Estafas con IA, sesgos ideológicos y el costo oculto de los agentes
Hoy: cómo la IA potencia fraudes masivos, qué tan sesgados son los LLMs en economía y por qué los agentes cobran demasiado por sus herramientas.
Lo más importante de hoy en IA
El viernes cerró con tres señales que apuntan en la misma dirección: la IA ya no es solo una promesa de productividad, también es infraestructura para el fraude, para la política y para costos que nadie estaba midiendo. No hubo grandes lanzamientos hoy, pero sí investigaciones y análisis que obligan a replantear cómo se está desplegando la tecnología en el mundo real. Para desarrolladores, product managers y tomadores de decisiones, las implicaciones son directas.
La IA entró de lleno a la industria del fraude — y nadie está listo
Desde que ChatGPT apareció en 2022, los modelos generativos demostraron que producir texto convincente y humano era trivial. Lo que no era obvio entonces es la escala que eso habilitaría en el mundo del crimen digital. Según MIT Technology Review, estamos en una nueva era de estafas potenciadas por IA: correos de phishing sin errores ortográficos, llamadas con voces clonadas, identidades sintéticas que pasan filtros de verificación y campañas de ingeniería social automatizadas que antes requerían equipos humanos.
El cambio cualitativo no es solo que las estafas sean más convincentes, sino que son más baratas de ejecutar a escala. Un actor malicioso que antes necesitaba docenas de personas para operar una campaña de fraude ahora puede hacerlo con modelos accesibles y pipelines automatizados. Esto presiona directamente a equipos de seguridad, compliance y producto en cualquier empresa que maneje datos o transacciones de usuarios.
Para quienes construyen productos: la fricción que antes funcionaba como barrera —errores, inconsistencias en el texto, respuestas lentas— ya no es defensa suficiente. Los equipos de trust & safety necesitan asumir que el adversario tiene acceso a las mismas herramientas que ellos, y diseñar capas de verificación que no dependan de detectar “lo que suena raro”.
Los LLMs tienen sesgo ideológico cuando analizan economía — y eso es un problema real
Una investigación publicada en arXiv evaluó si los grandes modelos de lenguaje muestran sesgo ideológico sistemático cuando razonan sobre efectos causales en economía. La respuesta corta: sí, y es consistente. Usando una extensión del benchmark EconCausal, los investigadores compararon cómo distintos LLMs juzgan intervenciones pro-mercado versus intervenciones pro-gobierno. Los modelos tendieron a favorecer narrativas intervencionistas en escenarios donde la evidencia empírica es ambigua o disputada.
Esto no es un problema académico menor. Los LLMs se están usando hoy para análisis de políticas públicas, para generar reportes de contexto económico y para asistir a equipos de estrategia en empresas y gobiernos. Si el modelo que estás consultando tiene una inclinación sistemática en cómo interpreta causalidad económica, los outputs que produce —aunque suenen neutros y bien fundamentados— están sesgados desde adentro.
La implicación práctica es sencilla pero incómoda: si usas LLMs para análisis económico o de política, necesitas probar activamente si el modelo responde de manera diferente ante preguntas equivalentes formuladas desde distintos marcos ideológicos. No puedes asumir neutralidad solo porque el modelo es grande o popular.
El “impuesto oculto” que están pagando los agentes de IA con herramientas
Un paper publicado esta semana identificó un problema que cualquier desarrollador que trabaje con agentes y el Model Context Protocol (MCP) ya ha sentido sin saber nombrar: el MCP Tax, o “impuesto de herramientas”. Cada vez que un agente conectado a múltiples servidores MCP procesa un turno de conversación, carga de forma estática los esquemas de todas las herramientas disponibles — aunque no las vaya a usar. Según los autores, eso puede sumar entre 10,000 y 60,000 tokens por turno en despliegues típicos multi-servidor.
El costo no es solo monetario, aunque ese ya es significativo si estás operando agentes en producción con modelos de pago por token. El problema más sutil es que inflar el contexto con esquemas innecesarios degrada el razonamiento: los modelos con contextos más largos y ruidosos cometen más errores, saltan instrucciones o pierden coherencia en tareas largas. Es decir, pagas más y obtienes peor resultado.
La propuesta del paper — carga dinámica de herramientas y “tool attention” que solo activa los esquemas relevantes para el turno actual — todavía es investigación, no un estándar implementado. Pero el diagnóstico es lo que importa ahora mismo: si tienes agentes en producción conectados a MCP, vale la pena auditar cuántos tokens se están gastando en overhead de herramientas que nunca se invocan. El ahorro puede ser considerable.
En pocas palabras
Lo que conecta estas tres historias es una misma brecha: la IA se está desplegando más rápido de lo que se están actualizando los modelos de amenaza, los marcos de evaluación y la arquitectura de los sistemas que la usan. Los fraudes escalan porque las defensas asumen adversarios humanos. Los análisis económicos se distorsionan porque nadie está probando el sesgo antes de usar el output. Los agentes gastan tokens en silencio porque la arquitectura por defecto no fue diseñada para eficiencia en producción. En los tres casos, el problema no es la tecnología en sí — es que se adoptó sin los checks que la hacen confiable. Eso es lo que define esta etapa de la IA: no la capacidad, sino la madurez operativa.
Fuentes utilizadas: https://www.technologyreview.com/2026/04/24/1136400/the-download-supercharged-scams-questionable-ai-healthcare/, https://arxiv.org/abs/2604.21334, https://arxiv.org/abs/2604.21816