Una frase que se repite cada vez que una institución seria se sienta a hablar de inteligencia artificial: los beneficios son reales, pero también los riesgos. Suena casi a cláusula de cortesía, al “no se hace responsable por daños a terceros” de cualquier contrato, pero cuando quien lo dice es el banco central de un país, conviene dejar de leerlo como advertencia genérica y empezar a leerlo como diagnóstico. Eso es exactamente lo que ha hecho el Banco de México (Banxico) en los últimos dos años: pasar de observar la IA como una curiosidad tecnológica a tratarla como una variable de riesgo sistémico.
Lo dijo primero en junio de 2025, en un recuadro técnico discreto dentro de su Reporte de Estabilidad Financiera. Lo volvió a decir, con más urgencia y más cifras, en la edición de junio de 2026. Y entre una fecha y otra, lo que era proyección empezó a tener nombre, apellido.
El Recuadro 8 del Reporte de Estabilidad Financiera de junio de 2025 titulado “Uso de la Inteligencia Artificial en Bancos Centrales: riesgos, beneficios y oportunidades”, no hablaba todavía de catástrofes inminentes. Hablaba de arquitectura de riesgo: de qué tipo de problemas aparecen cuando una tecnología nueva se inserta en un sistema que ya es, de por sí, profundamente interdependiente.
Tres ideas de ese documento envejecieron particularmente bien, en el sentido de que un año después se confirmaron casi al pie de la letra:
En esa misma línea, en el documento “Inteligencia artificial en el Banco de México” (febrero 2026) la institución dejó algo claro: todo lo que produce la IA generativa debe tratarse como borrador, nunca como verdad final. Siempre tiene que revisarlo una persona antes de usarse. Detrás de esa regla, que suena casi administrativa, hay en realidad una postura, a la que volveremos a ella más adelante.
Un año después, el lenguaje de Banxico cambia. En su Reporte de Estabilidad Financiera de junio de 2026, el banco central ya no habla de lo que podría pasar, sino de lo que está pasando. Dice algo que la IA no siempre crea riesgos completamente nuevos, pero sí cambia su tamaño, su velocidad y qué tan conectados están entre sí. Eso significa que un problema que antes tardaba días en propagarse por el sistema financiero, hoy puede tardar minutos.
Construir esa infraestructura (es decir, los centros de datos, los chips, los servidores) va a costar cerca de 3 billones de dólares hacia 2028 en todo el mundo, y buena parte de ese dinero se está pidiendo prestado. Además, casi todo el hardware necesario para hacer funcionar la IA lo fabrican solo cuatro empresas: Nvidia, AMD, Intel y TSMC. Esto importa porque si una sola de ellas tiene un problema (una falla técnica, un conflicto geopolítico, lo que sea), el golpe no se queda en esa empresa: se siente en todos los bancos y sistemas financieros que dependen de sus chips al mismo tiempo. A eso Banxico le llama “punto único de falla”: un solo lugar donde, si algo se rompe, se rompe todo lo que depende de él.
En 2024, un empleado de una empresa en Hong Kong transfirió 25 millones de dólares después de participar en una videollamada donde “vio” y “escuchó” a sus jefes dando la instrucción. Ninguno de esos jefes estaba realmente ahí: eran deepfakes, es decir, videos y voces generados por IA que imitan a una persona real con tanta precisión que es casi imposible distinguirlos a simple vista. Según el Foro Económico Mundial, este tipo de fraude creció 1,740% en Norteamérica entre 2022 y 2023. Deloitte calcula que, solo en Estados Unidos, las pérdidas por este tipo de engaño podrían llegar a 40 mil millones de dólares hacia 2027.
Entre enero y mayo de 2026, Banxico detectó 8 ataques cibernéticos contra instituciones financieras mexicanas: 3 bancos, 2 Sofipos (empresas que ofrecen servicios financieros similares a un banco pero con otra figura legal), una fintech y una cooperativa de ahorro. 4 de esos 8 ataques ocurrieron solo en mayo. Lo que debería preocuparnos no es únicamente el número, sino que la velocidad con la que ocurren va en aumento.
Para no quedarnos solo en el reporte institucional (que es necesariamente prudente en su lenguaje) vale la pena cruzarlo con datos de la industria, publicados también este año. Una encuesta global de BioCatch realizada a 1,440 líderes de fraude, cumplimiento y riesgo en 25 países, difundida en junio de 2026, encontró que el porcentaje de instituciones que reportan pérdidas por fraude crecientes año con año pasó de 59% a 76% entre 2025 y 2026. América Latina, junto con Asia-Pacífico, registró el mayor salto regional: 21 puntos porcentuales en un solo año. El 80% de las instituciones encuestadas globalmente ya había enfrentado un ataque ejecutado por un agente de IA autónomo, no por un humano operando una herramienta.
