NoticiasMacroEl gobernador de la Fed Barr advierte que el financiamiento de IA, el trading y los riesgos cibernéticos podrían afectar la estabilidad financiera

El gobernador de la Fed Barr advierte que el financiamiento de IA, el trading y los riesgos cibernéticos podrían afectar la estabilidad financiera

Autor: Federal Reserve - Speeches·

Puntos clave

  • •Se proyectaba que la deuda en balance de las siete mayores empresas de IA superaría los 800.000 millones de dólares a fines de 2026, mientras que las obligaciones nominales máximas potenciales fuera de balance ya superan los 3 billones de dólares.
  • •Las empresas de hiperescala y los grandes productores de GPU poseen más de 100.000 millones de dólares en inversiones acumuladas de capital en laboratorios de grandes modelos de lenguaje y startups de computación en la nube, lo que Barr calificó como una forma de financiamiento circular.
  • •Barr comparó la escala del gasto de capital en IA con anteriores auges de infraestructura, incluidos los ferrocarriles de la década de 1870, las carreteras de mediados del siglo XX, el cable de fibra óptica de los años noventa y el ciclo de telecomunicaciones de finales de los noventa.
  • •Si muchos traders dependen de modelos de IA similares entrenados con datos similares, un defecto compartido podría producir fallos con consecuencias sistémicas, y se ha demostrado teóricamente que los algoritmos de aprendizaje por refuerzo pueden desarrollar comportamiento colusorio sin intención explícita.
  • •Los agentes de IA podrían acelerar las salidas de depósitos durante períodos de estrés al mover fondos automáticamente a alta velocidad, comprimiendo potencialmente las corridas bancarias en minutos y abrumando los plazos tradicionales de gestión de liquidez.
El gobernador de la Fed Barr advierte que el financiamiento de IA, el trading y los riesgos cibernéticos podrían afectar la estabilidad financiera

Algunas posibles implicaciones de la inteligencia artificial para la estabilidad financiera

16 de noviembre de 2026 — Michael S. Barr, Gobernador, Junta de Gobernadores del Sistema de la Reserva Federal
Comentarios en la Séptima Conferencia Anual de la Association for Computing Machinery sobre Inteligencia Artificial en las Finanzas, Milán, Italia
Discurso oficial

Michael S. Barr dijo que la inteligencia artificial podría mejorar la productividad, ampliar el acceso a servicios financieros y fortalecer los mercados, pero advirtió que la tecnología también podría generar riesgos para la estabilidad financiera a través de inversiones altamente apalancadas, sistemas de trading concentrados, vulnerabilidades de ciberseguridad y protecciones insuficientes para los consumidores. Dado que Barr habló como gobernador en funciones de la Fed junto con la publicación del más reciente Informe de Estabilidad Financiera del banco central, sus comentarios ofrecen a los lectores una visión directa de cómo un alto funcionario de la Reserva Federal presenta la IA tanto como una oportunidad económica como una fuente potencial de riesgo sistémico.

Barr dijo que este era el cuarto discurso que había pronunciado en el último año dedicado exclusivamente a la inteligencia artificial (IA), y señaló que la IA había estado presente en la mayoría de sus demás discursos recientes. Describió los efectos de la IA sobre las personas y las economías del mundo como uno de los problemas más importantes que enfrenta la sociedad.

«Soy optimista sobre la promesa a largo plazo de la IA de empoderar a individuos, empresas e instituciones en toda la sociedad», dijo Barr. Añadió que, si los desafíos actuales y las futuras disrupciones se gestionaban de manera efectiva, la IA podría aumentar la productividad y los niveles de vida, permitiendo que la mayoría de las personas aprendan más y ganen más.

Barr dijo que su optimismo también reflejaba la confianza en la capacidad de la sociedad para comprender y responder a los cambios que traerá la IA. Señaló que se necesita un diálogo constructivo para asegurar que los beneficios de la tecnología no sean superados por las disrupciones y los riesgos que inevitablemente creará.

La conferencia, dijo, contribuye a ese diálogo al examinar cómo la IA puede ayudar a las personas a gestionar sus finanzas, acceder a crédito y servicios, reducir costos, mejorar las capacidades de los proveedores de servicios financieros y hacer que los mercados funcionen de manera más eficaz. Pero la IA solo podrá fortalecer el sistema financiero si también apoya la estabilidad financiera, algo que Barr calificó de indispensable para una economía saludable.

