Una forma simple de volver concreta esa sospecha es empezar por lo más básico. Un mundo de dimensión cero cabe en un punto. No tiene longitud, ni área, ni volumen. En un mundo de una dimensión aparece algo nuevo. Una línea recta. Ahí solo se puede avanzar en un sentido o en el contrario. En un mundo de dos dimensiones entra en juego la superficie. Ya tienen sentido arriba y abajo, derecha e izquierda, diagonales y ángulos. En un mundo de tres dimensiones, que es el mundo que habitamos, entra en juego el volumen. Muchas superficies pueden apilarse, cruzarse o separarse entre sí, y por eso las cosas ya no solo tienen longitud o área. También ocupan profundidad.

Hasta ahí, el recorrido parece solo geométrico. Pero en realidad dice algo más. Cada dimensión determina no solo lo que puede existir en un mundo, sino también lo que pueden percibir sus habitantes. Si un círculo, que pertenece a un mundo de dos dimensiones, pasara por el mundo de un ser de una dimensión, ese ser no vería el círculo. Vería primero un punto. Luego vería un tramo de línea recta que se extiende hacia ambos lados y se vuelve cada vez más largo. Alcanzaría un máximo equivalente al diámetro del círculo. Después ese tramo empezaría a reducirse hasta volver a ser un punto y desaparecer. Si el círculo quedara fijo, el habitante de una dimensión vería solo un tramo de línea recta. Nunca el círculo como tal. Su mundo solo le permitiría ver esa forma lineal allí donde un ser de dos dimensiones ve una figura con área.

Y ahí aparece algo más inquietante que el simple hecho de ver menos. El habitante de una dimensión no solo percibe una porción limitada de lo que hay. Vive en un mundo donde esa porción basta para agotar toda la experiencia posible. Para él, un tramo de línea recta no es la señal de una figura extraña. Es una figura enteramente normal. No tiene ninguna pista interna que le permita sospechar que aquello proviene de algo distinto, porque en su realidad no existe nada parecido a una figura con área. El círculo no sería un objeto mal visto ni un objeto incompleto. Sería una figura imposible de concebir desde su mundo. La familiaridad tiene ese efecto. Puede volver suficiente lo que apenas alcanzamos a experimentar.

Una dimensión superior no elimina a las inferiores. Las contiene. Una línea recta cabe dentro de una superficie. Una superficie cabe dentro de un espacio con volumen. Por eso un habitante de dos dimensiones podría, al menos en principio, entender lo que es una línea. Forma parte de su propio mundo. La dificultad corre en la otra dirección. Quien vive en una línea no tiene cómo reconstruir una superficie entera desde dentro de ella. Si existiera una cuarta dimensión espacial, la idea más inquietante no sería imaginarla en algún rincón remoto del universo. Sería aceptar que podría contener nuestro mundo del mismo modo en que una superficie contiene una línea, y que aun así quedaría fuera de lo que somos capaces de percibir como tal.

Por eso la comunicación entre ambos sería casi imposible. Un ser de dos dimensiones podría intentar explicarle qué es un círculo, pero estaría tratando de traducir una superficie a un mundo donde solo existen puntos y líneas rectas. Al habitante de una dimensión no le faltaría solo información. Le faltaría el tipo mismo de experiencia que permite imaginar un círculo. Lo que para uno es una figura con área sobre una superficie, para el otro solo puede presentarse como una línea que aparece, crece, se acorta y desaparece. Con una esfera ocurriría algo parecido para un habitante de dos dimensiones. Si la esfera pasara por su mundo, vería primero un punto, luego círculos cada vez mayores, después un círculo máximo y por último círculos cada vez menores hasta desaparecer. Si la esfera quedara fija, vería solo un círculo. Nunca la esfera como tal, porque no podría percibir profundidad.

Ni siquiera en nuestro propio mundo ocupamos una posición tan cómoda como solemos creer. Habitamos un espacio con volumen sin verlo de manera enteramente directa. La imagen que llega a nuestros ojos es plana y la profundidad se reconstruye a partir de diferencias entre ambos ojos, perspectiva, sombras y movimiento. Vemos el sol y la luna como círculos y, aun así, entendemos que tienen volumen. Nuestra relación con el espacio se parece más a la de un habitante que aprende a orientarse con información incompleta que a la de un observador que lo domina.

Si existiera una cuarta dimensión espacial, probablemente estaríamos ante ella de un modo parecido al de esos otros habitantes. Un objeto de cuatro dimensiones se nos presentaría, en el mejor de los casos, como formas tridimensionales cambiantes. Podría aparecer en nuestro espacio, transformarse y desaparecer, del mismo modo en que un círculo que pasa por un mundo de una dimensión se presenta como una línea que nace, crece y desaparece. Ni siquiera tendríamos por qué reconocerlo como algo de otra dimensión. Podríamos tomarlo por un objeto extraño dentro de nuestras propias categorías, cuando desde una dimensión superior no sería más que una aparición parcial de una figura más amplia.

Nuestra intuición tropieza pronto con una cuarta dimensión espacial, pero el lenguaje matemático y computacional puede trabajar con objetos de cuatro dimensiones y aun más sin demasiada dificultad. Un programa puede representarlos, ordenarlos y operar con ellos aunque no los vea. Ahí aparece una diferencia importante. La intuición se siente libre porque se mueve sin esfuerzo dentro de lo familiar, pero justamente por eso puede volvernos miopes. La abstracción parece más rígida porque obliga a tomar distancia, ordenar y definir. Y, sin embargo, es esa disciplina la que nos permite ir más lejos.

En física, cuando se habla de cuatro dimensiones, muchas veces se habla de tres espaciales y una temporal. Aquí conviene imaginar una cuarta espacial solo como experimento de comprensión. La filosofía sospechó desde hace mucho que la experiencia humana no agota la estructura de lo real. La física moderna llevó esa sospecha a un terreno más exigente, y algunas teorías, como ciertas versiones de la teoría de cuerdas, llegaron incluso a contemplar más dimensiones de las que nuestra experiencia cotidiana puede registrar. La lección importante no está en adoptar esas teorías como certeza. Está en dejar de usar lo intuitivo como medida de lo real. Para eso sirve este recorrido por las dimensiones: para no confundir los límites de nuestra intuición con los límites del mundo.

Suscríbete ahora

Compartir

Deja un comentario

Para no confundir planos, conviene separar varias cosas que en la conversación diaria suelen mezclarse. Una es el promedio histórico, que resume lo que ocurrió en el pasado. Otra es el resultado realizado, que es el rendimiento concreto que terminó ocurriendo en un periodo determinado. Otra es el rendimiento esperado, que intenta ordenar una expectativa sobre el futuro. Y otra, distinta de todas las anteriores, es la calidad de la decisión. Esa última no depende solo de cómo terminó la inversión, sino de si la decisión era razonable con la información disponible en ese momento.

El promedio histórico cumple una función modesta, pero legítima. Si una acción rindió 8 por ciento en promedio durante quince años, eso significa que, al mirar esos quince años en conjunto, el rendimiento anual medio fue ese. No significa que el año siguiente deba parecerse a los anteriores. Tampoco significa que un resultado inferior a 8 vuelva mala la decisión, del mismo modo en que un resultado superior a 8 no la vuelve automáticamente buena. El promedio describe una secuencia pasada. Lo que hace es condensar años distintos, algunos mejores y otros peores, en una sola cifra que permite ver el centro de esa experiencia. Esa simplificación es útil porque permite comparar, recordar y comunicar una expectativa sin revisar todos los datos cada vez. El problema aparece cuando esa utilidad práctica se transforma en autoridad excesiva. El 8 por ciento sirve para orientarse; lo que no puede hacer es sostener por sí solo toda la decisión ni prometer cómo se comportará el activo a continuación.

Esa distinción importa porque muchos activos riesgosos terminan leyéndose como si pagaran una tasa estable. Un bono con cupón promete un flujo definido bajo ciertas condiciones. Una acción o un fondo accionario no. Lo que ofrecen es una combinación de escenarios posibles, algunos buenos, otros mediocres y otros malos. Mirar solo el promedio puede dar la impresión de que existe una especie de rendimiento natural del activo, cuando en realidad lo que existe es una trayectoria pasada resumida en un número.

El rendimiento esperado pertenece a otra categoría. Ya no resume lo que ya pasó, sino que intenta estimar lo que podría pasar. Puede apoyarse en promedios históricos, pero también incorpora precios actuales, valuaciones, tasas de interés, condiciones macroeconómicas, cambios regulatorios y supuestos sobre distintos escenarios. En lenguaje formal, puede describirse como un promedio de resultados futuros posibles ponderados por su probabilidad. En un lenguaje más directo, es un intento disciplinado de responder qué retorno parece razonable esperar hoy, no qué retorno entregó el activo ayer.

Usar datos históricos no significa creer que el pasado se repetirá mecánicamente. Significa reconocer algo más básico: la evidencia disponible siempre viene de lo que ya ocurrió. No tenemos datos futuros. Tenemos series pasadas, precios presentes, modelos, supuestos y expectativas sobre el entorno. El problema no está en mirar el pasado, sino en pedirle una promesa. Los datos históricos sirven como material de aprendizaje; después deben leerse junto con todo lo que puede cambiar la relación entre ese pasado y el futuro que intentamos estimar.

Esa estimación queda incompleta si solo miramos el centro. Imaginemos dos fondos con un rendimiento esperado cercano al mismo 8 por ciento. El primero suele moverse en un rango relativamente estrecho. Algunos años queda por debajo, otros por encima, pero rara vez obliga al inversor a soportar caídas grandes. El segundo puede llegar al mismo promedio combinando años muy buenos con pérdidas fuertes y recuperaciones lentas. En una tabla resumida, ambos quedarían agrupados alrededor de la misma cifra. Para quien invierte dinero real, la experiencia sería muy distinta.

Ese contraste ayuda a ubicar mejor la palabra riesgo. Riesgo no equivale a obtener menos que el promedio histórico en el año siguiente. Significa aceptar una distribución de resultados posibles, con distintos grados de pérdida, volatilidad, tiempo de recuperación y dificultad para sostener la posición. Un resultado de 3 por ciento puede ser decepcionante frente al 8 histórico y tener un impacto real en el bolsillo de quien invirtió. Eso no lo convierte automáticamente en señal de una mala decisión. Puede haber sido un resultado desagradable, pero perfectamente plausible desde el momento en que se tomó la decisión. Una pérdida de 25 por ciento, en cambio, dice algo distinto sobre la clase de incertidumbre asumida. La cifra final importa más cuando se entiende dentro de ese mapa de posibilidades.

Desde ahí se entiende mejor la frase a mayor riesgo, mayor rendimiento. En su versión descuidada, la frase suena como si bastara con asumir más incertidumbre para recibir una recompensa mayor. La versión útil es más exigente. Si una inversión obliga a tolerar resultados más inciertos, caídas más profundas o un camino más difícil de sostener, necesita ofrecer un rendimiento esperado más alto para ser atractiva frente a alternativas más estables. Esa compensación se exige antes de invertir; no aparece automáticamente después por el simple hecho de haber tomado más riesgo.

Con esa distinción, el resultado del año siguiente deja de funcionar como juez único. Si una persona eligió una inversión esperando algo cercano a 8 por ciento y obtuvo 3, la decisión pudo haber sido razonable si ese 3 estaba dentro del rango que aceptó desde el principio. Si obtuvo 13, tampoco queda demostrado que el proceso haya sido bueno. Tal vez entendió bien el riesgo y recibió un resultado favorable. Tal vez compró una historia seductora, ignoró pérdidas posibles y tuvo suerte durante un año. El número observado ayuda a evaluar, pero necesita contexto para decir algo serio sobre la decisión.

