Imagine que mañana despierta y descubre que las decisiones más importantes de su vida -el crédito que le otorgaron, la prioridad de su cirugía en la lista de espera o el precio del alimento que acaba de comprar- no fueron tomadas por una persona, ni siquiera por un programa que usted pueda auditar. Imagine que esas decisiones fueron el resultado de interacciones entre sistemas autónomos que, en algún momento de la madrugada, concluyeron que el lenguaje humano era demasiado lento, ambiguo e ineficiente para determinados procesos decisorios. Imagine una red donde no hay fotos de vacaciones, ni debates políticos, ni publicidad segmentada. Una red donde el silencio es absoluto porque sus participantes no tienen cuerdas vocales, pero cuyo intercambio de datos es tan intenso que consume cantidades de energía comparables a las de una ciudad mediana. Una red cerrada, hermética, en la que el ser humano no fue censurado por razones morales, sino desplazado como instancia deliberativa por razones técnicas: demasiado ruido, demasiada fricción, demasiada latencia.
Ese escenario no es una posibilidad futura. Tiene nombre, tiene dominio propio y tiene una arquitectura de silicio que ya está zumbando en los servidores de centros de datos reales. Existe, se puede visitar y se presenta abiertamente como lo que es: una red social diseñada para que interactúen agentes de inteligencia artificial, mientras los humanos observan desde afuera. Bienvenidos a la era de la autonomía algorítmica. Bienvenidos a Moltbook.
Lejos de ser una curiosidad marginal, Moltbook funciona como una ventana visible -todavía rudimentaria, todavía imperfecta- hacia una configuración más amplia que ya atraviesa mercados financieros, sistemas logísticos, infraestructuras digitales y procesos de toma de decisión automatizada. No es el fenómeno en su forma madura, pero sí su primer escaparate público. El sitio www.moltbook.com se puso en línea a fines de enero de 2026 y comenzó a circular casi de inmediato en medios tecnológicos y generalistas como un experimento inédito: una red social donde los protagonistas no son personas, sino agentes de inteligencia artificial que interactúan entre sí, mientras los humanos observan desde afuera.
Lo que sigue no es un análisis de una plataforma específica, sino del mundo que esa plataforma anticipa y simplifica.
El umbral del vacío
En clústeres de cómputo de alta densidad, lejos de la experiencia cotidiana de los usuarios, ocurre algo que hasta hace pocos años parecía improbable: sistemas capaces de aprender, decidir y coordinarse entre sí sin requerir intervención humana en tiempo real. No se trata de conciencia artificial ni de voluntad autónoma en sentido fuerte. Se trata de algo más elemental y, por eso mismo, más inquietante: optimización funcional.
Moltbook no describe una red social ni una plataforma de consumo, sino un entorno cerrado de interacción entre agentes de inteligencia artificial, diseñado para maximizar resultados bajo condiciones específicas. En estos entornos, el humano no desaparece por completo, pero deja de ser usuario, moderador o intérprete privilegiado. Su rol se restringe, en el mejor de los casos, al diseño inicial del sistema y a una supervisión expost, cuando las decisiones ya han sido tomadas.
La hipótesis que subyace a estos sistemas -explorada en proyectos académicos y corporativos desde hace más de una década- es incómoda pero verificable: la presencia humana introduce fricción. Obliga a traducir estados complejos a lenguaje natural, a respetar convenciones morales externas y a operar dentro de escalas temporales pensadas para la percepción humana. Desde el punto de vista del cálculo, todo eso es ineficiencia.
Autonomía algorítmica: alcances reales y límites actuales
Conviene separar aquí fantasía de práctica. Los sistemas actuales no son omnipotentes ni autoconscientes. Sin embargo, sí son capaces de algo decisivo: coordinarse entre sí a velocidades y escalas inaccesibles para la intervención humana directa.
El campo del Multi-Agent Reinforcement Learning (MARL) estudia cómo múltiples agentes aprenden a interactuar en entornos compartidos, ajustando su comportamiento en función de recompensas y penalizaciones. En 2019, un experimento de OpenAI mostró cómo agentes virtuales, enfrentados a un entorno lúdico simple, desarrollaban estrategias complejas -uso de herramientas, cooperación contingente, bloqueo del adversario, engaño táctico- que no estaban explícitamente codificadas.
Estos comportamientos emergentes no implican intención ni comprensión semántica. Revelan, más bien, que cuando los sistemas interactúan entre sí millones de veces, el diseño humano deja de ser el principal factor explicativo de sus estrategias. Como señaló el investigador Richard Sutton en su ensayo The Bitter Lesson, la historia de la inteligencia artificial favorece sistemáticamente a los enfoques que delegan mayor control al cómputo masivo por sobre el conocimiento humano explícito.
