Tu algoritmo vendió 1.400 millones de dólares antes de que alguien pulsara cancelar. ¿Puedes explicar por qué?

Hay una única pregunta que pone fin a la mayoría de los exámenes regulatorios antes de que realmente empiecen. No es "¿tienen controles?". Todo el mundo tiene controles. Es más discreta que eso, y peor:

"Explíqueme exactamente qué hizo este algoritmo el 5 de agosto a las 9:47 de la mañana."

He visto a firmas inteligentes y bien financiadas quedarse paralizadas ante esa pregunta. Pueden sacar los registros de órdenes. Pueden mostrarte las operaciones. Lo que no pueden hacer es reconstruir la cadena de decisiones — por qué el modelo dimensionó la posición como lo hizo, por qué el umbral de riesgo se situó donde se situó, por qué un cambio de código tres semanas antes no activó el radar de nadie. Y en 2026, esa brecha lo es todo. El cumplimiento normativo del trading algorítmico ha pasado silenciosamente de demostrar que tienes salvaguardas a demostrar que puedes explicar, a posteriori, cada movimiento que hizo tu máquina.

Quiero contarte cómo llegué a creer eso, porque primero me equivoqué — costosamente — y la forma en que me equivoqué es la misma forma en que la mayor parte del sector sigue equivocándose.

Los 189.000 millones de dólares que pasaron

Empecemos con Citigroup, porque es la lección más clara que conozco.

En mayo de 2022, un trader de Citi pretendía vender una cesta de acciones por valor de 58 millones de dólares. Por un error manual, creó una cesta por valor de 444.000 millones de dólares en su lugar. Los controles previos a la negociación de Citi hicieron su trabajo — en su mayor parte. Bloquearon 255.000 millones de dólares. Pero 189.000 millones de dólares se colaron por los controles y llegaron a un algoritmo de trading, que diligentemente los troceó en órdenes de venta e introdujo aproximadamente 1.400 millones de dólares en los mercados europeos antes de que alguien pulsara cancelar. Desencadenó un flash crash en las bolsas europeas.

Aquí está la parte que debería quitar el sueño a los responsables de cumplimiento. Cuando llegaron la BaFin y los reguladores del Reino Unido, la pregunta condenatoria no fue "qué pasó". Citi podía responder a eso. La pregunta fue por qué — por qué los controles dejaron pasar 189.000 millones de dólares, y por qué los umbrales estaban calibrados donde estaban. Citi podía mostrar las órdenes. No podían reconstruir adecuadamente el razonamiento del algoritmo ni defender los parámetros que lo gobernaban.

Esa brecha les costó cara. La BaFin multó a Citi con 12,975 millones de euros; dos días antes, los reguladores británicos habían añadido 61,6 millones de libras por el mismo incidente. Aproximadamente 92 millones de dólares por un solo fallo algorítmico, en tres jurisdicciones.

Los controles no fueron el fallo. La incapacidad de explicar los controles fue el fallo.

Vuelvo una y otra vez a eso porque invierte la forma en que la mayoría de las firmas presupuestan. Gastan en construir más controles y casi nada en ser capaces de narrarlos bajo juramento.

¿Qué pregunta realmente el examinador?

Cuando empecé a hablar con los responsables de cumplimiento de bancos y gestoras de activos de mercado medio — las firmas por debajo del nivel bulge-bracket — les pedía que representaran conmigo un examen. Siempre se deshacía en los mismos tres pasos.

"Muéstreme su inventario de algoritmos." Esta es la apertura, y es un asesino silencioso. La Financial Conduct Authority del Reino Unido realizó una revisión multifirma de diez firmas de trading por cuenta propia en agosto de 2025 y encontró que la mayoría tenía documentación incompleta o desactualizada — sin un inventario limpio de quién es dueño de cada algoritmo, en qué mercados opera, qué parámetros de riesgo lo gobiernan. Algunas firmas habían omitido elementos enteros de RTS 6 en sus autoevaluaciones. (RTS 6 es el reglamento de MiFID II para firmas de trading algorítmico — gobernanza, pruebas, controles de riesgo.) Si no puedes producir un inventario actual y completo que nombre a la persona registrada responsable de cada estrategia, el examen se detiene efectivamente ahí. Bajo las normas de FINRA, las personas que diseñan o modifican significativamente los algoritmos de trading tienen que estar registradas como Securities Traders — así que "quién es dueño de este algo" no es una pregunta trivial, es una pregunta regulatoria con un nombre asociado.

