titulares, patrones de sentimiento y señales de momentum. En ese entorno, una noticia que contenga “IA”, “cloud”, “chips”, “demanda récord” o “alianza estratégica” puede activar compras automáticas antes de que alguien haya evaluado si el dato mejora realmente la rentabilidad de la empresa.
Los sistemas autónomos pueden interactuar entre sí de formas no previstas y amplificar movimientos de mercado antes de que los reguladores o los operadores humanos entiendan qué está ocurriendo.³³
La preocupación no es meramente teórica. Estudios recientes muestran que agentes algorítmicos pueden desarrollar conductas de colusión involuntaria o coordinación tácita sin necesidad de comunicarse entre sí. No hace falta una conspiración humana clásica: basta con sistemas optimizados para maximizar ganancias en un entorno común.³⁴
Un artículo académico de 2025 sobre IA y regulación de valores advierte precisamente ese desfasaje: las reglas financieras existentes fueron diseñadas para intermediarios y sistemas mucho más previsibles que los modelos autónomos actuales.³⁶
Manipulación algorítmica del mercado
Los algoritmos de trading ya no operan únicamente sobre balances. También leen titulares, señales de sentimiento, volumen narrativo y palabras clave. Estudios sobre negociación algorítmica basada en noticias y sentimiento muestran que estos sistemas pueden incorporar titulares, redes sociales y métricas emocionales en sus decisiones de inversión.⁴⁰ ⁴¹
El Fondo Monetario Internacional advirtió que el uso acelerado de IA en servicios financieros puede aumentar la opacidad, la interconexión y el riesgo sistémico, especialmente cuando modelos autónomos reaccionan a señales compartidas o cuando la infraestructura financiera depende de proveedores y sistemas comunes.³³
La SEC también alertó sobre el “AI washing”: empresas que exageran o falsean el uso de inteligencia artificial para atraer inversores. En 2024, el regulador estadounidense acusó a firmas de inversión de realizar declaraciones falsas y engañosas sobre supuestas plataformas de trading impulsadas por IA.⁴² Además, la SEC, FINRA y NASAA emitieron una alerta conjunta para inversores minoristas sobre fraudes que usan la popularidad de la IA como anzuelo financiero.⁴³
Los precios pueden moverse por palabras, promesas, etiquetas tecnológicas o titulares antes de que exista evidencia suficiente de productividad, rentabilidad o valor social.
El castillo financiero de naipes
Estamos ante una paradoja: el sistema de IA se alimenta de sus propias promesas para sostener un castillo financiero que todavía no demuestra solidez proporcional. La misma tecnología que produce textos, diagnósticos, informes y estrategias plausibles pero no siempre verificables alimenta también narrativas bursátiles que pueden inflar valoraciones sin correspondencia con beneficios reales.
La ignorancia del conocimiento académico por parte de sistemas automatizados de trading funciona como una forma de autoritarismo bursátil: una dictadura de mercado donde ya no importa tanto la verdad de los fundamentos como la capacidad de activar la reacción deseada. El término “fascismo bursátil” es una metáfora política extrema: no describe un régimen jurídico formal, sino una lógica de dominación donde la señal programada desplaza al juicio público, la velocidad aplasta la deliberación y la narrativa sustituye a la verificación.
Esta gran estafa digital se sostiene mediante asimetrías de información. Los propietarios del cómputo, los datos, la infraestructura y los modelos capturan rentas; los inversores minoristas, los fondos de pensiones, los trabajadores y los Estados quedan expuestos al costo del ajuste cuando la burbuja se corrija.
La única protección posible es una regulación estatal efectiva: transparencia algorítmica obligatoria, auditorías independientes, responsabilidad jurídica por daños, límites a la vigilancia, control sobre el uso de datos, supervisión financiera de productos que prometen IA y recuperación de soberanía tecnológica.
La urgencia regulatoria ya no es solo una cuestión de derechos constitucionales. Es una cuestión de supervivencia económica, social y democrática.⁴⁴
Conclusión bursátil
Este escenario configura lo que puede denominarse “fascismo bursátil”: unos pocos actores privados controlan los algoritmos que mueven los mercados, programados para reaccionar a patrones y palabras clave, amplificando artificialmente el valor de activos mientras los inversores minoristas y fondos de pensiones son las víctimas de un juego amañado por la asimetría de la información.