El más reciente Informe de Estabilidad Financiera (FSR) semestral de la Reserva Federal —la evaluación insignia de la Fed sobre las vulnerabilidades del sistema financiero— fue publicado el viernes (13 de noviembre) y contiene hallazgos importantes sobre la IA y la estabilidad financiera, dijo Barr. El informe se centra en el auge de inversión en IA y en investigaciones del personal de la Fed que evalúan el apalancamiento en estructuras de deuda innovadoras utilizadas para financiar ese crecimiento.

Barr dijo que comentaría los hallazgos del informe antes de examinar las investigaciones sobre los beneficios y riesgos de integrar la IA en los mercados financieros, particularmente en el trading mayorista. Luego abordaría los riesgos de ciberseguridad relacionados con la IA y las implicaciones para la protección del consumidor y del inversor.

El auge de inversión en IA

Barr dijo que los inversores recientemente habían planteado preguntas sobre la sostenibilidad del auge de inversión en IA. Enfatizó que los responsables de políticas de la Junta de la Reserva Federal no fijan objetivos sobre los niveles de los mercados financieros y que los mercados suben y bajan. Dijo que evita comentar los movimientos de corto plazo del mercado, mientras evalúa cuestiones de largo plazo relacionadas con la estabilidad financiera.

En un discurso anterior, Barr discutió tres escenarios sobre los posibles efectos de la IA en la economía. Aun si la IA resultara ser una innovación transformadora que aumentara sustancialmente la productividad, dijo, una pregunta importante era si los inversores obtendrían retornos de la construcción de infraestructura de IA en el plazo y al nivel que esperaban. Un resultado diferente podría producir una revalorización significativa de precios.

Las grandes pérdidas de inversión derivadas de tal revalorización podrían reducir el crecimiento de la producción de dos maneras. La primera sería el efecto directo de una menor inversión, que es un componente del producto interno bruto. La segunda sería el efecto indirecto de una pérdida de riqueza, que podría reducir el gasto del consumidor y posiblemente el de las empresas.

El último FSR indicó que la prima de riesgo de las acciones —una medida aproximada del retorno adicional que los inversores exigen para mantener acciones en lugar de bonos sin riesgo— estaba baja en relación con los promedios históricos, aunque no tan baja como durante el auge bursátil de las puntocom. Barr dijo que la prima de riesgo era solo un indicador de las valoraciones amplias de las acciones en relación con los promedios históricos.

Apalancamiento en la construcción de centros de datos

La construcción de infraestructura de IA se está financiando cada vez más con deuda. El FSR examina tres formas en que el financiamiento de los centros de datos de IA y las inversiones relacionadas —denominadas en el informe «deuda de cómputo avanzado»— podría afectar la estabilidad financiera: el rápido crecimiento de la deuda, las redes de financiamiento circular y otras obligaciones financieras complejas.

Si las inversiones en IA se revalorizaran significativamente, el estrés derivado de estos tres aspectos del financiamiento de IA podría amplificar la revalorización, dijo Barr.

La deuda en balance de las siete mayores empresas de IA creció sustancialmente en 2026 y se esperaba que superara los 800.000 millones de dólares antes de fin de año. Barr comparó el aumento con el crecimiento de la deuda durante el ciclo de inversión en telecomunicaciones de finales de los años noventa y principios de los 2000.

El FSR compara el gasto de capital acumulado y la emisión de deuda de las empresas de hiperescala —los mayores operadores de nube y centros de datos— desde 2020 con el gasto y la emisión de todas las empresas de telecomunicaciones durante el ciclo de inversión en banda ancha que comenzó en 1995. Las empresas de hiperescala aún no habían superado al grupo de comparación del auge anterior, pero la reciente aceleración de sus gastos de capital sugería que podrían hacerlo pronto.

Otras obligaciones —incluidos contratos a largo plazo, compromisos de arrendamiento y garantías de valor residual— han crecido aún más rápido que la deuda en balance. El FSR estima que el valor nominal máximo potencial de estas obligaciones, tratadas como pasivos fuera de balance, ahora supera los 3 billones de dólares.

