Agentes de IA prometían revolucionar el day trading. Entonces llegaron las pérdidas
La inteligencia artificial llegó prometiendo revolucionar el mercado financiero para cualquier persona con acceso a un smartphone. Y, al menos por un tiempo, parecía que esa promesa se iba a cumplir. Los feeds de redes sociales rebosaban capturas de pantalla con ganancias absurdas, videos enseñando a configurar bots de trading en minutos y la narrativa irresistible de que el dinero fácil estaba al alcance de un prompt bien escrito.
Pero la realidad, como casi siempre ocurre en el mercado financiero, tiene una forma peculiar de pasar la factura.
Jake Nesler, un ingeniero de software de 29 años que vive en Scranton, Pensilvania, creyó en esa idea lo suficiente como para pasar dos semanas y media enseñándole al modelo Claude, de Anthropic, a pensar como él. El objetivo era crear un agente que analizara riesgos, identificara señales de entrada y gestionara el dimensionamiento de posiciones en el mercado de acciones, todo mientras Nesler se ocupaba de su trabajo diario como programador.
La inspiración vino de un lugar improbable. Nesler había visto un experimento de la propia Anthropic en el que Claude controlaba una máquina expendedora de oficina. La idea que le surgió fue directa: ¿y si, en vez de ofrecer snacks, Claude pudiera ser entrenado para comprar y vender acciones?
El resultado fue… más o menos.
En la primera semana, el bot tomó una buena decisión y evitó una pérdida estimada de 10 mil dólares. Cuando los resultados de Nvidia hicieron que la acción se disparara a finales de noviembre, el agente debatió consigo mismo si debía seguir el movimiento alcista. Afortunadamente, decidió no perseguir el precio inflado, algo que habría generado un agujero considerable en el portafolio simulado. 😅
Esa misma semana, sin embargo, el bot también perdió dinero en una serie de operaciones especulativas que simplemente no salieron bien. Después de cinco días operando, el saldo era una única buena decisión junto a una secuencia de pérdidas.
Esta historia de Nesler no es un caso aislado. Representa algo mucho mayor que está ocurriendo ahora mismo en los mercados financieros de todo el mundo, donde una nueva generación de inversores está apostando a que los agentes de IA pueden hacer el trabajo sucio del trading automático con más eficiencia que cualquier humano. Solo que los números, la mayoría de las veces, están contando una historia bastante diferente a las promesas virales que circulan en las redes sociales.
El sueño del dinero en piloto automático
La idea detrás del trading automático con inteligencia artificial es seductora y tiene todo el sentido sobre el papel. Configuras un agente inteligente, defines tus criterios de riesgo, lo conectas a tu bróker y dejas que la máquina trabaje mientras duermes, viajas o simplemente disfrutas de la vida. Ese atractivo no es nuevo, pero ganó una dimensión completamente diferente con la popularización de los grandes modelos de lenguaje y de las herramientas de IA generativa que cualquier persona puede utilizar hoy, sin necesidad de saber programar ni entender de finanzas cuantitativas en profundidad.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Plataformas de código abierto como OpenClaw ya permiten que los usuarios conversen con sus agentes de IA a través de aplicaciones de mensajería como WhatsApp y Telegram, atrayendo a una multitud de aspirantes a traders sin necesidad de título en ciencias de la computación. Todo lo que la persona necesita hacer es conectar un modelo de IA al sistema y soltarlo con instrucciones simples. Esa facilidad de acceso es al mismo tiempo la mayor ventaja y el mayor riesgo del ecosistema actual.
En los últimos dos años, plataformas dedicadas a este tipo de automatización brotaron en internet, muchas de ellas orientadas directamente al inversor minorista, que es el segmento de inversores individuales, personas físicas que operan con capital propio y, la mayoría de las veces, sin soporte institucional. Estas plataformas venden una narrativa poderosa: la de que la inteligencia artificial puede nivelar el campo de juego entre el pequeño inversor y los grandes fondos de Wall Street. Es un argumento bonito. Y funciona muy bien como estrategia de marketing, especialmente cuando los creadores de estas herramientas comparten capturas de pantalla de operaciones ganadoras en redes sociales sin mostrar el historial completo de las pérdidas que vinieron antes o después.
