Finanzas, transporte y otros sectores

18.1Finanzas, banca y seguros

En contexto

Las finanzas agénticas y el trading mediante agentes autónomos

El trading algorítmico existe desde hace mucho, pero 2026 vio surgir un paso más: agentes autónomos (capítulo 6) que se conectan directamente a las interfaces de las plataformas para que analicen los mercados, decidan y ejecuten las órdenes por sí solos, sin clic humano. El agente OpenClaw, ya encontrado, es el ejemplo más mediático: con ayuda de competencias comunitarias, se le conecta a una bolsa o a un corredor (acciones, criptomonedas, mercados de predicción), se le da una consigna en lenguaje natural y vigila las cotizaciones de forma continua para actuar en el momento oportuno. La promesa es seductora, pero los riesgos están a la altura, y el curso no da ningún consejo de inversión. En primer lugar, ninguna garantía de ganancia: confiar dinero a un agente no crea una ventaja de mercado, y en algunas plataformas una amplia mayoría de los participantes pierde. Luego, el riesgo operativo: un modelo que alucina o malinterpreta un dato en plena volatilidad puede cursar una orden no deseada y encadenar pérdidas en pocos segundos. Después, el riesgo de seguridad (capítulo 20): un agente conectado a claves de API y expuesto a la inyección de instrucciones se convierte en un blanco preferente, y varios mercados de competencias han visto circular módulos maliciosos diseñados para robar esas claves y vaciar cuentas. Por último, el riesgo regulatorio: una ejecución autónoma de alta frecuencia puede rozar la manipulación de mercado. Por ello, la práctica razonable que se perfila es la de una IA asistente más que autónoma: el agente investiga, vigila y propone, pero el humano valida y mantiene el control sobre las acciones con consecuencias.

18.2Transporte y movilidad autónoma

Esquema18.1. Los niveles de autonomía (escala SAE). En 2026, taxis sin conductor (nivel 4) circulan comercialmente en varias ciudades, en zonas definidas. El nivel 5 (circular en todas partes, con cualquier clima) sigue siendo un horizonte lejano: es la «cola larga» de las situaciones raras e imprevistas la que aún se resiste.

En contexto

El estado de la conducción autónoma en 2026

Detrás de la escala SAE, el paisaje real se ha clarificado, en torno a dos apuestas opuestas. Waymo (filial de Alphabet) va claramente en cabeza: a mediados de 2026, sus taxis sin conductor (nivel 4) realizan en torno a 500 000 viajes de pago por semana en una decena de ciudades estadounidenses, y el servicio se extiende a nivel internacional (Tokio, Londres). Su receta: una combinación costosa de lidars, radares y cámaras, mapas de alta definición de cada calle y una expansión prudente, ciudad por ciudad. Tesla hace la apuesta inversa: cámaras solas y un aprendizaje masivo a partir de los datos de su flota, con la esperanza de una autonomía generalizable en todas partes (y, a la larga, de transformar los coches de los particulares en taxis); su servicio de robotaxis, lanzado en Austin en 2025, sigue siendo a día de hoy mucho más modesto en tamaño y en zona cubierta, conservando la mayoría de los trayectos un operador de seguridad. Otros entran en la carrera (Zoox, filial de Amazon; Uber, que integra vehículos autónomos; actores chinos como Baidu, Pony.ai o WeRide). El veredicto provisional: la viabilidad del nivel 4 en zona urbana delimitada está probada, pero el paso a escala tropieza con la cola larga (las situaciones raras), con la regulación local y con la confianza del público, que el menor accidente vuelve a poner en juego.

En contexto

El coche y el «dilema del tranvía»

La conducción autónoma ha reavivado un viejo problema de filosofía moral, el dilema del tranvía: ante un accidente inevitable, ¿debería programarse un coche para, por ejemplo, sacrificar a su pasajero en lugar de a varios peatones? Estos escenarios han alimentado innumerables debates (y una vasta encuesta mundial, la Moral Machine del MIT, que reveló que las intuiciones varían según las culturas). Pero muchos ingenieros consideran que la cuestión está en parte mal planteada: en la realidad, un vehículo casi nunca «elige» una víctima, sino que busca ante todo frenar y esquivar; y por lo general no dispone de la información (quién está dónde, cuántas personas) que presuponen esos dilemas teóricos. El verdadero debate ético es más prosaico, pero más apremiante: ¿qué nivel de riesgo global es aceptable para autorizar estos vehículos, cómo comparar su seguridad con la de los conductores humanos, y quién es responsable en caso de accidente (capítulo 21)? El dilema del tranvía es un excelente ejercicio de pensamiento, pero no debe ocultar esas cuestiones concretas, que decidirán realmente el despliegue.