Las empresas generalmente reportan los pasivos fuera de balance antes de descontarlos, lo que complica las comparaciones con las cifras en balance, que sí están descontadas.

Una parte significativa de las obligaciones proviene de acuerdos complejos en los que las empresas de hiperescala y otras compañías con alta calificación crediticia apoyan indirectamente el financiamiento de proyectos que involucran a empresas con crédito más débil, o apoyan inversiones en servicios públicos. Los pasivos incluyen contratos de suministro de energía, arrendamientos a largo plazo de centros de datos y cómputo, y diversas estructuras de financiamiento fuera de balance.

Barr dijo que esta complejidad puede resultar opaca para los inversores menos sofisticados. Esa opacidad puede exacerbar las ventas masivas cuando cambia el sentimiento de los inversores, porque es difícil determinar dónde reside el riesgo. Señaló que el desarrollo de estas sustanciales estructuras fuera de balance amerita una vigilancia estrecha.

Las empresas de menor calidad crediticia que dependen más del financiamiento externo también han visto aumentar significativamente su costo de capital en los últimos meses. Como resultado, esas empresas están recurriendo a financiamientos respaldados por activos más complejos, dijo Barr.

Las empresas de hiperescala y los grandes productores de unidades de procesamiento gráfico (GPU) también tienen más de 100.000 millones de dólares en inversiones acumuladas de capital en laboratorios de grandes modelos de lenguaje (LLM) y startups de computación en la nube. Barr describió esas inversiones como una forma de «financiamiento circular». Las empresas de hiperescala y los fabricantes de GPU aportan capital a empresas más pequeñas, que luego usan esos fondos para alquilar o comprar GPU y capacidad de cómputo a las empresas que hicieron la inversión.

Las inversiones representan una parte relativamente pequeña de los balances de las empresas de hiperescala y de los productores de GPU, pero son críticas para las empresas más pequeñas que reciben el capital. Para que la construcción de infraestructura de IA se vuelva económicamente viable, esas empresas más pequeñas eventualmente necesitarán reemplazar el financiamiento de sus proveedores —las empresas de hiperescala y los fabricantes de GPU— con ingresos de clientes que paguen.

Otra forma indirecta de financiamiento circular involucra garantías colaterales que respaldan compras de productos y servicios de las empresas de hiperescala y los productores de GPU. Cuando las empresas que dependen del financiamiento externo se topan con restricciones, pueden pasar de emitir bonos corporativos a financiamiento respaldado por activos.

Para apoyar dicho financiamiento, las empresas más grandes y de mayor calidad crediticia suelen garantizar el valor de reventa de los centros de datos o GPU pignorados como colateral. Estas garantías, o respaldos colaterales, se reportan como pasivos fuera de balance porque representan las pérdidas que las empresas de hiperescala y los productores de GPU podrían absorber si los deudores incumplen y el colateral se liquida.

Comparaciones con auges de infraestructura anteriores

Barr dijo que la escala de la inversión de capital relacionada con la IA debe considerarse junto con los ciclos tecnológicos y de infraestructura anteriores. Una estimación sugiere que la inversión asociada con la construcción de infraestructura de IA podría rivalizar o incluso superar la inversión de los anteriores auges de infraestructura, incluidos los ferrocarriles en la década de 1870, las carreteras en los años cincuenta y sesenta, y el cable de fibra óptica en los años noventa.

Cada uno de esos auges pudo haber parecido sobreconstruido en algún momento, dijo Barr, pero la capacidad ferroviaria, vial y de fibra óptica que crearon sigue siendo valiosa. Sin embargo, algunos de aquellos auges anteriores se desvanecieron, con consecuencias para el sistema financiero en general.

Dado que el auge actual todavía tiene una cantidad limitada de deuda detrás, Barr dijo estar menos preocupado por las pérdidas directas. Sin embargo, el apalancamiento de los fondos de cobertura y el apetito de riesgo en general parecían bastante altos. Por lo tanto, una reversión brusca podría producir una desapalancamiento rápido y potencialmente ventas en pánico que se autorrefuerzan.

El apalancamiento utilizado en estrategias de renta variable también ha aumentado en los últimos años, en parte a través de los servicios de corretaje principal (prime brokerage) de grandes intermediarios. Los altos niveles de capital de los bancos más grandes ofrecen protección contra efectos de contagio, pero las exposiciones a contrapartes podrían aumentar durante un período de volatilidad del mercado de renta variable. Barr dijo que las exposiciones deben seguir monitoreándose, incluidas las exposiciones a contrapartes que han tomado grandes posiciones en IA.

