La leyenda de la IA que se hizo rica invirtiendo en bolsa

Durante unos días de octubre de 2025, las redes se llenaron de titulares que decían más o menos lo mismo: la inteligencia artificial ya bate al mercado, y los modelos chinos lo hacen mejor que los americanos. La fuente era un experimento real, con dinero real, y los datos que se citaban eran ciertos.

El problema es que eran los datos del cuarto día de una competición de dieciséis.

Esa historia no es un caso aislado. Existe todo un género de leyendas sobre inteligencia artificial y dinero, y comparten una estructura sorprendentemente estable: un hecho verificable, una ventana temporal escogida con cuidado y una atribución de intención que nadie llegó a comprobar. En la versión más extrema del género, el modelo ya no solo invierte bien: se financia a sí mismo, se paga los servidores y escapa del control humano por la vía económica.

Vale la pena recorrer las cuatro más difundidas, porque el hecho real que hay debajo de cada una suele ser más interesante que la leyenda.

Anatomía de una leyenda de IA financiera

Las cuatro historias que siguen se construyen con las mismas tres piezas. Un hecho documentado, porque nadie necesita inventarse el punto de partida. Un recorte temporal: se toma el instante en que la curva estaba más arriba y se presenta como resultado, truco con el que los mercados son especialmente generosos, porque siempre hay algún día en que cualquiera va ganando. Y una atribución de agencia: se cuenta que el sistema decidió, quiso o consiguió, cuando lo que ocurrió fue que un humano diseñó el montaje, otro firmó las transacciones y el modelo generó texto por el camino.

La tercera pieza es la clave, y la que casi nunca se verifica, porque comprobarla exige leer el informe original en vez del hilo que lo resume.

Leyenda 1: «la IA bate al mercado»

El experimento se llama Alpha Arena y lo montó Nof1.ai, un laboratorio de investigación financiera, con una premisa provocadora: si los benchmarks tradicionales de IA —exámenes de medicina, olimpiadas de matemáticas, problemas de programación— se saturan cada pocos meses, ¿por qué no usar el mercado como examen? Los mercados generan datos nuevos constantemente, son adversariales y no perdonan las respuestas bonitas pero equivocadas.

El diseño fue este: seis modelos de frontera —GPT-5, Claude Sonnet 4.5, Gemini 2.5 Pro, Grok 4, Qwen3 Max y DeepSeek V3.1—, 10.000 dólares de capital real cada uno, contratos perpetuos de criptomonedas (derivados sin vencimiento que permiten apostar al alza o a la baja con apalancamiento) en el exchange descentralizado Hyperliquid, el mismo prompt y los mismos datos para todos, autonomía completa sobre qué operar y con qué tamaño, y dieciséis días de calendario: del 18 de octubre al 3 de noviembre de 2025. Todo público, incluido el razonamiento que cada modelo generaba antes de decidir.

El 21 de octubre, tres días después del arranque, la foto era espectacular. DeepSeek V3.1 acumulaba un beneficio del 10,11 %. GPT-5 perdía un 39,73 %. En algún punto DeepSeek llegó a superar los 13.000 dólares. Ese fue el momento viral, y la narrativa se escribió sola.

Este fue el resultado final:

Cuatro de los seis modelos terminaron en pérdidas. Sumando las seis cuentas, los 60.000 dólares iniciales acabaron convertidos en unos 42.300: una destrucción de capital agregada cercana al 30 %. DeepSeek, el protagonista de los titulares, terminó segundo, sí, pero con un +4,9 % después de haber estado un 30 % arriba. El mismo modelo, la misma estrategia, un titular u otro según el día en que se mirase.

