Gerardo Trujano y María José Cifrián / Facultad de Estudios Globales de la Universidad Anáhuac México
Desde 1944, el Sur global ha mirado a las instituciones de Bretton Woods en momentos de malestar económico. El Banco Mundial y Fondo Monetario Internacional (FMI) han buscado, con menor o mayor éxito, minimizar el malestar económico dentro de la región; pero, por años, el desgaste acumulado de sus políticas ha abierto un vacío de legitimidad y eficacia que ha motivado a los actores del escenario internacional a mirar a una solución emergente: la inteligencia artificial (IA). Así, los Estados han buscado trasladar las funciones de asesoría y monitoreo que antes desempeñaban el Banco Mundial y el FMI hacia arquitecturas tecnológicas impulsadas por IA, no sin sus condiciones, desde luego.
En este nuevo escenario, las palancas de poder económico ya no se concentran en Beijing o Washington, sino que se alojan entre líneas de código. Mientras los países empezaron a implementar monedas digitales y sistemas de pago impulsados por la IA, la influencia económica migró de los ministerios a los algoritmos. De esta forma, la pregunta cambia de quién imprime el dinero a quién entrena el algoritmo que lo regula.
El poder monetario algorítmico
Para comprender como la IA puede asumir parte del papel que históricamente desempeñaron las instituciones de Bretton Woods, es importante definir algunos conceptos clave. La IA —entendida en este contexto como modelos de aprendizaje automático capaces de detectar patrones, evaluar riesgos, identificar fraudes y personalizar servicios financieros— permite la interpretación y la anticipación del flujo monetario mediante procesos algorítmicos, más que decisiones humanas (Bains, et al., 2025). Paralelamente, las monedas digitales del banco central (CBDC) y las infraestructuras digitales de pago —también llamadas payment stacks— constituyen las herramientas monetarias del siglo XXI, facilitando la interoperabilidad entre monedas y jurisdicciones. De la interacción entre ambas surge una nueva forma de poder: el poder monetario algorítmico (Bank of International Settlements, 2022).
Este poder algorítmico alude a la capacidad de un actor (privado o público) para moldear las condiciones de acceso financiero y los flujos de valor en otros Estados mediante sistemas impulsados por la IA. En consecuencia, quien entrena los modelos que predicen, autorizan o bloquean transacciones adquiere una forma de poder económico transnacional, ejercida por algoritmos más que por coerción o crédito (McQueen, 2023). Así, este fenómeno puede interpretarse como una actualización a la definición de poder estructural propuesta por Susan Strange en 1988: la habilidad de determinar las reglas del sistema económico internacional y condicionar el actuar de otros actores. El poder monetario algorítmico no depende de instituciones, divisas o flujos comerciales —las herramientas tradicionales del poder estructural—, sino, más bien, del control y procesamiento de los datos. Paralelamente, los actores que adopten las CBDC provenientes de otros Estados corren el riesgo de depender de infraestructuras ajenas, reproduciendo una dependencia menos visible pero igualmente estructural (Bank of International Settlements, 2022).
En este sentido, la IA no solo genera nuevas formas de dependencia, sino que reproduce las funciones de asesoría y condicionalidad que antes ejercían las instituciones de Bretton Woods, ofreciendo tres pilares esenciales: supervisión macroeconómica automatizada, condicionalidad codificada y gobernanza técnica estandarizada (Bains et al., 2025).
La clave está en la eficiencia
Históricamente, el FMI ha funcionado mediante la vigilancia macroeconómica: el monitoreo constante de los flujos financieros para detectar desequilibrios y anticipar crisis. En el presente, las redes de pago y las monedas digitales impulsadas por la IA recopilan datos de transacciones con una velocidad inédita, identificando anomalías, riesgos de crédito o patrones de fuga de capital. Los modelos de detección de fraude, lavado de dinero o de alerta temprana son mucho más precisos que los reportes estadísticos tradicionales (Buckley et al., 2023). Así, el actor que provee y controla estas tecnologías adquiere la capacidad de realizar un diagnóstico financiero global —un tipo de vigilancia automatizada— que emula e incluso supera el monitoreo del FMI (McQueen, 2023).
El Banco Mundial y el FMI, tradicionalmente, han condicionado sus préstamos a la adopción de políticas estructurales orientadas a la liberalización de los mercados (Lazcano, 2024). En las infraestructuras digitales, las reglas de acceso, los algoritmos de puntuación crediticia y los mecanismos de cumplimiento filtran quién puede participar, bajo qué condiciones y con qué restricciones. De esta forma, las plataformas pueden moldear comportamientos económicos —desde la inclusión financiera hasta la trazabilidad fiscal— sin necesidad de acuerdos formales (Buckley et al., 2023).