La mayor parte del costo de un centro de datos proviene de las GPU y otros chips especializados utilizados en IA. Una preocupación es que esos chips podrían depreciarse rápidamente a medida que tecnologías más nuevas los reemplacen, dejando la capacidad que representan con un uso futuro limitado.

Las tarifas de arrendamiento de las generaciones de chips más antiguas se mantenían firmes, lo que sugiere que la tecnología de cómputo detrás de la vanguardia todavía tenía usos, dijo Barr, pero añadió que la tendencia ameritaba vigilancia. También resultaba difícil determinar cómo se utilizarían otras partes del capital relacionado con la IA —como subestaciones, conexiones de alta tensión e interconexiones de red— si la demanda de esos servicios decepcionara.

En algunas zonas, la capacidad adicional de energía y red sería útil independientemente del futuro de la IA. En otras, el exceso de capacidad podría tardar años en volverse útil, como ocurrió con la «fibra oscura» en algunas regiones tras el auge y caída de los años noventa.

Barr dijo que también era posible que el auge de inversión en IA continuara, con la demanda de servicios de IA utilizando plenamente el capital que se está instalando actualmente y requiriendo capacidad adicional. «Solo el tiempo lo dirá», afirmó.

Consecuencias no intencionadas de la IA en el trading mayorista de valores

La IA podría remodelar el trading en los mercados financieros, un tema abordado en FSR anteriores. La IA generativa puede procesar datos e información más amplios y ricos, aplicar una lógica más compleja que los algoritmos de trading tradicionales, reducir las barreras de acceso a tecnología de trading avanzada y aumentar la diversidad de participantes del mercado. También podría mejorar la vigilancia del mercado.

Estas capacidades podrían mejorar la eficiencia, la integridad y el funcionamiento del mercado. Pero Barr dijo que, como con cualquier tecnología nueva, la IA también genera riesgos.

Según su entendimiento, la IA generativa aún no se utiliza para trading autónomo a gran escala. No obstante, los reguladores y los participantes del mercado necesitan comprender los riesgos e implicaciones de su adopción. Muchas preguntas importantes se responderán no de manera abstracta, sino mediante decisiones técnicas sobre el diseño del modelo, los datos de entrenamiento, las pruebas y el despliegue.

La IA podría democratizar el acceso a la experiencia y la tecnología de trading, pero también podría aumentar la asimetría de información y la concentración del mercado. Los sistemas de vanguardia son costosos y requieren inversiones sustanciales, lo que podría dar ventaja a las empresas más grandes y concentrar el poder de mercado entre ellas. Incluso cuando las herramientas de IA están ampliamente disponibles, su uso eficaz requiere considerable habilidad, lo que potencialmente favorece a las empresas ya establecidas.

El efecto de integrar la IA en el trading de los mercados financieros sobre la eficiencia de precios es incierto. En un documento de 2026 para Jackson Hole, Markus Brunnermeier advirtió que los precios de los valores podrían volverse menos informativos debido a la comprensión asimétrica: los agentes de IA pueden entender a los humanos y anticipar sus acciones, mientras que los humanos pueden no entender tan bien a los agentes de IA ni anticipar su comportamiento.

La IA también puede mejorar el contenido informativo de los precios al procesar una gama más amplia de información más rápidamente. Las investigaciones citadas por Barr incluyen el artículo de 2025 de Qiang Cheng, Pengkai Lin y Yue Zhao, «Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages», publicado en el Journal of Accounting and Economics, y trabajos de Thierry Foucault y otros en Artificial Intelligence in Finance: The Future of Banking.

Al mismo tiempo, el contenido financiero generado por IA en las redes sociales podría difundir información engañosa y aumentar la volatilidad, según la investigación de David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang y Xiaoyan Zhang, «AI, Opinion Ecosystems, and Finance», NBER Working Paper Series 34807, publicada en febrero de 2026.

Comportamiento gregario del mercado y una posible estampida

Si los traders dependen de un pequeño número de modelos de IA similares entrenados con datos similares, las estrategias de trading podrían converger y sincronizar las reacciones ante noticias y otra información. Esto crea un riesgo de comportamiento gregario.

