La idea suena tentadora. Abrir una tienda de aplicaciones, conectar agentes de inteligencia artificial a una cartera de inversión y dejar que el software haga el trabajo más nervioso del mercado, que es decidir cuándo comprar y cuándo vender.
eToro ya ha dado ese paso con una tienda donde la mayoría de las herramientas usan IA.
Un mes bastó para probar que automatizar no equivale a ganar
Durante un mes, un experimento llamado Atómico intentó construir una aplicación de inversión en criptomonedas con ayuda de varios sistemas de IA. El resultado dejó una escena muy reconocible para cualquiera que haya seguido el mercado cripto, porque el agente llegó a marcar un beneficio del 10 % y después lo perdió.
Ahí está la grieta interesante. El proyecto no logró beneficios económicos al cierre de la prueba.
Para levantar esa aplicación entraron en juego Codex de OpenAI, Antigravity de Google para Claude de Anthropic y el asistente de código abierto OpenClaw. La mezcla dibuja una especie de taller híbrido donde conviven herramientas comerciales, modelos de grandes tecnológicas y software abierto, algo que también se parece a lo que ya ocurre en el auge de las apps de IA.
El agente ensayó operaciones, pero no llegó a tocar dinero real
Lo más llamativo no fue una compra brillante ni una estrategia secreta. El agente simuló la ejecución de operaciones, corrigió errores sobre la marcha y puso a prueba la rentabilidad de distintas tácticas sin lanzarlas de verdad al mercado.
Binance permite conectar su API a cualquier aplicación para operar con dinero real o simulado e incorporar comisiones de compraventa. Esa puerta técnica convierte una prueba como esta en algo más que un juego de laboratorio, porque el mismo circuito puede servir para observar precios, lanzar alertas o pasar de la simulación a una orden real.
En el móvil, el experimento usó un Realme 14 Pro+ con Termux y conexión a esa API para consultar precios, simular operaciones, verificar saldos y enviar avisos. La escena tiene algo muy actual, porque buena parte del control del sistema cabía en un teléfono y no en una mesa llena de pantallas.
También hubo una pequeña lección sobre dónde conviene ejecutar la IA
OpenClaw corrió en un Mac Mini M4 Pro con 48 GB de memoria RAM y en un Asus Vivobook Pro 16X con 64 GB de memoria RAM y una Nvidia GeForce RTX 4070. No es un detalle menor, porque el ensayo dependía de máquinas concretas y de una capacidad local suficiente para sostener parte del trabajo sin delegarlo todo en servicios externos.
Esa elección encaja con una recomendación práctica que gana peso cuando cada consulta cuenta dinero o suscripción. Los modelos locales como las últimas versiones de Gemma permiten ejecutar tareas sin pagar tokens ni mantener una suscripción, una lógica próxima a la que ya exploran las herramientas de IA local.
Queda entonces una imagen menos épica y más útil. Un agente puede vigilar precios, probar estrategias, corregir fallos y hasta rozar un 10 % de ganancia, pero el dato que pesa al final es otro, porque después de un mes de ensayo la rentabilidad real siguió en cero.