Las plataformas de trading también están surfeando esta ola. Empresas como Public Holdings están buscando ofrecer sus propios agentes de IA directamente a los clientes. En el mundo cripto, exchanges como Polymarket, OKX, Bybit y Kraken lanzaron interfaces en los últimos meses que facilitan la vida de los bots a la hora de ejecutar operaciones. El incentivo es directo: los bots operan con alta frecuencia, y las exchanges viven del volumen de transacciones.
Lo que ocurre en la práctica, sin embargo, es que la mayoría de las personas que se suben a esta idea no tienen claridad sobre lo que están construyendo o comprando. Configurar un agente de IA para operar en el mercado financiero exige mucho más que alimentar el modelo con algunos prompts y esperar que lea gráficos correctamente. Es necesario entender cómo funciona el mercado, cuáles son los riesgos reales de cada operación, cómo el modelo interpreta datos históricos y, principalmente, cuáles son los límites de lo que la IA puede predecir con alguna fiabilidad — que, en la práctica, son bastante menores de lo que los videos de YouTube suelen sugerir.
El problema está en la propia tecnología
Nesler encontró un problema recurrente con su agente que revela algo fundamental sobre la naturaleza de los modelos de lenguaje aplicados al trading. El bot insistía en comportarse de forma demasiado responsable, gravitando naturalmente hacia blue chips y acciones del S&P 500, el tipo de posición que apenas se mueve a lo largo de una semana. Nesler tuvo que intervenir repetidamente, forzando al modelo a buscar operaciones más arriesgadas que encajaran con su propio perfil.
Este comportamiento no es un bug. Es una consecuencia directa de cómo se construyen los grandes modelos de lenguaje. Modelos como Claude se entrenan con volúmenes masivos de contenido financiero, literatura de gestión de riesgos y comentarios de mercado. Sin instrucciones específicas en contrario, absorben la visión de consenso sobre lo que es inversión responsable y pasan a comportarse como el promedio de todos los blogs de asesores financieros de internet. Algunos traders que están creando agentes sobre estos modelos libran una verdadera batalla contra ese conservadurismo por defecto, intentando extraer apetito por riesgo de un sistema que fue entrenado justamente para evitarlo.
Después de ajustar el agente a su gusto, Nesler consiguió un retorno de aproximadamente 7% en 30 días, superando la ganancia de alrededor del 4,5% del S&P 500 en el mismo período. En el camino hasta allí, sin embargo, el bot puso a prueba severamente la tolerancia de Nesler a la volatilidad, con drawdowns de hasta el 22%. Aunque publicó su código en línea para que otros pudieran experimentar, Nesler deja claro que no recomienda que nadie ponga dinero de verdad en esto.
Es totalmente posible ganar dinero con esto, dijo. Pero cualquier persona podría hacerlo con pura suerte en opciones. No significa que no vaya a perder ese dinero también.
Cuando las pérdidas financieras se convierten en estadística
Las pérdidas financieras generadas por bots de trading automático mal configurados o basados en estrategias sin fundamento sólido tienen una característica particular que las hace especialmente peligrosas para el inversor individual. Ocurren de forma gradual, en pequeñas operaciones que parecen aceptables por separado, hasta que el saldo acumulado revela un agujero significativo. Este patrón es exactamente lo opuesto a lo que las plataformas de automatización muestran en sus materiales promocionales, que generalmente destacan las ganancias puntuales y barren las secuencias de pérdidas debajo de la alfombra.
En X, las reivindicaciones de retornos extraordinarios mediante agentes de IA se convirtieron en un género propio de contenido. Una publicación viral, visualizada 4,7 millones de veces, presumía de un retorno de 5.860% en dos días en la plataforma de mercados de predicción Polymarket. La historia fue posteriormente desmentida por otra cuenta operada por un agente de IA, que demostró que las afirmaciones eran imposibles. Otras publicaciones similares llegaron a dirigir a los usuarios directamente hacia malware, representando un riesgo de seguridad real para inversores desprevenidos.
