1. No se trata de “preguntar a la IA qué acción comprar”, sino de convertir el laboratorio en software
Lo interesante de la inversión autónoma no es preguntarle a un chatbot qué comprar hoy.
El cambio real es automatizar el ciclo de investigación: recopilar ideas, convertirlas en hipótesis, escribir código, probar con datos, descartar fallos, comparar supervivientes con estrategias existentes, añadir lo útil a una cartera y volver a buscar.
El trading algorítmico clásico solía ser “el humano diseña y la máquina ejecuta”. El nuevo modelo se acerca a “el humano define direcciones y criterios, y los agentes de IA trabajan como un equipo de investigadores”.
No es un oráculo.
Es un laboratorio abierto 24 horas.
Los investigadores no duermen. A veces se desmayan por rate limits.
2. J-Quants importa porque elimina la parte aburrida entre una idea y una prueba
En acciones japonesas, preparar datos puede consumir más energía que la propia hipótesis.
Maestros de valores, precios, finanzas, margen, ventas en corto, dividendos, futuros y opciones pueden convertir una idea sencilla en arqueología digital.
J-Quants reduce esa fricción mediante datos estandarizados por API.[1]
A 1 de octubre de 2026, Standard cuesta ¥3.300 al mes y Premium ¥16.500. Premium ofrece todo el historial disponible y un conjunto más amplio de datos.
¥16.500 no compran alfa.
Compran menos expediciones para encontrar CSV.
Con acceso programable, un agente puede pasar de hipótesis a datos, Python, backtest y almacenamiento de resultados sin detenerse.
Ahí empieza la experimentación masiva.
3. Cuando implementar deja de ser escaso, escasean las ideas y la evaluación
Antes podías tener diez ideas y programar una o dos.
Código, bugs, documentación de API, limpieza de datos y gráficos eran un freno natural.
Los agentes de programación fuertes reducen ese freno.
“Prueba esto.”
“Hecho.”
“Cambia las condiciones.”
“Hecho.”
“¿Walk-forward?”
“Hecho.”
Por fin llegó el duende que convierte pensamientos en código.
Diez minutos después aparece otro problema.
Faltan pensamientos útiles.
Cuando la IA también genera ideas en masa, el cuello de botella vuelve a moverse: seleccionar cuáles merecen confianza.
La ventaja pasa de implementar a diseñar el espacio de búsqueda, falsar y evaluar.
4. El superpoder peligroso es fabricar 1.000 estrategias basura a la velocidad de la luz
La investigación autónoma acelera el descubrimiento y también el overfitting.
Si produces cientos de variantes mínimas y conservas sólo las que tuvieron suerte en el pasado, el backtest puede parecer un fondo genial.
El directo puede parecer un documental de extinción.
Por eso hacen falta filtros: out-of-sample, walk-forward, costes, slippage, estabilidad por año, sensibilidad a regímenes, correlación, turnover, liquidez, capacidad y detección de ideas duplicadas.
Si contratas cien investigadores de IA, agranda primero el cubo de basura.
Un laboratorio sin criterios de rechazo es un zoológico de backtests.
5. ¿Cuánto cuesta un sistema serio en 2026?
J-Quants Standard cuesta ¥3.300 al mes y Premium ¥16.500.[1]
Claude Max cuesta $100 al mes en Max 5x y $200 en Max 20x, con Claude Code interactivo incluido.[2][3]
Pero $200 no significan Claude Code ilimitado 24/7. Existen límites por sesión de cinco horas y límites semanales.[2]
Desde el 15 de junio de 2026, Claude Agent SDK y claude -p tienen créditos mensuales separados para usuarios elegibles: $100 en Max 5x y $200 en Max 20x.[4]
En API, Sonnet 5.5 cuesta $2 por millón de tokens de entrada y $10 de salida; Opus 5.5 cuesta $4/$20.[5] GPT-6.1 Sol también cuesta $2/$10 en procesamiento Standard, mientras Astra cuesta $10/$50.[6]
“IA” no tiene un único salario.
Un investigador y un director de investigación pueden costar cinco veces diferente.
6. ¿¥900.000 al mes es absurdo? No, se puede fabricar con facilidad
Con un modelo de $2/$10 sin cache:
50M de entrada + 5M de salida cuestan unos $150.
200M + 20M, unos $600.
500M + 50M, unos $1.500.
Con un modelo de $10/$50:
50M + 5M cuestan unos $750.
200M + 20M, unos $3.000.
400M + 40M, unos $6.000.
Redondeando a ¥150 por dólar, $6.000 son aproximadamente ¥900.000.
No es ciencia ficción.
Basta con mantener modelos caros trabajando en paralelo.
El jefe final de las facturas aparece con un comando.
Cache, Batch, routing barato y early stopping pueden reducir mucho el coste. Contextos largos, herramientas, reintentos y agentes fallando sin supervisión pueden aumentarlo.
La pregunta correcta no es “¿cuánto cuesta la API?”, sino “¿cuántos ciclos de investigación permito al mes?”.
7. El precio unitario puede caer y el gasto total subir
Epoch AI estimó en septiembre de 2026 que el coste de alcanzar un nivel dado de rendimiento de IA había caído cerca del 47% por trimestre desde 2023, aproximadamente 13 veces por año.[7]
No hay garantía de que continúe así.
Pero la dirección es clara: la misma capacidad se ha vuelto mucho más barata.
¿Entonces caerá el presupuesto total?
El coste por tarea puede caer.
El gasto total puede subir.
Si una tarea baja de $1 a $0,10, el usuario puede ejecutar cien en lugar de diez.
Un agente con diez ideas se convierte en cien agentes con cien ideas, más agentes críticos, un meta-agente y otra oleada de exploración.
Se parece a la paradoja de Jevons.
La IA se abarata.
Nosotros usamos mucha más IA.
8. Puede ganar quien mejor distribuya la inteligencia, no quien compre el modelo más listo
No hace falta enviar todo al modelo más caro.
Eso crea un generador de facturas, no un sistema de investigación.
Una arquitectura sensata usa modelos baratos para generar muchas hipótesis, Python y SQL para filtros deterministas, modelos fuertes de nivel medio para implementar y depurar, filtros estadísticos y sólo al final el modelo más potente para intentar romper a los supervivientes.
Los bucles numéricos pertenecen a CPU y batch compute.
Que el LLM escriba el programa. Que el ordenador repita.
No contrates al modelo caro como obrero de fábrica.
Contrátalo como director de investigación.
La habilidad clave será asignar el precio correcto de inteligencia a cada tarea.
Conclusión
Los agentes autónomos y J-Quants reducen mucho la barrera para investigar sistemáticamente acciones japonesas.
Cuando datos, implementación, validación e informes se automatizan, el papel humano cambia hacia diseñar espacios de búsqueda y decidir qué merece confianza.
El próximo cuello de botella es el gasto en IA.
Pero el futuro no parece simplemente “IA más cara”.
Baja el precio por capacidad.
Aumentan las tareas posibles.
Aumenta todavía más el uso deseado.
El gasto total puede crecer.
La pregunta futura no será “¿cuánto cuesta la IA?”
Será:
“¿Cuánta inteligencia debe comprar este laboratorio cada mes antes de que deje de compensar?”
La IA derriba el muro de la implementación.
Al otro lado está la libertad.
Y al lado de la libertad, la factura.