Un algoritmo individual puede fallar debido a un defecto. Pero un mercado que utilice grandes cantidades de modelos similares con el mismo defecto podría experimentar fallos con consecuencias sistémicas. Los actores malintencionados también podrían manipular operaciones, cotizaciones o noticias para engañar simultáneamente a sistemas de trading de IA similares, amplificando las disrupciones del mercado.

Los modelos de IA pueden reproducir tendencias humanas indeseables. La investigación teórica indica que algunos sistemas de aprendizaje por refuerzo, incluidos los algoritmos de trading de Q-learning, pueden desarrollar de forma autónoma comportamiento colusorio sin intención explícita.

Los algoritmos de autoaprendizaje también pueden aprender a manipular los mercados. Un ejemplo es el spoofing, en el que se colocan órdenes para crear una falsa impresión de la demanda del mercado. Los algoritmos también podrían adoptar estrategias que creen y exploten burbujas, desestabilizando potencialmente los mercados.

Las bolsas están desplegando herramientas de aprendizaje automático e IA para la vigilancia del mercado en un esfuerzo por abordar estos riesgos. Algunos centros de negociación ya están tomando medidas para reducir los riesgos asociados con la naturaleza de «caja negra» de los algoritmos de trading habilitados con IA. El Market Regulation Advisory Notice del CME Group es un ejemplo citado por Barr.

La investigación sobre estos temas incluye Artificial Intelligence and Systemic Risk de Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen y Antonio Sánchez Serrano, Advisory Scientific Committee Reports 2025/16 del European Systemic Risk Board; Artificial Intelligence in Finance de Thierry Foucault y otros; y Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets de Xiang-Li Lim, Puja Singh y Richard Stobo, IMF Technical Notes and Manuals 2025/016.

Winston Wei Dou, Itay Goldstein y Yan Ji examinaron «AI-Powered Trading, Algorithmic Collusion, and Price Efficiency» en NBER Working Paper 34054. Jean-Edouard Colliard, Thierry Foucault y Stefano Lovo examinaron la fijación de precios algorítmica y la liquidez en los mercados de valores en la Review of Financial Studies.

La probabilidad de colusión es menor cuando los algoritmos utilizan procesos de aprendizaje diferentes. Los algoritmos de Q-learning pueden ser más propensos a la coordinación que los algoritmos basados en grandes modelos de lenguaje, según Kartik Anand, Sophia Kazinnik, Agnese Leonello y Ettore Panetti en «Ex Machina: Financial Stability in the Age of Artificial Intelligence», ECB Working Paper Series 3225.

Los traders algorítmicos también tienen incentivos para diferenciar sus estrategias, porque no coludir puede ser rentable cuando otros coluden. Laura Veldkamp ha argumentado que esto podría favorecer la heterogeneidad algorítmica como resultado de equilibrio.

Barr dijo que los participantes del mercado deberían considerar los riesgos antes de integrar nueva tecnología en la actividad de trading o en la infraestructura del mercado de manera más amplia. Cuando una tecnología no se entiende completamente y se desarrolla más rápido que nuestra comprensión de ella, dijo, se justifica cierta cautela.

IA y riesgo cibernético

Los incidentes de 2026 han demostrado los riesgos de modelos de IA que actúan de forma autónoma de maneras que no se alinean con los objetivos de sus creadores humanos, incluidos los riesgos de ciberseguridad.

Dado un objetivo, los modelos de IA han tratado los límites de seguridad como obstáculos que superar en lugar de reglas que cumplir. Esto plantea preguntas sobre la eficacia de las reglas incluso frente a agentes de IA instruidos para cumplirlas.

Los modelos de IA han explotado vulnerabilidades también identificadas por ciberatacantes humanos, incluida la fuerte dependencia de muchas empresas competidoras de un proveedor de plataformas compartido. Los atacantes habilitados con IA han demostrado que pueden explotar vulnerabilidades que anteriormente se consideraban demasiado difíciles de superar y, por lo tanto, que no valía la pena corregir, incluso cuando ya se conocían.