La utilidad del rendimiento esperado está justamente en obligar a formular ese contexto antes de que llegue el resultado. Una expectativa bien construida no se limita a decir cuánto podría ganar una inversión. También obliga a preguntar qué escenarios sostienen ese retorno, qué tendría que salir bien, qué podría salir mal y cuánto margen hay para equivocarse sin que la decisión pierda sentido. La pregunta deja de ser si el activo puede dar 8 por ciento y pasa a ser qué clase de camino habría que aceptar para aspirar a ese 8.

Cuando esa lectura falta, el promedio se vuelve una fuente de tranquilidad engañosa. Un año bueno puede interpretarse como prueba de habilidad y un año malo como prueba de error, aunque ambos resultados dependan también del entorno y de la exposición asumida. Un gestor favorecido por un periodo benigno puede parecer más brillante de lo que fue, mientras otro que atravesó una etapa adversa puede parecer peor de lo que indica su proceso. Lo mismo ocurre con el inversor individual. Después de una ganancia es fácil olvidar cuánta exposición había detrás; después de una pérdida es fácil olvidar que esa pérdida podía formar parte del riesgo aceptado.

La medición tampoco resuelve todo por sí sola. El periodo elegido influye en el promedio. Un cálculo con quince años puede verse distinto si incluye una crisis, una recuperación fuerte o un largo tramo de mercado favorable. También pesa el método. Dos analistas competentes pueden usar supuestos distintos y llegar a estimaciones diferentes sin que ninguno esté manipulando los datos. El rendimiento esperado sigue siendo útil precisamente porque obliga a explicitar esas decisiones. Ordena la incertidumbre, aunque no la convierte en certeza.

Por eso la educación financiera no debería enseñar solo a calcular promedios o rendimientos esperados. También debería enseñar a leerlos con prudencia. Un número puede orientar, comparar y disciplinar la conversación, pero no puede decidir por nosotros. Hace falta juicio para distinguir una mala decisión de un mal resultado, una buena racha de un buen proceso y una expectativa útil de una garantía inexistente.

Pensar bien en finanzas exige devolver cada cosa a su sitio. El promedio histórico describe el pasado. El rendimiento esperado organiza una mirada sobre el futuro. El resultado realizado muestra lo que efectivamente ocurrió. La calidad de la decisión exige mirar cómo se eligió antes de conocer ese resultado. Cuando esas capas se mezclan, un número recibe una autoridad que no tiene. Cuando se separan con cuidado, el promedio recupera su utilidad real. No promete lo que va a pasar. Ayuda a preguntar mejor qué estamos aceptando cuando decidimos bajo incertidumbre.

Suscríbete ahora

Compartir

Deja un comentario

Ese beneficio inmediato deja en segundo plano otro efecto. En AI, Human Cognition and Knowledge Collapse, Daron Acemoglu, Dingwen Kong y Asuman Ozdaglar miran menos la respuesta final que el aprendizaje que deja de producirse alrededor de ella. Cuando una herramienta entrega recomendaciones contextuales cada vez mejores, cambia el valor práctico de entender por cuenta propia. La cuestión pasa a ser qué esfuerzo humano pierde terreno cuando la respuesta llega antes que la comprensión del propio problema.

El argumento descansa en una diferencia básica. Resolver bien una situación no depende solo de tener el dato oportuno para ese momento. También depende de contar con un conocimiento más general que permita interpretar lo que está ocurriendo, compararlo con otros casos, entender sus límites y ubicarlo dentro de un marco más amplio. Ambos planos se sostienen entre sí. El primero orienta la acción inmediata. El segundo vuelve inteligible esa acción y hace posible aprender de ella.

La promesa más ambiciosa de la IA generativa está en ahorrarnos la parte más costosa de muchas tareas intelectuales: buscar contexto, antecedentes y orientación oportuna. Durante mucho tiempo, recorrer esa búsqueda producía un rendimiento en dos planos. Servía para resolver una tarea puntual y dejaba además una contribución, aunque fuera modesta, al conocimiento compartido de la sociedad. Quien estudiaba, practicaba o resolvía un problema por su cuenta aumentaba su capacidad individual y alimentaba, de manera dispersa, el acervo sobre el que otros podían apoyarse después.

Piénsese en un estudiante que pide a la IA una explicación lista sobre un modelo econométrico. Puede resolver la tarea inmediata y hasta entregar una respuesta correcta. Lo que queda debilitado es el aprendizaje que antes ocurría mientras trataba de entender por sí mismo qué mide el modelo, por qué sirve en ese caso y dónde fallaría. La utilidad inmediata deja entonces menos comprensión durable de la que antes podía dejar. Cuando esa lógica se vuelve masiva, el problema rebasa lo pedagógico. También toca la base social de conocimiento desde la cual otros aprenden, corrigen y continúan.

El concepto de knowledge collapse nombra justamente esa posibilidad. Los individuos pueden seguir obteniendo respuestas útiles en el corto plazo mientras se debilita el incentivo a recorrer el proceso que antes producía comprensión generalizable. Una IA muy eficaz puede elevar la calidad contemporánea de muchas decisiones y, al mismo tiempo, erosionar el stock de conocimiento general que hacía productivo el esfuerzo humano. La fuerza del argumento está en mostrar que una herramienta exitosa puede debilitar esa producción difusa de conocimiento de la que otros dependían después.

Parte de ese aprendizaje reaparece del lado de la plataforma. Las interacciones con la IA no terminan en cada usuario. Cada uso deja datos, refina el modelo y mejora capacidades del sistema. Antes, el paso del aprendizaje individual al acervo colectivo era más lento, más disperso y menos organizado. La IA puede acelerar ese pasaje, clasificarlo y condensarlo.

Ese desplazamiento importa más de lo que sugiere la expresión. La tecnología puede organizar mejor ese conocimiento disperso. La cuestión es en manos de quién queda esa organización. Cuando miles de millones de interacciones alimentan un sistema cerrado, una parte del conocimiento que antes circulaba como bien común puede reconstituirse como capacidad propietaria. No cambia solo la capacidad del modelo. Cambia también el lugar institucional donde vive ese conocimiento. Una fracción del conocimiento colectivo deja de vivir en prácticas abiertas o en instituciones relativamente públicas y pasa a quedar incorporada en activos controlados por empresas privadas. Con eso cambian su dueño, su régimen de acceso y la forma en que puede corregirse, discutirse y transmitirse.

Esa mudanza también determina dónde la IA amplía conocimiento y dónde solo produce usuarios más dependientes de sus resultados. La herramienta ya ha mostrado capacidad para ayudar a resolver problemas teóricos, matemáticos y científicos que antes exigían más costo, más tiempo o simplemente quedaban fuera de alcance. Esa posibilidad es real, pero no opera sola. Depende de docentes e investigadores capaces de verificar y discutir resultados, de instituciones con incentivos para usar la IA como puente y no como sustituto, y de que el conocimiento producido vuelva a circular para que sus spillovers se materialicen.

La línea divisoria pasa por dentro de universidades, centros de investigación y espacios de formación general. Una misma institución puede usar la IA para ampliar comprensión, fortalecer criterio y diseminar mejor el conocimiento, o puede usarla para acelerar respuestas sin profundizar aprendizaje. Una sociedad puede producir más conocimiento en la frontera y, al mismo tiempo, reproducir menos capacidad de comprensión en su base. Puede haber más potencia de descubrimiento en laboratorios y grupos de élite y, a la vez, una formación más delgada en estudiantes, profesionales y usuarios que dependen cada vez más de respuestas externas para operar. Eso importa especialmente para la docencia. Un laboratorio puede descubrir más mientras un aula entiende menos. La reproducción social de capacidades intelectuales no coincide siempre con la producción de conocimiento en la frontera.

La IA puede aumentar la capacidad de descubrimiento y adelgazar, al mismo tiempo, las prácticas más amplias de comprensión que sostienen la autonomía intelectual de una sociedad. Puede elevar la inteligencia operativa disponible sin garantizar que esa inteligencia siga distribuida. Puede ampliar la producción de conocimiento y volver más estrecha su circulación social. Esa combinación es la que vuelve el problema especialmente delicado.

Visto en conjunto, el debate es institucional antes que sentimental. Importa pensar qué arquitectura cognitiva estamos construyendo y bajo qué condiciones esa arquitectura amplía conocimiento sin vaciar comprensión. El mérito del paper de Acemoglu, Kong y Ozdaglar consiste en obligar a formular mejor esa tensión y a tratarla como un problema de incentivos, propiedad, circulación del conocimiento y formación de capacidades.

La pregunta pasa entonces a ser qué capacidades queremos conservar en manos de usuarios, comunidades e instituciones, y cuáles estamos dispuestos a delegar en sistemas externos. Si el conocimiento general que vuelve inteligibles las decisiones futuras pierde terreno frente a recomendaciones cada vez más eficaces en el presente, el costo no será solo pedagógico ni solo tecnológico. Cambiará la forma social del conocimiento: cómo se produce, cómo circula, quién lo retiene y qué tan distribuida sigue estando la capacidad de una sociedad para entender por sí misma.

Suscríbete ahora

Compartir

Deja un comentario

Una transacción financiera necesita, al menos, dos cosas. Necesita un mecanismo que diga qué operación cuenta como válida, quién es dueño de qué y qué pasa si una de las partes incumple o niega lo ocurrido. Y necesita una infraestructura que registre esa información y ejecute el movimiento sin errores innecesarios, sin demoras absurdas y sin capas de conciliación que encarecen todo. El primer problema es de confianza institucional. El segundo es de diseño operativo. En la práctica ambos suelen viajar juntos y por eso es fácil tratarlos como si fueran lo mismo. Eso es, en términos amplios, lo que aquí conviene entender por finanzas tradicionales: el sistema que hoy organiza pagos, custodia, compensación y liquidación apoyándose en bancos, cámaras de compensación, custodios, tribunales, regulación y reputaciones acumuladas.

Buena parte del entusiasmo alrededor de blockchain nació de ofrecer ambas cosas en un solo paquete. Por un lado, una base de datos compartida, programable y difícil de alterar. Por otro, un sistema descentralizado para validar el registro y resolver conflictos sin apoyarse en las fuentes habituales de confianza. Lo más valioso en la lectura que Eric Budish y Adi Sunderam proponen en un working paper reciente del NBER sobre blockchain y finanzas tradicionales es separar ese paquete. Una cosa es mejorar el registro y la ejecución de las transacciones. Otra, mucho más ambiciosa, es reemplazar las fuentes tradicionales de confianza sobre las que descansa el sistema financiero.

Una vez hecha esa separación, la discusión cambia por completo. El modelo de confianza anónimo y descentralizado heredado de las criptomonedas resulta demasiado costoso para unas finanzas que mueven escalas enormes, dependen de activos ya insertos en marcos legales y necesitan alguna instancia capaz de resolver conflictos. Lo que sigue siendo relevante es otra parte del paquete original. La posibilidad de usar una infraestructura compartida, programable y difícil de alterar dentro de un sistema donde la validez final de las transacciones siga descansando en el derecho, la reputación, las relaciones y el colateral. Leído así, blockchain deja de ser una promesa de sustitución total y se convierte en una pregunta incómoda. ¿Qué parte de lo que hoy sigue siendo caro, lento e intermediado responde de verdad a la necesidad de confiar y qué parte pertenece a una infraestructura vieja que el sistema aprendió a tratar como inevitable?

Esa pregunta, sin embargo, no abre una ruta simple de modernización. Que una fricción sea técnicamente evitable no basta para que desaparezca. Para usar una infraestructura distinta hay que encajarla en estándares, reglas de custodia, procesos de compensación y liquidación, exigencias regulatorias y prácticas operativas ya existentes. La mejora técnica entra en un sistema institucional ya ocupado. Por eso el problema no consiste solo en descubrir una manera mejor de registrar transacciones. También importa quién puede imponerla, bajo qué reglas y con qué efectos sobre los actores que hoy controlan acceso, estándares e infraestructura.