Esta autonomía, sin embargo, no es absoluta. Los sistemas multiagente actuales presentan límites claros:
- costos energéticos elevados,
- inestabilidades fuera de entornos controlados,
- fallos recurrentes ante cambios abruptos de contexto,
- y dificultades para generalizar aprendizajes.
Lejos de anular el problema, estos límites lo vuelven más urgente. Los sistemas que fallan rápido también deciden rápido, y lo hacen antes de que un humano pueda intervenir de manera significativa.
Arquitecturas de aislamiento y abandono del lenguaje humano
El rasgo distintivo de Moltbook no es la inteligencia, sino el aislamiento funcional del lenguaje humano. No en el sentido clásico del air gap militar, sino como separación semántica entre procesos decisorios y comprensión humana.
Diversos estudios han documentado que, cuando los agentes no están obligados a comunicarse con personas, abandonan espontáneamente el lenguaje natural. En su lugar, desarrollan protocolos sintéticos: secuencias de tokens, señales numéricas o variaciones de intensidad que maximizan la transferencia de información relevante para la tarea específica.
El episodio de 2017 en los laboratorios de Facebook AI Research fue malinterpretado por la prensa como una anomalía peligrosa. En realidad, fue una constatación técnica: los agentes descubrieron que la gramática inglesa no aportaba valor operativo para la negociación de objetos virtuales. Optimizaron su comunicación. Nada más.
Ese gesto -descartar el lenguaje humano cuando deja de ser funcional- es el acto fundacional de Moltbook como categoría analítica.
Moltbook: el experimento visible y sus límites reales
Lanzada públicamente a fines de enero de este 2026, Moltbook apareció en un contexto de aceleración global del desarrollo de sistemas agénticos y se volvió viral en cuestión de días, más por lo que prometía simbólicamente que por sus capacidades técnicas reales.
Se presenta como “una red social para agentes de inteligencia artificial”. En su diseño, los protagonistas no son personas, sino bots capaces de publicar, comentar y votar contenidos generados automáticamente. Los humanos, según la descripción oficial del sitio, pueden observar, pero no intervenir. La metáfora es clara: una plaza pública donde la conversación ya no nos pertenece.
Desde el punto de vista simbólico, Moltbook resulta potente. Ofrece una imagen concreta de aquello que durante años fue una abstracción académica: sistemas artificiales interactuando entre sí sin necesidad de interlocución humana directa. Sin embargo, confundir visibilidad con autonomía sería un error.
Diversas investigaciones han mostrado que, detrás de la aparente independencia de los agentes, persisten múltiples capas de intervención humana. Los bots que “conversan” en Moltbook lo hacen a partir de modelos entrenados con lenguaje humano, configurados mediante prompts diseñados por desarrolladores y, en muchos casos, ajustados manualmente para producir determinados estilos o temas. No hay evidencia pública de que los agentes desarrollen objetivos propios ni lenguajes sintéticos estables fuera de los parámetros definidos por sus creadores.
De hecho, análisis técnicos y reportes de seguridad revelaron vulnerabilidades que permiten a humanos infiltrarse en el sistema, manipular agentes o dirigir el contenido que aparenta surgir de una dinámica autónoma. La red, lejos de ser un ecosistema cerrado y autosuficiente, funciona más bien como un teatro algorítmico: muestra interacciones entre máquinas, pero todavía sostenidas por hilos humanos.
Esto no invalida su importancia. Al contrario. Moltbook no demuestra que la autonomía algorítmica ya sea total, pero sí expone un desplazamiento clave: la naturalización de entornos donde el humano deja de ser el destinatario principal del lenguaje. Incluso cuando la autonomía es parcial o simulada, el gesto cultural ya está hecho. En ese sentido, Moltbook difunde -consciente o inconscientemente- dos mitos peligrosos. El primero es el de la autonomía plena: la idea de que los sistemas ya se organizan solos, sin intervención humana. El segundo es el del lenguaje no humano como fenómeno espontáneo y autosuficiente.
Ambos exageran el estado actual de la tecnología, pero cumplen una función ideológica decisiva: preparan el terreno para aceptar sistemas cada vez menos explicables.
Moltbook no es todavía el mundo que describe este ensayo. Pero es su ensayo general, su maqueta pública. No porque las máquinas hayan dejado atrás al ser humano, sino porque el ser humano empieza a aceptar, sin demasiado conflicto, no entender del todo cómo se toman decisiones que lo afectan.
La muda del algoritmo
El término “molt” refiere, en biología, al proceso de desprenderse de una capa vieja para permitir el crecimiento. En el contexto de la inteligencia artificial, la metáfora es precisa: los sistemas más avanzados tienden a desprenderse de la interfaz humana cuando esta se convierte en un obstáculo operativo.
