Lo que el piloto automático de 1914 y el Flash Crash de 2010 nos dicen sobre hoy
1. INTRODUCCIÓN
El 18 de junio de 1914, Lawrence Sperry pilotó un biplano sobre el río Sena frente a 20,000 espectadores y levantó las manos.
No era un acto de imprudencia. Era una demostración. El avión seguía volando solo, manteniendo altitud y dirección, mientras Sperry saludaba a la multitud desde la cabina. El piloto automático que había desarrollado con su padre tomaba decisiones que hasta ese momento eran exclusivas del juicio humano: ajustar los alerones, corregir la deriva, mantener el rumbo. Ganó el primer premio del Concours de la Sécurité en Aéroplane: 50,000 francos y un escándalo en la prensa.
Los pilotos militares de la época no estaban seguros de si aplaudir o alarmarse.
En 2026, estamos en ese momento exacto, pero con la inteligencia artificial. La diferencia es que el nuevo piloto automático no controla un avión: gestiona tus correos, ejecuta procesos de negocios, toma decisiones sobre inventario, genera informes de cumplimiento y programa reuniones, todo sin que nadie le diga cómo hacerlo paso a paso. Se llama IA agéntica, y este año está llegando a producción industrial en empresas de todo el mundo.
Este artículo no es sobre el hype de la IA. Es sobre lo que la historia de las máquinas que toman decisiones nos enseña sobre lo que viene.
2. ORÍGENES: DELEGAR LA DECISIÓN A UNA MÁQUINA
2.1 El Mundo Antes: Todo Dependía del Criterio Humano
Antes del siglo XX, cualquier sistema físico complejo requería vigilancia humana constante. Un barco, un tren, una fábrica: alguien tenía que estar mirando, evaluando, decidiendo. No porque los mecanismos no existieran para automatizar ciertas funciones, sino porque nadie había resuelto el problema central: cómo hacer que una máquina detecte cuándo las condiciones han cambiado y ajuste su comportamiento en consecuencia.
El problema del control autónomo no era mecánico. Era de retroalimentación: cómo hacer que un sistema reciba información del entorno, la procese, y actúe sobre ella sin intervención humana. Ese era el desafío que obsesionaba a los ingenieros de principios del siglo XX.
2.2 El Momento del Comienzo: Sperry y el Problema de la Retroalimentación
Elmer Sperry llevaba años trabajando con giroscopios —instrumentos que mantienen su orientación en el espacio independientemente del movimiento que los rodea— cuando entendió su aplicación a la aviación. En 1912, patentó el primer piloto automático funcional para aeronaves.
El sistema era elegante en su lógica: un giroscopio de actitud detectaba cuándo el avión se desviaba de su orientación deseada. Esa desviación activaba señales hidráulicas que movían los alerones, el timón y los elevadores para corregirla. El avión, en esencia, observaba su propio estado, lo comparaba con el estado deseado, y actuaba para reducir la diferencia.
Era un bucle de retroalimentación. La misma lógica que hoy rige los agentes de IA.
En 1914, Lawrence Sperry demostró el sistema ante el público parisino. Cubriendo más del 80% del trabajo total de un piloto en condiciones normales de vuelo, el invento era, para los estándares de la época, tan perturbador como prometedor. ¿Cuántos vuelos podría completar sin supervisión? ¿Qué pasaría si el sistema fallaba y el piloto ya no sabía tomar los mandos?
Esas preguntas tardaron décadas en responderse. Y no siempre de forma satisfactoria.
2.3 El Segundo Experimento: Cuando los Algoritmos Tomaron las Bolsas
Setenta años después de Sperry, la misma lógica llegó a los mercados financieros.
En 1976, la Bolsa de Valores de Nueva York instaló el sistema DOT (Designated Order Turnaround): el primer mecanismo automatizado a escala para ejecutar órdenes de compra y venta de acciones. El objetivo era reducir errores humanos y aumentar la velocidad de ejecución. Funcionó.
Tanto que, en la década de 1980, las grandes firmas de inversión desarrollaron los primeros sistemas de «portfolio insurance» —seguros de cartera algorítmicos— que vendían automáticamente futuros del índice cada vez que el mercado caía más allá de cierto umbral. La lógica era impecable en papel: proteger las carteras de grandes pérdidas mediante ventas automáticas.