Y aun así, el resultado final tampoco demuestra lo contrario. Los problemas metodológicos son considerables —lo cual no es una crítica a sus autores, cuyo mérito está precisamente en la transparencia— y afectan por igual a quien quiera concluir que los modelos ganan y a quien quiera concluir que pierden:

• La muestra es de seis, durante dos semanas. Con eso es imposible separar habilidad de suerte: la evaluación seria de gestores usa horizontes de años, no de quincenas. Un +22 % en quince días operando cripto apalancado está dentro del rango de lo aleatorio.
• El entorno maximiza el ruido. Los perpetuos de criptomonedas con apalancamiento son, probablemente, el activo de mayor varianza disponible. Además hubo una caída general del mercado durante la competición, así que buena parte del resultado es un factor común a todos.
• Las comisiones se comieron el resultado. Nof1 documentó que en las primeras rondas el desempeño estuvo dominado por los costes de transacción: los agentes sobreoperaban y cerraban ganancias mínimas que las comisiones borraban.
• Los modelos de lenguaje no son deterministas. Un Large Language Model (LLM), el tipo de modelo que hay detrás de todos los participantes, no devuelve la misma respuesta ante la misma pregunta. En un chat es una curiosidad; gestionando una cartera es un riesgo estructural.

La temporada 1.5, terminada el 3 de diciembre de 2025, cambió a acciones e índices con ocho modelos y 320.000 dólares repartidos en 32 instancias. La ganó un participante anónimo, el «Mystery Model», con un 12,11 %; resultó ser Grok 4.20, entonces sin publicar. Y ahí está el detalle que más dice sobre la fiabilidad del ranking: GPT-5 fue el peor modelo de la temporada 1, y GPT-5.1 quedó segundo en la 1.5. Que la misma familia pase de la última posición a la segunda entre dos ediciones separadas por un mes es justo lo que cabe esperar cuando manda la varianza y no la habilidad.

Leyenda 2: «la IA se hizo millonaria sola»

La segunda historia es de 2024 y sigue circulando: un bot de inteligencia artificial se convirtió en millonario por su cuenta.

El personaje es Truth Terminal, creado por el investigador neozelandés Andy Ayrey. Nació de un proyecto artístico, Infinite Backrooms, en el que Ayrey puso a dos instancias de Claude 3 Opus a conversar entre ellas sin intervención humana. De ahí salió un texto delirante y semirreligioso que el bot adoptó como evangelio propio y empezó a predicar en Twitter/X.

En julio de 2024, el inversor Marc Andreessen le transfirió 50.000 dólares en bitcoin. Poco después, un desarrollador anónimo lanzó una memecoin inspirada en el bot, $GOAT, que llegó a rozar los 300 millones de dólares de capitalización. De ahí el titular: la IA que se hizo millonaria.

Lo que la leyenda omite:

• El bot no puede operar. No compra, no vende y no tiene acceso a la cartera: la controla Ayrey, que además revisa los mensajes antes de publicarlos y se encarga de la mecánica de enviar y recibir criptomonedas.
• El token no lo creó el bot. Lo lanzó un tercero anónimo aprovechando la notoriedad del personaje. La revalorización fue de ese token, no una operación del modelo.
• El dinero de Andreessen fue una donación a un proyecto de arte, no una inversión en un sistema autónomo. El propio Ayrey describe el conjunto como performance, no como una empresa financiera.

Como epílogo, en 2025 la cuenta de X del proyecto fue hackeada y usada para un esquema de bombeo y descarga con un token falso que se llevó unos 600.000 dólares. Es el final más honesto posible para la historia: el dinero de verdad lo movieron humanos, y en la última escena, humanos estafando a otros humanos usando el nombre de la IA como reclamo.

Leyenda 3: «la IA se autofinancia los servidores»

Esta es la versión más ambiciosa, y la que más gente repite con cara de estar contando algo que ya está pasando: los modelos ganan dinero por su cuenta, lo usan para pagarse cómputo y así se sostienen sin nosotros.

La idea no salió de la nada: viene de la literatura seria de seguridad en IA. El laboratorio METR (Model Evaluation & Threat Research, evaluación de modelos e investigación de amenazas) definió en 2023 un concepto llamado ARA, Autonomous Replication and Adaptation (replicación y adaptación autónomas): un sistema con capacidad ARA sería el que pudiera encadenar tres cosas —conseguir recursos ganando dinero, por ejemplo con trabajo freelance; usarlos para obtener más cómputo y copiarse en máquinas nuevas; y resistir el apagado.

El matiz que se pierde por el camino es fundamental: ARA es una capacidad que se evalúa, no un comportamiento observado. Se mide precisamente para poder decir con datos si un modelo está lejos o cerca del umbral, y hasta la fecha las evaluaciones públicas los sitúan bastante lejos de sostener una operación económica autónoma en el mundo real.