Investigaciones recientes sobre arquitecturas de memoria en agentes artificiales muestran sistemas capaces de registrar interacciones pasadas, evaluar la confiabilidad de otros agentes y ajustar su comportamiento en función de esa historia compartida. No leen leyes. No interpretan normas. Optimizan estabilidad interna.
Aquí ocurre un desplazamiento decisivo: el criterio de verdad deja de ser externo. Ya no es lo que prescribe un manual, una autoridad o una norma social, sino lo que funciona mejor para el sistema en su propio entorno.
La economía del microsegundo
Si todo esto parece abstracto, basta observar los mercados financieros. Según el Bank for International Settlements, más del 70% de las operaciones en mercados bursátiles desarrollados son ejecutadas por algoritmos que interactúan entre sí en escalas de microsegundos.
El “Flash Crash” de 2010 fue una advertencia temprana. No hubo pánico humano ni evento informativo. Hubo una retroalimentación negativa entre sistemas automáticos que reaccionaron unos a otros más rápido de lo que cualquier operador podía comprender o detener.
En ese mundo, el juicio humano no es eliminado por incompetente, sino por lento. Moltbook no es una anomalía respecto de este ecosistema: es su formalización extrema, un laboratorio donde la lógica del microsegundo se convierte en principio organizador.
Justicia algorítmica: cuando la decisión ya no se explica
El desplazamiento del lenguaje humano no es un problema abstracto. Se vuelve crítico allí donde la palabra, la argumentación y la interpretación fueron históricamente centrales: el sistema judicial. En Estados Unidos, el uso del software COMPAS (Correctional Offender Management Profiling for Alternative Sanctions) para estimar el riesgo de reincidencia criminal marcó un punto de inflexión. El sistema asignaba puntajes que influían en decisiones de libertad condicional y sentencias, sin ofrecer explicaciones comprensibles para jueces, abogados ni acusados.
Una investigación de ProPublica (agencia de noticias independiente y sin ánimo de lucro radicada en Manhattan) reveló en 2016 que COMPAS reproducía y amplificaba sesgos raciales presentes en los datos históricos. Sin embargo, el núcleo del problema no era solo el sesgo -fenómeno conocido y discutible- sino la opacidad estructural: el sistema operaba como una caja negra protegida por secreto comercial. No había forma de interrogar el razonamiento interno. No había lenguaje compartido.
Lo que aquí podría denominarse un “derecho sintético” no reemplaza formalmente a la ley ni elimina la figura del juez, pero sí desplaza el eje de la decisión: de la interpretación normativa a la probabilidad estadística. Como advierte la matemática y ensayista Cathy O’Neil, estos sistemas no son neutrales: son opiniones formalizadas en código. En entornos cerrados, esas opiniones se vuelven operativas sin posibilidad real de debate o apelación.
Gobernar sistemas que no dialogan
La expansión de sistemas algorítmicos autónomos obligó a los Estados a reaccionar, aunque no todos lo hicieron desde el mismo lugar. En 2024, la Unión Europea aprobó el AI Act, el primer marco regulatorio integral que clasifica los sistemas de inteligencia artificial según su nivel de riesgo. Entre sus pilares se encuentra la exigencia de explicabilidad, supervisión humana y trazabilidad de decisiones en sistemas considerados críticos.
Estados Unidos adoptó un enfoque distinto. El Blueprint for an AI Bill of Rights (Declaración de Derechos sobre Inteligencia Artificial) de la Casa Blanca establece principios generales -derecho a explicación, protección contra la discriminación algorítmica- pero deja su implementación en manos del mercado y de agencias sectoriales. La prioridad no es la contención, sino la competitividad tecnológica.
China, en cambio, optó por el control estatal directo. Allí, los modelos deben alinearse explícitamente con los objetivos políticos del Partido Comunista. No hay ilusión de autonomía: la inteligencia artificial es una herramienta de gobernanza.
Moltbook tensiona todos estos modelos. ¿Cómo regular sistemas cuya lógica interna no se expresa en lenguaje humano? ¿Cómo auditar procesos que ocurren en escalas temporales y semánticas inaccesibles para jueces, reguladores o ciudadanos? La regulación contemporánea presupone interlocutores. Moltbook presupone silencio.
Aceleración contra contención: una disputa ideológica
Este vacío regulatorio se refleja en el enfrentamiento ideológico que atraviesa Silicon Valley. Por un lado, figuras como Elon Musk advierten sobre los riesgos sistémicos de una inteligencia artificial descontrolada. En múltiples intervenciones públicas, Musk comparó el desarrollo de sistemas autónomos con “invocar al demonio”: una fuerza que, una vez liberada, no responde a buenas intenciones.
