De los bots de reglas a los agentes de IA: una breve historia

En octubre de 1987, unos programas de venta automatizada ayudaron a borrar el 22,6 % del Dow en una sola sesión. Hoy puedes describir una regla de trading en una frase y hacer que un software la ejecute mientras duermes. La distancia entre esos dos momentos es la evolución de los bots de trading: cuatro décadas de mercados entregando más trabajo a las máquinas, casi siempre ganando eficiencia, de vez en cuando fallando en público y a gran escala. Esta es esa historia, era por era — qué hizo posible cada ola, qué rompió y la lección que cada generación parece reaprender por las malas.

El program trading y el aviso de 1987

La prehistoria es mecánica. En 1976, la Bolsa de Nueva York encendió el DOT, el sistema Designated Order Turnaround, que dejaba a los brókers enrutar órdenes electrónicamente en lugar de llevarlas a pie por el parqué. A mediados de los años ochenta, las instituciones usaban sus sucesores para ejecutar «program trades»: cestas enteras de acciones compradas o vendidas como una sola instrucción.

La estrategia insignia de la década era el seguro de cartera. La idea era razonable de forma aislada: a medida que el mercado cae, vender mecánicamente futuros sobre índices para que la caída de una cartera quede acotada. Entonces llegó el lunes 19 de octubre de 1987. Los precios a la baja dispararon ventas, que empujaron los precios más abajo, que dispararon más ventas de cada fondo que corría una lógica casi idéntica. El Dow cerró un 22,6 % abajo, todavía la mayor pérdida porcentual en un solo día de su historia.

La lección no fue «la automatización es peligrosa». Fue más sutil: una regla automatizada que otros miles también corren deja de ser una cobertura y se convierte en una muchedumbre. El Lunes Negro le enseñó a los mercados que la automatización correlacionada es en sí misma un factor de riesgo, y que toda regla necesita un tope de cuánto se le permite hacer. Los cortacircuitos introducidos a raíz de aquello son exactamente esa idea, aplicada a todo el mercado.

Mercados electrónicos y la carrera de la velocidad (1990–2000)

Las dos décadas siguientes trasladaron el trading de los parqués a los servidores. Las redes de comunicación electrónica emparejaban compradores y vendedores directamente, los brókers online pusieron la entrada de órdenes en los salones de casa y la decimalización de 2001 redujo el incremento mínimo de precio en EE. UU. de un dieciseisavo de dólar a un centavo, comprimiendo los diferenciales. A mediados de la década de 2000, las firmas de alta frecuencia pagaban por colocar servidores a metros de los motores de emparejamiento de las bolsas, compitiendo en microsegundos.

Los traders retail eran espectadores de esa carrera pero beneficiarios de sus efectos secundarios: diferenciales más estrechos, ejecuciones casi instantáneas, comisiones tendiendo a cero. Los fracasos de la era, sin embargo, adelantaron todo lo que importa sobre la automatización a alta velocidad.

El 6 de mayo de 2010, el flash crash bajó el Dow unos 1.000 puntos en minutos antes de que los precios se recuperaran en su mayor parte en media hora. Los creadores de mercado automatizados se retiraron a la vez cuando la volatilidad se disparó; sin ofertas en reposo, algunas acciones de gran capitalización llegaron a imprimir brevemente a un centavo. Dos años después, el 1 de agosto de 2012, Knight Capital desplegó software nuevo en siete de sus ocho servidores de trading. El octavo corría código obsoleto que un antiguo indicador reactivó, rociando órdenes erráticas sobre unas 150 acciones. La firma perdió unos 440 millones de dólares en menos de una hora y no sobrevivió como empresa independiente.

Dos lecciones se llevaron adelante. La velocidad multiplica el error más rápido de lo que multiplica el beneficio, así que los interruptores de emergencia y las comprobaciones de riesgo previas a la operación dejaron de ser opcionales. Y el juego de la latencia se cerró para siempre a los individuos — la herencia útil para el retail nunca fue la velocidad, sino la disciplina inventada para contenerla.

Los años 2010: la evolución de los bots de trading llega al retail

La automatización llegó por primera vez a los individuos a través del FX, donde los «expert advisors» de MetaTrader dejaban a cualquiera correr estrategias programadas en una cuenta de bróker retail. La verdadera explosión llegó con la cripto. Los exchanges de allí nacieron API-first, nunca cierran y liquidan en minutos: un hábitat nativo para el software. El mercado alcista de 2017 creó una industria artesanal de plataformas de bots que ofrecían grid bots (una escalera de órdenes de compra y venta a lo largo de un rango), bots de DCA programado y automatizaciones que seguían señales, sin necesidad de código.

Por primera vez, un individuo podía correr una automatización 24/7 genuina en una cuenta en vivo. Muchos siguen haciéndolo; el segmento retail del trading algorítmico se estimó en unos 3.950 millones de dólares en 2025, creciendo en torno a un 13,4 % anual (Grand View Research, 2025). La mecánica del trading automatizado se había convertido en un producto de consumo.

Los reventones cambiaron de forma en consecuencia. Los expert advisors se vendían con backtests ajustados a la curva que se derrumbaban en vivo. Los bots de martingala, que doblan el tamaño de posición tras cada pérdida, imprimían pequeñas ganancias constantes hasta que una tendencia fuerte borraba cuentas enteras. Y una generación de usuarios aprendió la higiene de las claves de API por las malas, concediendo permisos de retirada a servicios que luego desaparecieron. La lección de la era: el acceso estaba resuelto, el juicio no. Que una herramienta sea real no hace honesto su marketing.