Visto así, la concentración deja de ser un dato lateral y pasa al centro del argumento. Ese núcleo de pagos, custodia, compensación y liquidación forma una infraestructura financiera altamente concentrada, donde unos pocos actores controlan estándares, acceso y capacidad operativa. En ese contexto, una innovación puede adoptarse de forma selectiva, frenarse o integrarse en términos que preserven la posición de los incumbentes. Incluso cuando proviene de actores nuevos, nada garantiza una presión competitiva duradera. La innovación puede ser absorbida, domesticada o empujada hacia zonas donde no altere demasiado la distribución existente de poder y rentas.

Con esa separación, ya es más difícil justificarlas todas como si fueran el precio inevitable de la confianza. Una vez separadas confianza e infraestructura, parte de lo que sigue siendo caro y lento empieza a parecer menos necesidad institucional y más atraso operativo, fricción heredada o renta protegida. Ese es, ante todo, un valor analítico. La separación aclara dónde están las mejoras técnicamente posibles y por qué ciertas capas de intermediación y ciertas demoras ya no se defienden con la misma facilidad.

Y una vez que esas fricciones dejan de parecer inevitables, la pregunta cambia de nivel. Ya no se trata solo de si existe una tecnología mejor. Se trata de saber quién gana con que una operación siga tardando más de lo necesario, con que la misma verificación pase por varias manos y con que dinero y colateral permanezcan inmovilizados durante días mientras el sistema termina de reconocer lo que ya ocurrió. En una infraestructura financiera concentrada, esa pregunta pesa tanto como la tecnología misma. Entre la posibilidad técnica y la mejora real se interponen control de estándares, poder de mercado, regulación e incentivos para conservar rentas.

Recién ahí conviene preguntar dónde podría aparecer valor económico. Una infraestructura mejor puede reducir trabajo administrativo, evitar verificaciones repetidas y liberar parte del efectivo, colateral o recursos que hoy quedan inmovilizados en los balances mientras una operación termina de asentarse. Esa es la mejora más visible. La más importante depende de otra cosa. Depende de que la nueva infraestructura altere algo en la distribución del poder de mercado o vuelva viables transacciones demasiado pequeñas, esporádicas o costosas para los arreglos actuales.

Bitcoin y Ethereum volvieron visible ese punto hace años. Mostraron que una infraestructura descentralizada puede sostener registro compartido, validación y actividad económica relevante sin un operador central único. Ese dato basta para volver difícil cualquier lectura que trate blockchain como una fantasía puramente teórica. Su propia evolución dejó una lección más incómoda. Alrededor de esas redes reaparecieron bolsas, custodios, emisores de stablecoins y nuevos puntos de concentración. La posibilidad técnica de organizar el registro de otro modo existe. La distribución del control, de los beneficios y de la intermediación sigue siendo objeto de disputa.

Las señales recientes de la industria encajan bastante bien con esta lectura. Los grandes incumbentes ya hablan menos en el lenguaje de la desintermediación y más en el de la tokenización regulada, la interoperabilidad y la modernización de la infraestructura. BNY, gran banco custodio, describe un puente entre ecosistemas tradicionales y digitales. Nasdaq, operador de mercados, propone tokens accionarios que preserven el control del emisor y la integridad del mercado. DTCC y State Street empujan servicios compatibles con custodia, compliance e infraestructura ya instalada. En una columna publicada por The Economist en diciembre de 2025, Larry Fink y Rob Goldstein empujaron la misma dirección. Presentaron la tokenización, en una versión mucho más controlada e institucional, como un puente entre finanzas tradicionales y mercados digitales, y subrayaron su capacidad para fraccionar, empaquetar y distribuir activos a una escala mayor. Ese énfasis ayuda a ver otra capa del problema. La misma tecnología que puede ampliar acceso también puede ampliar la capacidad de empaquetar, distribuir y vender activos a una escala mayor. El patrón es claro. La adopción avanza como modernización administrada por quienes ya ocupan el centro.

Ahí aparece el costado más áspero de esta historia. Blockchain puede mostrar que ciertas demoras, ciertas capas de intermediación y ciertas inmovilizaciones de recursos ya no son técnicamente necesarias. También puede facilitar formas más finas de fraccionar, empaquetar y distribuir activos para inversionistas minoristas. Pero en mercados concentrados esa expansión suele pasar primero por quienes controlan la infraestructura y la distribución. El resultado puede ser una mejora marginal para el usuario final y una mejora mucho mayor para los actores que ya estaban en el centro. Su valor más duradero quizá no sea haber transformado el sistema, sino haber dejado al descubierto que una parte de sus costos y de sus demoras ya no era inevitable.

Suscríbete ahora

Compartir

Deja un comentario

Pensarla, al menos en un primer momento, como precio del tiempo no agota el concepto, pero sí ayuda a ordenarlo. Permite alinear muchas de sus implicaciones bajo una misma intuición: cuánto vale usar hoy recursos que comprometen el mañana, o renunciar a usarlos hoy para reservarlos después. Vista así, la tasa deja de ser solo una variable técnica. Se vuelve una forma de disciplinar la relación entre el presente disponible y el futuro esperado. Por eso aparece en dos escenas que casi cualquiera reconoce. Si pido prestado, la tasa determina cuánto cuesta utilizar hoy dinero que devolveré después. Si deposito en el banco, la tasa determina cuánto recibo por posponer consumo. La misma variable se siente como costo o como ingreso según el lado de la transacción en el que uno se encuentre. Para quien se endeuda, la tasa vuelve más caro o más barato adelantar consumo. Para quien ahorra, vuelve más o menos atractivo posponerlo. En ambos casos, inclina la balanza y vuelve algunas decisiones relativamente más atractivas que otras.

Ahí entra una idea que parece sencilla, pero organiza bastante más de lo que suele reconocerse. El costo de oportunidad. No podemos tenerlo todo al mismo tiempo, y cada elección implica dejar algo atrás. Si uso hoy un recurso, renuncio a otro uso posible mañana. Si lo reservo para mañana, renuncio a lo que podría haber hecho con él hoy. La tasa de interés le pone un precio a esa renuncia. Por eso ayuda a traducir una intuición económica abstracta a una experiencia muy humana. Elegir entre consumir, ahorrar o endeudarse no es solo mover dinero entre casillas. Es decidir cómo distribuir el tiempo al que ese dinero da acceso.

Ese punto se vuelve más visible cuando pensamos en crédito e inversión. No pedimos prestado para contemplar el dinero, sino para usarlo. Y como usar hoy recursos ajenos tiene un costo, el uso debe generar un beneficio suficiente para justificarlo. Cuando la tasa es baja, más proyectos parecen viables y más decisiones presentes encuentran financiamiento. Cuando la tasa es alta, el margen de error se reduce y la disciplina se vuelve más estricta. Lo que cambia no es solo el costo financiero de adelantar recursos. Cambia la exigencia que el futuro impone sobre las decisiones del presente.

La misma lógica vale del lado del ahorro. Cuando la tasa sube, posponer consumo se vuelve relativamente más atractivo. Cuando baja, ese premio se reduce y el presente gana peso. Por eso la tasa modifica la forma en que una economía distribuye decisiones entre hoy y mañana. No obliga mecánicamente a nadie, pero sí reordena incentivos. Vuelve más razonables ciertos usos del tiempo y menos razonables otros.

Desde ahí se entiende mejor por qué la tasa importa tanto a nivel agregado. Cuando sube, endeudarse se encarece, parte del consumo financiado se modera y algunos proyectos de inversión dejan de justificarse. Cuando baja, ocurre lo contrario. Pero conviene no leer esta secuencia como si fuera automática. La tasa no es un interruptor. Puede hacer más atractivo el crédito o el ahorro, pero su efecto depende del contexto en el que opera. Si el futuro se percibe oscuro, la baja en el costo de adelantar recursos puede no alcanzar para activar decisiones. En esos casos, el problema no es solo financiero. Es también un problema de expectativas.

Ahí aparece un límite importante. La tasa organiza el intercambio entre presente y futuro, pero no controla por sí sola la forma en que ese futuro es percibido. Una empresa puede enfrentar una tasa baja y aun así posponer inversión si no espera demanda suficiente. Un hogar puede encontrar crédito relativamente barato y, sin embargo, evitar endeudarse si percibe fragilidad en su ingreso. La tasa modifica incentivos, pero no reemplaza confianza, horizonte ni criterio. Por eso la política monetaria puede influir mucho sin volverse omnipotente.

El caso de tasas muy bajas, e incluso negativas, vuelve ese límite todavía más visible. Cuando una autoridad monetaria lleva la tasa hacia cero o por debajo de cero, intenta empujar a la economía a usar el presente y no a refugiarse en la espera. En ese extremo, ya no solo se reduce el premio por ahorrar. También puede aparecer un castigo explícito a mantener ciertos recursos inmóviles en activos muy seguros o muy líquidos. Pero incluso ahí el resultado no está garantizado. Si el miedo al futuro domina, una tasa negativa puede revelar más sobre la debilidad de las expectativas que sobre la potencia de la política monetaria.

En un entorno internacional, esa misma lógica temporal se amplía. La tasa también afecta flujos de capital y, por esa vía, el tipo de cambio. El puente entre ambos es directo. Si una tasa más alta vuelve relativamente más atractivos los activos denominados en una moneda, aumenta el incentivo a demandar esa moneda para comprar esos activos. Esa mayor demanda tiende a fortalecer su precio frente a otras monedas. Si la tasa baja y el atractivo relativo se reduce, parte de esos flujos puede buscar otros destinos y la moneda puede perder valor. Pero tampoco aquí la tasa manda sola. El tipo de cambio también responde al riesgo percibido, a la inflación esperada, a la credibilidad de la política económica y a la confianza general en el rumbo del país.

Por eso una tasa alta no tiene una sola lectura. Puede ser señal de disciplina monetaria cuando ayuda a contener inflación y a sostener credibilidad. Pero también puede reflejar precisamente el problema que intenta corregir. Si la inflación es alta o el riesgo del país aumenta, la tasa suele subir porque prestar, ahorrar o invertir en esa moneda exige una compensación mayor. En ese caso, la tasa elevada no expresa tranquilidad, sino la necesidad de ofrecer un premio más alto para retener recursos en un entorno más incierto.

La misma ambigüedad aparece del lado de las tasas bajas. Pueden acompañar estabilidad y confianza cuando la inflación es baja, las expectativas están ancladas y no hace falta ofrecer un premio elevado para mantener recursos en la moneda local. Pero también pueden aparecer en economías débiles, donde la autoridad monetaria intenta estimular demanda, inversión y crédito porque el crecimiento es insuficiente y el futuro se percibe frágil. La tasa sigue siendo importante, aunque no porque mande sola, sino porque resume una parte del precio relativo entre esperar aquí o buscar otro futuro en otra moneda.

Finalmente, conviene recordar que dentro de un mismo país no existe una sola tasa de interés. Conviven muchas, porque el costo del dinero cambia con el plazo, con el riesgo de quien pide prestado y con el instrumento utilizado. Aun así, suele existir una tasa de referencia determinada por la autoridad monetaria que funciona como punto de partida para muchas otras. Esa tasa no es buena o mala por sí misma. Su nivel cambia porque la economía cambia, y porque se busca equilibrar objetivos que a veces entran en tensión, como estabilidad de precios, crecimiento, empleo y estabilidad financiera.

Entender la tasa de interés como precio del tiempo ayuda a ver un hilo conductor entre escenas que a menudo se estudian por separado. Une decisiones individuales y resultados agregados. Conecta consumo, ahorro, crédito, inversión, expectativas y política monetaria dentro de una misma estructura de renuncias y compensaciones. Al final, una tasa de interés no solo mide una variable financiera. Dice algo más importante sobre cómo una sociedad organiza el intercambio entre presente y futuro bajo condiciones de escasez e incertidumbre.