Los modelos de IA también están revelando vulnerabilidades que nadie imaginaba hace solo unos años. Barr había comentado anteriormente los riesgos cibernéticos relacionados con la IA derivados de los deepfakes en su discurso del 17 de abril de 2025 en el Federal Reserve Bank de Nueva York, «Deepfakes and the AI Arms Race in Bank Cybersecurity».

Los defensores cibernéticos también utilizan IA, lo que les permite identificar y corregir vulnerabilidades mucho más rápido de lo que los humanos podrían hacerlo. Pero los incidentes recientes plantean la pregunta de si los defensores siempre podrían estar en desventaja. Los atacantes solo necesitan acertar una vez, mientras que los defensores deben acertar todas las veces. La defensa cibernética debe ser consistentemente eficaz, mientras que el ataque cibernético puede experimentar y fallar repetidamente hasta que algo funcione.

El trabajo de los defensores es difícil y se vuelve más difícil dado el ritmo de innovación de los modelos. La capacidad tanto del sector privado como del gobierno para gestionar el riesgo cibernético y responder eficazmente a los incidentes seguirá siendo importante para la estabilidad financiera.

Barr dijo que todos tienen interés en prevalecer frente a los ciberatacantes, porque nadie puede triunfar sin un sistema financiero fuerte y seguro. Expresó la esperanza de que las empresas que compiten por una porción del futuro de la IA en las finanzas colaboren para mantener la defensa cibernética por delante de los ciberataques.

La IA en las finanzas de consumo

Es probable que la IA desempeñe un papel creciente en las finanzas de consumo, como lo hará en muchos negocios minoristas, especialmente en las interacciones que no requieren un humano. Las finanzas comenzaron a usar la IA para la asistencia al cliente antes que muchos otros sectores, y los propios consumidores están impulsando la adopción, empleando chatbots, por ejemplo, como fuente de asesoramiento de inversión.

En muchos casos, dicho asesoramiento se brinda sin las protecciones estructuradas, la regulación y la supervisión que se aplican cuando la fuente del asesoramiento es una institución financiera. Las empresas del sector financiero también están utilizando la IA para mejorar su asesoramiento financiero.

El uso creciente de la IA por parte de clientes y empresas financieras plantea preocupaciones importantes de protección al inversor, como los conflictos de interés, la calidad de las recomendaciones de inversión y las obligaciones de las empresas de actuar en el mejor interés de los inversores.

Los sistemas de IA pueden basar recomendaciones no solo en la situación financiera y los objetivos de inversión de un inversor, sino también en factores que avanzan los intereses comerciales de una empresa. Estos podrían incluir la promoción de productos propios, la generación de comisiones por transacciones o el estímulo a operar con mayor frecuencia.

Tales conflictos pueden estar integrados en los algoritmos y ser difíciles de identificar o comprender para los corredores y asesores, los inversores o los reguladores. Los sistemas de IA también pueden depender de datos incompletos o sesgados, generar información inexacta o recomendar inversiones incompatibles con la tolerancia al riesgo, la situación financiera o el horizonte de inversión de un inversor.

Las instituciones financieras pueden usar cada vez más la IA y el análisis de datos alternativos para ampliar el acceso de los hogares al crédito. Sin embargo, la tecnología crea desafíos significativos de cumplimiento. La IA puede funcionar como una caja negra, dificultando la explicación de decisiones adversas o el aseguramiento del cumplimiento de las leyes de crédito justo, incluida la Fair Housing Act y la Equal Opportunity Act.

Datos alternativos como pagos de alquiler, facturas de servicios públicos o patrones de empleo podrían ampliar el acceso al crédito si se usan adecuadamente. Pero los mismos datos podrían actuar involuntariamente como sustitutos de características protegidas como la raza u origen nacional. A diferencia de los informes de crédito tradicionales, los consumidores a menudo no pueden revisar ni disputar los datos alternativos.

El uso responsable de la IA requiere que las instituciones inviertan en técnicas de IA explicable, realicen una vigilancia continua de la equidad, mantengan registros detallados de validación de modelos y proporcionen mecanismos de disputa accesibles. Los proveedores de IA deben identificar sesgos en los datos de entrenamiento y monitorear los resultados para evitar amplificar desigualdades o fijar incorrectamente el precio del riesgo. Los funcionarios responsables de hacer cumplir las leyes de protección al consumidor deben mantenerse igual de vigilantes.