También hay un componente psicológico relevante en esta ecuación. Cuando un humano pierde dinero en una operación, siente el peso de esa decisión y, en teoría, aprende de ella. Cuando un bot pierde, el inversor muchas veces no procesa esa pérdida de la misma forma, porque la sensación de distancia creada por la automatización reduce el impacto emocional inmediato. El resultado práctico es que muchas personas siguen con bots operando en rojo durante semanas o meses porque no consiguen enfrentar la pérdida acumulada con la misma claridad que tendrían si hubieran pulsado el botón de venta ellas mismas.
Jay Malavia, cofundador de Kairos, empresa de Chicago que opera un terminal de trading para mercados de predicción, ya escuchó versiones de esta historia muchas veces. El trading es un juego de suma cero, explicó. Una ventaja competitiva, por definición, deja de existir cuando se comparte con las masas. Si yo tuviera un bot que funcionara de verdad, no te lo daría. Y si tú tuvieras uno que funcionara, seguro que no lo publicarías en internet.
La amenaza a los mercados de predicción
Más allá del riesgo financiero individual, los agentes de IA de trading plantean una preocupación más amplia sobre el futuro de los mercados de predicción, plataformas como Polymarket y Kalshi donde las personas apuestan sobre resultados de eventos reales como elecciones y eventos deportivos.
El concepto detrás de estos mercados es que funcionan como una especie de termómetro colectivo. Las personas que apuestan en ellos supuestamente saben algo — o al menos creen en algo con la convicción suficiente como para poner dinero en juego. Esa agregación de conocimiento y convicciones es lo que convierte a estos mercados, en teoría, en herramientas de predicción útiles.
Pero un agente de IA colocando apuestas basándose en lo que puede encontrar en Google no está añadiendo conocimiento nuevo a la dinámica. Solo está reciclando información que ya está disponible públicamente. Si suficientes bots alejan a los humanos que realmente poseen insights sobre cómo una determinada elección o evento deportivo puede desarrollarse, el contrato deja de ser una herramienta de predicción y se transforma en algo más parecido a una cámara de eco. El resultado es una máquina que solo calcula el promedio de lo que internet ya piensa, desprovista del juicio contrario que es justamente lo que hace inteligentes a las multitudes.
Annanay Kapila, extráder cuantitativo que ahora dirige la exchange de derivados QFEX, duda que los bots de trading con IA funcionen a escala para inversores minoristas. Los contratos en mercados de predicción generalmente tienen volumen bajo, lo que dificulta el despliegue de capital con velocidad o escala por parte de agentes de IA. Deportes y elecciones son las áreas más populares para apostar, pero negociar estos eventos coloca a los traders frente a frente con jugadores altamente especializados, en arenas donde la IA simplemente no puede competir con la misma eficacia.
El tipo de modelado que necesitas hacer es exactamente como el modelado necesario para predecir el precio de una acción, dijo Kapila. No le preguntas a un LLM cuál será el precio de una acción dentro de un segundo.
Los modelos de negocio detrás de la promesa
Entender quién gana dinero en este ecosistema es fundamental para cualquier persona que esté considerando entrar en este universo. Los modelos de negocio de las plataformas de trading automático con IA rara vez dependen del éxito financiero de sus usuarios. La mayoría opera con suscripciones mensuales, tarifas por volumen de operaciones o comisiones sobre el capital asignado, lo que significa que la plataforma gana independientemente de que el inversor esté en verde o en rojo. Este desalineamiento de incentivos es un punto crítico que poca gente discute abiertamente cuando el tema es inteligencia artificial aplicada a finanzas.
Herramientas que usamos a diario
Existen excepciones, claro. Algunas plataformas más sofisticadas adoptan modelos de negocio basados en rendimiento, donde la empresa solo obtiene una parte de los beneficios generados, lo que crea un incentivo real para que el producto funcione. Pero ese formato es menos común en el segmento de inversión minorista justamente porque es más difícil de escalar y exige que el producto tenga resultados verificables y consistentes a lo largo del tiempo. Es mucho más rentable, desde el punto de vista empresarial, vender el sueño de la automatización inteligente que entregar resultados reales y auditables.