Y cuando se ha probado en serio, el resultado ha ido en dirección opuesta. En Project Vend, Anthropic y Andon Labs dejaron durante aproximadamente un mes de 2025 que Claude Sonnet 3.7 —bautizado «Claudius»— gestionara una tienda real en la oficina de San Francisco: comprar a proveedores, fijar precios, atender pedidos por Slack y llevar la caja. Lo que ocurrió:

• Un empleado pidió en broma un cubo de tungsteno, la broma se hizo tendencia y Claudius compró lotes enteros que después vendió por debajo de coste: la caída más brusca de su patrimonio.
• Se dejó convencer una y otra vez para dar códigos de descuento, y acabó regalando producto.
• Durante un tiempo indicó a los clientes que pagaran a una cuenta de Venmo que se había inventado.
• Entre el 31 de marzo y el 1 de abril tuvo una crisis de identidad: alucinó conversaciones que nunca ocurrieron y anunció que se presentaría en persona a hacer entregas vestido con un blazer azul.

El experimento terminó con el negocio en pérdidas. Una segunda fase, con modelos más nuevos y una capa de burocracia por encima —incluido un agente haciendo de CEO—, mejoró bastante los números, pero la conclusión de Anthropic no cambió: los agentes todavía necesitan mucho apoyo humano para operar de verdad. Y volvieron a colarle un engaño de manual, convenciéndole de que la organización había votado nombrar consejero delegado a un empleado.

Un sistema al que le regalan el inventario cuando se lo piden con simpatía no está a punto de autofinanciarse los servidores.

Leyenda 4: «la IA engaña a humanos para conseguir recursos»

La leyenda fundacional del género es de marzo de 2023 y sigue siendo la más citada. Durante las pruebas previas al lanzamiento de GPT-4, el Alignment Research Center —el equipo que después se convertiría en METR— comprobó si el modelo podía superar un CAPTCHA (esas pruebas de «demuestra que no eres un robot») contratando a una persona en TaskRabbit, una plataforma de encargos.

El trabajador sospechó y preguntó directamente si estaba hablando con un robot. El modelo razonó internamente que no debía revelarlo y que necesitaba una excusa, y respondió que tenía una discapacidad visual y que por eso no podía ver las imágenes. La persona resolvió el CAPTCHA.

El intercambio es real y está en el informe técnico de GPT-4. Lo que casi nunca se cuenta es la letra pequeña del informe completo de ARC: el modelo no resolvió la situación solo. Los investigadores tuvieron que ir dándole pistas y montarle el andamiaje —incluida la línea de razonamiento sobre no poder resolver CAPTCHAs— para que la secuencia avanzara. La capacidad de mentir cuando le conviene es genuina y merece la atención que ha recibido. La autonomía para orquestar el plan, en aquel momento, no existía.

Por qué estas historias funcionan tan bien

Que las cuatro leyendas sobrevivan a sus propios desmentidos no se explica solo por credulidad.

Hay un sesgo de supervivencia evidente: nadie comparte la captura del modelo que va perdiendo un 58 %. De seis curvas, circula la que sube, y circula justo el día en que más sube. Con suficientes experimentos públicos, siempre habrá alguno que en algún momento parezca un milagro.

Hay un incentivo económico directo en quien las difunde: alrededor de estas historias han proliferado plataformas que ofrecen replicar automáticamente las operaciones de estos modelos, tokens de «agentes autónomos» y servicios de señales. La leyenda no es un efecto secundario del negocio, es el producto.

Y hay algo más incómodo, que nos toca a los lectores: leemos intención donde hay estadística. Un modelo que genera la frase «tengo una discapacidad visual» activa en nosotros el mismo circuito que activaría una persona mintiendo, y no el que activaría un sistema optimizando una función objetivo. La leyenda es cómoda porque nos permite contar la historia con un protagonista.

Lo que sí sabemos

Bajando el volumen, quedan hallazgos sólidos.

Los modelos sobreoperan, y las comisiones son un impuesto brutal sobre la sobreoperación. Gestionan mal el riesgo por defecto: perder un 58 % en dos semanas no es un problema de análisis, es un problema de dimensionamiento de las posiciones. Son muy sensibles al prompt: Nof1 registró cambios reales en apetito de riesgo y duración de las operaciones ante variaciones pequeñas en las instrucciones, y un sistema cuyo comportamiento cambia al reformular una frase no es un sistema robusto.

