Artificial Intelligence and Systemic Risk: A Unified Model of Performative Prediction, Algorithmic Herding, and Cognitive Dependency in Financial Markets

1. El Problema: La Amenaza de la Monocultura Algorítmica

El artículo aborda un riesgo sistémico emergente en los mercados financieros derivado de la adopción masiva de Inteligencia Artificial (IA). A diferencia de los riesgos tradicionales (como los ciclos de apalancamiento o el comercio abarrotado), el riesgo aquí planteado surge de la interacción de tres canales mutuamente reforzados:

1. Predicción Performativa: Las predicciones de la IA influyen en los fundamentos que intentan predecir (retroalimentación reflexiva).
2. Rebaño Algorítmico (Herding): La convergencia de señales debido a datos de entrenamiento compartidos y arquitecturas similares.
3. Dependencia Cognitiva: La degradación de la capacidad de juicio humano a medida que los gestores delegan en la IA, creando un "ratchet" (trinquete) de irreversibilidad.

El problema central es que, bajo ciertas condiciones, la adopción de IA no solo aumenta la eficiencia, sino que erosiona la profundidad del mercado y amplifica las pérdidas en eventos de cola (crisis), llevando a un equilibrio de monocultura frágil donde el sistema se vuelve inestable y difícil de revertir.

2. Metodología y Marco Teórico

Los autores desarrollan un modelo unificado en tres capas dentro de un marco de expectativas racionales extendido con adopción endógena.

A. Estructura del Modelo (Capas)

• Capa 1: Fragilidad Endógena (Economía de Señales Correlacionadas):
  • Se utiliza una economía de tipo Kyle con traders de IA que comparten un componente de señal común ($\rho$) y traders humanos con señales independientes.
  • Se introduce retroalimentación performativa ($\beta$): los desvíos de precios afectan los fundamentos ($v_{t+1} = v_t + \beta(p_t - v_t)$).
  • Resultado clave: La profundidad del mercado ($\lambda$) es endógena y disminuye a medida que aumenta la adopción de IA ($\phi$) debido a la mayor correlación de las órdenes informadas.
• Capa 2: Juego de Adopción y Transición de Fase:
  • Se modela la adopción de IA como un juego supermodular con incentivos de carrera (presión de conformismo).
  • Se demuestra que la transición de un equilibrio diversificado a uno de monocultura es una bifurcación nodo-silla (saddle-node bifurcation), lo que implica un salto discontinuo en la adopción y el riesgo.
• Capa 3: Dependencia Cognitiva e Irreversibilidad:
  • Se introduce una variable de estado endógena: la precisión de la señal humana ($\sigma_H$) se degrada con el tiempo si se depende de la IA ($\kappa > 0$).
  • Esto genera histéresis: el sistema puede entrar en la monocultura, pero no puede salir al mismo umbral de presión de carrera, ya que la opción externa (juicio humano) se ha deteriorado.

B. Objeto Central: El Acoplamiento de Riesgo Sistémico

El modelo deriva un objeto de equilibrio central, el acoplamiento de riesgo sistémico $r(\phi)$:
$$r(\phi) = \frac{\phi \rho \beta}{\lambda'(\phi)}$$
Donde:

• $\phi$: Cuota de adopción de IA.
• $\rho$: Correlación de señales algorítmicas.
• $\beta$: Intensidad de retroalimentación performativa.
• $\lambda'(\phi)$: Impacto de precios efectivo endógeno (disminuye con $\phi$).

El multiplicador de riesgo sistémico es $M(\phi) = (1 - r(\phi))^{-1}$. Dado que $\lambda'(\phi)$ es decreciente y convexa, $r(\phi)$ es convexa, lo que hace que $M(\phi)$ crezca superlinealmente a medida que aumenta la penetración de la IA.

C. Validación Empírica y Simulación

• Datos: Universo completo de presentaciones de la SEC Form 13F (99.5 millones de posiciones, 10,957 gestores, 2013–2024).
• Identificación: Uso de una variable instrumental Bartik (shift-share) que combina la receptividad tecnológica previa de los gestores con la tendencia de convergencia de otros gestores (fuera de la muestra).
  • Primer estadio: $F = 22.7$ (fuerte relevancia del instrumento).
• Simulación: Modelo basado en agentes (ABM) para validar predicciones fuera de muestra y dinámicas no lineales.