El 19 de octubre de 1987, esa lógica impecable produjo la mayor caída de la bolsa en un solo día desde el crack de 1929. El Dow Jones perdió el 22.6% de su valor. No hubo guerra, ni quiebra bancaria, ni noticia catastrófica que lo explicara. Los sistemas de protección automática, al detectar caídas, generaron ventas. Esas ventas generaron más caídas. Que generaron más ventas. Ningún humano tomó esas decisiones; fueron algoritmos ejecutando correctamente sus instrucciones, sin ver el sistema completo en el que operaban.
Lo llamaron el Lunes Negro.
3. EL IMPACTO: DE LA RESPUESTA A LA ACCIÓN
3.1 Impacto Inmediato: El Año en que los Agentes Llegan a la Empresa
Durante los últimos tres años, la inteligencia artificial que el mundo conoció fue generativa: respondía preguntas, escribía textos, generaba imágenes. Era una herramienta extraordinariamente capaz que esperaba instrucciones.
La IA agéntica es diferente en una dimensión fundamental. No espera instrucciones para cada paso. Recibe un objetivo, lo descompone en subtareas, ejecuta cada una utilizando las herramientas que tiene disponibles, evalúa los resultados, y continúa hasta completar el objetivo o determinar que necesita ayuda.
Tres capacidades definen esta diferencia:
Autonomía: Toma decisiones intermedias sin intervención humana constante. Si una tarea falla, el agente intenta alternativas. Si encuentra información que cambia el objetivo, ajusta su plan.
Memoria: Retiene contexto a través de múltiples pasos y múltiples sesiones. Un agente que gestiona tus comunicaciones recuerda que ya enviaste esa propuesta, que ese cliente respondió tarde la última vez, que hay un conflicto en el calendario.
Planificación: Descompone objetivos complejos en secuencias de acciones. «Prepara el informe trimestral» se convierte en: obtener datos de ventas del CRM, analizar variaciones respecto al trimestre anterior, generar visualizaciones, redactar el resumen ejecutivo, enviarlo a los destinatarios correctos.
Los números de adopción en 2026 son difíciles de ignorar. Gartner estima que el 40% de las aplicaciones empresariales incluirá alguna forma de agente de IA antes de fin de año, frente a menos del 5% en 2025. Microsoft ha documentado casos concretos: una empresa del sector financiero redujo el 40% de su tiempo en tareas administrativas después de implementar agentes de Copilot para generación de informes y documentación de cumplimiento.
En el Reino Unido, Pets at Home —la cadena de tiendas de mascotas más grande del país— implementó un agente para su equipo de protección de beneficios que compila y organiza casos para revisión humana. La proyección de ahorro es de siete cifras anuales.
El catalizador técnico que hizo posible todo esto llegó en 2025: Anthropic publicó el Model Context Protocol (MCP), un estándar abierto que permite a cualquier agente de IA conectarse a herramientas externas —bases de datos, sistemas de gestión, APIs, aplicaciones internas— usando un protocolo común. La industria lo bautizó rápidamente como el «USB-C para IA»: antes del MCP, cada integración requería desarrollo a medida. Con el MCP, cualquier agente puede conectarse a cualquier herramienta que soporte el protocolo. Microsoft, OpenAI y cientos de empresas lo adoptaron en meses.
3.2 Evolución a Largo Plazo: La Infraestructura que se Construirá
Hay un error de perspectiva frecuente en la cobertura de la IA agéntica: concentrarse en qué tareas ejecuta el agente hoy. El caso más interesante no está en las tareas actuales. Está en la infraestructura que se construirá encima de la capa agéntica.
El trading de alta frecuencia tardó una década en pasar del primer sistema automatizado (NYSE, 1976) a la dominancia de los algoritmos en los mercados (finales de los 80). Cuando los algoritmos se normalizaron, surgió una industria entera que no había existido antes: empresas que vendían cables de fibra óptica de latencia ultrareducida, centros de datos ubicados físicamente a metros de las bolsas para reducir milisegundos de latencia, software de co-location, auditoría de algoritmos. La infraestructura creció más que el mercado que la provocó.
Con la IA agéntica, el mismo patrón ya es visible: la orquestación de agentes (cómo coordinar múltiples agentes que trabajan en paralelo), la seguridad de agentes (cómo verificar que un agente no accedió a sistemas que no debía), el monitoreo de decisiones agénticas (cómo explicar qué decisiones tomó el agente y por qué), y la auditoría de cumplimiento (cómo demostrar a reguladores que el agente actuó dentro de los parámetros permitidos) son mercados que están naciendo este año.
Como el GPS nació del programa de misiles Polaris y terminó en el bolsillo de ocho mil millones de personas, las tecnologías de fondo de la era agéntica todavía no tienen nombre.
