## Viejas leyes, nuevas máquinas ## Source details **Canonical URL:** [Viejas leyes, nuevas máquinas](https://www.imf.org/es/publications/fandd/issues/2026/03/old-laws-for-new-machines-biagio-bossone) ## Other formats - [Markdown version](/es/publications/fandd/issues/2026/03/old-laws-for-new-machines-biagio-bossone/index.md) - [Structured JSON version](/es/publications/fandd/issues/2026/03/old-laws-for-new-machines-biagio-bossone/index.json) - [Bundle manifest](/es/publications/fandd/issues/2026/03/old-laws-for-new-machines-biagio-bossone/bundle-manifest.json) ## Bibliographic details - Authors: BIAGIO BOSSONE - Published: March 3, 2026 --- ### Resumen ejecutivo - La IA ya es "el socio silencioso de las finanzas mundiales", integrada en calificación de crédito, detección de fraude, operaciones algorítmicas de mercado y análisis monetario. - Riesgo central: respuestas veloces y coordinadas de la IA pueden generar dinámicas sistémicas nuevas (bucles de retroalimentación) que aumenten la fragilidad financiera. - Propuesta central: reinterpretar la jerarquía de las leyes de Isaac Asimov como un principio ético para la IA en finanzas: 1) no causar daño, 2) obedecer mandatos institucionales sin comprometer imparcialidad ni seguridad, 3) preservar resiliencia sin eludir rendición de cuentas, y 4) servir a la confianza/Humanidad. ### Contexto y ejemplos operativos - Escenario narrativo: "El reloj marca las 7.45 horas en el centro de operaciones de un banco central" — un modelo de IA detecta una caída repentina en la actividad de pagos y alerta a los analistas. - Historia y analogía: Asimov formuló las leyes en la década de 1940; más tarde añadió una cuarta "ley fundamental" sobre la Humanidad. - Episodios históricos de referencia: desplome repentino de 2010; crisis financiera global de 2008. - Casos prácticos en mercados emergentes: - Kenya: ecosistemas de dinero móvil como M-Pesa generan huellas transaccionales usadas por modelos de calificación basados en IA para ampliar acceso al crédito. - India: sistemas de identidad digital y plataformas en tiempo real vinculados a aprendizaje automático para mejorar transferencias gubernamentales y acceso a microcréditos. ### No causar daño: implicaciones operativas y macrofinancieras - Alcance del mandato "no causar daño": - Aplicable a la protección del consumidor y a la estabilidad financiera. - Requiere pruebas rigurosas, gobernanza de datos prudente y capacidad institucional de "dar explicaciones". - Riesgos técnicos y sistémicos: - IA puede interpretar patrones incorrectamente, heredar sesgos históricos o reforzar señales del mercado que aceleren volatilidad. - Cuando algoritmos reaccionan a la velocidad de las máquinas, los ajustes de precios y variaciones de liquidez son más milimétricos y sincronizados. - Los modelos impulsados por IA afectan precio del crédito, asignación de activos y primas de riesgo, pudiendo generar ajustes conjuntos que modifiquen la transmisión de shocks y la respuesta de política monetaria. ### Obediencia, discernimiento humano y límites de la automatización - Naturaleza de la obediencia de la IA: - La IA optimiza el objetivo fijado (beneficio, exactitud, cumplimiento); la obediencia ciega es peligrosa en finanzas. - Ejemplos de fallos por optimización mal diseñada: - Modelos de crédito que minimizan incumplimiento pueden excluir colectivos enteros. - Algoritmos de negociación que maximizan rendimientos pueden desestabilizar mercados al reaccionar a señales ínfimas. - Principio operativo: - La IA debe funcionar como herramienta que aporte información para formular criterios, no como sustituto de la toma de decisiones en política monetaria, supervisión financiera o gestión de crisis. - Necesidad de aprendizaje conjunto entre humanos y máquinas, y de desarrollar ética y competencias en datos en bancos centrales, instituciones financieras y reguladores. ### Resiliencia técnica e institucional y rendición de cuentas - Elementos de resiliencia técnica: - Redundancia, seguimiento y pruebas en escenarios extremos. - Elementos de resiliencia institucional: - Apertura y capacidad de auditoría por parte de reguladores, incluso cuando se use código propietario. - Nombramiento de responsables de riesgos derivados de la IA en instituciones financieras, en paralelo a directores de riesgos y oficiales de cumplimiento. - Herramientas y esfuerzos existentes: - El Centro de Innovación del Banco de Pagos Internacionales (BPI) desarrolló prototipos de herramientas para que supervisores analicen grandes conjuntos de datos y detecten anomalías. - Riesgo del secretismo: - Modelos como "cajas negras" acumulan errores no detectados; la complejidad sin transparencia puede llevar al derrumbe (lección de 2008). ### Ley superior: preservar la confianza y la inclusión - Traducción práctica de la "ley fundamental": - Preservación de la confianza como infraestructura invisible de las finanzas. - Si la IA mina la confianza (por sesgo, inestabilidad o irresponsabilidad) amenaza los cimientos del sistema; si se alinea con interés general, refuerza la confianza. - Impacto en inclusión financiera: - La IA puede ampliar acceso al crédito donde hay huellas transaccionales (ejemplos: M-Pesa en Kenya; identidad digital en India). - Riesgo contrario: pobreza de datos o sesgos que invisibilizan a mujeres, poblaciones rurales o trabajadores informales. ### Coordinación internacional y gobernanza - Estado de la coordinación: - El Consejo de Estabilidad Financiera, el BPI y el FMI investigan marcos de IA responsable. - Propuesta de marco global: - Un conjunto de principios globales similar a los "Principios Básicos de Basilea" podría promover justicia, explicabilidad, rendición de cuentas y proporcionalidad. - Roles institucionales sugeridos: - FMI: ayudar a países a identificar riesgos financieros relacionados con la IA, compartir mejores prácticas y evitar la brecha digital en supervisión; atraer profesionales en investigación y tecnofinanzas. - BPI: albergar un repositorio de algoritmos de supervisión para colaboración en modelos de código abierto. - Banco Mundial e instituciones de desarrollo regional: desarrollar capacidades de IA e infraestructura digital en mercados emergentes, reforzar gobernanza de datos e integrar normas éticas de IA en ecosistemas de finanzas digitales. - Objetivo colectivo: multilateralismo digital para asegurar que la IA esté al servicio de todas las economías. ### Recomendaciones de política y gobernanza (implícitas en el texto) - Adoptar la jerarquía de principios inspirada en Asimov como guía ética: proteger a las personas y la estabilidad, respetar límites institucionales, preservar responsabilidad y servir al interés general. - Exigir explicabilidad institucional: los algoritmos deben poder justificarse y las instituciones deben ser responsables de esa explicación. - Fortalecer resiliencia técnica: implementar redundancia, monitoreo continuo y pruebas en escenarios extremos. - Exigir apertura regulatoria: capacidad de auditar modelos, incluso de código propietario. - Nombrar responsables de riesgos de IA dentro de instituciones financieras. - Desarrollar capacidades y competencias regulatorias en IA y tecnofinanzas. - Fomentar coordinación transfronteriza y un marco de principios globales para IA en finanzas. - Priorizar inclusión: diseñar marcos de IA que mitiguen la pobreza de datos y eviten la exclusión de grupos subrepresentados. *Fuente: "Viejas leyes, nuevas máquinas", Biagio Bossone, FINANZAS & DESARROLLO.* --- _Source: https://www.imf.org/es/publications/fandd/issues/2026/03/old-laws-for-new-machines-biagio-bossone_