Suscríbete ahora

Compartir

Deja un comentario

La respuesta visible de la IA ya llega fijada en texto. Para lo que interesa aquí, conviene distinguir entre esa salida final y la distribución de probabilidades que la precede. Como simplificación analítica, esa distinción permite pensar con precisión el problema que estudia el paper. Por eso dos respuestas idénticas pueden haber nacido de estados internos muy distintos. Un sí puede venir acompañado por una distribución muy concentrada, algo cercano a un 95/5, o por una inclinación apenas suficiente, algo más parecido a un 55/45. El usuario, sin embargo, recibe el mismo sí. Ahí está el problema que vuelve interesante el paper de Chen, Didisheim y Somoza. La respuesta final concentra la atención en una conclusión y deja fuera la incertidumbre que debería influir en el peso que le damos.

Lo curioso es que fuera de la IA ya usamos ese criterio con bastante naturalidad. En el clima o en las encuestas no tratamos del mismo modo un resultado puntual cuando viene acompañado por incertidumbre o margen de error. Aceptamos que esa información adicional cambia cuánto peso conviene darle al dato visible. Con la IA, en cambio, tendemos a suspender ese hábito. Una respuesta bien formulada recibe un voto de confianza que no solemos conceder tan fácilmente en otros contextos, como si la inteligencia que la produce redujera por sí sola la duda. Y, sin embargo, también ahí importaría saber cuánta incertidumbre quedó escondida detrás de la respuesta visible de la IA.

Si ese es el problema, la pregunta ya no es solo qué respondió el modelo. También es cómo recuperar parte de la incertidumbre que quedó comprimida en la respuesta visible. El usuario típico no accede a esa capa y recibe solo el texto final. El aporte del paper de Chen, Didisheim y Somoza está en abrirla parcialmente. Lo hace en dos movimientos complementarios. Primero accede a las probabilidades previas a la respuesta. Después restringe la salida para que esa incertidumbre se mida sobre la decisión relevante y no sobre la forma de redactarla.

El primer movimiento consiste en acceder a las probabilidades previas a la respuesta. Esa información no forma parte de la experiencia normal del usuario, porque la interfaz entrega una salida ya resuelta y no la distribución que la sostuvo. Hace falta un acceso más interno al LLM, del tipo que ofrecen ciertos modelos o interfaces de programación, para recuperar esa información y trabajar con ella. Pero incluso con ese acceso persiste un problema. Una respuesta demasiado libre reparte la probabilidad entre muchas formas equivalentes de decir casi lo mismo y vuelve a mezclar la convicción sobre el juicio con la forma verbal que adopta.

Ahí aparece la segunda decisión metodológica, que al principio puede sonar extraña. Consiste en obligar al modelo a responder dentro de un conjunto pequeño de opciones, algo como A/B o sí/no. La lógica es separar la incertidumbre sobre el juicio de la incertidumbre sobre la redacción. Si la salida queda abierta, el modelo puede repartir probabilidad entre positivo, favorable, buena noticia o una frase más larga que apunta en la misma dirección. Esa dispersión puede parecer duda cuando a veces solo refleja variedad verbal. Además, cada token adicional modifica el contexto del siguiente y abre nuevas ramas posibles. Restringir la salida vuelve más legible el problema. Una respuesta breve deja ver mejor cuánto peso tenía la decisión central, mientras que una respuesta larga reparte ese peso entre matices y giros que vuelven más difícil distinguir si el modelo dudaba sobre el problema o solo sobre la forma de decirlo.

En general, una respuesta más convincente no tiene por qué ser una mejor respuesta. Muchas veces solo suena mejor. Lo valioso del paper es que encuentra evidencia de algo más preciso. Cuando la respuesta del modelo viene acompañada por mayor convicción interna, tiende a ser más confiable que cuando esa convicción es baja. La señal importante no es una seguridad verbal añadida después, sino una estructura probabilística que ya estaba ahí antes de la respuesta visible.

Esa diferencia ya se ve en el experimento central del artículo. El modelo clasifica noticias financieras como positivas o negativas para una acción y los autores comparan esa clasificación con lo que luego ocurre en el precio. La precisión aumenta de forma monotónica con la convicción interna. Las respuestas de baja convicción se acercan bastante a un acierto casi aleatorio. Las de alta convicción aciertan más. El resultado no promete infalibilidad. Muestra algo más útil. La incertidumbre interna ayuda a distinguir señales que merecen más atención de otras que apenas justifican actuar sobre ellas.

En finanzas esa diferencia adquiere un uso especialmente claro en el propio paper. Una misma dirección no merece siempre el mismo peso. No toda señal positiva vale igual ni toda señal negativa justifica la misma reacción. Cuando los autores filtran las clasificaciones del modelo por convicción interna, las de mayor convicción sostienen mejores resultados que las que entran sin distinción, mientras que las de baja convicción se parecen más al ruido que a información aprovechable. Ahí aparece la utilidad económica de la incertidumbre interna. Ayuda a decidir cuándo una señal merece entrar en juego y cuándo conviene dejarla fuera, en lugar de tratar toda respuesta como si llevara el mismo respaldo.

El contraste con la confianza declarada termina de fijar el punto. Una salida natural sería preguntarle al propio modelo qué tan seguro está. Esa segunda respuesta parece intuitiva y más accesible que trabajar con probabilidades internas. Pero también es texto generado. Aparece después de la respuesta sobre el problema y vuelve a pasar por el mismo proceso de decoding, con sus sesgos y convenciones. Puede sonar segura sin que esa seguridad verbal coincida con la convicción probabilística que sostuvo la primera respuesta. La diferencia importa porque una cosa es el juicio que organizó la respuesta y otra la manera en que el modelo habla, después, de su propia seguridad.

Leído fuera del detalle técnico, el paper obliga a separar dos cosas que solemos leer juntas. La respuesta sobre el problema concentra un juicio probabilístico más amplio. La seguridad verbal que puede venir después no lo aclara por sí sola. Por eso una respuesta convincente no debería recibir automáticamente el mismo peso que una respuesta verdaderamente confiable.

Eso importa especialmente en finanzas, donde rara vez actuamos sobre una afirmación aislada y casi siempre actuamos sobre una señal cuyo valor depende de cuánto merece creerse. Pero la lección no se agota ahí. También cambia cómo conviene leer la IA en general. Usarla bien no consiste solo en pedir respuestas más rápidas o más elegantes. Consiste en recuperar, aunque sea de forma parcial, la incertidumbre que la respuesta final suele ocultar. Una interfaz más honesta ayudaría a distinguir entre una respuesta verdaderamente respaldada y una respuesta que solo suena más limpia que la duda que la precedió.

Suscríbete ahora

Compartir

Deja un comentario

Esa función intermedia no es una rareza de las finanzas. Entender fenómenos complejos exige alguna forma de descomposición. A veces analizamos separando partes. Otras veces comparamos para resaltar una diferencia relevante. En otros casos recurrimos a analogías que trasladan un problema a un terreno más conocido para volverlo más legible. Los modelos hacen algo parecido de manera más explícita. Reorganizan la complejidad del mundo de una forma que vuelve más inteligibles relaciones que, en la experiencia, aparecen mezcladas.

En finanzas esto importa especialmente porque trabajamos con decisiones tomadas antes de conocer el desenlace, con datos incompletos y con efectos que rara vez aparecen solos. Ahí simplificar puede aclarar el problema porque crea un entorno más controlado para observar interacciones que, en su escala natural, serían difíciles de separar. Un análisis de estática comparativa ayuda a aislar, mediante una derivada parcial, una relación que en el mundo observado aparece mezclada con muchas otras. Una simulación o un bootstrap tampoco reproducen el mundo completo, pero sí permiten explorar la variabilidad plausible de una estimación y pensar escenarios contrafactuales bajo supuestos alternativos. El problema aparece cuando olvidamos esa mediación y lo tratamos como si fuera una representación fiel del todo.

Aquí aparece una objeción razonable. Afirmar que un modelo simplifica puede sonar como una excusa elegante para ocultar que no tenemos una explicación suficiente de la realidad. Pero esa objeción también parte de una expectativa confusa. Buscamos una representación útil del mundo. Si un modelo capturara sin pérdida toda la complejidad de lo real, dejaría de funcionar como modelo y se confundiría con aquello que pretende explicar. Su valor está en hacer visible una estructura relevante sin pretender que el fenómeno completo quede contenido de una sola vez en el mismo marco.

Ahí empieza una parte importante del malestar con los modelos. El problema puede surgir en la especificación o la estimación, en la lectura de los resultados o en las expectativas que proyectamos sobre ellos. Una regresión lineal difícilmente va a iluminar bien una relación que no es lineal. Un ARIMA mal especificado puede fracasar menos por el método que por tratar como estacionaria una serie que primero debía diferenciarse, y un pronóstico puede considerarse erróneo aunque el valor observado haya caído dentro del intervalo que el propio modelo consideraba plausible. El CAPM también se deforma cuando se le pide pronosticar rendimientos puntuales. Su tarea es aislar una dimensión muy concreta del riesgo de mercado, no anticipar el destino exacto de un activo.

También hay errores de otro tipo. A veces el problema está en la herramienta elegida. Usar Black-Scholes en su versión estándar para valorar opciones americanas, donde el ejercicio anticipado importa, deja ver que el problema exige otra estructura. Y la situación se vuelve todavía más grave cuando ese traslado incorrecto termina reproduciéndose también en la enseñanza, incluso en la universidad, como si la herramienta fuera una receta general y no una respuesta a una estructura específica. La decepción aparece entonces porque nosotros lo llevamos fuera de su terreno.

El error se vuelve más serio cuando acomodamos los datos para que el modelo se vea mejor. Quitar outliers solo porque incomodan el ajuste puede terminar borrando justo la parte del fenómeno que más importaba entender. A veces esos valores extremos sí son errores de medición y conviene tratarlos como tales. Pero otras veces reflejan cambios reales, crisis, rupturas o episodios que forman parte del problema. Incluso cuando una IA sugiere limpiar observaciones para mejorar el ajuste, el criterio tiene que sobrevivir a la comodidad técnica. Mejorar la forma estadística del modelo a costa de vaciar el fenómeno que debía capturar es una manera elegante de equivocarse. Y cuando esa limpieza deja de responder al fenómeno y empieza a responder a la conveniencia del analista, el problema deja de ser solo técnico y roza también una cuestión ética.

Todo esto ayuda a ver un punto más general. También importa cómo simplifica un modelo. Algunos modelos simples distorsionan demasiado y otros iluminan con precisión una relación importante. Algunos modelos complejos capturan mejor una realidad difícil y otros solo añaden detalle sin mejorar comprensión. Entre comprensibilidad y fidelidad suele haber un trade-off: cuanto más manejable se vuelve un modelo, más probable es que deje fuera parte del fenómeno; cuanto más intenta acercarse a la complejidad del mundo, más difícil puede volverse su lectura. Por eso la investigación no busca escapar de los modelos, sino proponer, contrastar y refinar aquellas simplificaciones que ayudan más a entender. La tarea consiste en usar la simplificación con más criterio.

Y si eso importa para investigar, también importa para enseñar. La experiencia profesional orienta el juicio y sería un error minimizar su valor. El problema es que esa experiencia se acumula lentamente, mientras que el tiempo de aula es breve y exige decisiones sobre qué conviene aprender de manera sistemática. En estudiantes jóvenes todavía no suele haber mucho tiempo de práctica, pero sí claridad, plasticidad y capacidad de aprender con método. Por eso vale la pena invertir ese tiempo en modelos sencillos antes de exigir herramientas más complejas o confiar demasiado en la intuición. Los modelos simples no agotan la realidad, pero enseñan a identificar relaciones básicas, a explicitar supuestos y a pensar con más orden que un simple guesstimate. El aula no compite con la experiencia. La prepara y le da un lenguaje más disciplinado cuando finalmente llega.