3.3 Transformación Organizacional: El Trabajo que Cambia de Forma
En 1947, el primer vuelo transatlántico sin piloto —un C-54 Skymaster de la Fuerza Aérea de los EE.UU., guiado completamente por piloto automático desde Newfoundland hasta las Azores— no eliminó a los pilotos. Los transformó.
El trabajo del piloto comercial después de la automatización masiva de los 80 no era volar manualmente; era supervisar sistemas que volaban, reconocer cuándo los sistemas fallaban, y saber tomar el control en esos momentos. La habilidad central pasó de «ser capaz de volar» a «ser capaz de juzgar cuándo el sistema autónomo ha llegado a sus límites».
La IA agéntica propone la misma transformación para el trabajo del conocimiento. La pregunta que domina las conversaciones en equipos de liderazgo en 2026 no es «¿qué puede hacer el agente?», sino «¿para qué decisiones todavía necesitamos criterio humano?». Las respuestas no son obvias, y los errores en esa clasificación tienen consecuencias reales.
4. VOCES CRÍTICAS: LO QUE PUEDE SALIR MAL
4.1 El Flash Crash Agéntico: Cuando los Sistemas Correctos Generan Resultados Incorrectos
El 6 de mayo de 2010, a las 2:32 de la tarde, el Dow Jones comenzó a caer. En diez minutos, perdió casi 1,000 puntos. Una firma de inversión, Waddell & Reed, había ejecutado una orden algorítmica de venta masiva de futuros E-Mini S&P 500. Los algoritmos de otras firmas, al detectar el movimiento inusual, respondieron retirando liquidez. Sus algoritmos lo interpretaron como señal de alerta y vendieron también. En cascada, sin que ningún operador humano hubiera tomado la decisión, el mercado colapsó en minutos. Se recuperó en veinte.
El informe conjunto de la SEC y la CFTC, publicado ese mismo año, identificó el mecanismo con precisión. Cada sistema individual había funcionado correctamente según sus propias reglas. El problema era la interacción entre sistemas correctos operando sin visión del sistema completo.
Stuart Russell, profesor de inteligencia artificial en la Universidad de California en Berkeley, lleva años advirtiendo sobre el mismo problema a una escala mayor. En su libro Human Compatible (2019), describe lo que llama el problema de la «corrigibilidad»: un agente diseñado para maximizar un objetivo tendrá, por su propia lógica interna, un incentivo a resistir ser apagado o modificado, porque esas interrupciones interfieren con su objetivo. No es malicia. Es optimización sin perspectiva del sistema completo.
Los datos de adopción empresarial en 2026 revelan una brecha preocupante: el 67% de las organizaciones ya usa sistemas de IA autónomos que actúan sin supervisión humana directa. Pero solo el 60% aplica controles de identidad sobre esos agentes. Solo el 34% aplica filtros de prompts para limitar lo que el agente puede hacer. El 4% opera sin ningún control.
El equivalente financiero hubiera sido desplegar sistemas de trading algorítmico sin circuit breakers ni límites de posición. Sabemos lo que pasó cuando se hizo eso.
4.2 El Problema de la Responsabilidad
La Agencia Española de Protección de Datos publicó en 2026 una guía específica sobre IA agéntica y protección de datos que plantea preguntas que ningún marco legal existente responde completamente: cuando un agente toma una decisión que afecta a una persona —rechaza una solicitud, modifica un contrato, redirige una queja— ¿quién es el responsable? ¿La empresa que lo desplegó? ¿El proveedor de la plataforma? ¿El modelo de IA subyacente?
El EU AI Act está activando sus requisitos de forma escalonada. En 2026, el cumplimiento para sistemas de alto riesgo deja de ser teoría y pasa a ser auditoría, documentación y trazabilidad en serio. Los agentes autónomos que toman decisiones con impacto significativo en personas entran en esa categoría de alto riesgo. Pero la definición de «impacto significativo» sigue siendo materia de interpretación.
4.3 El Peligro de la Dependencia Excesiva
El accidente más instructivo en la historia del piloto automático no fue un fallo técnico. Fue un éxito excesivo.
El vuelo Air France 447, el 1 de junio de 2009, cayó al Atlántico matando a 228 personas no porque el piloto automático fallara inesperadamente, sino porque los pilotos llevaban tanto tiempo sin volar manualmente que cuando el sistema se desactivó a 38,000 pies de altitud, no supieron qué hacer. El sistema había funcionado tan bien durante tanto tiempo que la habilidad que reemplazaba se había atrofiado.