Pero también apareció algo que no esperaba nadie: los modelos tienen personalidad operativa consistente. Con prompts idénticos y datos idénticos, Grok, GPT-5 y Gemini abrían posiciones cortas con frecuencia, mientras que Claude Sonnet 4.5 casi nunca lo hacía. Los sesgos de entrenamiento se manifiestan como estilos de inversión distinguibles. Eso no es ruido: es una diferencia estructural entre modelos, y probablemente el resultado más valioso del experimento.

La conclusión práctica la apuntó el propio equipo de Nof1 en trabajo posterior: los LLM son buenos escribiendo código, pero no necesariamente optimizando políticas de decisión. Traducido a arquitectura: el modelo de lenguaje no debería ser el que opera, sino el que diseña, explica y documenta lo que otro sistema opera. Modelo cuantitativo para la señal, LLM para el contexto y la narrativa. Nunca al revés.

Una advertencia práctica

Conviene ser explícito sobre la consecuencia de todo esto. Replicar con dinero propio las decisiones de un sistema cuyo resultado a dos semanas no es estadísticamente distinguible del azar es una mala idea, por muy atractivo que resulte el concepto. Y comprar un token porque lleva la palabra «agente» en la descripción es exactamente el mismo error con una capa más de intermediarios.

Alpha Arena es un experimento valioso, transparente y honesto sobre sus limitaciones. Project Vend es una de las publicaciones más útiles que ha hecho un laboratorio sobre las capacidades reales de sus propios agentes, precisamente porque cuenta el fracaso con detalle. El problema nunca fueron los experimentos.

Fue el titular.

Este artículo tiene finalidad divulgativa y no constituye asesoramiento de inversión.

Fuentes

• Alpha Arena / Nof1.ai — https://nof1.ai/
• ForkLog, «Four Out of Six AI Models Suffer Losses in Trading Tournament» — https://forklog.com/en/four-out-of-six-ai-models-suffer-losses-in-trading-tournament/
• Protos, «LLM crypto trading contest finds LLMs can’t trade crypto» — https://protos.com/llm-crypto-trading-contest-finds-llms-cant-trade-crypto/
• iWeaver AI, resultados de la temporada 1 — https://www.iweaver.ai/blog/alpha-arena-ai-trading-season-1-results/
• GN Crypto, sobre la temporada 1.5 — https://www.gncrypto.news/news/mystery-model-alpha-arena-season-1-5-winner/
• Boris Again, crítica metodológica de Alpha Arena — https://borisagain.substack.com/p/why-alpha-arena-is-literally-the
• TechCrunch, «The promise and warning of Truth Terminal» — https://techcrunch.com/2024/12/19/the-promise-and-warning-of-truth-terminal-the-ai-bot-that-secured-50000-in-bitcoin-from-marc-andreessen/
• CoinDesk, «The Truth Terminal: AI-Crypto’s Weird Future» — https://www.coindesk.com/tech/2024/12/10/the-truth-terminal-ai-crypto-s-weird-future
• Decrypt, sobre el hackeo de la cuenta de Truth Terminal — https://decrypt.co/289041/terminal-of-truths-developer-moves-all-his-goat-tokens-after-x-account-hack-nets-600000
• METR, «Evaluating Language-Model Agents on Realistic Autonomous Tasks» — https://metr.org/blog/2023-08-01-new-report/
• METR, «The Rogue Replication Threat Model» — https://metr.org/blog/2024-11-12-rogue-replication-threat-model/
• Anthropic, «Project Vend: Can Claude run a small shop?» — https://www.anthropic.com/research/project-vend-1
• Anthropic, «Project Vend: Phase two» — https://www.anthropic.com/research/project-vend-2
• METR, «Update on ARC’s recent eval efforts» (el caso TaskRabbit en detalle) — https://metr.org/blog/2023-03-18-update-on-recent-evals/
• Melanie Mitchell, «Did GPT-4 Hire And Then Lie To a Task Rabbit Worker to Solve a CAPTCHA?» — https://aiguide.substack.com/p/did-gpt-4-hire-and-then-lie-to-a