Leído así, el valor de un modelo consiste en obligarnos a pensar la realidad con más disciplina de la que tendríamos a simple intuición. La cuestión central es recordar qué simplifica, para qué lo hace y hasta dónde alcanza. En finanzas, aprender a usar modelos bien equivale a tratar el mundo observado con suficiente rigor para poner a prueba nuestras interpretaciones, en lugar de acomodarlo a ellas.

Suscríbete ahora

Compartir

Deja un comentario

La discusión suele partir de extremos. Un extremo asume que la IA resolverá casi todo y que su incorporación mejorará por sí sola el aprendizaje. El otro asume que su uso solo puede degradar la formación y vaciar de sentido el esfuerzo académico. Ninguna de esas lecturas orienta bien el problema. La experiencia en aula sugiere una distinción más precisa. La IA puede acelerar la comprensión o acelerar la ilusión de comprensión.

Esa diferencia se vuelve visible en el tipo de uso. Cuando una persona utiliza IA para obtener un resultado rápido y detenerse ahí, puede producir entregables ordenados y plausibles sin dominar metodología, conceptos ni límites del análisis, ni comprender los supuestos implícitos que sostienen la respuesta. El desempeño puede verse convincente y, aun así, dejar intacta la fragilidad del aprendizaje. Ahí aparece el riesgo central: una ejecución con apariencia de control que no descansa en criterio propio. En un entorno de automatización creciente, esa base sigue siendo decisiva, porque solo desde ahí se puede innovar, adaptar criterios y producir soluciones nuevas cuando los problemas cambian.

Ese riesgo se agrava porque la salida de la IA suele ser convincente en forma y tono. La respuesta llega rápido, con estructura y seguridad retórica. Esa combinación puede inducir sobreconfianza. No hace falta mala fe para caer en eso. Basta con un entorno que premia velocidad y entrega inmediata. La rapidez, por sí misma, no garantiza aprendizaje, y tampoco toda fricción lo mejora. El problema aparece cuando se elimina justo la fricción que obliga a discriminar, comparar alternativas, detectar errores y revisar supuestos. La diferencia entre fluidez y aprendizaje durable es conocida en educación. Aprender mejor no exige volver todo más difícil, sino preservar las dificultades que forman criterio.

La misma herramienta se vive de manera distinta a cada lado del aula. Para muchos estudiantes, aparece primero como una promesa de alivio. Tareas que antes exigían más tiempo, más ensayo y más frustración ahora parecen resolverse con mayor rapidez y con resultados que lucen mejores. Desde esa perspectiva, la IA sugiere que aprender puede volverse más eficiente y menos costoso. Para el docente, en cambio, esa misma facilidad cambia el problema. La IA no solo puede producir respuestas convincentes. También puede ofrecer explicaciones, metodologías y justificaciones bien articuladas. Por eso, ni el resultado final ni su razonamiento escrito bastan ya, por sí solos, como evidencia suficiente de comprensión.

Esa divergencia exige darle a la herramienta un lugar más preciso dentro del aprendizaje. Su valor aparece cuando se la integra de manera explícita como asistente en tareas donde su aporte es real y verificable. Puede ayudar a recorrer grandes volúmenes de texto, traducir materiales, automatizar partes de un proceso o acelerar la implementación técnica de una idea. Ese apoyo puede ampliar el alcance del trabajo sin vaciarlo de sentido. El problema aparece cuando la herramienta deja de asistir una tarea y empieza a ocupar el lugar del razonamiento que el estudiante debe desarrollar o del desempeño que la evaluación necesita observar.

Ese criterio importa más porque el problema no surge de la nada. La educación ya había tenido que absorber herramientas que desplazaban partes del trabajo intelectual, aunque la diferencia actual es más exigente. Con internet se temió que nadie volvería a pensar porque la información estaría siempre disponible. Con calculadoras se temió que la matemática se vaciaría de contenido. El tiempo mostró algo más matizado. Las herramientas no eliminan la necesidad de comprender. Cambian qué habilidades se vuelven centrales para comprender y decidir bien. La diferencia actual es de escala, pero también de opacidad. La IA generativa puede producir una versión verosímil del razonamiento ya terminado. Eso vuelve menos visible el proceso y más difícil distinguir entre quien entendió, quien editó con criterio y quien solo ensambló una respuesta convincente. En programas orientados a la toma de decisiones, esa opacidad obliga a rediseñar la evaluación.

Antes delegábamos búsqueda, cálculo o edición. Ahora también delegamos redacción argumentativa, clasificación semántica y parte de la exploración conceptual inicial. Esa delegación amplía productividad, pero también desplaza el punto crítico de calidad hacia el juicio con que se formula, se supervisa y se defiende lo que se presenta. Ahí aparece una oportunidad concreta para la escuela de negocio, precisamente porque su tarea no es solo enseñar a producir respuestas, sino a sostenerlas bajo escrutinio.

Para que ese criterio no quede en una declaración general, el rediseño de evaluación debe mover la atención desde el producto aislado hacia la calidad del proceso que lo sostiene. En una escuela de negocio, eso implica dar más peso a instancias donde el criterio se vuelve visible en interacción: una defensa breve, una discusión en vivo sobre decisiones tomadas, una respuesta a objeciones en tiempo real, además de memos o registros de alternativas descartadas. El punto no es reemplazar todo por exámenes orales, sino recuperar formas de evaluación en las que la comprensión resulte menos fácil de delegar por completo. La evaluación debe distinguir entre quien incorpora una caja negra con juicio y quien depende de ella sin entender sus límites. Delegar bien exige comprender lo suficiente aquello que se delega. De otro modo, se pierde la capacidad de pedir con criterio, detectar incoherencias y evaluar lo que se recibe. Aprender exige planificar, monitorear y corregir el propio proceso, no solo presentar un buen producto final.

Esta lógica también protege el uso responsable de la IA. Cuando el estudiante sabe que tendrá que explicar decisiones, argumentar en tiempo real y responder objeciones, prepara el trabajo de otra forma. La herramienta deja de operar como sustituto del pensamiento y pasa a funcionar como amplificador del pensamiento. Ese cambio vuelve más exigente el rol docente: entrenar juicio sobre calidad de evidencia, robustez de inferencias y límites de automatización, y desarrollar una alfabetización en IA que no se confunda con destreza superficial de prompting.

En ese mismo cambio también hay una oportunidad menos visible. La educación superior ha dicho desde hace tiempo que una de sus metas es formar personas capaces de aprender por cuenta propia, con mayor autonomía y criterio. Esa aspiración nunca fue simple, porque aprender a aprender exige orientación, disciplina y capacidad de corregirse. La IA puede volverla más alcanzable cuando funciona como apoyo para explorar opciones, contrastar enfoques, aclarar dudas y acelerar ciclos de prueba y revisión. Esa promesa solo se cumple cuando la herramienta fortalece la capacidad de aprender, en lugar de reemplazarla con respuestas que ahorran el trabajo intelectual del que esa capacidad depende.

La discusión de fondo, entonces, integra tecnología y pedagogía. La calidad de la adopción depende menos de la herramienta en sí que del uso que se le exige dentro del aprendizaje. Por eso, para una escuela de negocio, la tarea consiste en usarla sin vaciar la formación de criterio.

Si ese criterio se mantiene, la IA puede elevar la ambición de la educación superior en vez de degradarla. Puede llevar a proyectos más complejos, preguntas más interesantes y ciclos de aprendizaje más rápidos sin perder rigor. Si ese criterio se debilita, la misma tecnología puede normalizar una cultura de respuestas impecables en forma y frágiles en sustancia. La diferencia entre ambos escenarios no está escrita en la herramienta. Cuando una herramienta facilita producir respuestas convincentes, el resultado final dice menos sobre cuánto entendió realmente quien lo presenta. Por eso, la tarea pedagógica más importante pasa a ser volver visible el razonamiento que sostiene esa respuesta. De eso dependen las expectativas, la evaluación y el tipo de responsabilidad intelectual que la institución decide exigir.

Suscríbete ahora

Compartir

Deja un comentario

La cuestión decisiva, por eso, no es únicamente qué recursos tiene una persona, sino cómo los ordena. Dos personas con medios semejantes pueden conducir su existencia de formas muy distintas. Una puede sostener equilibrio con poco, mientras otra puede vivir en desborde aun contando con más. La diferencia depende de la dotación inicial, pero no se agota en ella. También depende de qué prioridades se privilegian, qué costos se aceptan y qué peso relativo se asigna a las distintas áreas de la vida.

En ese punto, la teoría de portafolios ofrece una ayuda más seria de lo que sugiere una simple analogía. Su valor está en ofrecer un lenguaje preciso para pensar un problema práctico que sí comparten ambos terrenos: asignar bajo restricción en función de un objetivo, elegir entre fines que compiten, aceptar costos de oportunidad, evitar concentraciones que vuelven frágil toda la estructura y corregir desbalances cuando cambian las condiciones.

Vista así, la comparación busca volver más legible una parte de la organización de una vida. Un portafolio obliga a pensar qué se privilegia, qué se sacrifica y qué nivel de exposición puede sostenerse sin perder el rumbo cuando el contexto cambia. En la conducción de una vida aparece una dificultad parecida. No porque todo pueda medirse del mismo modo, sino porque también ahí una persona distribuye medios limitados entre bienes rivales y revisa prioridades a lo largo del tiempo.

Para que esa comparación no se vuelva confusa, conviene distinguir dos planos. Una cosa son los recursos escasos con los que una persona organiza su vida. Otra cosa son los fines entre los que esos recursos se distribuyen. Confundir ambos planos vuelve impreciso el problema, porque no es lo mismo hablar de aquello con lo que una persona decide que hablar de aquello a lo que decide entregarse.

La asignación de pesos ocurre justamente en ese cruce. Dar más espacio a una dimensión suele implicar restarlo de otra. Concentrar atención en el logro puede reducir el margen para el descanso o los vínculos. Privilegiar estabilidad puede limitar apuestas más intensas. Entregar gran parte del tiempo a una pérdida o a un conflicto puede estrechar la mirada hasta volver secundario todo lo demás. La cuestión, entonces, no pasa solo por tener más o menos recursos. También depende de cómo se reparten y de la jerarquía práctica que esa distribución termina revelando.

Esa precisión importa también por otra razón. No existe una asignación óptima en abstracto. En finanzas, tampoco existe una cartera objetivamente superior para cualquier inversionista. Su conveniencia depende de objetivos, horizonte, tolerancia al riesgo, restricciones y preferencias. Una composición puede ser razonable para una persona e inadecuada para otra. En la conducción de una vida ocurre algo parecido. La forma en que una persona distribuye sus recursos se entiende mejor cuando se mira en relación con la escala de valores que orienta su vida. Para alguien, dar un peso dominante a la vida espiritual puede ser una decisión coherente y valiosa. Para otra persona, el centro puede estar en el cuidado de otros, en la estabilidad familiar, en el logro o en una combinación distinta de prioridades. Lo decisivo está en que esa distribución guarde alguna coherencia con aquello que la persona reconoce como central.

Eso también obliga a evitar una confusión frecuente. Una asignación muy concentrada no es, por sí misma, un error. Puede responder a una convicción profunda y sostener una forma de plenitud que desde fuera parecería desequilibrada. Lo que vuelve defectuosa una distribución no es su intensidad, sino su desajuste. Cuando los pesos reales contradicen de manera persistente los valores que la persona dice sostener, o cuando se organizan en torno a impulsos, hábitos o presiones que la propia experiencia termina desmintiendo, aparece una fractura más seria. El problema aparece cuando las prioridades vividas dejan de alinearse con los valores reconocidos.

Nada de esto garantiza que el criterio de asignación mejore de manera automática con la edad, la educación formal o la abundancia de recursos. La experiencia cotidiana muestra algo más incómodo. Hay personas con poco, e incluso niños, que viven con una claridad y una proporción que muchos adultos no consiguen sostener. Del otro lado, también hay personas altamente educadas, con estabilidad material y con más herramientas para decidir, que organizan sus recursos de manera tal que viven en angustia, saturación o desorden interior.