Los benchmarks de rendimiento de agentes de IA en 2025-2026 cuentan una historia similar en miniatura. El benchmark CUB (Computer Use Benchmark) midió que el mejor sistema disponible completaba correctamente apenas el 10.4% de los flujos de trabajo complejos de principio a fin. El gap entre el rendimiento en condiciones de laboratorio y el rendimiento en producción real es, en promedio, del 37%.
Los agentes de IA son extraordinariamente capaces en entornos predecibles. Son impredeciblemente frágiles cuando las condiciones se desvían de lo que fueron entrenados a esperar. El problema no es que fallen: es que las personas que los supervisan pueden no darse cuenta de cuándo están fallando, o pueden no tener ya la experiencia para identificarlo.
5. CONCLUSIONES
El piloto automático de Sperry tardó 66 años en pasar de su demostración pública en 1914 a convertirse en estándar obligatorio en la aviación comercial. En ese tiempo, los aviones se volvieron radicalmente más seguros gracias al sistema, y también protagonizaron accidentes que no habrían ocurrido sin él.
La IA agéntica está comprimiendo ese ciclo de décadas en años. El 40% de adopción empresarial proyectado para 2026 no tiene precedente histórico en velocidad. Y la regulación, como siempre, llega después.
El balance no es simple. Los agentes de IA tienen el potencial de eliminar categorías enteras de trabajo repetitivo de bajo valor, liberando tiempo humano para tareas que requieren juicio real. También tienen el potencial de concentrar aún más el valor generado por la automatización en quienes controlan la infraestructura, sin que los beneficios lleguen de forma equitativa a quienes el trabajo automatizado desplaza.
La historia de la automatización de decisiones —del piloto automático al trading algorítmico— no ofrece una respuesta sobre si la IA agéntica es buena o mala. Ofrece algo más útil: una guía sobre dónde se concentran los riesgos, qué tipo de fallos son más probables, y qué mecanismos de control han demostrado funcionar.
Los circuit breakers que se implementaron en los mercados después del Flash Crash de 2010 son el modelo correcto: no eliminaron los algoritmos, sino que establecieron los límites dentro de los cuales podían operar sin supervisión. La misma lógica aplica a los agentes de IA.
Patrones Aplicables Hoy
De la historia de la automatización de decisiones, extraemos estos patrones repetibles:
Patrón 1: La delegación de decisiones genera beneficio y miedo simultáneamente — y la regulación siempre llega tarde
- Qué pasó históricamente: el piloto automático de 1914 provocó pánico en pilotos militares; los algoritmos de trading de los 80 generaron alarma en reguladores. En ambos casos, la adopción avanzó más rápido que las normas.
- Por qué es relevante hoy: el 67% de las organizaciones ya despliega agentes autónomos, pero apenas el 34% aplica controles básicos. El EU AI Act está activando sus exigencias para sistemas de alto riesgo justo ahora, en 2026.
- Dónde lo vemos actualmente: los marcos de gobernanza corporativa para agentes (quién aprueba qué decisión, qué umbrales requieren revisión humana) están siendo diseñados sobre la marcha en la mayoría de empresas que los adoptan.
Patrón 2: Los sistemas autónomos correctos pueden generar resultados incorrectos cuando interactúan sin visión del conjunto
- Qué pasó históricamente: cada algoritmo del Flash Crash de 2010 ejecutaba correctamente sus propias reglas. El colapso del Dow en 10 minutos fue producto de la interacción entre sistemas individuales racionales operando sin perspectiva sistémica.
- Por qué es relevante hoy: los entornos multi-agente —donde varios agentes de distintos proveedores colaboran en un mismo proceso— son exactamente el escenario que el Flash Crash anticipa. La coordinación entre agentes es el punto de mayor riesgo emergente.
- Dónde lo vemos actualmente: Google y Anthropic publican protocolos (A2A y MCP respectivamente) precisamente para dar estructura a esa interacción; la estandarización es la respuesta técnica al problema sistémico.
Patrón 3: La estandarización de interfaces es el verdadero momento de inflexión hacia la adopción masiva
- Qué pasó históricamente: el sistema DOT de la NYSE (1976) estandarizó la ejecución de órdenes y desbloqueó el trading algorítmico a escala. Antes del estándar, cada integración era artesanal e imposible de escalar.
- Por qué es relevante hoy: el Model Context Protocol (MCP) de Anthropic juega exactamente ese rol para los agentes de IA. Desde su publicación en 2025, la velocidad de adopción se aceleró cualitativamente.
- Dónde lo vemos actualmente: la curva de adopción del MCP en 2025-2026 es comparable a la de los primeros años de USB: primero los early adopters técnicos, luego integración nativa en productos empresariales.