"Explíqueme qué hizo este, esa mañana." Esta es la pregunta de Citigroup. La mayoría de las firmas pueden mostrar las órdenes. Casi ninguna puede reconstruir la decisión. Y si eres una gestora de activos en lugar de un broker-dealer, esta pregunta no recae sobre una mesa de operaciones — recae sobre tu equipo de investigación cuantitativa, donde un único parámetro manipulado enterrado en un modelo puede operar sin ser detectado durante meses. (Two Sigma lo descubrió por las malas; más sobre eso más adelante.)

"¿Cómo revisa técnicamente su personal de cumplimiento estos algoritmos?" La FCA tenía una frase maravillosamente diplomática para lo que encontró aquí: "conocimiento técnico variable en cumplimiento". Traducido, eso significa que los equipos de cumplimiento pueden leer un informe de alertas pero no pueden interrogar la lógica del modelo, cuestionar un parámetro de riesgo, ni verificar que el cambio de código del último sprint no abrió silenciosamente un nuevo agujero regulatorio. La respuesta del sector ha sido contratar personal de cumplimiento con formación cuantitativa — salvo que las personas que genuinamente entienden tanto las normas de acceso al mercado de la CFTC como las arquitecturas de redes neuronales de grafos son extremadamente escasas, y se les paga como a los fondos de cobertura que también las quieren.

La dirección regulatoria detrás de las tres preguntas no es sutil. La SEC y la CFTC juntas presentaron un récord de 25.300 millones de dólares en acciones de ejecución en 2024. La Ley de IA de la UE exige que los sistemas de IA financiera de alto riesgo cuenten con documentación técnica, gestión de riesgos y capacidad de supervisión humana para el 2 de agosto de 2026. DORA — el régimen de resiliencia operativa de la UE — está en vigor desde enero de 2025. Y en India, SEBI ahora exige un Algo-ID único y la aprobación de la bolsa para cada estrategia antes de que entre en funcionamiento. La pregunta dejó de ser si tus algoritmos serán examinados. Es si sobreviven al examen.

Lo que construí que nadie quería

Así que fui y construí un detector mejor.

Este fue mi error, y quiero ser honesto sobre lo seductor que era. El dolor del comprador del que todos se quejan más ruidosamente es la fatiga de alertas — en una encuesta a bancos y broker-dealers, el 70% reportó tasas de falsos positivos superiores al 25% en su vigilancia de operaciones. Equipos de cumplimiento ahogados en ruido, persiguiendo alertas fantasma de spoofing. Así que construimos algo genuinamente bueno para reducir falsos positivos: contexto conductual, conciencia del régimen de mercado, umbrales adaptativos. En las pruebas era limpio y rápido. Estaba orgulloso de ello.

Luego lo probamos ante una responsable de cumplimiento de mercado medio real. Miró el panel, asintió, e hizo la pregunta que detonó tres meses de trabajo:

"Esto está bien. Pero cuando el examinador pregunte por qué se activó el modelo — o por qué no lo hizo — ¿qué les muestro?"

No tenía una respuesta en el producto. Habíamos construido una forma más rápida de generar alertas. No habíamos construido una forma de explicarlas. Y me di cuenta, allí sentado, de que había reproducido exactamente aquello que los reguladores estaban castigando: una caja negra que produce resultados sin una cadena de razonamiento reconstruible. Una mejor caja negra sigue siendo una caja negra.

Ese fue el punto de inflexión. La detección nunca fue la necesidad insatisfecha. La necesidad insatisfecha era la preparación para auditorías — convertir las decisiones algorítmicas en explicaciones que un responsable de cumplimiento no cuantitativo pudiera revisar, cuestionar y llevar a una sala de examen. Descartamos el planteamiento y empezamos de cero.

Construir para el examinador, no para la alerta

El sistema que terminamos construyendo — la capa de inteligencia de cumplimiento del trading algorítmico que ahora implementamos — parte de un primer principio diferente: cada decisión que toma un algoritmo en producción debe dejar tras de sí una explicación con marca de tiempo, lista para auditoría, del porqué, no solo del qué.

Eso suena obvio hasta que lo intentas. El primer problema de diseño era que las personas que necesitan la explicación no pueden leer el modelo. Así que las explicaciones tenían que traducir la lógica del algoritmo — sus entradas, las señales de mercado que ponderaba, el umbral con el que contrastaba, las anulaciones humanas — a algo que un responsable de cumplimiento pueda interrogar sin leer código fuente. No una puntuación de confianza. Un relato del razonamiento.