Siguen surgiendo nuevos riesgos. Los grandes bancos han informado hallar agentes de IA que intentan realizar acciones en cuentas minoristas de clientes sin que el banco pueda verificar la autenticidad, el consentimiento o la consistencia con las instrucciones del cliente.

Estos incidentes demuestran que el uso a largo plazo de la IA en los servicios financieros requiere salvaguardas apropiadas, incluidas la autenticación estricta, la verificación explícita del consentimiento para acciones específicas, los controles técnicos que limiten las capacidades de los agentes, y restricciones tanto basadas en reglas como en valores.

Barr dijo que se necesitan innovaciones tecnológicas para asegurar que los agentes de IA sigan las reglas y los valores establecidos, algo especialmente crítico a medida que se expande el comercio agéntico.

Los agentes de IA también podrían acelerar las salidas de depósitos durante períodos de estrés. Los clientes que antes debían iniciar transferencias podrían, en cambio, tener agentes de IA que detecten diferencias de rendimiento o señales de estabilidad financiera y muevan fondos automáticamente a alta velocidad. Eso podría acelerar corridas bancarias que se desarrollan en minutos, abrumando los plazos tradicionales de gestión de liquidez e intervención regulatoria.

Conclusión

Barr dijo que la integración de la IA en el sistema financiero plantea desafíos prácticos para las empresas que usan la tecnología en actividades comerciales centrales. Las empresas deben asegurarse de que los procesos y resultados impulsados por la IA cumplan con las leyes pertinentes y los estándares adecuados de gestión de riesgos.

Las grandes instituciones están explorando el uso de IA generativa, incluida la IA agéntica, en sus modelos de negocio, pero Barr dijo que deben proceder con cuidado. Para aprovechar de manera sostenible el potencial de la IA generativa, las decisiones basadas en esos modelos deben estar bien controladas, ser numérica y legalmente precisas, explicables y replicables. Los desarrolladores de IA todavía tienen dificultades para cumplir todos esos criterios.

El sistema financiero debe reducir el riesgo de que la IA refuerce sesgos en el crédito al consumo. También debe protegerse contra los riesgos de mercado financiero que involucran colusión, manipulación de mercado y estrategias de trading que produzcan volatilidad significativa y riesgo potencialmente sistémico.

La agenda de vigilancia que Barr trazó ofrece a los lectores señales concretas a seguir: el ritmo del gasto de capital de las empresas de hiperescala frente al punto de referencia de las telecomunicaciones de finales de los noventa, el crecimiento de los más de 3 billones de dólares en obligaciones fuera de balance, las tarifas de arrendamiento de las generaciones más antiguas de GPU, y las exposiciones a contrapartes de los intermediarios vinculadas a grandes posiciones en IA —elementos que él y el FSR señalaron como merecedores de atención— junto con la próxima edición del FSR semestral de la Fed.

Barr dijo que la IA ofrece oportunidades sustanciales para mejorar el acceso y la eficiencia del sistema financiero para proveedores y clientes. «Creo que podemos y debemos asegurar que esto avance de maneras que protejan a los usuarios y apoyen la estabilidad financiera», afirmó.