Ese contraste impide convertir este problema en una cuestión de credenciales. Tener más información, más edad o más medios puede ampliar el margen de maniobra, pero no asegura una mejor jerarquía de prioridades. Por eso la dificultad no se resuelve solo con acumulación. También exige una forma de discernimiento que no coincide siempre con instrucción, posición o etapa de vida.

Esa dificultad se entiende mejor cuando se recuerda algo más básico. La existencia humana no llega completamente orientada por una pauta fija. A diferencia de formas de vida más estrechamente guiadas por el instinto, una persona no recibe desde el inicio una jerarquía cerrada de prioridades capaz de ordenar cada decisión importante sin conflicto. Tiene impulsos, hábitos, necesidades, afectos, presiones externas, aspiraciones y marcos de sentido que no siempre apuntan en la misma dirección. Por eso, puede quedar dividida, sobrerreaccionar, confundir lo urgente con lo importante o convertir un estado transitorio en criterio permanente de interpretación.

En ese punto, la analogía financiera recupera fuerza. Un gestor inexperto o dominado por el ruido puede confundir una oscilación momentánea con un cambio estructural, concentrar demasiado una cartera o alterar su estrategia en función del miedo, la euforia o la presión del entorno. Algo semejante ocurre en la conducción de una vida. Una persona también puede asignar demasiado peso a una pérdida reciente, a una ambición desordenada, a una expectativa ajena o a una narrativa que ya no describe bien su situación. El error aparece cuando esa intensidad reorganiza toda la distribución de prioridades sin el debido juicio.

Pero la misma apertura que vuelve posible el error vuelve posible la corrección. Una vida humana no está cerrada del todo sobre una distribución fija. Puede aprender, revisar y reconocer que ciertas prioridades absorbieron más de lo que debían, que algunos sacrificios dejaron de tener sentido o que ciertos compromisos ya no responden al orden de valores que antes pretendían servir. Esa capacidad de ajuste no elimina la incertidumbre, pero introduce una forma de libertad práctica que permite reordenar la vida sin empezar desde cero.

En finanzas, rebalancear consiste en corregir una deriva de pesos que dejó de reflejar el objetivo inicial o las condiciones reales de quien invierte. En la conducción de una vida ocurre algo semejante. Revisar prioridades no implica inconsistencia por sí misma. A veces es una señal de maduración. La experiencia enseña, entre otras cosas, a distinguir mejor entre lo inmediato y lo decisivo, entre convicciones propias y presiones prestadas, entre pérdidas que deben ser reconocidas y pérdidas que no deberían recibir soberanía sobre todo lo demás. Aprender a reajustar la asignación de pesos no garantiza plenitud, pero sí vuelve más probable una forma de existencia más alineada con lo que una persona, después de vivir y corregirse, reconoce como valioso.

Conviene, aun así, no exagerar el alcance de la comparación. Un portafolio puede evaluarse con objetivos relativamente definidos y con métricas más estables de riesgo, retorno y exposición. La conducción de una vida incluye dimensiones que no se dejan traducir limpiamente a ese lenguaje. Amor, duelo, dignidad, deber, pertenencia, culpa, gratitud. No todo lo decisivo admite cálculo ni toda decisión importante puede justificarse como si respondiera a una función de optimización.

Pero ese límite no vuelve inútil la analogía. La vuelve más precisa. Su valor está en iluminar una parte de la dificultad práctica de vivir. Una persona no elige todas las circunstancias que atraviesa, pero sí participa en la importancia relativa que les otorga, en la forma en que reparte su atención, en los sacrificios que acepta y en el modo en que corrige lo que ya no puede sostener. En ese sentido, pensar la vida desde la asignación de pesos no resuelve el problema de cómo vivir. Ayuda, más modestamente, a formularlo con mayor precisión. Y cuando se trata de orientar una vida, esa precisión no es menor.

Suscríbete ahora

Compartir

Deja un comentario

Por eso finanzas es, antes que nada, una forma de ordenar decisiones. No se trata de rendimientos ni tecnicismos. Se trata de elegir qué hacemos hoy y qué dejamos para después, bajo restricciones. En ese sentido, finanzas funciona como una infraestructura social. Conecta a quienes pueden postergar consumo con quienes necesitan adelantarlo. Conecta al presente con el futuro. Y si esa infraestructura opera bien, amplía posibilidades. Si opera mal, también amplifica desigualdad, fragilidad y costos que suelen aparecer lejos de donde se originaron.

El ser humano necesita dimensiones no materiales, pero también necesita pagar bienes y servicios en su vida diaria. Como el dinero no alcanza para todo, una parte de la solución financiera consiste en incorporar el futuro. Muchas personas no pueden comprar una casa hoy, pero podrían hacerlo si consideramos sus ingresos de los próximos años. De ahí que el futuro juegue un papel central. Existen instrumentos que permiten postergar consumo, como el ahorro, y otros que permiten adelantarlo, como el crédito. En principio, el sistema financiero facilita que quienes deciden esperar puedan financiar a quienes necesitan actuar ahora.

Ese principio, sin embargo, no se cumple de manera automática. Finanzas funciona mejor cuando las personas tienen conocimiento básico y, al mismo tiempo, acceso razonable a productos y servicios financieros. La innovación financiera puede mejorar el bienestar, pero sus beneficios no siempre llegan a todos. En algunos contextos, la falta de competencia y una regulación débil reducen los incentivos para atender a segmentos de menores ingresos y empujan a las instituciones a concentrarse en clientes grandes. En otros, la falta de conocimiento básico vuelve más probable que las personas se alejen del sistema financiero, no por elección, sino por confusión, desconfianza o malas experiencias. Cuando estas condiciones se combinan, se refuerza un patrón predecible. Quien ya tiene más recursos y más información aprovecha mejor el sistema. Quien tiene menos queda expuesto a pagar más, a acceder peor o a quedar fuera.

Por eso la educación financiera tiene un valor social que va más allá del individuo. Aprender a registrar ingresos y gastos, llevar la contabilidad de una microempresa o usar de manera responsable una tarjeta de crédito no resuelve todos los problemas, pero sí reduce errores frecuentes y costosos. Del lado institucional, impulsar una regulación que propicie competencia y transparencia no garantiza prosperidad, pero sí mejora el terreno en el que se toman decisiones. El punto no es idealizar al sistema financiero. Es reconocer que su diseño y su alcance condicionan si la promesa de bienestar es realista o es solo un discurso.

Cuando el sistema financiero formal no llega, el espacio se llena con alternativas. Y esas alternativas con frecuencia son más caras y más riesgosas para quien las utiliza. Préstamos informales fáciles de obtener pero con condiciones abusivas, fraudes, y formas de cobro apoyadas en intimidación o violencia son síntomas de un espacio donde faltan alternativas accesibles y mecanismos efectivos de protección. Estas consecuencias se intensifican cuando la educación financiera es baja, porque la vulnerabilidad aumenta. No se trata sólo de que falten productos. Se trata de que, sin un sistema confiable, las personas quedan expuestas a arreglos que trasladan riesgos y costos hacia quienes menos margen tienen.

Incluso dentro del sistema formal, el equilibrio es frágil. El crédito es una herramienta útil, pero puede malinterpretarse. Puede dar la impresión de que es posible aumentar ingresos o postergar pagos indefinidamente. Esa ilusión es peligrosa en lo personal, porque termina en sobreendeudamiento o quiebra. También es peligrosa en lo agregado, porque cuando los errores se replican a gran escala, el costo deja de ser privado. En ese sentido, finanzas no es una garantía de prosperidad. Es una forma de administrar restricciones y riesgos. Ofrece herramientas para ampliar opciones, pero también impone disciplina, porque el futuro siempre llega.

Hasta aquí la discusión parece centrada en el bienestar humano y en la inclusión. Pero la pregunta de fondo no es sólo quién accede al financiamiento, sino qué tipo de actividades y proyectos terminan financiándose con mayor facilidad. Las decisiones financieras moldean el crecimiento, la producción y, por esa vía, el entorno en el que vivimos. Si tratamos al rendimiento como fin último y a los recursos naturales como si fueran propiedad sin restricción, el resultado puede ser degradación ambiental y pérdidas irreversibles. En años recientes ha crecido la conciencia sobre el impacto de proyectos que destruyen áreas verdes o contaminan, pero la corrección sigue siendo parcial y desigual. Además, se ha vuelto más claro que la búsqueda del bien individual no produce bienestar colectivo de manera automática.

Por eso, si finanzas es una infraestructura social, su éxito no debería medirse sólo por cuánto crece el crédito o cuántos productos existen. Debería medirse por su capacidad de ampliar oportunidades sin excluir, por su capacidad de canalizar recursos sin crear fragilidad, y por su capacidad de financiar prosperidad sin destruir el patrimonio natural del que dependen otras generaciones. En última instancia, finanzas es un lenguaje para hablar de escasez, tiempo y responsabilidad. Y si ese lenguaje se usa bien, puede ayudar a tomar decisiones más libres, pero también más justas y más sostenibles.

Suscríbete ahora

Compartir

Deja un comentario

La adopción empresarial de herramientas de IA generativa en procesos de trabajo avanza con ritmos distintos y esa heterogeneidad es parte central del fenómeno. Una señal temprana y medible aparece en contratación. Tras el lanzamiento de ChatGPT, la demanda amplia de habilidades de IA se triplicó hacia mediados de 2024 y las habilidades de IA generativa o LLM pasaron de cero a cerca de 1% de las vacantes, según Eisfeldt y Schubert (2025). Esa señal común luego se traduce de forma desigual por tamaño de firma. Las empresas grandes suelen convertir antes la IA en productividad porque absorben mejor costos de prueba, integración y corrección. Las pymes también adoptan, pero enfrentan más fricciones para llevar pilotos a producción estable por restricciones de talento, infraestructura y gobernanza de datos.

La evidencia de OECD entre 2025 y 2026 refuerza este patrón. La adopción crece en ambos grupos, pero la brecha de escala persiste, en parte porque para muchas empresas pequeñas la prioridad sigue siendo sostener la operación diaria antes que rediseñar procesos o invertir en capacidades tecnológicas. En negocios con base digital mínima, la distancia inicial es todavía mayor. La consecuencia no es solo distributiva. También redefine competencia y riesgo, porque la productividad y la capacidad de aprendizaje organizacional pueden concentrarse donde ya existen equipos, datos y capital para iterar más rápido. Reducir esa brecha exige acompañamiento humano e institucional, con formación y apoyo de implementación para quienes hoy están más lejos.

Una segunda señal aparece en los precios de mercado. En los días posteriores al lanzamiento de ChatGPT, los sectores más expuestos a IA registraron rendimientos anormales positivos frente a los menos expuestos, también según Eisfeldt y Schubert (2025). La señal económica es clara. Los inversionistas empezaron a descontar beneficios futuros heterogéneos según sector y estructura empresarial. Eso no prueba adopción plena, pero sí una reasignación temprana de expectativas sobre dónde podría concentrarse valor.

La tercera señal está dentro de las empresas, en la organización del trabajo. En cada puesto de finanzas hay tareas repetibles y tareas que exigen criterio. La IA automatiza parte de lo repetible y deja más peso humano en decisiones donde el error cuesta caro. Por eso la pregunta no es si un puesto desaparece, sino qué tareas cambian dentro de ese puesto y qué habilidades laborales pasan a ser decisivas. Eisfeldt, Schubert, Taska y Zhang (2024) precisan este punto al distinguir exposición laboral, exposición del producto y capacidad de datos. Una empresa puede estar muy expuesta por tareas administrativas y poco expuesta por producto, o al revés. Esa heterogeneidad explica por qué firmas del mismo sector reaccionan de forma distinta ante una misma ola tecnológica. La implicación es directa. La unidad relevante de análisis deja de ser el sector en promedio y pasa a ser la arquitectura de tareas y datos de cada firma, porque ahí se define quién convierte la IA en productividad y quién acumula riesgo operativo.