De las señales de ML a los agentes con LLM (2018–hoy)

El aprendizaje automático entró en silencio. Las instituciones lo usaron para la investigación de señales y la optimización de la ejecución a finales de la década de 2010, mientras que gran parte de la «IA» retail era una etiqueta pegada a una lógica de rejilla corriente. El cambio de fondo llegó en 2023, cuando los modelos de lenguaje grandes hicieron posible una nueva interfaz: software que lee una frase, o un teletipo de noticias, y la convierte en condiciones estructuradas y monitorizadas.

Esa es la verdadera diferencia entre esta era y la anterior. Un agente de IA se diferencia de un bot clásico menos en la ejecución que en la entrada: reglas si-entonces fijas frente a la capacidad de interpretar la intención y datos no estructurados, y luego actuar bajo límites fijados por el humano. Es el patrón percibir-razonar-actuar que define el trading agéntico.

La comunidad investigadora ya ha entregado los hallazgos de advertencia de esta era, por una vez antes del reventón en lugar de después. Los backtests de estrategias con LLM a menudo están inflados por memorización: un modelo cuyos datos de entrenamiento se solapan con la ventana de prueba puede «recordar» lo que pasó en lugar de predecirlo (arXiv:2505.07078, 2025). Y una auditoría de 2026 de 77 estudios sobre agentes de trading con LLM encontró poco respaldo para un rendimiento superior duradero, situando el valor demostrado más bien en la disciplina de ejecución, la monitorización y el apoyo a la investigación (arXiv:2605.19337, 2026). Las plataformas serias de esta ola, Obside entre ellas, responden con una división arquitectónica: el modelo de lenguaje interpreta lo que quieres decir, mientras que motores deterministas se ocupan de los precios, la matemática y el enrutamiento de órdenes.

Cuatro décadas, una lección recurrente

Era	Qué se hizo posible	Qué reventó	Lección que quedó
Program trading de los 80	Ejecución de cestas a velocidad de máquina	El bucle de retroalimentación del Lunes Negro (1987)	La automatización correlacionada es riesgo de muchedumbre; acota lo que cualquier regla puede hacer
Mercados electrónicos 1990–2000	Ejecuciones baratas e instantáneas para todos	Flash crash de 2010; Knight Capital (2012)	La velocidad multiplica el error; interruptores de emergencia y comprobaciones previas
Bots retail de los 2010	Automatización 24/7 sin código	EA ajustados a la curva, ruina por martingala, claves de API robadas	Valida antes de fiarte; nunca concedas derechos de retirada
Agentes con LLM de los 2020	Estrategia expresada en lenguaje natural	Backtests de IA inflados, hype de la autonomía	Exige prueba fuera de muestra; mantén las salvaguardas fijadas por el humano

Lee hacia abajo la tercera columna y el patrón es difícil de pasar por alto: cada ola premió al disciplinado y castigó al crédulo, y el castigo siempre llegó a través de la capacidad más nueva de la era. Los aseguradores de cartera se fiaron de una fórmula. Knight se fio de un despliegue. Los compradores de bots se fiaron de una captura de pantalla de un backtest. La tentación que se vende cambia; el fallo de no verificar no.

La cuarta columna cuenta una historia más esperanzadora: la caja de herramientas de los supervivientes se fue acumulando. Topes de posición, cortacircuitos, reglas testeadas, despliegues controlados, permisos acotados. Cada era añadió una capa, y durante la mayor parte de esta historia el stack completo existió solo dentro de las instituciones. Hacia dónde va después la ola actual es una cuestión propia (véase el trading agéntico en 2026), pero la dirección de viaje de la caja de herramientas está clara: hacia abajo, hacia los individuos.

Lo que esta historia te entrega

El resumen honesto de cuatro décadas es que la automatización mantuvo sus promesas sobre la capacidad y las rompió sobre la facilidad. Las máquinas sí se hicieron cargo de la vigilancia, la aritmética y la ejecución. Lo que nunca aportaron es la capa de juicio: saber si una regla merece siquiera correr.

Lo que es de verdad nuevo ahora mismo no es la inteligencia. Es que el stack de disciplina institucional por fin se volvió accesible en lenguaje natural. En Obside, el camino que los supervivientes del Lunes Negro reconocerían es el predeterminado: escribes «compra 150 $ de un ETF global de renta variable el primer día de negociación de cada mes, salta la compra si el índice cayó más de un 8 % durante el mes anterior», el copilot lo reformula como condiciones monitorizadas exactas, y el agente corre contra años de historia, luego en paper con datos en vivo, antes de que se enrute una sola orden real — con topes de posición y límites de drawdown aplicados en el momento de la ejecución.

El argumento de cierre de la historia es simple: el próximo reventón encontrará a la gente que se saltó la lista de comprobación. Sé del otro tipo. Describe tu regla al copilot de Obside y deja que se gane tu confianza en backtest y en paper antes de que jamás toque capital.

Contenido educativo únicamente. Esto no es asesoramiento de inversión. Operar conlleva riesgos, incluida la posible pérdida de capital.