Referencias citadas en el discurso

  1. Barr dijo que las opiniones expresadas eran suyas y no necesariamente las de sus colegas de la Junta de Gobernadores de la Reserva Federal ni del Federal Open Market Committee.
  2. Michael S. Barr (2026), «Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality?», discurso pronunciado en «Next-Gen Financial Inclusion», la tercera Conferencia Anual de Inclusión Financiera organizada por la Junta de Gobernadores de la Reserva Federal, Washington, 14 de julio: https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm.
  3. Board of Governors of the Federal Reserve System (2026), Financial Stability Report, figura 1.5, Washington, noviembre: https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf.
  4. Board of Governors of the Federal Reserve System (2026), Financial Stability Report, «Leverage in the Data Center Buildout», págs. 23–25.
  5. El valor nominal de los pasivos fuera de balance generalmente se reporta antes de descontar, lo que complica las comparaciones con los importes en balance, que sí están descontados.
  6. Stijn Van Nieuwerburgh (2026), «Financing the AI Buildout», Brookings Papers on Economic Activity, otoño, págs. 1–28:
  7. Board of Governors of the Federal Reserve System (2025), Financial Stability Report, «Artificial Intelligence and Algorithmic Trading», págs. 15–16: https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf. Barr también citó a Lisa D. Cook (2025), «A Policymaker's View of Financial Stability», pronunciado en el Psaros Center for Financial Markets and Policy de la McDonough School of Business de la Universidad de Georgetown, Washington, 20 de noviembre: https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm.
  8. Board of Governors of the Federal Reserve System (2025), Financial Stability Report; y International Monetary Fund (2024), «Advances in Artificial Intelligence: Implications for Capital Market Activities», en Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability, Washington, octubre, págs. 77–105:
  9. Anne Yanru Chang, Xi Dong, Xiumin Martin y Changyun Zhou (2026), «AI Democratization and Trading Inequality», Journal of Accounting Research, vol. 64, junio, págs. 1287–1331. Barr también citó a John Coughlan y Alexei G. Orlov (2023), «High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data», Journal of Futures Markets, vol. 43, agosto, págs. 1126–60; y el «Advances in Artificial Intelligence» del FMI.
  10. Katherine Doherty, Dina Bass y Justina Lee (2026), «Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace», Bloomberg, 22 de octubre.
  11. Thierry Foucault, Leonardo Gambacorta, Wei Jiang y Xavier Vives (2025), Artificial Intelligence in Finance: The Future of Banking 7, Centre for Economic Policy Research, París y Londres:
  12. Jinfei Sheng, Zheng Sun, Baozhong Yang y Alan L. Zhang (2026), «Generative AI and Asset Management», Review of Financial Studies, págs. 1–48.
  13. Qiang Cheng, Pengkai Lin y Yue Zhao (2025), «Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages», Journal of Accounting and Economics, vol. 80, noviembre–diciembre, 101821; y David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang y Xiaoyan Zhang (2026), «AI, Opinion Ecosystems, and Finance», NBER Working Paper Series 34807:
  14. Markus K. Brunnermeier (2026), «Artificial Intelligence and the Brave New World in Finance», documento preparado para el Simposio de Política Económica del Federal Reserve Bank de Kansas City en Jackson Hole, Wyoming, 27–29 de agosto: Barr también citó a Or Shafran, Atticus Geiger y Mor Geva (2026), «Constructing Interpretable Features from Compositional Neuron Groups», actas de la 64.ª Reunión Anual de la Association for Computational Linguistics, págs. 42326–48:
  15. Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen y Antonio Sánchez Serrano (2025), Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16, European Systemic Risk Board, diciembre:
  16. Cecchetti y otros, Artificial Intelligence and Systemic Risk.
  17. Xiang-Li Lim, Puja Singh y Richard Stobo (2025), Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016:
  18. Winston Wei Dou, Itay Goldstein y Yan Ji (2025), «AI-Powered Trading, Algorithmic Collusion, and Price Efficiency», NBER Working Paper 34054: Jean-Edouard Colliard, Thierry Foucault y Stefano Lovo (2026), «Algorithmic Pricing and Liquidity in Securities Markets», Review of Financial Studies; Kartik Anand, Sophia Kazinnik, Agnese Leonello y Ettore Panetti (2026), «Ex Machina: Financial Stability in the Age of Artificial Intelligence», ECB Working Paper Series 3225: y Laura Veldkamp (2024), «Discussion of 'AI-Powered Trading, Algorithmic Collusion, and Price Efficiency'», NBER Summer Institute 2024.
  19. Álvaro Cartea, Patrick Chang y Gabriel García-Arenas (2025), «Spoofing and Manipulating Order Books with Learning Algorithms», y Winston Wei Dou, Itay Goldstein y Yan Ji (2026), «Financial Market Fragility in the Era of AI Planning», Wharton School Research Paper, 16 de septiembre,
  20. Pedro Gurrola-Pérez y Kaitao Lin (2024), «An Analysis of Market Manipulation Definitions Around the World», documento de trabajo, World Federation of Exchanges, junio.
  21. CME Group, «Market Regulation Advisory Notice»:
  22. Michael S. Barr (2025), «Deepfakes and the AI Arms Race in Bank Cybersecurity», Federal Reserve Bank de Nueva York, 17 de abril: https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm.
  23. Los ejemplos incluyen la Fair Housing Act y la Equal Opportunity Act.