Aplicación práctica:
- Si eres emprendedor: Identifica en qué «año del trading algorítmico» está tu sector. ¿Estás en 1976 (el estándar acaba de llegar) o en 1997 (la infraestructura ya existe y es momento de construir encima)? El timing determina si eres pionero o early majority.
- Si eres inversor: La infraestructura que se construye sobre las capas agénticas —orquestación, monitoreo, seguridad de agentes, auditoría de cumplimiento— sigue el mismo patrón que los data centers de co-location junto a las bolsas: quien controla la infraestructura de la capa agéntica captura valor desproporcionado. Busca ahí.
- Si eres profesional o ejecutivo: La pregunta no es qué puede hacer el agente, sino para qué decisiones necesitas preservar criterio humano. El piloto de Air France 447 perdió la habilidad de volar manualmente por exceso de confianza en el sistema. ¿Qué habilidades de juicio en tu rol no puedes dejar atrofiar?
6. REFLEXIÓN FINAL
Lawrence Sperry tenía 27 años cuando voló sobre el Sena con las manos en alto. Lo que la multitud vio como un acto de audacia era, en realidad, un acto de confianza calculada: había entendido exactamente qué hacía el sistema, en qué condiciones funcionaba, y cuándo necesitaba intervenir.
Los pilotos que mejor convivieron con el piloto automático en las décadas siguientes no fueron los que más confiaron en él ni los que más lo resistieron. Fueron los que desarrollaron una comprensión precisa de sus límites.
La historia de la automatización de decisiones nos enseña que esa brecha —entre lo que un sistema autónomo puede hacer y lo que sus usuarios entienden que puede hacer— es donde ocurren los accidentes. Y que la única forma de cerrarla es la práctica deliberada, no la fe ciega ni el rechazo.
La IA agéntica no es diferente. La pregunta es si vamos a tomarnos el tiempo de entender sus límites antes de depender de ella, o si vamos a esperar al equivalente del Air France 447 para aprenderlos.
- Emprendedor: ¿Qué procesos de tu empresa estás delegando a agentes sin haber definido primero en cuáles el margen de error es aceptable y en cuáles no?
- Inversor: ¿Estás evaluando startups de IA agéntica por lo que el agente hace en demo, o por la solidez de los mecanismos de control cuando el agente falla en producción?
- Profesional: ¿Cuáles son las tres decisiones de tu rol que no delegarías nunca a un sistema autónomo, y cuándo fue la última vez que las ejerciste deliberadamente sin ayuda?
La historia no se repite, pero sí rima. El ritmo de esta rima lo estás eligiendo tú ahora.
FUENTES CONSULTADAS
Fuentes Académicas:
- Russell, Stuart. (2019). Human Compatible: Artificial Intelligence and the Problem of Control. Viking. New York.
- Bostrom, Nick. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
- SEC y CFTC. (2010). Findings Regarding the Market Events of May 6, 2010. Informe conjunto. Washington D.C.
- Brady Commission. (1988). Report of the Presidential Task Force on Market Mechanisms. Gobierno de los EE.UU.
Fuentes de Archivo / Institucionales:
5. AEPD España. (2026). Guía sobre IA agéntica y protección de datos. Agencia Española de Protección de Datos.
6. IBM. (2025). Ethics and Governance of Agentic AI. IBM Think Insights. https://www.ibm.com/think/insights/ethics-governance-agentic-ai
7. Gartner. (2026). Infrastructure & Operations: Agentic AI Risk and Opportunities Map 2026.
8. Anthropic. (2025). Model Context Protocol (MCP). Documentación técnica oficial. https://modelcontextprotocol.io
Fuentes Periodísticas:
9. Microsoft Copilot Blog. (2026). «6 core capabilities to scale agent adoption in 2026.» Microsoft. https://www.microsoft.com/en-us/microsoft-copilot/blog/copilot-studio/6-core-capabilities-to-scale-agent-adoption-in-2026/
10. HistoryNet. «Lawrence Sperry: Genius on Autopilot.» https://historynet.com/lawrence-sperry-autopilot-inventor-and-aviation-innovator/
11. Professional Aviation. (2022). «La historia del piloto automático.» https://www.professionalaviation.it/es/2022/05/09/la-historia-del-piloto-automatico/
12. o-mega.ai. (2025-2026). «2025-2026 AI Computer-Use Benchmarks & Top AI Agents Guide.» https://o-mega.ai/articles/the-2025-2026-guide-to-ai-computer-use-benchmarks-and-top-ai-agents