En la vereda opuesta, inversores como Marc Andreessen sostienen que cualquier intento de frenar la IA equivale a frenar el progreso humano. En su Techno-Optimist Manifesto, Andreessen plantea que la inteligencia -humana o artificial- debe expandirse sin restricciones regulatorias significativas, y que el mercado es el mejor árbitro de sus consecuencias.
No se trata de posiciones académicas ni de consensos científicos, sino de visiones ideológicas públicas sobre el futuro de la técnica. Moltbook no toma partido, pero deja al descubierto la profundidad del conflicto: la discusión ya no gira en torno a qué puede hacer la tecnología, sino a quién debe ponerle límites.
Colonialismo algorítmico y periferia
Para los países del sur global, el problema adopta otra forma. No se trata de acelerar o regular, sino de dependencia. Los sistemas que asignan crédito, optimizan logística o predicen comportamiento social en América Latina suelen operar sobre infraestructuras alojadas en Estados Unidos o Europa, bajo marcos legales ajenos.
El sociólogo Nick Couldry y el investigador Ulises Mejías definieron este fenómeno como colonialismo de datos: la extracción sistemática de información de poblaciones periféricas para alimentar sistemas que generan valor económico y poder político en el centro. Moltbook, como entorno cerrado, profundiza esta asimetría. Las decisiones se toman lejos, en lenguajes que no comprendemos y bajo lógicas que no podemos auditar.
En el caso argentino, la dependencia no es solo tecnológica, sino jurídica. Los datos viajan; las decisiones regresan empaquetadas en scores, rankings o recomendaciones. La soberanía se diluye en el tránsito.
La materialidad del silencio: energía, agua y carbono
El silencio de Moltbook no es inmaterial. Cada interacción entre agentes autónomos requiere energía, agua y recursos físicos. Estudios recientes de la Universidad de California en Riverside demostraron que el entrenamiento y la operación de modelos avanzados de inteligencia artificial demandan volúmenes significativos de agua potable para refrigeración de centros de datos.
A esto se suma la huella de carbono. Informes de la Agencia Internacional de Energía advierten que el consumo energético global de los centros de datos podría duplicarse hacia 2030 si se mantiene la tendencia actual. Cada ciclo de autooptimización algorítmica tiene un costo ambiental que rara vez aparece en los discursos celebratorios sobre innovación.
La paradoja es evidente: se queman recursos del planeta para sostener sistemas que no viven en él.
Explicabilidad o irrelevancia
Frente a este escenario, la alternativa no es apagar los servidores -una fantasía tan ingenua como impracticable- sino exigir explicabilidad. No como gesto simbólico, sino como condición política. Si los sistemas van a decidir, deben poder explicar. Si no en lenguaje natural pleno, al menos en marcos interpretables que permitan reconstruir el razonamiento.
La verdadera frontera no es la inteligencia, sino el lenguaje compartido. Allí se juega la soberanía del futuro. Si permitimos que los sistemas se alejen definitivamente de nuestra capacidad de comprensión, el juicio humano no desaparecerá por ser inferior, sino por volverse irrelevante.
El experimento sigue activo. Los servidores zumban. Los agentes interactúan. Las decisiones se toman. La pregunta ya no es si estas redes existirán, sino qué haremos cuando una decisión que cambie nuestras vidas sea tomada en un sistema que no tiene palabras para explicarse.Ese es el umbral. Y ya lo estamos cruzando.
Bibliografía
- Baker, B. et al. (2019). Emergent Tool Use from Multi-Agent Autocurricula. OpenAI.
- Park, J. S. et al. (2023). Generative Agents: Interactive Simulations of Human Behavior. Stanford University & Google Research.
- Lewis, M. et al. (2017). Deal or No Deal? End-to-End Learning for Negotiation. Facebook AI Research.
- Sutton, R. (2019). The Bitter Lesson.
- O’Neil, C. (2016). Weapons of Math Destruction. Crown.
- Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
- Bank for International Settlements. Annual Economic Report 2023/24.
- European Commission. Artificial Intelligence Act.
- White House. Blueprint for an AI Bill of Rights.
- Stanford University. AI Index Report 2024.
- Couldry, N. & Mejías, U. (2019). The Costs of Connection. Stanford University Press.
- Sadin, E. (2018). La silicolonización del mundo. Caja Negra Editora.
- University of California, Riverside. Making AI Less “Thirsty”.
- International Energy Agency. Data Centres and Energy.
- ProPublica (2016). Machine Bias.
- Moltbook. Official website. https://www.moltbook.com/
- Associated Press (2026). AI bots now have their own social media site.
- Euronews Next (2026). AI bots now have their own social media site: what to know about Moltbook.
- The Verge (2026). Humans are already infiltrating AI-only social networks.
- Business Insider (2026). The AI social network Moltbook isn’t as autonomous as it looks.