Esto no es la confirmación empírica, con datos de mercado, de lo que Banxico advertía en términos regulatorios un año antes.
Hasta aquí, todo lo anterior se puede leer como un problema de ingeniería: hay que auditar mejor los modelos, no depender de un solo proveedor de chips, capacitar al personal. Son soluciones razonables y necesarias. Pero hay algo debajo de todo esto que no se arregla con más ingeniería, y que como no puedo dejar pasar.
Piensa en algo cotidiano: cuando le preguntas a un amigo por qué te recomienda cierta decisión (cambiar de trabajo, terminar una relación, invertir en algo), puedes pedirle que te explique su razonamiento; y aunque no estés de acuerdo, puedes seguir ese razonamiento, entender los pasos que lo llevaron ahí. Ahora piensa en lo que pasa cuando un algoritmo te niega un crédito, o marca tu tarjeta como sospechosa de fraude a mitad de unas vacaciones. Si le pides una explicación, lo más honesto que muchos de esos sistemas pueden decirte es algo parecido a “así lo calculó el modelo”. No hay un razonamiento que puedas seguir paso a paso, solo hay un resultado.
A esto, en el mundo técnico, se le llama el problema de la “caja negra”: sabemos lo que entra y lo que sale, pero no podemos ver con claridad qué pasa adentro, ni siquiera cuando quien construyó el sistema es quien nos lo explica. Y aunque el nombre suene moderno, el problema de fondo no lo es. Durante siglos, muchas decisiones humanas importantes (ir a la guerra, fundar una ciudad) se confiaron a oráculos: figuras que daban respuestas sin justificarlas. El oráculo de Delfos no argumentaba: dictaba. Y ya entonces había quien se preguntaba algo muy parecido a lo que nos preguntamos hoy frente a un algoritmo: ¿es razonable obedecer a algo que no puede explicarse a sí mismo?
Hay una diferencia importante, sin embargo. El oráculo nunca pretendió ser racional: su autoridad venía de lo divino. La IA, en cambio, se nos presenta justo al revés: como la versión más calculadora y “lógica” posible de tomar una decisión, capaz de procesar más información de la que cabría en cualquier cabeza humana. Y aun así, cuando le pedimos que nos explique su decisión, muchas veces no puede ofrecernos más que un resultado sin razones. Construimos un oráculo con vocabulario de ingeniero, pero sigue siendo, en el fondo, un oráculo: algo a lo que le pedimos que decida por nosotros sin que podamos comprender realmente cómo llegó ahí.
Banxico parece intuir esto cuando exige “explicabilidad” a los sistemas de IA que usan los bancos: poder rastrear qué información pesó más en cada decisión automática. Es un avance real. Pero hay una pregunta que la explicabilidad técnica no resuelve del todo: una cosa es poder describir cómo funciona un sistema por dentro, y otra muy distinta es comprender sus razones del mismo modo en que comprendemos las razones de otra persona. Podemos desarmar el reloj y ver cada pieza; eso no significa que entendamos por qué decidió marcar esa hora y no otra.
Quizás la pista más honesta que nos da el propio Banxico no está en sus reglas de ciberseguridad, sino en algo que mencionamos antes: la idea de tratar todo lo que produce la IA como un borrador, nunca como una verdad ya cerrada. Es una forma de decir: no le vamos a dar a la máquina el lugar del oráculo. La confianza final no se la entregamos al sistema, se la seguimos exigiendo a la persona que, al final, tiene que decidir si firma o no firma.
Banxico no está pidiendo frenar la innovación de la IA (lo dice explícitamente), sino construir lo que llama “un terreno de juego seguro”: explicabilidad exigible, auditorías independientes, mecanismos de apelación humana para quien resulte afectado por una decisión automatizada. Son medidas razonables y necesarias; pero conviene no perder de vista que ninguna auditoría técnica resuelve la pregunta de fondo: seguimos delegando decisiones cada vez más importantes en sistemas cuyo razonamiento (aunque podamos describirlo matemáticamente) no termina de parecerse al tipo de razón que sabemos juzgar.
La banca central mexicana, al menos en el papel, parece haberlo entendido antes que buena parte del debate público: el riesgo de la IA no es solo que falle, es que tenga éxito sin que sepamos exactamente por qué.
Imagen: GPT Images 2.0
Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *
Δ