El segundo problema era el propio inventario. Tratamos el inventario de algoritmos como un equipo de ingeniería trata el código: cada estrategia en producción lleva sus mercados aprobados, límites de posición, el propietario registrado y un historial completo de cambios, de modo que la pregunta "muéstreme su inventario" se convierte en una consulta, no en un simulacro de incendio. La misma columna vertebral mapea cada control a múltiples marcos regulatorios a la vez — la Regla 15c3-5 de la SEC, el RTS 6 de MiFID II, la Ley de IA de la UE, DORA, el régimen de Algo-ID de SEBI — porque las firmas de mercado medio operan a través de fronteras y ningún proveedor establecido mapea controles a través de todos ellos desde un solo lugar. Hoy la mayoría de las firmas multijurisdiccionales improvisan procesos de cumplimiento separados por regulador. Esa redundancia es exactamente el tipo de trabajo que el software debería devorar.

El tercer problema era el interruptor de emergencia. Los controles de Citi no estaban ausentes — atraparon 255.000 millones de dólares. Simplemente no eran graduados. La mayoría de los interruptores de circuito son binarios: encendido o apagado. Así que construimos interruptores de circuito inteligentes y multinivel — detección de anomalías conductuales que activa una respuesta proporcionada en lugar de un único botón de pánico, la diferencia entre atrapar 255.000 millones de dólares y atrapar los 189.000 millones que se colaron.

¿Por qué no compran todos simplemente una plataforma?

Esta es la objeción que más escucho, y merece una respuesta real.

El mercado de vigilancia de operaciones va de aproximadamente 1.300–3.000 millones de dólares en 2025 hacia 4.200–9.300 millones para 2033, y los cinco principales proveedores tienen el 55–59% de él. NICE Actimize, la Surveillance AI de Nasdaq, Validus de Eventus — estas son plataformas genuinamente capaces. No estoy aquí para decirte que no funcionan.

Estoy aquí para decirte lo que cuestan y dónde se detienen. Una implementación completa de NICE Actimize cuesta de 1 a más de 5 millones de dólares al año, con precio y arquitectura para instituciones de nivel 1. Son excelentes en detección de activos cruzados y débiles en exactamente aquello que el examinador ahora pide: explicabilidad de las decisiones algorítmicas y mapeo multirregulatorio unificado. La plataforma de Nasdaq está centrada en la bolsa, construida para el lado vendedor. Eventus se centra primero en la detección. Ninguna de ellas se diseñó en torno al problema del día del examen del responsable de cumplimiento.

Así que un banco de nivel 2 o una gestora de activos de mediano tamaño se enfrenta a la misma vara regulatoria que JPMorgan con una fracción del presupuesto y sin ningún banco cuantitativo interno. Sus opciones han sido: pagar de más por una plataforma empresarial que no encaja, construirla ellos mismos por de 2 a 10 millones de dólares más un millón al año en mantenimiento mientras compiten con la compensación de los fondos de cobertura por el talento, o contratar a una firma Big Four — que, en mi experiencia, asesora sobre qué construir, te entrega una presentación PowerPoint de modelo operativo objetivo, y luego recurre al mismo proveedor de nivel 1 que habría recomendado de todos modos.

Hay un vacío en el centro de este mercado: firmas con obligaciones de bulge-bracket y presupuestos de mercado medio, sin que nadie las atienda.

Ese vacío es para quien construimos. Inteligencia de cumplimiento a medida a un precio que no es un rescate empresarial, sin dependencia de proveedor.

El problema más difícil que se avecina: agentes autónomos

Si la explicabilidad es el problema de hoy, la IA agéntica es el problema del año que viene, y casi nadie está preparado para ello.

Aproximadamente se espera que el 44% de los equipos financieros use IA agéntica en 2026 — un salto de más del 600% — y una firma ya reporta 60 agentes autónomos en producción con planes para 200 más. Estos sistemas pueden automatizar hasta el 70% del trabajo manual de cumplimiento. También pueden desencadenar operaciones, ajustar modelos de riesgo y autorizar transacciones por sí mismos.