En contexto

La IA automovilística más allá de la conducción

El coche autónomo ocupa el primer plano, pero la IA también transforma el vehículo con independencia de cualquier autonomía. A bordo, asistentes de voz (cada vez más apoyados en grandes modelos) y sistemas de supervisión del conductor (detección de la somnolencia o de la falta de atención) se instalan en el habitáculo. Sobre todo, el automóvil se convierte en un vehículo definido por software (software-defined vehicle): una parte creciente de sus funciones se entrega y se mejora mediante actualizaciones a distancia (over-the-air), a la manera de un smartphone, lo que prolonga su valor mucho después de la compra. La IA sirve también para la mantenimiento predictivo (anticipar el desgaste de un componente a partir de los datos de sensores, sección 18.3) y, aguas arriba, para el diseño y los ensayos virtuales mediante los gemelos digitales. Estos usos, más discretos que el robotaxi, ya se despliegan a gran escala en vehículos ordinarios.

18.3Agricultura, industria y comercio

En contexto

El comercio agéntico

Una tendencia emergente prolonga la lógica de los agentes (capítulo 6) hasta la compra: el agente ya no se limita a recomendar un producto, sino que construye el carrito, paga y cierra la transacción por ti. Desde finales de 2025, interfaces como el «Instant Checkout» de ChatGPT (mediante el protocolo ACP codiseñado por OpenAI y Stripe) permiten comprar dentro de una conversación; Google (protocolo UCP), Visa («Intelligent Commerce») y Mastercard («Agent Pay») construyen vías competidoras. El mecanismo se basa en la tokenización: en lugar de confiar el número de tarjeta al agente, se le delega un token de uso restringido, con un tope, limitado a un comerciante, con umbrales que exigen una validación humana (coherente con la regla de las acciones con consecuencias, capítulo 6). Las promesas son enormes (algunas previsiones hablan de cientos de miles de millones de dólares en compras «agénticas» de aquí a 2030), pero quedan tres obstáculos. El fraude, en primer lugar: una transacción realizada por un agente carece de las señales de comportamiento en las que se apoyan los sistemas antifraude (capítulo 20). La desintermediación, después: si se compra desde el propio asistente, comerciantes y bancos corren el riesgo de perder la relación directa con el cliente. La fiabilidad, por último: las primeras pruebas con el gran público a veces decepcionaron (un ensayo muy mediatizado convirtió mucho peor que un recorrido de compra clásico). Muchos de estos pagos también podrán apoyarse en stablecoins, en particular para las microtransacciones entre máquinas (capítulo 11).

En contexto

Los gemelos digitales

Una noción estructura cada vez más la industria: el gemelo digital (digital twin), una réplica virtual de un objeto, una máquina, una fábrica o incluso un órgano, alimentada de forma continua por los datos de sensores de su equivalente real. La IA desempeña aquí dos papeles: hacer funcionar el gemelo (simularlo fielmente) y explotar sus datos para predecir y optimizar. Así se puede probar una modificación en el gemelo antes de tocar el sistema real, anticipar una avería (el mantenimiento predictivo ya mencionado) u optimizar una línea de producción sin detenerla. Las aplicaciones van más allá de la fábrica: gemelos de redes eléctricas, de edificios, de ciudades enteras e incluso, en medicina, de gemelos de órganos (un corazón virtual para probar un tratamiento). El principio coincide con el de los modelos del mundo (capítulo 5) y el de la simulación en robótica (capítulo 13): disponer de un doble virtual fiel donde ensayar, con menos riesgo y menos coste, lo que no se puede permitir experimentar directamente sobre lo real. El límite es el mismo en todas partes: un gemelo vale lo que la fidelidad de su modelo y la calidad de los datos que lo alimentan.

18.4Un denominador común: datos y confianza

Para recordar (capítulo 18)

Las finanzas son un uso avanzado de la IA (trading, detección de fraude, crédito, seguros), pero con riesgos de discriminación, de volatilidad y de alucinación.
El vehículo autónomo avanza: robotaxis (nivel 4) circulan comercialmente en 2026, pero el nivel 5 (en todas partes, todo el tiempo) sigue siendo lejano a causa de la «cola larga» de las situaciones raras.
La IA se difunde también en la agricultura de precisión, la industria (mantenimiento predictivo, calidad) y el comercio (recomendación, tarificación dinámica).
Denominador común: en todas partes, la IA se alimenta de datos y promete optimizar, pero tropieza con la opacidad, los sesgos, la fiabilidad y la brecha entre la demostración y el despliegue. El reto es la confianza.

Tras los sectores económicos, el capítulo 19 desciende a lo más cercano a lo íntimo: la vida cotidiana, las relaciones y la psicología.

18.1Finanzas, banca y seguros#

18.2Transporte y movilidad autónoma#

18.3Agricultura, industria y comercio#

18.4Un denominador común: datos y confianza#

Para recordar (capítulo 18)

18.1Finanzas, banca y seguros

18.2Transporte y movilidad autónoma

18.3Agricultura, industria y comercio

18.4Un denominador común: datos y confianza