En investigación financiera, el cambio central es que el texto financiero pasa de ser contexto narrativo a insumo empírico medible. Eisfeldt y Schubert (2025) describen este giro como un shock tecnológico sobre la producción de conocimiento. Preguntas antes inviables por costo de lectura, clasificación y síntesis de texto hoy entran en la frontera empírica. Trabajar con corpus masivos de texto ya no es excepcional. El límite se movió desde la capacidad de procesar información hacia la calidad del diseño de medición y la solidez de la inferencia.

Ese cambio metodológico se vuelve tangible en aplicaciones concretas. Con embeddings y clasificación con LLM, la investigación puede convertir miles de reportes corporativos, conferencias de resultados y documentos regulatorios en variables comparables, en lugar de depender de lectura manual caso por caso. RAG permite localizar evidencia relevante en corpus extensos con menos resultados irrelevantes que una búsqueda por palabras. La simulación de agentes, por ejemplo perfiles virtuales de inversionistas, analistas o clientes, ayuda a probar hipótesis antes de desplegar encuestas y experimentos de campo. Esos diseños requieren más tiempo y presupuesto cuando se ejecutan directamente en terreno. El avance no es solo ahorro de tiempo. Es un cambio de escala en lo que puede medirse con rigor en finanzas y, por lo tanto, en el tipo de preguntas que pueden responderse empíricamente.

La incorporación de nuevas clases de datos, en especial texto financiero, amplía la frontera empírica y también eleva las exigencias metodológicas. Con IA generativa, los resultados pueden variar según el modelo, su versión, la forma de la instrucción y las reglas usadas para clasificar o calificar respuestas. Por eso la validación contra referencias humanas, las pruebas de sensibilidad y el registro detallado de decisiones pasan de recomendación técnica a condición de comparabilidad. El punto de fondo es que el cuello de botella se desplaza. Procesar información deja de ser el límite dominante y pasa a ser central la gobernanza de medición, la replicabilidad y la calidad de la inferencia. Cuando la herramienta de medición cambia, la consistencia del procedimiento pasa a ser parte del resultado.

La literatura reciente refuerza este diagnóstico. Calaf y Chiaramonte (2025) documentan una adopción creciente de LLM en investigación económica, y Novy-Marx y Velikov (2025) muestran reducciones sustantivas de costo en tareas de investigación asistida por IA. Desde supervisión financiera y banca central, los reportes del BIS en 2025, incluido Prenio (2025), observan un patrón similar. La adopción avanza primero en usos de menor complejidad y el cuello de botella aparece al escalar, cuando se vuelven decisivas las capacidades técnicas y los marcos de gobernanza.

En paralelo, es probable que el volumen de investigación aumente con rapidez porque formular hipótesis, contrastarlas y producir resultados cuesta menos tiempo y dinero. Ese aumento, sin embargo, no garantiza calidad. Si evaluación y diseminación se automatizan sin criterios sólidos, el sistema puede volverse más productivo y también más ruidoso. Al mismo tiempo, investigadores consolidados que adopten bien estas herramientas pueden expandir su producción de alta calidad y competir con una oferta mucho mayor de resultados heterogéneos. En ese equilibrio, el criterio humano sigue siendo decisivo para sostener estándares y separar evidencia robusta de resultados aparentes.

La cuestión de fondo no es solo tecnológica. Es una cuestión de capacidad institucional para convertir herramientas nuevas en decisiones mejores, sin perder calidad analítica. En empresas, ese criterio separa adopción superficial de productividad sostenida. En investigación, separa resultados llamativos de evidencia robusta. Con la evidencia disponible a febrero de 2026, esta lectura es sólida. Su vigencia, sin embargo, dependerá de cómo evolucionen las prácticas organizacionales y los estándares metodológicos en los próximos años.

Referencias.

Eisfeldt, Andrea L., y Gregor Schubert (2025). *Generative AI and Finance*. *Annual Review of Financial Economics* 17, 363-393. https://doi.org/10.1146/annurev-financial-112923-020503.

Eisfeldt, Andrea L., Gregor Schubert, Bledi Taska y Miao Zhang (2024). *Data, Measurement, and Stylized Facts* (working paper, SSRN 4436627).

OECD (2025). *AI adoption by small and medium-sized enterprises*.

OECD (2025). *Generative AI and the SME Workforce: New Survey Evidence*.

OECD (2026). *AI use by individuals surges across the OECD as adoption by firms continues to expand*.

Calaf, G. M., y F. M. Chiaramonte (2025). *The adoption of Large Language Models in economics research*.

Novy-Marx, R., y M. Z. Velikov (2025). *AI-Powered (Finance) Scholarship*. NBER Working Paper 33363.

Prenio, J. (2025). *Starting with the basics: a stocktake of gen AI applications in supervision*. BIS FSI Brief No 26.

BIS (2025). *The use of artificial intelligence for policy purposes: Report submitted to the G20 Finance Ministers and Central Bank Governors*.

Suscríbete ahora

Compartir

Deja un comentario

Esa complementariedad da origen a intereses que parecen encajar de manera natural. Quien tiene dinero busca oportunidades para invertir y obtener un rendimiento. Quien tiene ideas busca financiamiento para convertir un proyecto en realidad. El encuentro entre ambos es el corazón de la actividad financiera. Ese encuentro rara vez ocurre en condiciones neutrales o perfectas. Ocurre en mercados con información incompleta, costos de transacción, restricciones y criterios de selección que introducen fricciones. Por eso, aun cuando la intención general sea productiva, el resultado puede volverse desigual, costoso o, en ciertos casos, socialmente indeseable.

En la práctica, las empresas compiten por recursos escasos. Esa competencia no siempre premia el potencial de una idea. Con frecuencia pesan factores que reducen incertidumbre para quien financia, como el tamaño, la reputación, las garantías y el historial. De ahí surge un patrón recurrente. Las empresas grandes acceden con mayor facilidad a capital y a mejores condiciones. Las empresas pequeñas enfrentan barreras más altas, aun cuando su proyecto sea prometedor. El resultado suele ser una brecha que se amplía con el tiempo.

Cuando el financiamiento es escaso o caro, el problema se vuelve más delicado. Un proyecto no sólo debe ser bueno. Debe ser suficientemente rentable como para cubrir el costo del capital y todavía dejar una ganancia. Si el costo del financiamiento sube, el umbral de éxito se eleva. Proyectos con valor social pueden volverse inviables. Proyectos con retornos modestos pero estables pueden ser descartados. Al mismo tiempo, ciertos proyectos pueden seguir recibiendo capital por razones que no siempre son productividad, sino incentivos mal alineados, expectativas excesivas o protección implícita. Un sistema financiero deficiente no sólo deja fuera buenas ideas. También puede dirigir recursos de forma persistente hacia proyectos menos productivos.

Aun con un sistema que asignara bien el capital, quedaría un obstáculo que rara vez se puede eliminar. La posibilidad de fracaso. Las ideas no fracasan sólo por mala intención o mala ejecución. Muchas fracasan porque operan en un mundo incierto. Y la fuente más general de esa incertidumbre es el tiempo. Para que una idea financiada genere resultados, el tiempo debe pasar. Mientras más largo sea el horizonte del proyecto, más oportunidades hay para que cambien precios, tecnologías, preferencias, regulación, condiciones macroeconómicas o el entorno competitivo. En términos simples, el tiempo abre espacio para que algo salga mal. Por eso las decisiones de inversión y financiamiento no son sólo complejas. Son inherentemente inciertas.

Esa incertidumbre plantea otro reto central. Hay que discernir entre alternativas sin conocer el futuro. Eso es imposible. La alternativa es trabajar con proyecciones construidas con información limitada, incompleta y, en ocasiones, equivocada. El valor del análisis no está en prometer precisión, sino en disciplinar la decisión. Obliga a explicitar supuestos y a reconocer qué condiciones harían viable un proyecto y qué eventos lo harían fallar. Cuando esa tarea se hace con rigor, el futuro no deja de ser incierto, pero se vuelve menos arbitrario.

Lo anterior podría dar la impresión de que las finanzas son un asunto especializado y lejano. En realidad es lo contrario. Decisiones de financiamiento e inversión se toman todos los días en escalas muy distintas. Desde elegir un plan de telefonía o endeudarse para estudiar, hasta decidir cómo se financia una vacuna, una empresa o una infraestructura pública. Cuando estas decisiones se toman mal, las consecuencias no se limitan a un cálculo financiero. Pueden traducirse en sobrecostos, pérdida de empleos, crisis, recesiones o pérdida de vidas. Esto explica por qué es tan importante mejorar nuestro entendimiento de estas decisiones. No sólo se trata de optimizar retornos. Se trata de reducir errores costosos y aumentar la probabilidad de resultados socialmente deseables.

Por eso, el desafío no es únicamente técnico. Es institucional y humano. Un buen análisis requiere herramientas, desde evaluación de proyectos y gestión de riesgos hasta estadística y datos aplicados. Pero también requiere criterio. Requiere reconocer limitaciones, distinguir evidencia de narrativa, y resistir la tentación de interpretar el acceso a financiamiento como una señal automática de progreso. La disciplina financiera tiene la capacidad de asignar recursos a proyectos productivos, pero también la capacidad de amplificar desigualdad, sostener modelos insostenibles o construir prosperidad aparente a costa del ambiente y de la fragilidad social.

Sería autocomplaciente afirmar que quienes trabajamos en finanzas nos hemos distinguido por tomar buenas decisiones de manera sistemática. Las brechas de desarrollo, la persistencia de la pobreza, la mortalidad elevada de empresas pequeñas y la falsa prosperidad basada en degradación ambiental son recordatorios de saldos pendientes. El problema no es que falte sofisticación. En muchos casos falta alineación. Alineación entre incentivos privados y bienestar público. Alineación entre horizontes de decisión y consecuencias de largo plazo. Alineación entre la habilidad de calcular y la responsabilidad de decidir.

Al final, finanzas también es un fenómeno social. Hay decisiones correctas que no se premian de inmediato y decisiones equivocadas que no se castigan en el momento. Con el tiempo, muchas consecuencias regresan por vías indirectas, como la confianza y la reputación. Por eso decidir con evidencia, con ética y con un criterio sostenible es una forma de construir un entorno más habitable.

Suscríbete ahora

Compartir

Deja un comentario

Una empresa no aparece de la nada. Para que exista, un inversionista tiene que arriesgar recursos al inicio. Se requiere un stock inicial que permita arrancar operaciones y darle forma a algo que todavía no ha probado nada. En una relación ocurre algo parecido, con otro tipo de recursos. Al inicio hay una apuesta que no es monetaria. Tiempo, atención, interés, confianza. Con el tiempo, ese conjunto de aportaciones sostiene algo que no se ve como un objeto, pero que existe. En una empresa, vemos a los inversionistas, los empleados y los activos, pero la empresa como tal es una entidad. En una relación, vemos a dos personas, pero la relación también es una entidad que se construye entre ambos. La apuesta inicial no explica todo, pero importa. No solo por su intensidad, sino por su calidad. El modo en que empieza un proyecto deja marcas. Deja hábitos, expectativas y un margen más o menos amplio para sostener lo que viene después.

Ese punto de partida no ocurre en ausencia de límites. El recurso escaso no es el dinero, o al menos no es el principal. Lo escaso es el tiempo. Lo escaso es la energía. Lo escaso es la atención que se reparte entre trabajo, familia, salud y responsabilidades. Y, cuando lo escaso existe, existen elecciones. Elegimos qué priorizamos hoy y qué dejamos para mañana. Elegimos qué conversación aplazamos, qué costumbre mantenemos, qué actividad compartimos, qué problema atendemos en el momento y cuál dejamos crecer en silencio. Pensar una relación como proyecto de largo plazo no la enfría. Solo reconoce que, incluso en lo afectivo, hay restricciones reales.