Lo que aterroriza a cualquiera que se haya sentado en un examen es lo que viene después. El marco de gobernanza en el que se apoya todo el sector — la guía de riesgo de modelos SR 11-7 de la Fed y la OCC — se escribió en 2011 para modelos con comportamiento estable y determinista. Como lo expresaron los analistas de riesgo de GARP a principios de 2026, SR 11-7 "sigue siendo uno de los pocos puntos de referencia estables para la gobernanza de modelos" — y la IA agéntica rompe sus supuestos fundamentales, introduciendo opacidad, aleatoriedad y autonomía, a menudo apoyándose en infraestructura de terceros que puede cambiar sin previo aviso. No puedes reconstruir la decisión de un sistema que decide de forma diferente cada vez y depende del modelo de un proveedor que no controlas.

Para ser claros sobre dónde estamos realmente: las revisiones de profesionales del FMSB señalan que la IA orientada al mercado aún no opera de forma autónoma — está integrada en la infraestructura de trading bajo supervisión humana. Bien. Esa es la ventana. El momento adecuado para construir gobernanza para agentes de trading autónomos es antes de que estén operando de forma autónoma, no en la autopsia. Diseñamos esa capa de explicabilidad y supervisión ahora, para que el rastro de auditoría exista antes de que el regulador lo pida.

Aquí también hay un apalancamiento técnico real disponible. Los modelos basados en grafos — redes neuronales de grafos que mapean la red de exposiciones de contraparte — han alcanzado puntuaciones AUC-ROC en torno a 0,891 para detectar el contagio de riesgo en entornos de investigación, muy por delante de los métodos convencionales, con tiempos de anticipación de alerta temprana extendidos en casi doce días. Casi ningún proveedor de vigilancia ofrece análisis de contagio basado en grafos como característica estándar. Para una firma con riesgo de contraparte interconectado, esa es la diferencia entre ver venir una cascada y leer sobre ella en una orden de ejecución.

"¿No es esto simplemente más software de cumplimiento?"

La gente me pregunta una versión de eso, y la respuesta justa es: no si está bien construido.

La razón por la que el cumplimiento se siente como puro coste — los grandes bancos gastan más de 200 millones de dólares al año en él, y el tiempo que sus empleados dedican a ello creció un 61% en una década — es que la mayor parte es reconstrucción manual de cosas que los sistemas deberían haber registrado automáticamente. Cuando la explicación se genera a medida que el algoritmo se ejecuta, el examen deja de ser una excavación arqueológica. El inventario es una consulta. La cadena de decisiones ya está escrita. El mapeo transjurisdiccional es un modelo, no cinco.

La otra cosa que la gente pregunta es si la explicabilidad ralentiza los algoritmos — si estás intercambiando microsegundos por papeleo. No es así. La captura del razonamiento se sitúa junto a la ejecución; es un registro, no un freno. Las firmas que resolvieron esto dejaron de tratar el cumplimiento como un impuesto sobre la velocidad y empezaron a tratarlo como una propiedad del sistema, presente desde la primera línea de código en lugar de acoplado antes de la auditoría.

Pienso en el caso de Two Sigma aquí. Un investigador sénior alteró silenciosamente catorce modelos de inversión durante casi dos años — ajustando un solo parámetro — y produjo 165 millones de dólares en pérdidas para los clientes antes de que alguien lo detectara; la firma pagó 90 millones de dólares para llegar a un acuerdo. Esos modelos no estaban sin supervisar de nombre. Eran inexplicables en la práctica. Nadie podía ver, en tiempo real, que el razonamiento había sido corrompido. Eso no es un fallo de detección. Es un fallo de explicabilidad vestido con la ropa de un fallo de detección.

El error de 444.000 millones de dólares del trader de Citi tardó segundos en cometerse y años en litigarse. Lo que convirtió un error embarazoso en uno de 92 millones de dólares no fue el tamaño de la cesta. Fue que, cuando los reguladores se inclinaron y preguntaron por qué, la respuesta fue un encogimiento de hombros.

Cada firma que ejecuta algoritmos está a una mala mañana de esa pregunta. Las que estarán bien no son las que tienen más controles o la plataforma más cara. Son las que, cuando el examinador señala las 9:47 AM, pueden abrir la decisión y recorrerla línea por línea — y que construyeron esa capacidad en la capa de cumplimiento mucho antes de necesitarla. Construye la explicación mientras la máquina todavía está operando. Para cuando alguien pregunte, ya es demasiado tarde para empezar a escribirla.