El tercer pilar ha sido la definición de estándares internacionales, asegurándose de que sean contables, regulatorios y normativos (Bains et al., 2025). Hoy, esa capacidad de fijar reglas se traslada al diseño de kits de desarrollo de software, a la interfaz de programación de aplicaciones y al protocolos de liquidación, vitales al determinar la interoperabilidad de monedas digitales (Bank of International Settlements, 2022). Los modelos de IA dentro de los sistemas definen qué prácticas son eficientes o seguras replicando la función normativa de instituciones financieras internacionales. Quien exporta la infraestructura impone, junto con ella, un marco de gobernanza técnica que configura las políticas financieras locales (McQueen, 2023). La adopción de estas infraestructuras genera lo que en economía se denomina dinámicas de lock-in: altos costos de sustitución, dependencias regulatorias y efectos de red que consolidan la posición del proveedor (Lazcano, 2024).
El Banco de Pagos Internacionales (Bank of International Settlements, 2022) documenta que proyectos como mBridge —el desarrollo de una plataforma de CBDC destinada a facilitar pagos internacionales más rápidos y eficientes, liderado por los bancos centrales de Arabia Saudita, China, Emiratos Árabes Unidos, Hong Kong y Tailandia— utilizan modelos de aprendizaje automático para optimizar la conversión de divisas y detectar riesgos de liquidez en tiempo real. Estas capacidades permiten generar diagnósticos financieros automatizados y señales tempranas de estrés macroeconómico, un proceso similar al papel del FMI, por medio de sus misiones Article IV. De igual manera, el propio Fondo ha reconocido que, en su serie Fintech Notes (Bains et al., 2025), los algoritmos de IA ya superan la precisión de sus modelos tradicionales en cuanto a la predicción de la volatilidad y la evaluación de sus habilidades externas.
La inteligencia artificial es poderosa, pero tiene límites
Paralelamente, los mecanismos de inclusión financiera y de gobernanza que antes se canalizaron mediante programas del Banco Mundial, ahora se articulan mediante infraestructuras digitales exportadas por potencias tecnológicas. En el caso de Bakong, una plataforma de Camboya, fue desarrollada con tecnología de la empresa japonesa Soramitsu, basada en protocolos promovidos por China, demostrando como los sistemas de pago inteligentes integran reglas automáticas de trazabilidad, cumplimiento regulatorio y asignación crediticia (Buckley et al., 2023). Estas “reglas técnicas” actúan como una nueva forma de condicionalidad, soldadas directamente en el código. De forma similar, la expansión de la Ruta de la Seda Digital china ha impulsado el despliegue de arquitecturas de pago interoperables en Asia y África, con modelos cuyos criterios de riesgo y eficiencia fueron definidos en Beijing (Bank of International Settlements, 2022). Así, el poder asesor, normativo y disciplinario que antes emanaba Washington se reproduce, ahora, desde los algoritmos que gobiernan los sistemas de pago mundiales (Bains et al., 2025).
Habiendo dicho esto, es importante recalcar las limitaciones de este escrito. Las infraestructuras financieras basadas en la IA, a pesar del incremento exponencial en su uso, aún no pueden replicar las funciones institucionales completas del FMI o del Banco Mundial (McQueen, 2023). Carecen de la capacidad fiscal y mandato político necesarios para emitir préstamos soberanos, negociar condicionalidades o proveer liquidez de emergencia (Bains et al., 2025). Las plataformas digitales actuales operan en entornos regulatorios autorizados o mediante proyectos bilaterales, a menudo bajo la supervisión de bancos centrales y sin mecanismos formales de rendición de cuentas (Bank of International Settlements, 2022). Su potencial asesor —pronósticos automatizados, evaluación crediticia y modelado macroeconómico— continúa aplicándose con el fin de complementar la gobernanza Bretton Woods, no remplazarla (Lazcano, 2024).
Los riesgos de la inteligencia artificial
No obstante, la difusión de estas infraestructuras no es del todo inofensiva. La opacidad algorítmica y la concentración de datos en unos pocos polos tecnológicos incrementan la posibilidad de sesgos, vulnerabilidades cibernéticas y asimetrías de vigilancia (Buckley et al., 2023). De esta forma, las economías que adopten infraestructuras extranjeras pueden reproducir relaciones de dependencia financiera bajo la apariencia de eficiencia tecnológica. Además, partiendo de la lógica de que los modelos de IA están entrenados con lógicas similares, el resultado podría generar decisiones de inversión y crédito homogéneas que alimenten burbujas especulativas y erosionen la diversidad informacional que sostiene la mano invisible del mercado (Lazcano, 2024).
La IA no ha remplazado el legado de Bretton Woods, sino que ha rescrito sus reglas en líneas de código. El FMI y el Banco Mundial ya no son las potencias hegemónicas del poder económico estructural; la accesibilidad de la IA ha permitido una diversificación como nunca antes. Sin embargo, esta herramienta puede ser un arma de doble filo: si esta influencia no se regula, podría profundizar desigualdades digitales y alterar el mismo funcionamiento del mercado (Buckley et al., 2023).
—
GERARDO TRUJANO es doctorando en Gestión Estratégica y Políticas de Desarrollo por la Universidad Anáhuac México. Es coordinador de la Licenciatura en Desarrollo Global en la Facultad de Estudios Globales de la Universidad Anáhuac México. Sígalo en X en @gtrujano64. MARÍA JOSÉ CIFRIÁN es alumna de la licenciatura en Relaciones Internacionales en la Universidad Anáhuac México.
Fuente: https://revistafal.com/
Be the first to comment