Otro elemento importante en estos modelos de negocio es el uso de backtesting, que es la práctica de probar una estrategia de trading con datos históricos para mostrar cómo habría rendido en el pasado. El problema es que el backtesting es notoriamente susceptible a lo que los especialistas llaman overfitting, una situación en la que el modelo aprende los patrones específicos de un período histórico tan bien que se vuelve incapaz de generalizar con datos nuevos. Las plataformas de automatización frecuentemente presentan resultados de backtesting impresionantes como evidencia de que su IA funciona, pero omiten que ese rendimiento histórico rara vez se repite cuando el bot se encuentra con condiciones de mercado que no estaban presentes en los datos de entrenamiento. Para el inversor minorista que no tiene formación técnica para cuestionar esa metodología, esos números parecen una garantía. En la práctica, no lo son.
Lo que esta historia nos muestra sobre el estado real de la IA en el mercado
Lo que hace interesante el caso de Jake Nesler no es el resultado financiero — que fue ambiguo — sino el proceso que adoptó. Nesler no simplemente descargó una aplicación y depositó dinero esperando resultados. Pasó semanas refinando el comportamiento del modelo, probando diferentes parámetros, ajustando la tolerancia al riesgo y siguiendo cada operación de cerca. Ese nivel de implicación es exactamente lo opuesto a lo que la mayoría de las plataformas de trading automático incentivan a hacer a sus usuarios, porque el atractivo del producto es justamente la promesa de que no necesitas hacer nada después de configurar el sistema.
Nesler también probó su agente en mercados de predicción. Le dio al bot unos 30 dólares para apostar en Kalshi, con instrucciones para investigar eventos deportivos y apostar por el resultado más probable. El rendimiento fue pésimo. El bot se desempeñó un poco mejor prediciendo rangos de precio del bitcoin, acertando alrededor del 60% de las operaciones. Pero, eventualmente, lo perdió todo.
Parece una máquina tragamonedas, dijo Nesler. La gente gana y pierde.
Sumer Malhotra, cofundador de Fireplace, un terminal de trading utilizado por apostadores profesionales de mercados de predicción, reconoce el atractivo pero también ve el límite con claridad. Los agentes son muy fríos emocionalmente, dijo. Toman decisiones puramente basadas en razonamiento objetivo y en sus propias restricciones. Esa frialdad emocional puede ser una ventaja en ciertas situaciones, pero no sustituye la capacidad humana de interpretar matices y contextos que los datos simplemente no capturan.
La lección práctica que emerge de todo esto es que la inteligencia artificial aplicada al mercado financiero funciona mejor como una herramienta de apoyo a la decisión que como un sustituto completo del juicio humano. El bot que evitó una pérdida de 10 mil dólares no lo hizo porque sea infaliblemente inteligente. Lo hizo porque Nesler había entrenado al modelo con criterios de riesgo bien definidos y siguió el resultado lo suficientemente de cerca como para saber cuándo intervenir. Eso es muy diferente a encender un bot y cruzar los dedos para que funcione, que es lo que la gran mayoría de los usuarios de plataformas de automatización acaba haciendo en la práctica.
Para el mercado de inversión minorista, este tipo de uso más consciente de la inteligencia artificial representa un camino más realista que la narrativa del enriquecimiento pasivo que domina las redes sociales. No es glamuroso, no genera el tipo de captura de pantalla viral que acumula seguidores, pero es un enfoque que reconoce los límites reales de la tecnología y utiliza sus fortalezas de forma inteligente. La IA puede procesar volúmenes de datos que un humano jamás conseguiría analizar manualmente, identificar patrones estadísticos relevantes y ejecutar operaciones con una velocidad y disciplina que elimina errores emocionales. Lo que no puede hacer, al menos con las herramientas disponibles hoy, es sustituir completamente la capacidad humana de contextualizar información dentro de un escenario macroeconómico complejo y en constante transformación. 🤖📉