3. Contribuciones Clave

1. Unificación de Canales: Demuestra que el riesgo sistémico de la IA no es la suma de sus partes, sino el producto de interacciones multiplicativas. La eliminación de cualquier canal (correlación, performatividad o dependencia cognitiva) elimina una característica cualitativa distinta del equilibrio (existencia, peligro o irreversibilidad).
2. Nueva Firma Empírica: Distingue el mecanismo de IA de los ciclos de apalancamiento tradicionales.
   • Predicción: En la monocultura de IA, la dispersión de rendimientos dentro del grupo de IA es invariante al régimen ($\Delta_{stress/calm}^{AI} \approx 1$), ya que todos cometen el mismo error. En contraste, en los ciclos de apalancamiento, la dispersión aumenta durante el estrés.
   • Evidencia: Los datos de 13F muestran $\Delta_{stress/calm}^{AI} = 1.08$ (no significativo), consistente con el modelo de IA y no con el de apalancamiento.
3. Teorema de Imposibilidad y Histeresis: Prueba que la histéresis (irreversibilidad) no puede surgir en modelos estáticos de señales correlacionadas sin degradación de habilidades. La dependencia cognitiva es necesaria para explicar por qué el sistema no se recupera automáticamente tras una crisis.
4. Bifurcación Discontinua: La transición a la monocultura no es suave; es un salto abrupto desencadenado por presiones de carrera moderadas, seguido de un aumento acelerado del riesgo.

4. Resultados Principales

• Amplificación de Pérdidas en la Cola: El modelo estima que la adopción de IA amplifica las pérdidas en eventos extremos en un 18% al 54% (multiplicador $M \in [1.18, 1.54]$). Esto es económicamente significativo en comparación con los colchones anticíclicos de Basilea III.
• Paradoja "Tranquilidad Antes de la Tormenta": En el equilibrio de monocultura, la volatilidad incondicional puede ser baja (o incluso menor que en un mercado diversificado), pero la volatilidad condicional en la cola (riesgo de caída) es extremadamente alta.
• Convergencia de Carteras: Los datos empíricos muestran un aumento del 12% en la similitud coseno de las carteras post-2016 (era de la IA profunda), y una correlación de 0.99 entre la intensidad del lenguaje de IA en los informes y la convergencia de carteras.
• Irreversibilidad: La simulación muestra que, una vez que la habilidad humana se degrada, la recuperación del equilibrio diversificado requiere condiciones mucho más favorables que las necesarias para entrar en la monocultura.

5. Significado e Implicaciones

El artículo ofrece un marco teórico riguroso para entender por qué la IA podría generar inestabilidad sistémica de una manera cualitativamente diferente a los riesgos financieros tradicionales.

• Diferenciación de Riesgos: A diferencia del riesgo de apalancamiento (capital financiero), el riesgo aquí es de capital cognitivo. Las políticas de requisitos de capital no son suficientes; se necesitan mandatos de preservación de habilidades.
• Políticas Regulatorias Propuestas:
  1. Pruebas de Estrés de IA Macroprudenciales (MAST): Evaluar escenarios de choque de señales comunes.
  2. Requisitos de Diversidad de Modelos: Limitar la correlación de señales ($\rho$) mediante mandatos de diversificación de datos y arquitecturas.
  3. Gobernanza "Humano en el Bucle": Límites a la dependencia de la IA y pruebas obligatorias de supervisión humana para evitar la degradación de habilidades.
  4. Transparencia: Estándares de reporte de metadatos de modelos y forense algorítmico post-evento.

En conclusión, el paper advierte que el sistema financiero podría estar acercándose a un punto de inflexión. Si la dinámica de monocultura y la dependencia cognitiva se consolidan, el costo de la acción correctiva aumentará exponencialmente con el retraso, haciendo que la prevención sea la estrategia óptima.