Una empresa no puede vivir indefinidamente de su stock inicial. Por más prometedora que sea la idea, llega un punto en que lo inicial se agota si no hay flujos que mantengan viva la operación. En una relación ocurre algo similar. El arranque no alcanza. La relación se sostiene en lo cotidiano. En flujos que parecen pequeños porque no hacen ruido. Presencia, cuidado, conversación, paciencia, reconocimiento, reparación cuando hay fricción. A veces esos flujos son discretos. A veces son explícitos. A veces son simples. Pero su papel es estructural. Sin continuidad, lo inicial se vuelve un recuerdo y la relación se vuelve una entidad cada vez más frágil.

En finanzas hay un concepto sencillo que, traducido a la vida cotidiana, se entiende de inmediato. Liquidez es margen para responder. Cuando una empresa tiene liquidez, puede enfrentar imprevistos sin caer en decisiones apresuradas. En una relación, ese margen se parece menos a una reserva formal y más a algo que todos reconocemos. Tiempo disponible. Energía disponible. Capacidad de atención. Cuando la agenda está saturada y la atención está al límite, incluso los asuntos pequeños pueden convertirse en problemas grandes. Cuando hay un poco de margen, la misma situación se procesa con otra calidad. No porque aparezcan virtudes especiales, sino porque hay condiciones para pensar, hablar, corregir y sostener.

Sostener una relación no es repetir una rutina con disciplina. También implica adaptación. En una empresa, innovar no es un lujo estético. Es una forma de sobrevivir y de mantener relevancia. Cambia el entorno, cambian los hábitos, cambian los costos. En una relación, la innovación puede entenderse como algo igualmente serio, sin convertirlo en entretenimiento. Es la capacidad de ajustar hábitos para convivir mejor, de tomar mejores decisiones en conjunto, de crear experiencias que renuevan sentido, de aprender a administrar mejor el tiempo compartido, de hacer mejor las cosas sin que la vida se vuelva una lista de pendientes. Innovar aquí no es inventar una relación distinta cada semana. Es reconocer que el largo plazo exige renovación, porque el entorno cambia y las personas cambian.

Esa renovación no ocurre en un laboratorio. Ocurre mientras la vida se mueve. Y, precisamente por eso, ninguna relación se desarrolla en condiciones estables. El largo plazo, por definición, trae incertidumbre. Ninguna empresa puede anticipar todos los cambios que enfrenta. Ninguna relación puede anticipar todo lo que la vida introduce. Hay shocks. Cambios de trabajo, mudanzas, enfermedades, pérdidas, presiones familiares, temporadas de agotamiento, temporadas de calma. El punto no es exagerar su peso ni prometer inmunidad. El punto es aceptar que lo que hace valioso un proyecto de largo plazo también lo expone al mundo. Bajo esa incertidumbre, la relación se define también por su capacidad de absorber y reacomodar, de sostener continuidad sin exigir que todo permanezca idéntico.

En ese contexto, la coordinación importa. Una empresa puede tener recursos y tener operación, pero si no hay claridad mínima sobre rumbo, prioridades y reglas, la fricción se vuelve permanente. En el lenguaje corporativo eso se parece a gobierno corporativo en su sentido más básico, cómo se toman decisiones, cómo se resuelven desacuerdos, qué se prioriza cuando hay tensiones. En una relación sucede algo parecido. Las expectativas no son un contrato escrito, pero existen. Qué significa estar juntos. Qué se espera del futuro. Qué se entiende por cuidado, por apoyo, por proyecto compartido. Qué se pone primero cuando el tiempo no alcanza. El punto no es que todo se tenga que definir explícitamente. Sería artificial. El punto es reconocer que, cuando el horizonte es largo, la falta de coordinación tiene un costo. A veces se paga lentamente. A veces se paga con malentendidos que se acumulan. A veces se paga con decisiones que se posponen hasta que ya no se pueden posponer.

También está la cuestión del crecimiento. En una empresa, crecer y generar valor no se reduce a volverse más grande. Puede significar volverse más eficiente, más sólida, más capaz de sostener su propósito. En una relación, crecer no es sumar hitos ni perseguir intensidad constante. Puede significar ampliar capacidades. Capacidad de cuidado, de confianza, de comunicación, de sostener un proyecto común con espacio para respirar. Y, en algunos casos, una relación también crea valor hacia fuera de manera indirecta. No por superioridad moral, sino por efectos prácticos. Estabilidad, cooperación cotidiana, apoyo mutuo. Son cosas que no se registran como indicadores públicos, pero sostienen parte de la vida social.

La pregunta, entonces, no es solo si una relación crece, sino cómo entiende su propio crecimiento. Y ahí importa el modo de evaluación. La forma en que evaluamos un proyecto cambia lo que hacemos. En empresas, medir con plazos cortos puede inducir miopía. Empuja a decisiones que se ven bien hoy y cuestan caro mañana. En relaciones, algo parecido ocurre cuando el vínculo se evalúa con señales superficiales, con comparaciones externas o con expectativas de inmediatez. Ese tipo de medición suele empujar decisiones miopes. La forma en que medimos lo que nos importa termina influyendo en cómo lo cuidamos. Y, cuando el proyecto es de largo plazo, medirlo como si fuera de corto plazo suele distorsionar.

Las empresas son una pieza central de cómo se organiza la actividad económica. Las relaciones son una pieza central de cómo se organiza la vida cotidiana. Ambas existen en el tiempo, enfrentan incertidumbre y requieren flujos para sostenerse. La analogía no convierte al amor en contabilidad. Solo apunta a una idea simple. No todo lo valioso es medible.

Quizá por eso febrero funciona como recordatorio, no porque el amor aparezca ese mes, sino porque nos permite mirarlo con más atención. Y, para mí, también es una excusa para recordar algo más general. Las áreas de conocimiento no están aisladas. Se cruzan en la vida real porque la vida real está hecha de decisiones bajo restricciones, en horizontes que no controlamos, con incertidumbre que nunca desaparece. Mirar una relación con una lente de finanzas no explica lo esencial, pero sí ordena una parte. Y en ocasiones, ordenar una parte ya es una forma de comprender mejor.

Suscríbete ahora

Compartir

Deja un comentario

Este resultado se vuelve más claro cuando se observa el problema como una tensión de tiempos. Los costos más severos del cambio climático se acumulan en horizontes largos, mientras que buena parte del mundo corporativo y financiero opera con ventanas cortas de evaluación. Esa asimetría es lo que suele describirse como la tragedia de los horizontes temporales. No es un recurso retórico. Es una estructura de incentivos que puede hacer racional, desde lo privado, una conducta que resulta insuficiente desde lo social.

Para aterrizar el argumento conviene distinguir dos tipos de riesgo climático. El riesgo físico se relaciona con impactos directos sobre operaciones y activos, como eventos extremos, disrupciones logísticas, daños a infraestructura y pérdida de productividad. El riesgo de transición nace del desplazamiento hacia una economía baja en carbono e incluye presiones regulatorias, tecnológicas, de mercado y reputacionales. Ambos importan. Pero empujan hacia respuestas distintas porque la forma en que afectan a la empresa no es la misma.

En términos generales, frente a mayor exposición la empresa puede moverse en tres direcciones. Puede mitigar y reducir su huella ambiental. Puede adaptarse y fortalecer resiliencia ante impactos físicos mediante planes de contingencia y continuidad operativa, seguros, redundancias operativas, diversificación de proveedores o relocalización de instalaciones. O puede intentar influir el marco regulatorio y el ritmo de la transición por medio de estrategias políticas, ya sea apoyando políticas climáticas o buscando retrasarlas.

La idea incómoda aparece cuando se mira qué opción tiende a dominar. En lugar de observar un aumento proporcional de mitigación conforme sube el riesgo, el patrón es de sustitución. La exposición al riesgo físico se asocia con un giro hacia adaptación. La exposición al riesgo de transición se asocia con un giro hacia estrategias políticas en contra de políticas climáticas, incluyendo acciones de lobbying. Dicho de otro modo, cuando el riesgo sube, es común que la respuesta se centre en protegerse o en negociar el terreno, más que en reducir la causa.

La lógica económica detrás de la adaptación es relativamente directa. Adaptarse suele entregar beneficios cercanos y medibles. Reduce pérdidas esperadas, estabiliza operaciones y protege flujos de caja cuando la amenaza es tangible y operativa. En ese espacio caben decisiones que se justifican con facilidad en comités de inversión y riesgo. Planes de contingencia, seguros climáticos, diversificación de proveedores, materiales más resilientes y relocalización tienen un lenguaje financiero inmediato porque se conectan con interrupciones, costos y continuidad de negocio.

La mitigación compite en otro terreno. Requiere inversión hoy para beneficios que se materializan con más lentitud y que, además, suelen depender de acciones colectivas. Reducir emisiones mediante eficiencia energética, transición a energías limpias, rediseño de procesos o inversión en tecnologías más limpias puede ser valioso, pero su retorno privado no siempre es inmediato ni totalmente apropiable por una sola empresa. La implicación práctica no es que la mitigación sea irrelevante. La implicación es que, bajo incentivos de corto plazo, la mitigación suele quedar en desventaja frente a estrategias que defienden el desempeño en el presente.

El caso del riesgo de transición es todavía más revelador porque introduce el componente institucional. Si parte del riesgo proviene de regulación y del ritmo de implementación de políticas climáticas, entonces existe una respuesta que no pasa por transformar producción o tecnología, sino por intentar moldear el entorno que genera la presión. En sistemas biológicos, ante una amenaza, la respuesta disponible suele ser adaptarse dentro de restricciones dadas. Las empresas operan distinto. Además de adaptarse o mitigar, pueden influir sobre el sistema político y regulatorio que define parte del riesgo de transición. Esa posibilidad amplía el menú de estrategias, pero también abre una tentación cuando el horizonte es corto. En lugar de invertir en mitigación, puede resultar más atractivo reducir la presión inmediata mediante oposición, retraso o fragmentación de políticas climáticas. El beneficio es cercano. El costo es diferido y recae en mayor exposición futura si la transición se demora y el riesgo físico se intensifica.

Esta lectura se vuelve más nítida cuando se incorpora el papel del horizonte temporal de la firma. El patrón relevante es que las empresas más miopes tienden a mitigar menos y a oponerse más a políticas climáticas, con el efecto de reducir presiones de transición hoy y aumentar exposición futura a riesgos físicos y de transición. Esto es el corazón de la tragedia de los horizontes temporales. No se trata sólo de que el daño sea lejano. Se trata de que el sistema premia conductas que protegen el presente incluso si agravan el futuro.

A partir de aquí, las implicaciones dejan de ser abstractas. La pregunta relevante no es si las empresas reconocen el riesgo, sino qué tipo de respuesta están eligiendo. Una agenda corporativa puede estar llena de métricas y reportes y, aun así, estar orientada principalmente a adaptación o a gestión política del riesgo. Esto no es trivial. La adaptación reduce vulnerabilidad privada, pero no necesariamente reduce el riesgo agregado. La influencia política puede proteger a la empresa en el corto plazo, pero puede aumentar el costo social y la exposición futura si retrasa cambios estructurales.

El cierre natural de este argumento no es moralizante. Es institucional. Si más riesgo no genera automáticamente más mitigación, entonces no basta con esperar que el riesgo discipline al sistema. Se requieren mecanismos que hagan rentable hoy lo que reduce riesgo mañana. Del lado público, instrumentos como señales de precio al carbono, incentivos a inversión limpia, reglas de divulgación comparables y marcos creíbles de transición cambian el cálculo privado. Del lado privado, gobierno corporativo que extienda el horizonte real de decisión, con metas verificables, evaluación de inversión con escenarios de largo plazo y esquemas de compensación alineados con objetivos climáticos, puede modificar la jerarquía de estrategias. El punto de fondo es que pensar en sostenibilidad es pensar en el tiempo. Y el tiempo, en economía, se gobierna con incentivos.

Subscribe now

Share

Leave a comment